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
| Benutzerabsicht | Muster |
|---|---|
| „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:
- Normalisieren Sie jede Variable auf [0,1] mit
native.normalize - Zusammengesetzter Score mittels
native.selectexpressionmit benutzerdefinierten Gewichten - 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:
- Erstellen Sie ein H3-Raster über das Untersuchungsgebiet
- Reichern Sie mit der Zielnachfragevariable an (z. B. Bevölkerung im Alter von 15–34)
- Führen Sie
native.commercialhotspotsmitvariablecolumnsundweightsaus - Filtern Sie Ergebnisse nach Signifikanz (
p_value < 0.05) - Optional nach
native.h3distancevon 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 alsH3,IS_PROPOSED,POPULATION. Siehecarto-create-workflow/references/providers/<provider>.mdfür Schreibregeln und SQL-Dialekt-Äquivalente. native.commercialhotspotserfordert 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.h3distancegibt 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
| Tutorial | Anbieter | URL |
|---|---|---|
| Pizza Hut Honolulu – Standortauswahl mit kommerziellen Hotspots | BigQuery | Link |
| Pizza Hut Honolulu – Standortauswahl mit kommerziellen Hotspots | Snowflake | Link |
| Store-Kannibalisierung – Quantifizierung der Auswirkungen neuer Filialen | BigQuery | Link |
| Starbucks-Kannibalisierung – H3-Rasterüberlappungsanalyse | BigQuery | Link |
| Store-Kannibalisierung – Quadkey-Rasterüberlappung | Snowflake | Link |
| Zwillingsgebiete von leistungsstärksten Filialen finden | BigQuery | Link |
| Ähnliche Standorte basierend auf Einzugsgebieten finden | BigQuery | Link |
| Standortauswahl für EV-Ladestationen | Workflows | Link |
Häufige Variationen
| Variante | Wie |
|---|---|
| Einzelhandelsexpansion | Isochronen -> Anreichern mit Demografie + Konkurrenzdichte -> zusammengesetzter Score -> Top N |
| Franchise-Gebietsplanung | Kannibalisierungsmuster, um nicht überlappende Einzugsgebiete vor der Vergabe sicherzustellen |
| EV-Ladestationen / öffentliche Dienste | Rasterbasierte Nachfrage (Bevölkerung, Verkehr) + Entfernung-von-bestehenden-Filter -> unterversorgte Zellen einstufen |
| Werbetafeln / Außenwerbung | Puffer -> Zielgruppenanreicherung -> normalisieren + gewichten -> Top N (siehe trade-area-analysis) |
| Bankfilialoptimierung | Zwillingsgebiete von Top-Filialen -> ähnliche unterversorgte Gebiete finden -> neue Filialen vorschlagen |
| Wettbewerber ... |
[truncated for translation]