Que fait Analyse de sélection de site et de cannibalisation ?
Construit des workflows CARTO qui identifient les emplacements optimaux pour de nouvelles installations (magasins, stations, bureaux) en combinant des critères spatiaux, et qui quantifient le risque de cannibalisation provenant du chevauchement des zones de chalandise. Couvre également la découverte de zones jumelles et d'emplacements similaires.
Prérequis : Chargez carto-create-workflow pour le processus de développement, la structure JSON et la validation. Il couvre les deux chemins d'accès — les outils de workflow du serveur MCP (create_workflow, validate_workflow, run_workflow) lorsqu'ils sont attachés, la CLI carto workflows autrement. Signaux de routage : carto-basics/references/access-paths.md. Chargez carto-trade-area-analysis si le workflow implique des isochrones, des tampons ou un enrichissement de zone de chalandise — il couvre le pipeline de zone de chalandise en détail.
Arbre de décision
| Intention de l'utilisateur | Modèle |
|---|---|
| "Où devrais-je ouvrir un nouveau magasin ?" | Sélection de site (scoring + classement) |
| "Un nouveau magasin nuira-t-il à ceux existants ?" | Analyse de cannibalisation |
| "Trouver des emplacements similaires à mes meilleurs performeurs" | Zones jumelles / Emplacements similaires |
Instructions
Modèle A : Sélection de site (Scoring + Classement)
Emplacements existants + Zone cible -> Indexation spatiale -> Enrichir avec démographie/POIs -> Score/Classer -> Filtrer les meilleurs candidats -> Sauvegarder
Étape 1 : Charger les données
Chargez deux ensembles de données avec native.gettablebyname :
- Emplacements existants (magasins/installations actuels)
- Zone cible (par ex. limites de la ville, polygones de district, ou une grille couvrant la zone d'étude)
Séparer les candidats du réseau existant lorsque les deux se trouvent dans une seule table. Si la source de l'utilisateur est une table unique où les "candidats" sont définis par un seuil numérique (par ex. revenue ≥ X, size ≥ Y), utilisez un seul native.where avec ce prédicat et connectez sa sortie match au pipeline des candidats et sa sortie unmatch au pipeline du réseau existant. Deux flux à partir d'un seul nœud — considérablement plus propre que orderby + limit + customsql NOT IN, et évite complètement un customsql. Le seuil se rapproche du "top N" ; si l'utilisateur dit explicitement "exactement le top 25", orderby + limit est toujours le bon choix, mais payez le coût supplémentaire du nœud en connaissance de cause.
Succès : Les deux tables chargées avec des colonnes de géométrie et des identifiants uniques.
Étape 2 : Créer une grille de candidats
Polyfill la zone cible en cellules H3 ou Quadbin en utilisant native.h3polyfill ou native.quadbinpolyfill. Chaque cellule est un micro-emplacement candidat.
Succès : Une grille contiguë de cellules couvrant la zone d'étude.
Étape 3 : Enrichir les candidats
Attachez des signaux de demande à chaque cellule — population, revenu, trafic piétonnier, densité de POI — en utilisant native.h3enrich, native.joinv2 ou l'Observatoire des données.
Si les candidats sont des polygones continus (zones de chalandise / districts) plutôt qu'une grille, le choix entre native.enrichpolygons et native.spatialjoin + native.groupby est important — voir carto-spatial-enrichment Étape 4 pour le compromis (dépendance AT vs nombre de nœuds vs prédicat / contrôle de jointure).
Succès : Chaque cellule de la grille a des colonnes numériques représentant des facteurs de demande / d'adéquation.
Étape 4 : Filtrer par proximité des emplacements existants
Utilisez native.h3distance pour calculer la distance en sauts de chaque cellule candidate à l'emplacement existant le plus proche. Filtrez les cellules trop proches (risque de cannibalisation) ou trop éloignées (coût logistique). La sortie est un nombre de sauts, pas une distance métrique — convertissez via la longueur d'arête de la résolution (voir Pièges).
Sémantique de distance — mesurez la cannibalisation à partir du polygone de zone de chalandise, pas du point candidat. Lorsque les candidats sont des points avec une zone de chalandise générée (isochrone / tampon — voir carto-trade-area-analysis), calculez native.distance du polygone de zone de chalandise du candidat aux points concurrents existants, pas du point candidat lui-même. Raison : ST_DISTANCE(polygon, point) = 0 chaque fois que le concurrent se trouve à l'intérieur de la zone de chalandise — exactement le signal de cannibalisation que vous voulez. La distance point à point ne rapporte que "à quelle distance se trouve le concurrent le plus proche" et cache le chevauchement. Choisissez le radius cohérent avec la taille de la zone de chalandise (par ex. ~5 km pour une zone de chalandise de 10 minutes de marche) ; les grands rayons diluent le signal. Ce modèle polygone-à-point est le juste milieu entre le filtre H3 du Modèle A et l'analyse complète de chevauchement de grille du Modèle B — utilisez-le chaque fois que le candidat a déjà une géométrie de zone de chalandise continue.
Succès : Les cellules candidates se trouvent dans une bande de distance raisonnable des emplacements existants, et tout signal de cannibalisation est mesuré à partir du polygone de zone de chalandise lorsqu'il en existe un.
Étape 5 : Score et classement
Utilisez le modèle de scoring de trade-area-analysis :
- Normalisez chaque variable en [0,1] avec
native.normalize - Score composite via
native.selectexpressionavec des pondérations définies par l'utilisateur - Classez avec
native.orderby(décroissant) +native.limit(top N)
Succès : Une liste restreinte classée de cellules candidates avec des scores composites et des variables contributives.
Étape 6 : Sauvegarder
Utilisez native.saveastable. La colonne H3/Quadbin est directement visualisable dans CARTO Builder.
Succès : Workflow validé prêt à être téléchargé.
Modèle B : Analyse de cannibalisation
Emplacements existants + Proposés -> Zones de chalandise (isochrone/tampon) -> Polyfill en grille -> Intersection/Jointure -> Mesurer le chevauchement -> Sauvegarder
Étape 1 : Charger les données
Chargez les emplacements existants et les emplacements proposés (ou une seule table avec une colonne indicateur les distinguant). Si les deux ensembles se trouvent dans une seule table et que la division est définie par un seuil numérique (par ex. revenue ≥ X), voir la section Étape 1 du Modèle A concernant la division match/unmatch de native.where — elle produit les deux flux à partir d'un seul nœud et évite customsql.
Succès : Les deux ensembles chargés avec la géométrie et des identifiants uniques.
Étape 2 : Générer les zones de chalandise
Créez des zones de chalandise autour des emplacements existants et proposés en utilisant native.isolines (réaliste) ou native.buffer (simple). Utilisez les mêmes paramètres pour les deux ensembles afin de garantir la comparabilité.
Succès : Chaque emplacement a un polygone de zone de chalandise avec des paramètres cohérents.
Étape 3 : Polyfill vers l'indice spatial
Convertissez tous les polygones de zones de chalandise en cellules H3 ou Quadbin avec native.h3polyfill. Conservez l'identifiant de l'emplacement et un indicateur is_proposed.
Succès : Une ligne par cellule par emplacement, avec un ID d'emplacement et un indicateur de type.
Étape 4 : Trouver le chevauchement
Utilisez native.joinv2 (jointure interne sur la colonne d'indice spatial) entre les cellules des emplacements existants et les cellules des emplacements proposés. Le résultat contient les cellules partagées par au moins un emplacement existant et un emplacement proposé.
Succès : La sortie contient uniquement les cellules qui se trouvent dans une zone de chalandise existante et proposée.
Étape 5 : Mesurer l'impact
Utilisez native.groupby pour agréger le chevauchement :
- Par emplacement existant : nombre de cellules qui se chevauchent / nombre total de cellules dans la zone de chalandise de cet emplacement = pourcentage de chevauchement
- Enrichissez les cellules qui se chevauchent avec la population ou le chiffre d'affaires pour quantifier la demande partagée
Utilisez native.selectexpression pour calculer le rapport de chevauchement.
Succès : Chaque emplacement existant a une mesure de chevauchement montrant quelle part de sa zone de chalandise est partagée avec les emplacements proposés.
Étape 6 : Sauvegarder
Utilisez native.saveastable.
Succès : Workflow validé avec des mesures de cannibalisation par emplacement.
Modèle C : Zones jumelles / Emplacements similaires
Emplacements les plus performants -> Zones de chalandise -> Enrichir -> Construire un modèle de similarité -> Score tous les candidats -> Classer -> Sauvegarder
Étape 1 : Identifier les emplacements de référence
Chargez l'ensemble de données complet des emplacements. Filtrez les meilleurs performeurs (par ex. quartile supérieur par chiffre d'affaires) en utilisant native.wheresimplified ou native.orderby + native.limit.
Succès : Un sous-ensemble d'emplacements très performants isolé comme ensemble de référence.
Étape 2 : Générer et enrichir les zones de chalandise
Créez des zones de chalandise par isochrone ou tampon autour des emplacements de référence. Polyfill vers H3/Quadbin. Enrichissez avec des données démographiques, des POI et toutes variables pertinentes.
Succès : Chaque emplacement de référence a un profil démographique riche.
Étape 3 : Construire le modèle de zones jumelles
Utilisez native.buildtwinareasmodel (BUILD_TWIN_AREAS_MODEL) pour créer un modèle de similarité basé sur l'ACP à partir des emplacements de référence enrichis.
- Entrée : emplacements de référence enrichis avec des colonnes de caractéristiques numériques
- Le modèle capture la "signature" multivariée des emplacements performants
Succès : Un artefact de modèle qui encode le profil démographique des meilleurs performeurs.
Étape 4 : Trouver des emplacements similaires
Utilisez native.findsimilarlocations (FIND_SIMILAR_LOCATIONS) pour scorer toutes les zones candidates par rapport au modèle de zones jumelles.
- Entrée : zones candidates enrichies avec les mêmes variables utilisées pour construire le modèle
- Sortie : score de similarité par candidat
Succès : Chaque zone candidate a un score de similarité par rapport à l'ensemble de référence.
Étape 5 : Classer et sauvegarder
Classez par score de similarité décroissant. Sauvegardez les meilleurs candidats.
Succès : Une liste classée des zones les plus similaires aux emplacements les plus performants.
Variante Points chauds commerciaux
Pour une sélection de site axée sur la demande (par ex. "où la demande non satisfaite est-elle la plus élevée ?"), utilisez native.commercialhotspots :
- Construisez une grille H3 sur la zone d'étude
- Enrichissez avec la variable de demande cible (par ex. population 15-34 ans)
- Exécutez
native.commercialhotspotsavecvariablecolumnsetweights - Filtrez les résultats par significativité (
p_value < 0.05) - Optionnellement, filtrez par
native.h3distancedes emplacements existants pour vous concentrer sur les zones mal desservies
Remarque : variablecolumns utilise la syntaxe de liste de style Python (['col1', 'col2']), et weights est séparé par des virgules — voir les pièges de trade-area-analysis pour plus de détails.
Pièges
- Casse du fournisseur et dialecte SQL. Cette compétence utilise des noms de colonnes en minuscules (
h3,is_proposed,population, etc.) — convention BigQuery / Databricks / Postgres / Redshift. Sur Snowflake, les identifiants non guillemetés apparaissent en MAJUSCULES — référez-vous à eux commeH3,IS_PROPOSED,POPULATION. Voircarto-create-workflow/references/providers/<fournisseur>.mdpour les règles de casse et les équivalents de dialecte SQL. native.commercialhotspotsnécessite le module Retail de l'Analytics Toolbox. Validez avec--connectionpour confirmer la disponibilité.- Les Zones jumelles et les Emplacements similaires utilisent l'ACP en interne — les résultats sont sensibles à la sélection et à la mise à l'échelle des variables. Incluez uniquement des variables pertinentes et non redondantes. Normalisez les entrées si les échelles diffèrent considérablement.
- Le chevauchement de cannibalisation dépend fortement de la définition de la zone de chalandise (rayon du tampon, temps d'isochrone). De petits changements dans les paramètres peuvent inverser les résultats. Documentez les paramètres choisis et la justification.
native.h3distanceretourne un nombre de sauts, pas une distance physique. Multipliez par la longueur d'arête approximative de la cellule pour la résolution afin d'obtenir une distance métrique approximative (par ex. résolution 8 ~ 460 m, résolution 9 ~ 174 m par saut).- Lorsque vous comparez des régions de tailles différentes, normalisez les données démographiques en valeurs par habitant ou par superficie pour éviter un biais de taille (par ex. densité de population au lieu de la population totale).
- Le "meilleur" emplacement dépend entièrement des critères et des pondérations choisis — il n'y a pas de réponse objectivement correcte. Documentez toujours les hypothèses et laissez l'utilisateur ajuster les pondérations.
- Pour le modèle de zones jumelles, utilisez le même ensemble de variables d'enrichissement pour les emplacements de référence et les candidats. Des variables non correspondantes entraîneront l'échec du modèle ou la production de scores dénués de sens.
Modèles de référence
Tutoriels de l'Académie
| Tutoriel | Fournisseur | URL |
|---|---|---|
| Pizza Hut Honolulu — sélection de site avec points chauds commerciaux | BigQuery | Lien |
| Pizza Hut Honolulu — sélection de site avec points chauds commerciaux | Snowflake | Lien |
| Cannibalisation de magasin — quantification de l'impact d'un nouveau magasin | BigQuery | Lien |
| Cannibalisation Starbucks — analyse de chevauchement de grille H3 | BigQuery | Lien |
| Cannibalisation de magasin — chevauchement de grille Quadkey | Snowflake | Lien |
| Trouver les zones jumelles des magasins les plus performants | BigQuery | Lien |
| Trouver des emplacements similaires basés sur les zones de chalandise | BigQuery | Lien |
| Sélection de site pour bornes de recharge de véhicules électriques | Workflows | Lien |
Variations courantes
| Variante | Comment |
|---|---|
| Expansion du commerce de détail | Isochrones -> enrichir avec démographie + densité concurrents -> score composite -> top N |
| Planification de territoire de franchise | Modèle de cannibalisation pour garantir des zones de chalandise non chevauchantes avant d'attribuer les territoires |
| Bornes de recharge pour véhicules électriques / services publics | Demande basée sur une grille (population, trafic) + filtre de distance par rapport aux existants -> classer les cellules mal desservies |
| Emplacement de panneaux d'affichage / OOH | Tampons -> enrichissement du public -> normaliser + pondérer -> top N (voir trade-area-analysis) |
| Optimisation des agences bancaires | Zones jumelles à partir des meilleures agences -> trouver des zones similaires mal desservies -> proposer de nouvelles agences |
| Analyse des concurrents | Points chauds commerciaux sur la demande cible -> filtrer par distance par rapport aux concurrents existants -> zones à forte demande non satisfaite |
| Expansion de réseau avec contrainte temporelle | Isochrones -> chevauchement de zones de chalandise -> pour chaque cellule, compter les emplacements existants dans un rayon temporel -> cibler les zones avec un faible nombre dans un rayon temporel |
Métadonnées
- Dépendances :
carto-create-workflow,carto-trade-area-analysis - Outils natifs utilisés :
native.gettablebyname,native.where,native.h3polyfill,native.quadbinpolyfill,native.h3enrich,native.joinv2,native.enrichpolygons,native.spatialjoin,native.groupby,native.h3distance,native.distance,native.normalize,native.selectexpression,native.orderby,native.limit,native.saveastable,native.isolines,native.buffer,native.buildtwinareasmodel,native.findsimilarlocations,native.commercialhotspots,native.wheresimplified - Technologies pertinentes : CARTO Workflows, H3, Quadbin, BigQuery, Snowflake, Databricks, Postgres, Redshift
- Contexte : Ce fichier fait partie de l'ensemble de compétences CartoDB/agent-skills, conçu pour être utilisé avec des agents IA afin d'automatiser les tâches d'analyse spatiale.