Communitygithub.com

Standortauswahl und Kannibalisierungsanalyse

Erstellt CARTO-Workflows zur Identifizierung optimaler Standorte für neue Einrichtungen (Filialen, Stationen, Büros) durch Kombination räumlicher Kriterien und zur Quantifizierung von Kannibalisierungsrisiken durch überlappende Einzugsgebiete.

Was ist Standortauswahl und Kannibalisierungsanalyse?

Dieses Skill ermöglicht es, mit CARTO Workflows räumliche Entscheidungen zur Standortplanung zu automatisieren. Es deckt drei Hauptmuster ab: (1) Standortauswahl durch Bewertung und Ranking von Kandidatenflächen, (2) Kannibalisierungsanalyse zur Quantifizierung von Umsatzverlusten durch neue Filialen in bestehenden Einzugsgebieten und (3) Zwillingsgebietsanalyse zur Identifizierung von Regionen, die den leistungsstärksten Standorten ähneln. Es unterstützt die Verwendung von H3- oder Quadbin-Rastern, Isochronen, Pufferzonen und Anreicherung mit demografischen/POI-Daten über die CARTO Analytics Toolbox. Der Skill kann über den MCP-Server (Tools wie `create_workflow`, `validate_workflow`, `run_workflow`) oder die `carto workflows` CLI ausgeführt werden. Entwickler müssen die Docker-basierte Umgebung mit installierter CARTO Workflows CLI oder dem MCP-Server-Client vorbereitet haben.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/CartoDB/agent-skills/tree/HEAD/skills/carto-site-selection

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Standortauswahl und Kannibalisierungsanalyse?

Erstellt CARTO-Workflows zur Identifizierung optimaler Standorte für neue Einrichtungen (Filialen, Stationen, Büros) durch Kombination räumlicher Kriterien und zur Quantifizierung von Kannibalisierungsrisiken durch überlappende Einzugsgebiete. Behandelt auch die Suche nach Zwillingsgebieten und ähnlichen Standorten.

Voraussetzungen: Laden Sie carto-create-workflow für den Entwicklungsprozess, die JSON-Struktur und die Validierung. Es deckt beide Zugriffspfade ab – die Workflow-Tools des MCP-Servers (create_workflow, validate_workflow, run_workflow) wenn verbunden, andernfalls das carto workflows CLI. Signalweiterleitung: carto-basics/references/access-paths.md. Laden Sie carto-trade-area-analysis, wenn der Workflow Isochronen, Puffer oder Einzugsgebietsanreicherung beinhaltet – es behandelt die Einzugsgebiets-Pipeline im Detail.


Entscheidungsbaum

BenutzerabsichtMuster
„Wo soll ich eine neue Filiale eröffnen?“Standortauswahl (Bewertung + Ranking)
„Wird eine neue Filiale bestehende schädigen?“Kannibalisierungsanalyse
„Finde Standorte, die meinen Bestperformern ähneln“Zwillingsgebiete / Ähnliche Standorte

Anweisungen

Muster A: Standortauswahl (Bewertung + Ranking)

Bestehende Standorte + Zielgebiet -> Räumliche Indizierung -> Anreicherung mit Demografie/POIs -> Bewertung/Ranking -> Top-Kandidaten filtern -> Speichern

Schritt 1: Daten laden

Laden Sie zwei Datensätze mit native.gettablebyname:

  • Bestehende Standorte (aktuelle Filialen/Einrichtungen)
  • Zielgebiet (z. B. Stadtgrenze, Bezirkspolygone oder ein Raster, das das Untersuchungsgebiet abdeckt)

Aufteilung von Kandidaten und bestehendem Netzwerk, wenn beide in einer Tabelle sind. Wenn die Quelle des Benutzers eine einzelne Tabelle ist, in der „Kandidaten“ durch einen numerischen Schwellenwert definiert werden (z. B. revenue ≥ X, size ≥ Y), verwenden Sie ein native.where mit diesem Prädikat und leiten Sie dessen match-Ausgabe an die Kandidaten-Pipeline und dessen unmatch-Ausgabe an die Pipeline des bestehenden Netzwerks. Zwei Ströme aus einem Knoten – deutlich sauberer als orderby + limit + customsql NOT IN und vermeidet ein customsql vollständig. Der Schwellenwert approximiert „Top N“; wenn der Benutzer explizit „genau die Top 25“ sagt, ist orderby + limit immer noch die richtige Wahl, aber zahlen Sie den zusätzlichen Knotenaufwand bewusst.

Erfolg: Beide Tabellen mit Geometriespalten und eindeutigen Identifikatoren geladen.

Schritt 2: Kandidatenraster erstellen

Füllen Sie das Zielgebiet mit H3- oder Quadbin-Zellen unter Verwendung von native.h3polyfill oder native.quadbinpolyfill. Jede Zelle ist ein Kandidaten-Mikrostandort.

Erfolg: Ein zusammenhängendes Raster von Zellen, das das Untersuchungsgebiet abdeckt.

Schritt 3: Kandidaten anreichern

Fügen Sie jeder Zelle Nachfragesignale hinzu – Bevölkerung, Einkommen, Fußgängeraufkommen, POI-Dichte – unter Verwendung von native.h3enrich, native.joinv2 oder dem Data Observatory.

Wenn Kandidaten kontinuierliche Polygone (Einzugsgebiete/Bezirke) und kein Raster sind, ist die Wahl zwischen native.enrichpolygons und native.spatialjoin + native.groupby wichtig – siehe carto-spatial-enrichment Schritt 4 für den Kompromiss (AT-Abhängigkeit vs. Knotenanzahl vs. Prädikat/Join-Kontrolle).

Erfolg: Jede Rasterzelle hat numerische Spalten, die Nachfrage-/Eignungsfaktoren repräsentieren.

Schritt 4: Nach Nähe zu bestehenden Standorten filtern

Verwenden Sie native.h3distance, um die Hop-Distanz von jeder Kandidatenzelle zum nächsten bestehenden Standort zu berechnen. Filtern Sie Zellen heraus, die zu nah (Kannibalisierungsrisiko) oder zu weit (Logistikkosten) sind. Die Ausgabe ist die Hop-Anzahl, nicht die metrische Distanz – konvertieren Sie über die Kantenlänge der Auflösung (siehe Fallstricke).

Distanzsemantik – Kannibalisierung vom Einzugsgebietspolygon messen, nicht vom Kandidatenpunkt. Wenn Kandidaten Punkte mit einem generierten Einzugsgebiet (Isochrone / Puffer – siehe carto-trade-area-analysis) sind, berechnen Sie native.distance vom Einzugsgebietspolygon des Kandidaten zu den bestehenden Konkurrenzpunkten, nicht vom Kandidatenpunkt selbst. Grund: ST_DISTANCE(polygon, point) = 0, wenn der Konkurrent innerhalb des Einzugsgebiets liegt – genau das Kannibalisierungssignal, das Sie möchten. Punkt-zu-Punkt-Distanz meldet nur, „wie weit der nächste Konkurrent entfernt ist“, und verbirgt Überlappungen. Wählen Sie den radius konsistent mit der Größe des Einzugsgebiets (z. B. ~5 km für ein 10-minütiges Geh-Einzugsgebiet); große Radien verwässern das Signal. Dieses Polygon-zu-Punkt-Muster ist der Mittelweg zwischen dem H3-Hop-Filter aus Muster A und der vollständigen Rasterüberlappungsanalyse aus Muster B – verwenden Sie es immer dann, wenn der Kandidat bereits eine kontinuierliche Einzugsgebietsgeometrie hat.

Erfolg: Kandidatenzellen liegen innerhalb eines sinnvollen Distanzbands von bestehenden Standorten, und jedes Kannibalisierungssignal wird aus dem Einzugsgebietspolygon gemessen, sofern vorhanden.

Schritt 5: Bewerten und einstufen

Verwenden Sie das Bewertungsmuster aus trade-area-analysis:

  1. Normalisieren Sie jede Variable auf [0,1] mit native.normalize
  2. Zusammengesetzter Score mittels native.selectexpression mit benutzerdefinierten Gewichten
  3. Rangfolge mit native.orderby (absteigend) + native.limit (Top N)

Erfolg: Eine eingestufte Shortlist von Kandidatenzellen mit zusammengesetzten Scores und beitragenden Variablen.

Schritt 6: Speichern

Verwenden Sie native.saveastable. Die H3/Quadbin-Spalte ist direkt im CARTO Builder visualisierbar.

Erfolg: Validierter Workflow, bereit zum Hochladen.


Muster B: Kannibalisierungsanalyse

Bestehende + Vorgeschlagene Standorte -> Einzugsgebiete (Isochrone/Puffer) -> Rasterfüllung -> Schnittmenge/Join -> Überlappung messen -> Speichern

Schritt 1: Daten laden

Laden Sie bestehende Standorte und vorgeschlagene Standorte (oder eine einzelne Tabelle mit einer Flags palte, die sie unterscheidet). Wenn beide Mengen in einer Tabelle sind und die Aufteilung durch einen numerischen Schwellenwert definiert ist (z. B. revenue ≥ X), siehe Muster A Schritt 1 mit native.where match/unmatch-Aufteilung – es erzeugt beide Ströme aus einem Knoten und vermeidet customsql.

Erfolg: Beide Mengen mit Geometrie und eindeutigen Identifikatoren geladen.

Schritt 3: Rasterfüllung mit Raumindex

Konvertieren Sie alle Einzugsgebietspolygone in H3- oder Quadbin-Zellen mit native.h3polyfill. Behalten Sie den Standortidentifikator und eine is_proposed-Flags palte bei.

Erfolg: Eine Zeile pro Zelle pro Standort mit Standort-ID und Typ-Flag.

Schritt 4: Überlappung finden

Verwenden Sie native.joinv2 (innerer Join auf der Raumindexspalte) zwischen Zellen bestehender Standorte und Zellen vorgeschlagener Standorte. Das Ergebnis enthält Zellen, die von mindestens einem bestehenden und einem vorgeschlagenen Standort geteilt werden.

Erfolg: Die Ausgabe enthält nur Zellen, die sowohl in einem bestehenden als auch in einem vorgeschlagenen Einzugsgebiet liegen.

Schritt 5: Auswirkung messen

Verwenden Sie native.groupby, um die Überlappung zu aggregieren:

  • Pro bestehendem Standort: Anzahl überlappender Zellen / Gesamtzellen im Einzugsgebiet dieses Standorts = Überlappungsprozentsatz
  • Überlappungszellen anreichern mit Bevölkerung oder Umsatz, um die geteilte Nachfrage zu quantifizieren

Verwenden Sie native.selectexpression, um das Überlappungsverhältnis zu berechnen.

Erfolg: Jeder bestehende Standort hat eine Überlappungsmetrik, die zeigt, wie viel seines Einzugsgebiets mit vorgeschlagenen Standorten geteilt wird.

Schritt 6: Speichern

Verwenden Sie native.saveastable.

Erfolg: Validierter Workflow mit Kannibalisierungsmetriken pro Standort.


Muster C: Zwillingsgebiete / Ähnliche Standorte

Top-performende Standorte -> Einzugsgebiete -> Anreichern -> Ähnlichkeitsmodell erstellen -> Alle Kandidatenflächen bewerten -> Einstufen -> Speichern

Schritt 1: Referenzstandorte identifizieren

Laden Sie den vollständigen Standortdatensatz. Filtern Sie nach Top-Performern (z. B. oberes Quartil nach Umsatz) mit native.wheresimplified oder native.orderby + native.limit.

Erfolg: Eine Teilmenge von leistungsstarken Standorten, isoliert als Referenzmenge.

Schritt 2: Einzugsgebiete generieren und anreichern

Erstellen Sie Isochronen- oder Puffereinzugsgebiete um Referenzstandorte. Füllen Sie auf H3/Quadbin. Reichern Sie mit Demografie, POIs und relevanten Variablen an.

Erfolg: Jeder Referenzstandort hat ein umfassendes demografisches Profil.

Schritt 3: Zwillingsgebietsmodell erstellen

Verwenden Sie native.buildtwinareasmodel (BUILD_TWIN_AREAS_MODEL), um ein PCA-basiertes Ähnlichkeitsmodell aus den angereicherten Referenzstandorten zu erstellen.

  • Eingabe: angereicherte Referenzstandorte mit numerischen Merkmalspalten
  • Das Modell erfasst die multivariate „Signatur“ erfolgreicher Standorte

Erfolg: Ein Modellartefakt, das das demografische Profil der Top-Performer kodiert.

Schritt 4: Ähnliche Standorte finden

Verwenden Sie native.findsimilarlocations (FIND_SIMILAR_LOCATIONS), um alle Kandidatenflächen gegen das Zwillingsgebietsmodell zu bewerten.

  • Eingabe: Kandidatenflächen, angereichert mit denselben Variablen, die zum Erstellen des Modells verwendet wurden
  • Ausgabe: Ähnlichkeitspunktzahl pro Kandidat

Erfolg: Jede Kandidatenfläche hat eine Ähnlichkeitspunktzahl relativ zur Referenzmenge.

Schritt 5: Einstufen und Speichern

Einstufung nach Ähnlichkeitspunktzahl absteigend. Top-Kandidaten speichern.

Erfolg: Eine eingestufte Liste von Flächen, die den leistungsstärksten Standorten am ähnlichsten sind.


Variante: Kommerzielle Hotspots

Für nachfrageorientierte Standortauswahl (z. B. „wo ist die ungedeckte Nachfrage am höchsten?“) verwenden Sie native.commercialhotspots:

  1. Erstellen Sie ein H3-Raster über das Untersuchungsgebiet
  2. Reichern Sie mit der Zielnachfragevariable an (z. B. Bevölkerung im Alter von 15–34)
  3. Führen Sie native.commercialhotspots mit variablecolumns und weights aus
  4. Filtern Sie Ergebnisse nach Signifikanz (p_value < 0.05)
  5. Optional nach native.h3distance von bestehenden Standorten filtern, um sich auf unterversorgte Gebiete zu konzentrieren

Hinweis: variablecolumns verwendet Python-Listen-Syntax (['col1', 'col2']) und weights ist komma-getrennt – siehe die Fallstricke in trade-area-analysis für Details.


Fallstricke

  • Provider-Schreibweise & SQL-Dialekt. Dieses Skill verwendet Kleinbuchstaben-Spaltennamen (h3, is_proposed, population, usw.) – Konvention für BigQuery / Databricks / Postgres / Redshift. Bei Snowflake werden nicht in Anführungszeichen gesetzte Identifikatoren in GROSSBUCHSTABEN angezeigt – referenzieren Sie sie als H3, IS_PROPOSED, POPULATION. Siehe carto-create-workflow/references/providers/<provider>.md für Schreibregeln und SQL-Dialekt-Äquivalente.
  • native.commercialhotspots erfordert das Retail-Modul der Analytics Toolbox. Validieren Sie mit --connection, um die Verfügbarkeit zu bestätigen.
  • Zwillingsgebiete und Ähnliche Standorte verwenden intern PCA – Ergebnisse sind empfindlich gegenüber Variablenauswahl und Skalierung. Beziehen Sie nur relevante, nicht redundante Variablen ein. Normalisieren Sie Eingaben, wenn die Skalen stark variieren.
  • Die Kannibalisierungsüberlappung hängt stark von der Definition des Einzugsgebiets ab (Pufferradius, Isochronenzeit). Kleine Änderungen an Parametern können Ergebnisse umkehren. Dokumentieren Sie die gewählten Parameter und die Begründung.
  • native.h3distance gibt die Hop-Anzahl zurück, nicht die physische Distanz. Multiplizieren Sie mit der ungefähren Zellkantenlänge für die Auflösung, um eine grobe metrische Distanz zu erhalten (z. B. Auflösung 8 ~ 460 m, Auflösung 9 ~ 174 m pro Hop).
  • Beim Vergleich von Regionen unterschiedlicher Größe normalisieren Sie Demografie auf Pro-Kopf- oder Pro-Flächen-Werte, um Größenverzerrungen zu vermeiden (z. B. Bevölkerungsdichte statt Gesamtbevölkerung).
  • Der „beste“ Standort hängt vollständig von den gewählten Kriterien und Gewichten ab – es gibt keine objektiv richtige Antwort. Dokumentieren Sie immer die Annahmen und lassen Sie den Benutzer die Gewichte anpassen.
  • Verwenden Sie für das Zwillingsgebietsmodell denselben Satz von Anreicherungsvariablen für sowohl die Referenzstandorte als auch die Kandidaten. Nicht übereinstimmende Variablen führen dazu, dass das Modell fehlschlägt oder bedeutungslose Punktzahlen erzeugt.

Referenzvorlagen

Academy-Tutorials

TutorialAnbieterURL
Pizza Hut Honolulu – Standortauswahl mit kommerziellen HotspotsBigQueryLink
Pizza Hut Honolulu – Standortauswahl mit kommerziellen HotspotsSnowflakeLink
Store-Kannibalisierung – Quantifizierung der Auswirkungen neuer FilialenBigQueryLink
Starbucks-Kannibalisierung – H3-RasterüberlappungsanalyseBigQueryLink
Store-Kannibalisierung – Quadkey-RasterüberlappungSnowflakeLink
Zwillingsgebiete von leistungsstärksten Filialen findenBigQueryLink
Ähnliche Standorte basierend auf Einzugsgebieten findenBigQueryLink
Standortauswahl für EV-LadestationenWorkflowsLink

Häufige Variationen

VarianteWie
EinzelhandelsexpansionIsochronen -> Anreichern mit Demografie + Konkurrenzdichte -> zusammengesetzter Score -> Top N
Franchise-GebietsplanungKannibalisierungsmuster, um nicht überlappende Einzugsgebiete vor der Vergabe sicherzustellen
EV-Ladestationen / öffentliche DiensteRasterbasierte Nachfrage (Bevölkerung, Verkehr) + Entfernung-von-bestehenden-Filter -> unterversorgte Zellen einstufen
Werbetafeln / AußenwerbungPuffer -> Zielgruppenanreicherung -> normalisieren + gewichten -> Top N (siehe trade-area-analysis)
BankfilialoptimierungZwillingsgebiete von Top-Filialen -> ähnliche unterversorgte Gebiete finden -> neue Filialen vorschlagen
Wettbewerber ...

[truncated for translation]

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Verwandte Skills