ユーザーがCARTO Workflowで複合スコア、インデックス、または多変量ランキングを作成したい場合に、このスキルを使用してください。
前提条件: 開発プロセスには carto-create-workflow をロードしてください。これにより、MCPサーバーのワークフローツール(create_workflow、validate_workflow、run_workflow)が接続されている場合と、そうでない場合の carto workflows CLI の両方のアクセスパスをカバーします。ルーティングシグナル: carto-basics/references/access-paths.md
手順
ステップ 1: スコアリングアプローチの決定
以下の決定木に従ってユーザーに質問してください。
- 「目標/結果変数はありますか?」 (例: 収益、売上、犯罪率)
- はい →
native.spatialcompositesupervisedを使用する教師あり手法
- はい →
- 「目標はないが、変数の重要度に関する専門知識はありますか?」 (つまりカスタム重み)
- 2a. 透明性がノード数より重要 →
native.normalizeを変数ごとに適用し、native.selectexpressionで重み付き合計をSQLで直接記述(a_norm * 0.5 + b_norm * 0.2 + c_norm * 0.3)。入力と重みはWorkflows内でインラインで検査可能。各正規化列はマテリアライズされます。Analytics Toolboxの依存関係はありません。利害関係者が計算式を確認/監査する必要がある場合、またはAT上で実行していない場合に使用します。 - 2b. ATパイプライン(スケーリング、集計、バケット化)を自動で処理したい →
scoring_method: CUSTOM_WEIGHTSを指定したnative.spatialcompositeunsupervised。1ノードで済みますが、計算式はコンポーネント内部に隠蔽されます。
- 2a. 透明性がノード数より重要 →
- 「目標も重みもない」
- →
ENTROPYまたはFIRST_PCを使用した教師なし手法(native.spatialcompositeunsupervised)
- →
成功条件: パイプラインを設計する前に、使用するコンポーネントとスコアリング手法を特定できました。
ステップ 2: パイプラインの構築
教師ありパイプライン(native.spatialcompositesupervised)
- 空間フィーチャデータセットをロードする(H3またはQuadbinで事前インデックス済み)
- 目標/結果データセットをロードする
- 両方のデータセットを空間インデックス列で結合する
- 関連するフィーチャ列のみを選択する(フィーチャ選択から空間インデックス列とジオメトリを削除 — 実際のフィーチャ変数のみを渡す)
- 以下のパラメータで
native.spatialcompositesupervisedを実行する:model_type:LINEAR_REGbucketize:EQUAL_INTERVALS_ZERO_CENTEREDn_buckets:5outlier_removal:truer_squared_threshold:0.4
- 出力: 回帰残差に基づく複合スコア(モデルに対して過小/過大パフォーマンスの領域を特定)
成功条件: ワークフローがフィーチャと目標変数を結合し、数値フィーチャ列のみを選択し、空間セルごとに残差ベースのスコアを生成します。
教師なしパイプライン(native.spatialcompositeunsupervised)
- 空間フィーチャデータセットをロードする
- 関連するフィーチャ列のみを選択する
- カテゴリカル/順序変数を
native.casewhenを使用して数値にエンコードする(例: "Low_density_urban" → 4、"High_density_urban" → 2) - 必要に応じて、コンポーネントに渡すSELECTクエリ内で -1 を乗算して、値が大きいほど悪い変数を反転させる
- 以下のパラメータで
native.spatialcompositeunsupervisedを実行する:scoring_method:CUSTOM_WEIGHTS/ENTROPY/FIRST_PCweights:CUSTOM_WEIGHTSの場合は必須。ワイヤフォーマットはトリプルのJSONエンコード文字列[[<column>, <weight>, <reverse>], ...]—columnはフィーチャ列名、weightは数値の重み(内部で合計が1になるように正規化)、reverseはブール値(trueにすると、CASE WHEN を使わずに「高いほど悪い」を「高いほど良い」に反転)。例:'[["population_density", 0.5, false], ["accident_rate", 0.5, true]]'。オブジェクトマップではありません。scaling:RANKINGaggregation:LINEARoutput:RETURN_RANGE(範囲[0, 1])
- 出力: 位置ごとの複合インデックススコア
成功条件: すべての入力変数が数値で、変数の方向が揃っており(スコアに対して高いほど良い)、出力は空間セルごとに正規化されたスコアです。
注意点
- プロバイダーの大文字小文字とSQL方言。 このスキルは小文字の列名を使用します(BigQuery / Databricks / Postgres / Redshift の慣例)。Snowflakeでは、引用符なしの識別子は大文字で表示されます — 重み、式、および後続のSQLでは
POPULATION_DENSITY、ACCIDENT_RATEなどを参照してください。大文字小文字のルールとSQL方言の同等物については、carto-create-workflow/references/providers/<provider>.mdを参照してください。 - すべての入力変数は数値で、方向が揃っている必要があります。 順序文字列("low"/"medium"/"high")は最初にCASE WHENでエンコードし、「高いほど悪い」場合は -1 を乗算(または
reverseフラグを設定)してからスコアリングしてください — これを忘れるとスコアの意味が逆転します。 - 教師ありR二乗閾値(デフォルト0.4)は許容範囲です。モデルの適合が悪い場合、残差ベースのスコアはほとんどノイズになります。モデルの診断結果を確認してください。
- カスタム重みは内部で正規化され、合計が1になります。絶対値は重要ではなく、比率のみが重要です。
- 教師ありスコアは残差であり、生の値ではありません。このスコアは、モデルから逸脱する領域を特定し、生の値が最も高い領域ではありません。
- 空間インデックス列とジオメトリはフィーチャ選択から削除 — 実際のフィーチャ変数のみをスコアリングコンポーネントに渡します。
weightsの型ラベルは誤って報告されています。 コンポーネントスキーマ(read_workflow_componentsMCP またはcarto workflows components get native.spatialcompositeunsupervised --json経由)ではweightsの型が"ColumnNumber"としてリストされていますが、実際のワイヤ形状はトリプルのColumnAndNumberJSONエンコード文字列[[<column>, <weight>, <reverse>], ...]です(上記ステップ2参照)。報告された型ラベルよりも、このスキルとリファレンステンプレートを信頼してください。indexcol.allowedColumnsはUIヒントであり、バリデーターではありません。 スキーマではnative.spatialcompositeunsupervised.indexcolに対して["geoid", "h3", "quadbin"]がリストされていますが、これはWorkflowsのドロップダウンヒントです。実行時には、任意の一意の識別子列(例:store_id、cell_id)が機能します。
リファレンステンプレート
どちらの例も、Quadbin解像度18のミラノ空間フィーチャデータを使用しています。
| テンプレート | コンポーネント | ファイル |
|---|---|---|
| 教師あり — レジリエントな近隣地域の特定 | native.spatialcompositesupervised | composite-score-supervised.json |
| 教師なし — 市場ポテンシャルスコアリング | native.spatialcompositeunsupervised | composite-score-unsupervised.json |
一般的なバリエーション
| バリエーション | アプローチ |
|---|---|
| リスク指標(洪水、犯罪など) | CUSTOM_WEIGHTS を使用した教師なし手法。「高いほど安全」な変数は反転させる。 |
| 市場ポテンシャル/サイトスコアリング | CUSTOM_WEIGHTS または ENTROPY を使用した教師なし手法。需要側の変数の重みを高く設定する。 |
| レジリエンス指標 | 結果変数(例: 収益変化)を用いた教師あり手法。残差により過小/過大パフォーマンス領域が明らかになる。 |
| データ駆動型指標(ドメイン知識なし) | FIRST_PC または ENTROPY を使用した教師なし手法。分散が重みを決定する。 |
| 人間開発/複合指標 | CUSTOM_WEIGHTS と RANKING スケーリングを使用した教師なし手法。順序データに安全な集計を実現。 |