Huff Gravity Model Analysis I Lucky Templates

I den här handledningen kommer vi att lära oss hur man gör en Huff i LuckyTemplates. Vi kan använda denna analys för att uppskatta den potentiella försäljningen eller attraktiviteten för en viss butiksplats. Vi brukar göra detta i programvaran Geographic Information System. Men vi kan också göra det i LuckyTemplates och göra det dynamiskt.

Huff Gravity Analysis antar att ytan i kvadratmeter av en stormarknadsbutik, dividerat med avståndet i kvadrat till potentiella kunder, kommer att resultera i en attraktionsfaktor som kvittar mot andra butiker. Detta visar också sannolikheten i procent för besökande kunder.

Antagandet bygger på att ju fler kvadratmeter en butik har, desto större blir sortimentet och närvaron av andra serviceelement. Så butiken kan locka kunder att resa längre sträckor.

I det här exemplet har körsträckan använts (postnummer centroid till butiken).

Vi kan också använda rakt avstånd. Men i det här fallet finns det en flod som skiljer gränserna åt. Således är ett rätlinjeavstånd inte tillförlitligt.

Helst använder vi mindre ytor som kvarter. Detta är endast för demonstration. Vi kan lägga till fler parametrar för att påverka sannolikheten som parkeringsplats, kollektivtrafik och använda metodiken för andra analyser också.

Vi kan också lägga till en avståndsavklingningsfaktor för att dämpa avståndseffekten. Människor är beredda att resa längre när de handlar möbler än de är för sina dagliga matvaror. 

Innehållsförteckning

• Huff Gravity Model Analys Data
• Importera data i Power Query Editor
• Huff Gravity Model Analys Based På Attraktionskraft
• Sannolikhet i Huff Gravity Model Analysis
• Sannolikhetsanalys
• Dynamisk Huff Gravity Analysis
  • Dynamisk Huff Gravity Analys Baserat på Butiksyta
  • Dynamisk Huff Gravity Analys Baserad På Avstånd
• Slutsats

Huff Gravity Model Analys Data

Låt oss först titta på data.

I detta Excel-kalkylblad finns sex stormarknader.

Den har också Kilometern som innehåller avståndet som en rak linje.

Sedan finns det en flik Restid som visar restid i minuter.

Och det här är avståndet. Vi kommer att använda detta med tanke på att det finns en flod mellan gränserna.

Den här är en Thiessen-polygon skapad i GIS-programvara. Det är här vi kan skapa ett så kallat Thiessen Voronoi- objekt för att visa dig avståndet från en punkt till vart och ett av de andra intilliggande objekten.

Importera data i Power Query Editor

Först importerade jag data till.

Som ni ser har jag tagit fem stormarknader.

Det finns också två datamängder här som heter Postcodes Areas PQ och Postcodes Areas DAX .

Jag har duplicerat detta så att jag kan visa dig hur du gör det i Power Query-redigeraren med helt dynamiska åtgärder.

För Power Query-demon ( Postcodes Areas PQ ) har jag avrundat latitud och longitud. Jag rekommenderar alltid att om du tar fyra siffror bakom kommatecken kommer din noggrannhet att vara cirka 11 meter, vilket är överlägset tillräckligt.

Jag beräknade också kvadraten på varje avstånd. Detta beror på att vi, som jag tidigare nämnt, så småningom kommer att använda ytan i kvadratmeter och dividera den med avståndet i kvadrat.

Sedan slog jag ihop den med en annan tabell ( populationstabell ) för att få populationen. Detta för att få mer insikter om befolkningen i postnummerområdena.

För måttdata ( Postnummerområden ) gjorde jag också samma sak som att runda av latitud och longitud och slog ihop det igen med befolkningstabellen .

Nu är detta LuckyTemplates instrumentpanel för Huff Gravity Model Analysis.

Det här är måtttabellerna som jag har delat upp.

Huff Gravity Model Analys Based På Attraktionskraft

Den första kalkylen jag skapade är Attraktionskraft .

Attraktionskraften är butikens kvadratmeter dividerad med Kvadratavstånd . Denna butik har en yta på 1 502 kvadratmeter.

Detta är kolumnen för Squared Distance . I det här exemplet har jag tagit. Jag kunde ha tagiteller genomsnittet, men det spelar egentligen ingen roll med tanke på sammanhanget.

Jag gjorde den beräkningen för alla fem stormarknaderna.

Sedan lade jag ihop dem i TotalAT -måttet för att beräkna totalsumman.

Sannolikhet i Huff Gravity Model Analysis

Nästa mått är Sannolikhet .

Sannolikhet är helt enkelt hur sannolikt en händelse är att inträffa. För att beräkna det bör en enskild händelse med ett enda utfall fastställas. Identifiera sedan det totala antalet utfall som kan inträffa. Dela slutligen antalet händelser med antalet möjliga utfall.

Därför delade jag Attraktivitet med Total Attraktivitet i denna beräkning. 

Dessa siffror kommer att summera till hundra procent.

Det finns också ett befolkningsmått från den sammanslagna datamängden som summerar befolkningen baserat på postnummerområden.

Sedan, mått på Max sannolikhet .

Det här kortet visar det.

Slutligen har jag ett mått på Probability of Selected Store . Jag använde detta mått för att identifiera sannolikheten för en utvald butik i mitt urval.

Låt oss nu diskutera hur det fungerar.

Sannolikhetsanalys

När jag kartlägger har jag tagit gränserna som postnummer. Jag har tagit ett fyrsiffrigt postnummer.

Här är en tabell med sannolikheten för vald butik .

Denna lilla karta visar den faktiska platsen för de fem stormarknaderna.

Jag kan göra ett urval utifrån butikernas postnummer från skivaren.

Den här lilla kartan ( 5 Stores Rotterdam ) filtrerar inte Choropleth-kartan (ESRI) till vänster. Detta är bara menat att ge oss en ledtråd var vi är på Choropleth-kartan. Dessutom hjälper det oss att i efterhand se påverkan på huvudkartan.

Som du kan se, ju mörkare färg, desto högre är sannolikheten % för den valda butiken.

Jag väljer till exempel den här platsen eller stormarknaden.

Om jag kollar in det här området på kartan kommer det att visa sannolikheten för den butiken givet avståndet i kvadrat. Observera att detta är baserat på körsträckan.

Den maximala sannolikheten för detta val är 95 % representerad på detta kort.

Den här delen visar de inkluderade postnumren och den sjunkande sannolikheten. Ju mindre andelen är, desto mer sannolikt kommer deras postnummer att vara närmare en annan stormarknad.

Om jag till exempel klickar på den här visar den att sannolikheten är 0 % .

Uppenbarligen bor människorna i det här området ovanpå stormarknaden under postnummer 3011 . Så varför skulle de gå till en annan?

Denna del visar den faktiska butiksytan som referens.

Å andra sidan visar detta den totala populationen inom urvalet.

Dynamisk Huff Gravity Analysis

Nu när jag är klar med grunderna i en Huff Gravity Analysis ska jag gå ett steg längre och diskutera hur jag kan göra detta dynamiskt.

I det här fallet skapade jag fem skärmaskiner med de ursprungliga kvadratmeterna och alternativ för att öka butiksytan .

Resten av stegen är ganska lika föregående steg. Jag har nu mycket fler mått eftersom vi behöver beräkna något som är dynamiskt. Jag har tagit stegen isär för att göra det mer insiktsfullt.

Dynamisk Huff Gravity Analys Baserat på Butiksyta

Låt oss ta en titt på den kvadratmeter attraktiva. Jag väljer attraktionsmåttet för Supermarket 3011 .

Kvadratmetern kommer att refereras från det valda värdet i 3011- skivan.

Variabeln distsq representerar distanskvadraten, som kommer från postcodes Areas DAX -datauppsättningen.

I denna beräkning kommer värdet av kvadratmeter att divideras med värdet av avstånd i kvadrat.

Återigen gjorde jag det för alla fem stormarknaderna.

Dynamisk Huff Gravity Analys Baserad På Avstånd

Jag beräknade även avståndet för denna analys. Det är i princip bara summan av butikens avståndskolumn i DAX- datauppsättningen Postcodes Areas.

Den valda butiken refereras i Distance PC – Selected Store- beräkningen med Dax-funktionen.

Sedan har jag också ett annat sannolikhetsmått för den dynamiska huffgravitationsanalysen.

Det är dynamiskt eftersom om vi ändrar något i en av skivorna kommer det att påverka resultatet av beräkningen.

Jag har gått igenom alla dessa steg och beräkningar för den dynamiska tyngdkraftsanalysen. Detta beror på att jag är intresserad av procentandelen av befolkningen, antalet postnummer och det inkluderade avståndet baserat på mitt val från en anpassad skärmaskin.

Som du kan se är det ganska stor skillnad i befolkningen. Dessa baseras på avståndet till snabbköpet och befolkningen inom postnumren.

Som ett exempel ska jag ändra kvadratmeterna på supermarket 3011 .

När du ändrar det kommer effekten att bli tydlig i data. Detta eftersom det är mer attraktivt för människor att komma in till centrum och åka till den här platsen med tanke på köravståndet.

Slutsats

Analysen av Huff Gravity Model visar sambandet mellan beskydd och avstånd från platsen för butiken. Attraktionskraft och avstånd kan därför möjligen påverka sannolikheten för att en konsument besöker en viss butik.

Den här modellen kan hjälpa dig att fastställa försäljningsprognoser för företagsplatser. Att införliva denna analys i din affärsmodell kan ge en hel del information om potentiella webbplatser.

Återigen, detta är ytterligare ett tydligt exempel på vad vi kan uppnå med analys och LuckyTemplates genom att förvandla statisk data till en dynamisk representation. 

Kolla in länkarna nedan för fler exempel och relaterat innehåll.

Skål!

Paul