Communitygithub.com

サイト選定とカニバリゼーション分析

CARTOワークフローを使用して、新しい店舗・施設の最適な立地を特定し、既存商圏との重複によるカニバリゼーションリスクを定量化するためのスキルです。

サイト選定とカニバリゼーション分析 とは?

このスキルは、CARTOのワークフローツールを活用して、サイト選定(立地評価・ランキング)とカニバリゼーション分析(商圏重複の定量化)を実行するための包括的なガイドです。ユーザーが「新しい店舗の場所」「カニバリゼーション」「最適な立地」などのキーワードを発した際にトリガーされ、3つの主要パターン(サイト選定、カニバリゼーション分析、類似エリア発見)を提供します。各パターンは、データ読み込みから空間インデックス生成、人口統計やPOIデータによるエンリッチメント、スコアリング・ランキング、結果の保存までのステップを詳細に説明しています。BigQuery、Snowflake、Databricks、Postgres、Redshiftなど複数のプロバイダーをサポートし、H3やQuadbinなどの空間インデックスを使用した効率的な分析を可能にします。また、商用ホットスポット分析やツインエリア(類似エリア)モデルなどの高度な機能もカバーしており、実際のアカデミーチュートリアルへのリンクも提供されています。

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

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

サイト選定とカニバリゼーション分析 は何をしますか?

CARTOワークフローを構築して、空間条件を組み合わせることで新しい施設(店舗、ステーション、オフィス)の最適な立地を特定し、重複する商圏エリアによるカニバリゼーションリスクを定量化します。さらに、ツインエリアや類似ロケーションの発見もカバーします。

前提条件: 開発プロセス、JSON構造、および検証のために carto-create-workflow をロードしてください。これは、MCPサーバーのワークフローツール(create_workflow、validate_workflow、run_workflow)と 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。ワークフローがアイソクロン、バッファ、または商圏エンリッチメントを含む場合は carto-trade-area-analysis をロードしてください。これは商圏パイプラインを詳細にカバーします。


決定木

ユーザーの意図パターン
「新しい店舗はどこに開くべきか?」サイト選定(スコアリング + ランキング)
「新しい店舗は既存店に悪影響を与えるか?」カニバリゼーション分析
「最も業績の良い店舗と類似した場所を見つける」ツインエリア / 類似ロケーション

手順

パターン A: サイト選定(スコアリング + ランキング)

既存ロケーション + 対象エリア -> 空間インデックス化 -> 人口統計/POIでエンリッチ -> スコア/ランク -> 上位候補をフィルタ -> 保存

ステップ 1: データの読み込み

native.gettablebyname を使用して2つのデータセットを読み込みます:

  • 既存ロケーション(現在の店舗/施設)
  • 対象エリア(例: 都市境界、地区ポリゴン、または調査エリアをカバーするグリッド)

両方が1つのテーブルにある場合の候補と既存ネットワークの分割: ユーザーのソースが1つのテーブルで、「候補」が数値のしきい値(例: revenue ≥ X、size ≥ Y)で定義されている場合は、その述語で native.where を1回使用し、その match 出力を候補パイプラインに、unmatch 出力を既存ネットワークパイプラインに配線します。1つのノードからの2つのストリーム — orderby + limit + customsql NOT IN よりもはるかにクリーンで、customsql を完全に回避します。しきい値は「上位N」を近似します。ユーザーが明示的に「正確に上位25」と言った場合は、orderby + limit が依然として適切ですが、追加ノードのコストを認識した上で行ってください。

成功条件: ジオメトリ列と一意の識別子を持つ両方のテーブルが読み込まれていること。

ステップ 2: 候補グリッドの構築

native.h3polyfill または native.quadbinpolyfill を使用して、対象エリアをH3またはQuadbinセルにポリフィルします。各セルが候補マイクロロケーションになります。

成功条件: 調査エリアをカバーする連続したセルのグリッドができていること。

ステップ 3: 候補のエンリッチ

各セルに需要シグナル(人口、収入、歩行者交通量、POI密度など)を、native.h3enrich、native.joinv2、またはデータ観測所を使用して付加します。

候補がグリッドではなく連続したポリゴン(商圏/地区)である場合、native.enrichpolygons と native.spatialjoin + native.groupby の選択が重要です。トレードオフについては、carto-spatial-enrichment のステップ4を参照してください(AT依存性 vs ノード数 vs 述語/結合制御)。

成功条件: 各グリッドセルに需要/適合性の要素を表す数値列が含まれていること。

ステップ 4: 既存ロケーションとの近接性によるフィルタリング

native.h3distance を使用して、各候補セルから最も近い既存ロケーションまでのホップ距離を計算します。近すぎる(カニバリゼーションリスク)または遠すぎる(物流コスト)セルをフィルタリングで除外します。出力は ホップ数 であり、メートル距離ではありません。解像度のエッジ長を掛けて変換してください(「落とし穴」を参照)。

距離のセマンティクス — カニバリゼーションは候補地点ではなく商圏ポリゴンから測定する。 候補が生成された商圏(アイソライン/バッファ — carto-trade-area-analysis を参照)を持つポイントである場合、native.distance を候補の 商圏ポリゴン から既存競合ポイントまで計算し、候補ポイント自体からではありません。理由: 競合が商圏内にある場合、ST_DISTANCE(polygon, point) = 0 となり、まさに必要なカニバリゼーションシグナルです。ポイント間距離は「最も近い競合までの距離」のみを報告し、重複を隠します。商圏のサイズと一致する radius を選択してください(例: 徒歩10分の商圏では約5km)。大きい半径はシグナルを薄めます。このポリゴンとポイントのパターンは、パターンAのH3ホップフィルターとパターンBの完全グリッド重複分析の中間的な手法です。候補がすでに連続した商圏ジオメトリを持っている場合は常にこれを使用してください。

成功条件: 候補セルが既存ロケーションから妥当な距離帯にあり、商圏ポリゴンが存在する場合はそのポリゴンからカニバリゼーションシグナルが測定されていること。

ステップ 5: スコアリングとランキング

trade-area-analysis のスコアリングパターンを使用します:

  1. 正規化: native.normalize で各変数を [0,1] に正規化
  2. 複合スコア: ユーザー定義の重みで native.selectexpression を使用
  3. ランキング: native.orderby(降順)+ native.limit(上位N)

成功条件: 複合スコアと寄与変数を持つ、ランク付けされた候補セルのショートリストができていること。

ステップ 6: 保存

native.saveastable を使用します。H3/Quadbin列はCARTO Builderで直接可視化できます。

成功条件: 検証済みのワークフローがアップロード可能になっていること。


パターン B: カニバリゼーション分析

既存 + 提案ロケーション -> 商圏(アイソライン/バッファ) -> グリッドにポリフィル -> インターセクト/結合 -> 重複を測定 -> 保存

ステップ 1: データの読み込み

既存ロケーションと提案ロケーションを読み込みます(または、それらを区別するフラグ列を持つ1つのテーブル)。両方が1つのテーブルにあり、分割が数値のしきい値(例: revenue ≥ X)で定義されている場合は、パターンAのステップ1の native.where の match/unmatch 分割を参照してください。これにより、1つのノードから両方のストリームが生成され、customsql を回避できます。

成功条件: ジオメトリと一意の識別子を持つ両方のセットが読み込まれていること。

ステップ 2: 商圏の生成

native.isolines(現実的)または native.buffer(シンプル)を使用して、既存ロケーションと提案ロケーションの両方の周囲に商圏エリアを作成します。比較可能性を確保するために、両方のセットに同じパラメータを使用します。

成功条件: すべてのロケーションに一貫したパラメータの商圏ポリゴンがあること。

ステップ 3: 空間インデックスへのポリフィル

native.h3polyfill を使用して、すべての商圏ポリゴンをH3またはQuadbinセルに変換します。ロケーション識別子と is_proposed フラグを保持します。

成功条件: ロケーションごと、セルごとに1行。ロケーションIDとタイプフラグが含まれていること。

ステップ 4: 重複の検出

既存ロケーションのセルと提案ロケーションのセルの間で native.joinv2(空間インデックス列での内部結合)を使用します。結果には、少なくとも1つの既存ロケーションと1つの提案ロケーションの両方に属するセルが含まれます。

成功条件: 出力には、既存と提案の両方の商圏に含まれるセルのみが含まれていること。

ステップ 5: 影響度の測定

native.groupby を使用して重複を集約:

  • 既存ロケーションごと: 重複セル数 / そのロケーションの商圏内の総セル数 = 重複率
  • 重複セルに人口または収益をエンリッチして、共有需要を定量化

native.selectexpression を使用して重複率を計算します。

成功条件: 各既存ロケーションに、その商圏が提案ロケーションとどの程度共有されているかを示す重複指標があること。

ステップ 6: 保存

native.saveastable を使用します。

成功条件: ロケーションごとのカニバリゼーション指標を含む検証済みワークフロー。


パターン C: ツインエリア / 類似ロケーション

高業績ロケーション -> 商圏 -> エンリッチ -> 類似性モデルの構築 -> すべての候補エリアをスコアリング -> ランキング -> 保存

ステップ 1: 参照ロケーションの特定

完全なロケーションデータセットを読み込みます。native.wheresimplified または native.orderby + native.limit を使用して、高業績者(例: 収益上位四分位)にフィルタリングします。

成功条件: 高業績ロケーションのサブセットが参照セットとして分離されていること。

ステップ 2: 商圏の生成とエンリッチ

参照ロケーションの周囲にアイソクロンまたはバッファ商圏を作成します。H3/Quadbinにポリフィルします。人口統計、POI、および関連する変数でエンリッチします。

成功条件: 各参照ロケーションにリッチな人口統計プロファイルがあること。

ステップ 3: ツインエリアモデルの構築

native.buildtwinareasmodel(BUILD_TWIN_AREAS_MODEL)を使用して、エンリッチされた参照ロケーションからPCAベースの類似性モデルを作成します。

  • 入力: 数値特徴列を持つエンリッチされた参照ロケーション
  • モデルは、高業績ロケーションの多変量「シグネチャ」をキャプチャします

成功条件: 高業績者の人口統計プロファイルをエンコードするモデルアーティファクトができていること。

ステップ 4: 類似ロケーションの検出

native.findsimilarlocations(FIND_SIMILAR_LOCATIONS)を使用して、すべての候補エリアをツインエリアモデルに対してスコアリングします。

  • 入力: モデルの構築に使用されたものと同じ変数でエンリッチされた候補エリア
  • 出力: 候補ごとの類似性スコア

成功条件: すべての候補エリアに、参照セットに対する類似性スコアがあること。

ステップ 5: ランキングと保存

類似性スコアの降順でランク付けします。上位候補を保存します。

成功条件: 高業績ロケーションに最も類似したエリアのランク付けされたリストができていること。


商用ホットスポットのバリエーション

需要主導のサイト選定(例:「未充足の需要が最も高いのはどこか?」)には、native.commercialhotspots を使用します:

  1. 調査エリア上にH3グリッドを構築
  2. 対象の需要変数(例: 15-34歳の人口)でエンリッチ
  3. variablecolumns と weights を指定して native.commercialhotspots を実行
  4. 有意性で結果をフィルタリング(p_value < 0.05)
  5. オプションで、既存ロケーションからの native.h3distance でフィルタリングし、サービスが行き届いていないエリアに焦点を当てる

注意: variablecolumns はPython形式のリスト構文(['col1'、 'col2'])を使用し、weights はカンマ区切りです。詳細は trade-area-analysis の落とし穴を参照してください。


落とし穴

  • プロバイダーの大文字小文字の区別とSQL方言。 このスキルは小文字の列名(h3、is_proposed、population など)を使用します — BigQuery / Databricks / Postgres / Redshiftの慣例です。Snowflakeでは、引用符なしの識別子は大文字で表示されます — H3、IS_PROPOSED、POPULATION として参照してください。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。
  • native.commercialhotspots にはAnalytics Toolboxの Retailモジュール が必要です。--connection で確認し、利用可能性を確認してください。
  • ツインエリアと類似ロケーションは内部で PCA を使用します — 結果は変数の選択とスケーリングに敏感です。関連性があり、冗長でない変数のみを含めてください。スケールが大きく異なる場合は入力を正規化してください。
  • カニバリゼーションの重複は 商圏の定義(バッファ半径、アイソライン時間)に大きく依存します。パラメータの小さな変更で結果が逆転する可能性があります。選択したパラメータとその根拠を文書化してください。
  • native.h3distance は ホップ数 を返し、物理的な距離ではありません。おおよそのメートル距離を得るには、解像度のおおよそのセルエッジ長を掛けてください(例: 解像度8は1ホップあたり約460m、解像度9は約174m)。
  • 異なるサイズの地域を比較する場合は、人口統計を 一人あたりまたは面積あたりの値に正規化 して、サイズバイアスを避けてください(例: 総人口ではなく人口密度)。
  • 「最適な」ロケーションは、選択された 基準と重みに完全に依存 します — 客観的に正しい答えはありません。常に前提条件を文書化し、ユーザーが重みを調整できるようにしてください。
  • ツインエリアモデルでは、参照ロケーションと候補の両方に 同じエンリッチ変数のセット を使用してください。変数が一致しないと、モデルが失敗するか、意味のないスコアが生成されます。

リファレンステンプレート

アカデミーチュートリアル

チュートリアルプロバイダーURL
ホノルルのピザハット — 商用ホットスポットを用いたサイト選定BigQueryリンク
ホノルルのピザハット — 商用ホットスポットを用いたサイト選定Snowflakeリンク
店舗カニバリゼーション — 新店舗の影響の定量化BigQueryリンク
スターバックスのカニバリゼーション — H3グリッド重複分析BigQueryリンク
店舗カニバリゼーション — Quadkeyグリッド重複Snowflakeリンク
高業績店舗のツインエリアを見つけるBigQueryリンク
商圏に基づく類似ロケーションの検出BigQueryリンク
EV充電ステーションのサイト選定ワークフローリンク

一般的なバリエーション

バリエーション方法
小売店舗拡大アイソクロン -> 人口統計 + 競合密度でエンリッチ -> 複合スコア -> 上位N
フランチャイズ区域計画カニバリゼーションパターンを使用して、地域を割り当てる前に非重複商圏を確保
EV充電 / 公共サービスグリッドベースの需要(人口、交通量) + 既存からの距離フィルター -> サービス未充足セルをランク付け
ビルボード / OOH広告バッファ -> オーディエンスエンリッチ -> 正規化 + 重み付け -> 上位N(trade-area-analysis を参照)
銀行支店最適化トップ支店からのツインエリア -> 同様のサービス未充足エリアを検出 -> 新しい支店を提案
競合分析競合ロケーションをプロット -> 商圏を生成 -> 自社ロケーションとの重複を測定 -> 脆弱なエリアを特定
需要ホットスポット分析native.commercialhotspots を使用 -> 有意なクラスターを特定 -> 既存店からの距離でフィルタリング

スキル構成

このスキルは skill.json で次のように定義されています:

{
  "name": "site-selection-and-cannibalization",
  "version": "1.0.0",
  "description": "サイト選定とカニバリゼーション分析のためのCARTOワークフローを構築します。ユーザーがサイト選定、カニバリゼーション、新しい店舗の場所、最適な立地などについて言及したときにトリガーされます。",
  "triggers": [
    "site selection",
    "cannibalization",
    "cannibalizing",
    "new store location",
    "where to open",
    "optimal location",
    "facility placement",
    "network impact",
    "overlapping catchments",
    "twin areas",
    "similar locations",
    "look-alike areas",
    "find locations like my best",
    "store overlap",
    "revenue impact of new store",
    "commercial hotspots",
    "demand hotspots",
    "location scoring",
    "location ranking",
    "expand network",
    "new branch",
    "franchise placement",
    "EV charging siting",
    "evaluate candidate sites",
    "quantify overlap between trade areas",
    "find areas that resemble top-performing locations"
  ]
}

Individual skills in this repo

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

関連スキル