Pipe In R: Tilslutningsfunktioner med Dplyr
I denne øvelse lærer du, hvordan du kæder funktioner sammen ved hjælp af dplyr-røroperatoren i programmeringssproget R.
I denne tutorial lærer vi, hvordan man laver en Huff i LuckyTemplates. Vi kan bruge denne analyse til at estimere det potentielle salg eller attraktiviteten af en bestemt butiksplacering. Vi gør normalt dette i Geographic Information System-software. Vi kan dog også gøre det i LuckyTemplates og gøre det dynamisk.
Huff Gravity Analysen antager, at overfladen i kvadratmeter af en supermarkedsbutik, divideret med afstanden i kvadrat til potentielle kunder, vil resultere i en attraktivitetsfaktor, der modregner andre butikker. Dette vil også vise sandsynligheden i procent for besøgende kunder.
Antagelsen er baseret på, at jo flere kvadratmeter en butik har, jo større sortiment og tilstedeværelse af andre serviceelementer vil være. Så butikken kan tiltrække kunder til at rejse længere.
I dette eksempel er køreafstanden blevet brugt (postnummer centroid til butikken).
Vi kan også bruge lineær afstand. Men i dette tilfælde er der en flod, der adskiller grænserne. En retlinet afstand er således ikke pålidelig.
Ideelt set bruger vi mindre områder som fx kvarterer. Dette er kun til demonstration. Vi kan tilføje flere parametre for at påvirke sandsynligheden som parkeringsplads, offentlig transport og også bruge metoden til andre analyser.
Vi kan også tilføje en distance-decay- faktor for at dæmpe afstandseffekten. Folk er parate til at rejse længere, når de handler møbler, end de er til deres daglige indkøb.
Indholdsfortegnelse
Huff Gravity Model Analyse Data
Lad os først se på dataene.
I dette excel-regneark er der seks supermarkeder.
Den har også de Kilometer , der indeholder afstanden som en lige linje.
Derefter er der fanen Rejsetid , som viser rejsetiden i minutter.
Og det her er afstanden. Vi vil bruge dette i betragtning af, at der er en flod mellem grænserne.
Denne er en Thiessen-polygon skabt i GIS-software. Det er her, vi kan oprette et såkaldt Thiessen Voronoi- objekt for at vise dig afstanden fra et punkt til hver af de andre tilstødende objekter.
Import af data i Power Query Editor
Først importerede jeg dataene til.
Som du kan se, har jeg taget fem supermarkeder.
Der er også to datasæt her kaldet Postcodes Areas PQ og Postcodes Areas DAX .
Jeg har duplikeret dette, så jeg kan vise dig, hvordan du gør det i Power Query-editoren med fuldt dynamiske mål.
Til Power Query-demoen ( Postcodes Areas PQ ) har jeg rundet bredde- og længdegraden af. Jeg anbefaler altid, at hvis du tager fire cifre bag kommaet, vil din nøjagtighed være omkring 11 meter, hvilket langtfra er nok.
Jeg har også beregnet kvadratet af hver afstand. Dette er fordi, som jeg tidligere nævnte, vil vi til sidst bruge overfladen i kvadratmeter og dividere den med afstanden i anden.
Derefter slog jeg den sammen med en anden tabel ( Befolkningstabel ) for at få befolkningen. Dette for at få mere indsigt i befolkningen i postnummerområderne.
For måldataene ( Postnummerområder ) gjorde jeg også det samme som at runde bredde- og længdegraden og flette det igen med befolkningstabellen .
Nu er dette LuckyTemplates-dashboardet for Huff Gravity Model Analysis.
Dette er de måletabeller, som jeg har delt op.
Huff Gravity Model Analyse baseret på tiltrækningskraft
Den første beregning, jeg lavede, er Attraktivhed .
Attraktiviteten er butikkens kvadratmeter divideret med Kvadratafstand . Denne butik har 1.502 kvadratmeter overflade.
Dette er kolonnen i den kvadratiske afstand . I dette eksempel har jeg taget. Jeg kunne have tageteller gennemsnittet, men det betyder egentlig ikke noget, konteksten taget i betragtning.
Jeg lavede den beregning for alle fem supermarkeder.
Derefter tilføjede jeg dem i TotalAT- målet for at beregne totalen.
Sandsynlighed i Huff Gravity Model Analysis
Det næste mål er Sandsynlighed .
Sandsynlighed er simpelthen hvor sandsynligt, at en begivenhed vil ske. For at beregne det, bør en enkelt hændelse med et enkelt udfald bestemmes. Identificer derefter det samlede antal udfald, der kan opstå. Til sidst skal du dividere antallet af hændelser med antallet af mulige udfald.
Derfor dividerede jeg Attraktivitet med Total Attraktivhed i denne beregning.
Disse tal vil lægge op til hundrede procent.
Der er også et befolkningsmål fra det fusionerede datasæt, der opsummerer befolkningen baseret på postnummerområder.
Derefter måles Max Sandsynlighed .
Dette kort viser det.
Til sidst har jeg en Probability of Selected Store- mål. Jeg brugte dette mål til at identificere sandsynligheden for en hvilken som helst valgt butik i mit udvalg.
Lad os nu diskutere, hvordan det virker.
Sandsynlighedsanalyse
Mens jeg kortlægger, har jeg taget grænserne som postnumre. Jeg har taget et firecifret postnummer.
Her er en tabel med sandsynligheden for den valgte butik .
Dette lille kort viser den faktiske placering af de fem supermarkeder.
Jeg kan foretage et udvalg ud fra butikkernes postnumre fra skæremaskinen.
Dette lille kort ( 5 Stores Rotterdam ) filtrerer ikke Choropleth-kortet (ESRI) til venstre. Dette er blot beregnet til at give os et fingerpeg om, hvor vi er på Choropleth-kortet. Desuden hjælper det os til efterfølgende at se påvirkningen på hovedkortet.
Som du kan se, jo mørkere farven er, jo højere er sandsynligheden % for den valgte butik.
Jeg vælger f.eks. dette sted eller supermarked.
Hvis jeg tjekker dette område på kortet, vil det vise sandsynligheden for den butik givet afstanden i kvadrat. Bemærk at dette er baseret på køreafstanden.
Den maksimale sandsynlighed for dette valg er 95 % repræsenteret på dette kort.
Denne del viser de inkluderede postnumre og den faldende sandsynlighed. Jo mindre procentdelen er, jo mere sandsynligt er deres særlige postnummer tættere på et andet supermarked.
For eksempel, hvis jeg klikker på denne, vil den vise, at sandsynligheden er 0 % .
Det er klart, at folk i dette område bor oven på supermarkedet under postnummer 3011 . Så hvorfor skulle de gå til en anden?
Denne del viser den faktiske butiksoverflade til reference.
På den anden side viser dette den samlede befolkning inden for udvalget.
Dynamisk Huff Gravity Analyse
Nu hvor jeg er færdig med det grundlæggende i en Huff Gravity Analysis, vil jeg gå et skridt videre og diskutere, hvordan jeg kan gøre denne dynamisk.
I dette tilfælde lavede jeg fem skæremaskiner med de oprindelige kvadratmeter og muligheder for at øge butiksarealet .
Resten af trinene minder meget om det forrige trin. Jeg har nu mange flere mål, fordi vi skal beregne noget, der er dynamisk. Jeg har taget trinene fra hinanden for at gøre det mere indsigtsfuldt.
Dynamisk Huff-tyngdekraftsanalyse baseret på butiksareal
Lad os tage et kig på den kvadratmeter attraktive. Jeg vælger tiltrækningsmålet for Supermarked 3011 .
Kvadratmeterne vil blive refereret fra den valgte værdi i 3011- sliceren.
Variablen distsq repræsenterer afstandskvadraten, som er fra DAX-datasættet Postcodes Areas .
I denne beregning vil værdien af kvadratmeter blive divideret med værdien af afstand i anden.
Igen gjorde jeg det for alle de fem supermarkeder.
Dynamisk Huff-tyngdekraftsanalyse baseret på afstand
Jeg har også beregnet afstanden til denne analyse. Det er stort set kun summen af butikkens afstandskolonne i DAX-datasættet Postcodes Areas .
Der refereres til den valgte butik i Distance PC – Selected Store- beregningen ved hjælp af Dax-funktionen.
Så har jeg også et andet sandsynlighedsmål for den dynamiske huff-tyngdekraftsanalyse.
Det er dynamisk, for hvis vi ændrer noget i en af slicerne, vil det efterfølgende have betydning for udfaldet af beregningen.
Jeg har gennemgået alle disse trin og beregninger til den dynamiske huff-tyngdekraftsanalyse. Dette skyldes, at jeg er interesseret i procentdelen af befolkningen, mængden af postnumre og den inkluderede afstand baseret på mit valg fra en tilpasset slicer.
Som du kan se, er der stor forskel på befolkningen. Disse er baseret på afstanden til supermarkedet og befolkningen inden for postnumrene.
Som et eksempel vil jeg ændre kvadratmeterne på supermarked 3011 .
Når du ændrer det, vil virkningen blive tydelig i dataene. Dette skyldes, at det er mere attraktivt for folk at komme ind til centrum og gå til denne placering i betragtning af køreafstanden.
Konklusion
Huff Gravity Model-analysen viser sammenhængen mellem protektion og afstand fra butikkens placering. Derfor kan tiltrækningskraft og afstand muligvis påvirke sandsynligheden for, at en forbruger besøger en bestemt butik.
Denne model kan hjælpe dig med at bestemme salgsprognoser for virksomhedslokationer. At inkorporere denne analyse i din forretningsmodel kan give en masse information om potentielle websteder.
Igen er dette endnu et tydeligt eksempel på, hvad vi kan opnå med analyse og LuckyTemplates ved at omdanne statiske data til en dynamisk repræsentation.
Tjek nedenstående links for flere eksempler og relateret indhold.
Skål!
Paul
I denne øvelse lærer du, hvordan du kæder funktioner sammen ved hjælp af dplyr-røroperatoren i programmeringssproget R.
RANKX fra LuckyTemplates giver dig mulighed for at returnere rangeringen af et specifikt tal i hver tabelrække, der udgør en del af en liste over tal.
Lær, hvordan du adskiller en PBIX-fil for at udtrække LuckyTemplates-temaer og -billeder fra baggrunden og bruge den til at oprette din rapport!
Excel Formler Snydeark: Mellemvejledning
LuckyTemplates kalendertabel: Hvad er det, og hvordan man bruger det
Lær, hvordan du installerer programmeringssproget Python i LuckyTemplates, og hvordan du bruger dets værktøjer til at skrive koder og vise billeder.
Lær, hvordan du beregner dynamiske fortjenstmargener ved siden af LuckyTemplates, og hvordan du kan få mere indsigt ved at grave dybere ned i resultaterne.
Lær, hvordan du sorterer felterne fra kolonner med udvidet datotabel korrekt. Dette er en god strategi at gøre for vanskelige felter.
I denne artikel gennemgår jeg, hvordan du kan finde dine topprodukter pr. region ved hjælp af DAX-beregninger i LuckyTemplates, herunder funktionerne TOPN og CALCUATE.
Lær, hvordan du bruger en uønsket dimension til flag med lav kardinalitet, som du ønsker at inkorporere i din datamodel på en effektiv måde.