LuckyTemplatesda Huff Yerçekimi Modeli Analizi

Bu eğitimde, LuckyTemplates'da Huff Gravity Model analizi yapmayı öğreneceğiz . Belirli bir mağaza konumunun potansiyel satışlarını veya çekiciliğini tahmin etmek için bu analizi kullanabiliriz. Bunu genellikle Coğrafi Bilgi Sistemi yazılımlarında yapıyoruz. Ancak bunu LuckyTemplates'da da yapabilir ve dinamik hale getirebiliriz.

Huff Yerçekimi Analizi, bir süpermarket mağazasının metrekare cinsinden yüzeyinin, potansiyel müşterilere olan mesafenin karesine bölünmesiyle, diğer mağazalara karşı harekete geçen bir çekicilik faktörü ile sonuçlanacağını varsayar. Bu aynı zamanda ziyaret eden müşteriler için olasılığı yüzde olarak gösterecektir.

Varsayım , bir mağazanın metrekaresi ne kadar büyükse, diğer hizmet öğelerinin çeşitliliği ve mevcudiyetinin o kadar fazla olacağı gerçeğine dayanmaktadır . Bu nedenle mağaza, müşterileri daha uzun bir mesafeye seyahat etmeye çekebilir.

Bu örnekte, sürüş mesafesi kullanılmıştır (mağazaya posta kodu merkezi).

Düz çizgi mesafesini de kullanabiliriz. Ancak bu durumda sınırları ayıran bir nehir vardır. Bu nedenle, düz hat mesafesi güvenilir değildir.

İdeal olarak, mahalleler gibi daha küçük alanlar kullanırız. Bu sadece gösterim içindir. Olasılığı etkilemek için park yeri, toplu taşıma gibi daha fazla parametre ekleyebilir ve metodolojiyi diğer analizler için de kullanabiliriz.

Mesafe etkisini azaltmak için bir mesafe-bozunma faktörü de ekleyebiliriz . İnsanlar mobilya alışverişi yaparken günlük alışverişlerinden daha uzağa seyahat etmeye hazır. 

İçindekiler

• Huff Yerçekimi Modeli Analiz Verileri
• Power Query Editor'da Verileri İçe Aktarma
• Çekiciliğe Dayalı Huff Yerçekimi Modeli Analizi
• Huff Yerçekimi Modeli Analizinde Olasılık
• Olasılık Analizi
• Dinamik Huff Yerçekimi Analizi
  • Mağaza Alanına Göre Dinamik Huff Yerçekimi Analizi
  • Mesafeye Dayalı Dinamik Huff Yerçekimi Analizi
• Çözüm

Huff Yerçekimi Modeli Analiz Verileri

Öncelikle verilere bir göz atalım.

Bu excel elektronik tablosunda altı süpermarket var.

Ayrıca , mesafeyi düz bir çizgi olarak içeren Kilometrelere de sahiptir .

Ardından, seyahat süresini dakika cinsinden gösteren bir Seyahat Süresi sekmesi vardır .

Ve bu da mesafe. Sınırlar arasında bir nehir olduğu gerçeğini göz önünde bulundurarak bunu kullanacağız.

Bu, GIS yazılımında oluşturulmuş bir Thiessen poligonu . Burası , size bir noktadan diğer bitişik nesnelerin her birine olan mesafeyi göstermek için bir Thiessen Voronoi nesnesi oluşturabileceğimiz yerdir .

Power Query Editor'da Verileri İçe Aktarma

İlk olarak, verileri Power Query Editor'a aktardım .

Gördüğünüz gibi, beş süpermarket aldım.

Burada ayrıca Posta Kodu Alanları PQ ve Posta Kodu Alanları DAX adlı iki veri kümesi vardır .

Tamamen dinamik ölçülerle Power Query düzenleyicisinde nasıl yapılacağını size gösterebilmek için bunu çoğalttım.

Power Query demosu ( Postcodes Areas PQ ) için enlem ve boylamı yuvarladım. Her zaman virgülün arkasına dört hane alırsanız, doğruluğunuzun yaklaşık 11 metre olacağını tavsiye ederim, bu da oldukça yeterli.

Ayrıca her mesafenin karesini de hesapladım. Bunun nedeni, daha önce de belirttiğim gibi, sonunda yüzeyi metrekare olarak kullanacağız ve onu mesafenin karesine böleceğiz.

Daha sonra nüfusu elde etmek için başka bir tabloyla ( Nüfus tablosu ) birleştirdim . Bu, posta kodu alanlarındaki nüfus hakkında daha fazla fikir edinmek içindir.

Ölçüm verileri için ( Posta Kodları Alanları DAX ), enlem ve boylamı yuvarlamak gibi aynı şeyi yaptım ve tekrar Nüfus tablosuyla birleştirdim .

Şimdi, bu, Huff Gravity Model Analysis'in LuckyTemplates panosu.

Bunlar böldüğüm ölçü tabloları.

Çekiciliğe Dayalı Huff Yerçekimi Modeli Analizi

Oluşturduğum ilk hesaplama Çekicilik .

Çekicilik , mağazanın metrekaresinin Mesafenin Karesine bölümüdür . Bu mağaza 1.502 metrekare alana sahiptir.

Bu, Kare Uzaklığın sütunudur . değerini aldım . veya ortalama alabilirdim , ancak bağlam göz önüne alındığında gerçekten önemli değil.

Bu hesaplamayı beş süpermarket için de yaptım.

Sonra, toplamı hesaplamak için onları TotalAT ölçüsüne ekledim .

Huff Yerçekimi Modeli Analizinde Olasılık

Bir sonraki ölçü Olasılıktır .

Olasılık basitçe bir olayın olma olasılığının ne kadar olduğudur. Bunu hesaplamak için, tek sonucu olan tek bir olay belirlenmelidir. Ardından, meydana gelebilecek sonuçların toplam sayısını belirleyin. Son olarak, olay sayısını olası sonuçların sayısına bölün.

Bu nedenle, bu hesaplamada  Çekiciliği Toplam Çekiciliğe böldüm .

Bu sayıların toplamı yüzde yüz olacak.

Birleştirilmiş veri kümesinden, posta kodu alanlarına göre nüfusu özetleyen bir Nüfus ölçüsü de vardır .

Ardından, Maksimum Olasılık ölçüsü.

Bu kart bunu gösteriyor.

Son olarak, Seçilmiş Mağazanın Olasılığı ölçüsüne sahibim . Bu ölçümü, seçimimdeki herhangi bir seçili mağazanın olasılığını belirlemek için kullandım.

Şimdi nasıl çalıştığını tartışalım.

Olasılık Analizi

Haritalarken, sınırları posta kodu olarak aldım. Dört haneli bir posta kodu aldım.

İşte Seçilmiş Mağazanın Olasılığını içeren bir tablo .

Bu küçük harita, beş süpermarketin gerçek konumunu gösteriyor.

Dilimleyiciden mağazaların posta kodlarına göre seçim yapabilirim.

Bu küçük harita ( 5 Stores Rotterdam ), soldaki Choropleth haritasını (ESRI) filtrelemiyor. Bu sadece bize Choropleth haritasında nerede olduğumuza dair bir ipucu vermek içindir. Ayrıca, ana harita üzerindeki etkiyi daha sonra görmemize yardımcı olur.

Gördüğünüz gibi, renk ne kadar koyu olursa, seçilen mağaza için olasılık yüzdesi o kadar yüksek olur.

Örneğin, bu yeri veya süpermarketi seçeceğim.

Bu alanı haritada kontrol edersem, mesafenin karesi verildiğinde o mağazanın olasılığını gösterecek. Bunun sürüş mesafesine bağlı olduğunu unutmayın.

Bu seçim için Maksimum Olasılık, bu kartta temsil edilen %95'tir.

This part displays the included postcodes and the declining probability. The smaller the percentage, the more likely their particular postcode will be closer to another supermarket.

For instance, if I click this one, it’ll show that the probability is 0%.

Obviously, the people in this area are living on top of the supermarket under postcode 3011. So, why would they go to another one?

This part shows the actual store surface for reference.

On the other hand, this displays the total population within the selection.

Dynamic Huff Gravity Analysis

Now that I’m done with the basics of a Huff Gravity Analysis, I’ll go a step further and discuss how I can make this dynamic.

In this case, I created five slicers with the initial square meters and options for increasing the store area.

The rest of the steps are quite similar to the previous step. I now have a lot more measures because we need to calculate something that is dynamic. I’ve taken the steps apart to make it more insightful.

Dynamic Huff Gravity Analysis Based On Store Area

Let’s take a look at the square meter attractiveness. I’ll select the Attractiveness measure of Supermarket 3011.

The square meters will be referenced from the selected value in the 3011 slicer.

The distsq variable represents the distance square, which is from the Postcodes Areas DAX dataset.

In this calculation, the value of square meters will be divided by the value of distance squared.

Again, I did that for all the five supermarkets.

Dynamic Huff Gravity Analysis Based On Distance

I also calculated the distance for this analysis. It’s basically just the sum of the store’s distance column in the Postcodes Areas DAX dataset.

The selected store is being referenced in the Distance PC – Selected Store calculation using the Dax function.

Then, I also have another probability measure for the dynamic huff gravity analysis.

It’s dynamic because if we change something in one of the slicers, it will subsequently have an impact on the outcome of the calculation.

I’ve gone through all those steps and calculations for the dynamic huff gravity analysis. This is because I’m interested in the percentage of the population, amount of postcodes, and the included distance based on my selection from a customized slicer.

As you can see, there’s quite a difference in the population. These are based on the distance to the supermarket and the population within the postcodes.

As an example, I’ll change the square meters of supermarket 3011.

Upon changing that, the impact will become evident in the data. This is because it’s more attractive for people to come into the center and go to this location given the driving distance.

Data Visualizations LuckyTemplates – Dynamic Maps In Tooltips
LuckyTemplates Shape Map Visualization For Spatial Analysis
Geospatial Analysis – New Course on LuckyTemplates

Conclusion

The Huff Gravity Model analysis shows the correlation between patronage and distance from the location of the store. Hence, attractiveness and distance may possibly affect the probability of a consumer visiting a certain store.

This model can help you determine sales forecasts for business locations. Incorporating this analysis into your business model can provide a great deal of information about potential sites.

Again, this is another clear example of what we can achieve with analysis and LuckyTemplates by turning static data into a dynamic representation. 

Check out the links below for more examples and related content.

Cheers!

Paul