Huff Gravity Model Analysis In LuckyTemplates

Tässä opetusohjelmassa opimme tekemään Huffin LuckyTemplatesissa . Tämän analyysin avulla voimme arvioida tietyn myymälän potentiaalisen myynnin tai houkuttelevuuden. Teemme tämän yleensä paikkatietojärjestelmän ohjelmistossa. Voimme kuitenkin tehdä sen myös LuckyTemplatesissa ja tehdä siitä dynaamisen.

Huff Gravity Analysis olettaa, että marketkaupan pinta-ala neliömetrinä jaettuna etäisyyden neliöllä mahdollisiin asiakkaisiin johtaa houkuttelevuustekijään, joka erottuu muista kaupoista. Tämä näyttää myös vierailevien asiakkaiden todennäköisyyden prosentteina.

Oletus perustuu siihen, että mitä enemmän neliömetriä myymälässä on, sitä suurempi on valikoima ja muita huoltoelementtejä. Joten kauppa voi houkutella asiakkaita matkustamaan pidemmälle.

Tässä esimerkissä on käytetty ajomatkaa (postinumeron keskipiste myymälään).

Voimme käyttää myös suoraviivaista etäisyyttä. Tässä tapauksessa rajat erottaa kuitenkin joki. Näin ollen suoraviivainen etäisyys ei ole luotettava.

Ihannetapauksessa käytämme pienempiä alueita, kuten kaupunginosia. Tämä on vain esittelyä varten. Voimme lisätä todennäköisyyteen vaikuttavia parametreja, kuten parkkipaikka, joukkoliikenne, ja käyttää metodologiaa myös muihin analyyseihin.

Voimme myös lisätä etäisyyden vaimenemiskertoimen vaimentamaan etäisyysvaikutusta. Ihmiset ovat valmiita matkustamaan pidemmälle huonekaluja ostaessaan kuin päivittäisten elintarvikkeidensa vuoksi. 

Sisällysluettelo

• Huff Gravity Model Analysis Data
• Tietojen tuominen Power Query Editorissa
• Huff Gravity Model -analyysi, joka perustuu houkuttelevuuteen
• Todennäköisyys Huff Gravity Model -analyysissä
• Todennäköisyysanalyysi
• Dynaaminen Huff Gravity Analysis
  • Dynaaminen Huff Gravity -analyysi, joka perustuu myymäläalueeseen
  • Dynaaminen Huff Gravity -analyysi, joka perustuu etäisyyteen
• Johtopäätös

Huff Gravity Model Analysis Data

Katsotaanpa ensin dataa.

Tässä Excel-taulukossa on kuusi supermarkettia.

Siinä on myös Kilometrit , jotka sisältävät etäisyyden suorana.

Sitten on Matka-aika- välilehti, joka näyttää matka-ajan minuutteina.

Ja tämä on etäisyys. Aiomme käyttää tätä, koska rajojen välissä on joki.

Tämä on GIS-ohjelmistolla luotu Thiessen-polygoni . Täällä voimme luoda ns. Thiessen Voronoi -objektin, joka näyttää etäisyyden pisteestä muihin viereisiin objekteihin.

Tietojen tuominen Power Query Editorissa

Ensin toin tiedot sisään.

Kuten näet, olen ottanut viisi supermarkettia.

Tässä on myös kaksi tietojoukkoa nimeltä Postinumeroalueet PQ ja Postinumeroalueet DAX .

Olen kopioinut tämän, jotta voin näyttää, kuinka se tehdään Power Query -editorissa täysin dynaamisilla mittareilla.

Power Query -demossa ( Postinumeroalueet PQ ) olen pyöristänyt leveys- ja pituusasteet. Suosittelen aina, että jos otat neljä numeroa pilkun taakse, tarkkuus on noin 11 metriä, mikä on ylivoimaisesti riittävä.

Laskin myös jokaisen etäisyyden neliön. Tämä johtuu siitä, että kuten aiemmin mainitsin, aiomme lopulta käyttää pintaa neliömetrinä ja jakaa sen etäisyyden neliöllä.

Sitten yhdistin sen toiseen taulukkoon ( populaatiotaulukko ) saadakseni väestön. Tämän tarkoituksena on saada enemmän tietoa postinumeroalueiden väestöstä.

Mittatiedoille ( Postinumeroalueet ) tein myös saman asian, kuten pyöristin leveys- ja pituusasteet ja yhdistin ne uudelleen Väestötaulukkoon .

Nyt tämä on Huff Gravity Model Analysis -analyysin LuckyTemplates-kojelauta.

Nämä ovat mittataulukot, jotka olen jakanut.

Huff Gravity Model -analyysi, joka perustuu houkuttelevuuteen

Ensimmäinen tekemäni laskelma on houkuttelevuus .

Vetovoima on myymälän neliömetrit jaettuna neliöetäisyydellä . Tämän myymälän pinta-ala on 1 502 neliömetriä.

Tämä on neliön etäisyyden sarake . Tässä esimerkissä olen ottanut. Olisin voinut ottaatai keskiarvo, mutta sillä ei ole väliä kontekstin vuoksi.

Tein tämän laskelman kaikille viidelle supermarketille.

Sitten summasin ne TotalAT- mittaan laskeakseni kokonaissumman.

Todennäköisyys Huff Gravity Model -analyysissä

Seuraava mitta on todennäköisyys .

Todennäköisyys on yksinkertaisesti sitä, kuinka todennäköistä tapahtuman toteutuminen on. Tämän laskemiseksi on määritettävä yksittäinen tapahtuma, jolla on yksi lopputulos. Määritä sitten mahdollisten tulosten kokonaismäärä. Lopuksi jaa tapahtumien määrä mahdollisten tulosten määrällä.

Siksi jaoin houkuttelevuuden kokonaisvetovoimalla tässä laskelmassa. 

Näiden lukujen summa on sata prosenttia.

Yhdistetystä tietojoukosta on myös väestömäärä , joka summaa väestön postinumeroalueiden perusteella.

Sitten Max Probability -mitta.

Tämä kortti näyttää sen.

Lopuksi minulla on valitun myymälän todennäköisyysmitta . Käytin tätä mittaa tunnistaakseni minkä tahansa valikoidun kaupan todennäköisyyden.

Keskustellaan nyt siitä, miten se toimii.

Todennäköisyysanalyysi

Kartoitaessani olen ottanut rajat postinumeroiksi. Otin nelinumeroisen postinumeron.

Tässä on taulukko valitun myymälän todennäköisyydestä .

Tämä pieni kartta näyttää viiden supermarketin todellisen sijainnin.

Voin tehdä valinnan sliceristä myymälöiden postinumeroiden perusteella.

Tämä pieni kartta ( 5 Stores Rotterdam ) ei suodata vasemmalla olevaa Choroplethin karttaa (ESRI). Tämä on vain tarkoitettu antamaan meille vihje, missä olemme Choropleth-kartalla. Lisäksi se auttaa meitä myöhemmin näkemään vaikutuksen pääkarttaan.

Kuten näet, mitä tummempi väri, sitä suurempi on valitun kaupan todennäköisyysprosentti .

Valitsen esimerkiksi tämän sijainnin tai supermarketin.

Jos tarkistan tämän alueen kartalta, se näyttää myymälän todennäköisyyden etäisyyden neliöllä. Huomaa, että tämä perustuu ajomatkaan.

Tämän valinnan suurin todennäköisyys on 95 % tässä kortissa.

Tämä osa näyttää mukana tulleet postinumerot ja laskevan todennäköisyyden. Mitä pienempi prosenttiosuus, sitä todennäköisemmin heidän tietty postinumeronsa on lähempänä toista supermarketia.

Jos esimerkiksi napsautan tätä, se näyttää, että todennäköisyys on 0 % .

Ilmeisesti tämän alueen ihmiset asuvat supermarketin päällä postinumerolla 3011 . Joten miksi he menivät toiseen?

Tämä osa näyttää todellisen myymälän pinnan viitteeksi.

Toisaalta tämä näyttää valinnan sisältämän kokonaisväestön.

Dynaaminen Huff Gravity Analysis

Nyt kun olen tehnyt Huff Gravity Analysis -analyysin perusteet, menen askeleen pidemmälle ja keskustelen siitä, kuinka voin tehdä tästä dynaamisen.

Tässä tapauksessa tein viisi viipaleita, joissa oli alkuperäiset neliömetrit ja vaihtoehdot kaupan pinta-alan kasvattamiseen .

Loput vaiheet ovat melko samanlaisia ​​kuin edellinen vaihe. Minulla on nyt paljon enemmän mittareita, koska meidän on laskettava jotain dynaamista. Olen eristänyt vaiheet tehdäkseni siitä oivallustavamman.

Dynaaminen Huff Gravity -analyysi, joka perustuu myymäläalueeseen

Katsotaanpa neliömetrin houkuttelevuutta. Valitsen Supermarket 3011: n houkuttelevuusmittarin .

Neliömetrit lasketaan valitusta arvosta 3011 slicerissa.

distsq - muuttuja edustaa etäisyysneliötä, joka on peräisin Postinumeroalueet DAX -tietojoukosta.

Tässä laskelmassa neliömetrien arvo jaetaan etäisyyden neliöllä.

Tein sen jälleen kaikille viidelle supermarketille.

Dynaaminen Huff Gravity -analyysi, joka perustuu etäisyyteen

Laskin myös etäisyyden tätä analyysiä varten. Se on periaatteessa vain myymälän etäisyyssarakkeen summa Postinumeroalueet DAX -tietojoukossa.

Valittuun kauppaan viitataan Distance PC – Selected Store -laskelmassa Dax-toiminnolla.

Sitten minulla on myös toinen todennäköisyysmitta dynaamiselle huff-painovoimaanalyysille.

Se on dynaaminen, koska jos muutamme jotain jossakin slicerissä, sillä on myöhemmin vaikutusta laskennan tulokseen.

Olen käynyt läpi kaikki nuo vaiheet ja laskelmat dynaamista huff-painovoimaanalyysiä varten. Tämä johtuu siitä, että olen kiinnostunut prosenttiosuudesta väestöstä, postinumeroiden määrästä ja mukana olevista etäisyyksistä, jotka perustuvat valintani mukautetusta leikkurista.

Kuten näette, väestössä on melkoinen ero. Nämä perustuvat etäisyyteen supermarkettiin ja väestöön postinumeroissa.

Muutan esimerkiksi supermarketin 3011 neliömetriä .

Kun sitä muutetaan, vaikutus näkyy tiedoissa. Tämä johtuu siitä, että ihmisten on houkuttelevampaa tulla keskustaan ​​ja mennä tähän paikkaan ajoetäisyyden vuoksi.

Johtopäätös

Huff Gravity Model -analyysi osoittaa korrelaation asiakassuhteen ja etäisyyden välillä myymälän sijainnista. Siten houkuttelevuus ja etäisyys voivat mahdollisesti vaikuttaa todennäköisyyteen, että kuluttaja vierailee tietyssä kaupassa.

Tämä malli voi auttaa sinua määrittämään myyntiennusteita yritysten toimipaikoille. Tämän analyysin sisällyttäminen liiketoimintamalliisi voi tarjota paljon tietoa mahdollisista sivustoista.

Tämä on jälleen yksi selkeä esimerkki siitä, mitä voimme saavuttaa analyysillä ja LuckyTemplatesilla muuttamalla staattinen data dynaamiseksi esitykseksi. 

Katso alla olevista linkeistä lisää esimerkkejä ja niihin liittyvää sisältöä.

Kippis!

Paul