Análise de Seleção de Locais e Canibalização
Constrói Workflows CARTO que identificam locais ideais para novas instalações (lojas, estações, escritórios) combinando critérios espaciais e que quantificam o risco de canibalização a partir de áreas de captação sobrepostas. Também cobre a descoberta de áreas gêmeas e locais semelhantes.
Pré-requisitos: Carregue carto-create-workflow para o processo de desenvolvimento, estrutura JSON e validação. Ele cobre ambos os caminhos de acesso — as ferramentas de workflow do servidor MCP (create_workflow, validate_workflow, run_workflow) quando anexado, e a CLI carto workflows caso contrário. Sinais de roteamento: carto-basics/references/access-paths.md. Carregue carto-trade-area-analysis se o workflow envolver isócronas, buffers ou enriquecimento de áreas de captação — ele cobre o pipeline de áreas de captação em detalhes.
Árvore de Decisão
| Intenção do Usuário | Padrão |
|---|---|
| "Onde devo abrir uma nova loja?" | Seleção de Locais (pontuação + classificação) |
| "Uma nova loja prejudicará as existentes?" | Análise de Canibalização |
| "Encontrar locais semelhantes aos meus melhores desempenhos" | Áreas Gêmeas / Locais Semelhantes |
Instruções
Padrão A: Seleção de Locais (Pontuação + Classificação)
Locais existentes + Área alvo -> Indexação espacial -> Enriquecer com dados demográficos/POIs -> Pontuar/Classificar -> Filtrar melhores candidatos -> Salvar
Passo 1: Carregar Dados
Carregue dois conjuntos de dados com native.gettablebyname:
- Locais existentes (lojas/instalações atuais)
- Área alvo (ex.: limite da cidade, polígonos de distrito ou uma grade cobrindo a área de estudo)
Separando candidatos da rede existente quando ambos estão em uma única tabela. Se a fonte do usuário for uma única tabela onde os "candidatos" são definidos por um limite numérico (ex.: receita ≥ X, tamanho ≥ Y), use um native.where com esse predicado e conecte sua saída match ao pipeline de candidatos e sua saída unmatch ao pipeline da rede existente. Dois fluxos a partir de um nó — muito mais limpo do que orderby + limit + customsql NOT IN, e evita um customsql completamente. O limite aproxima "top N"; se o usuário disser explicitamente "exatamente top 25", orderby + limit ainda é a escolha certa, mas pague o custo extra do nó conscientemente.
Sucesso: Ambas as tabelas carregadas com colunas de geometria e identificadores únicos.
Passo 2: Construir Grade de Candidatos
Preencha a área alvo com células H3 ou Quadbin usando native.h3polyfill ou native.quadbinpolyfill. Cada célula é um micro-local candidato.
Sucesso: Uma grade contígua de células cobrindo a área de estudo.
Passo 3: Enriquecer Candidatos
Anexe sinais de demanda a cada célula — população, renda, tráfego de pedestres, densidade de POIs — usando native.h3enrich, native.joinv2 ou o Data Observatory.
Se os candidatos forem polígonos contínuos (áreas de captação / distritos) em vez de uma grade, a escolha entre native.enrichpolygons e native.spatialjoin + native.groupby é importante — veja carto-spatial-enrichment Passo 4 para a troca (dependência de AT vs contagem de nós vs predicado / controle de junção).
Sucesso: Cada célula da grade possui colunas numéricas representando fatores de demanda/adequação.
Passo 4: Filtrar por Proximidade a Locais Existentes
Use native.h3distance para calcular a distância em saltos de cada célula candidata ao local existente mais próximo. Filtre células que estão muito próximas (risco de canibalização) ou muito distantes (custo logístico). A saída é a contagem de saltos, não a distância métrica — converta usando o comprimento da borda da resolução (veja Armadilhas).
Semântica de distância — meça a canibalização a partir do polígono da área de captação, não do ponto candidato. Quando os candidatos são pontos com uma área de captação gerada (isolinha / buffer — veja carto-trade-area-analysis), compute native.distance do polígono da área de captação do candidato até os pontos concorrentes existentes, não do próprio ponto candidato. Motivo: ST_DISTANCE(polygon, point) = 0 sempre que o concorrente está dentro da área de captação — exatamente o sinal de canibalização que você deseja. A distância ponto a ponto apenas informa "quão longe está o concorrente mais próximo" e esconde a sobreposição. Escolha o radius consistente com o tamanho da área de captação (ex.: ~5 km para uma área de captação de 10 minutos a pé); raios grandes diluem o sinal. Este padrão polígono-para-ponto é o meio-termo entre o filtro de salto H3 do Padrão A e a análise completa de sobreposição de grade do Padrão B — use-o sempre que o candidato já tiver uma geometria de área de captação contínua.
Sucesso: As células candidatas estão dentro de uma faixa de distância sensível dos locais existentes, e qualquer sinal de canibalização é medido a partir do polígono da área de captação quando existir um.
Passo 5: Pontuar e Classificar
Use o padrão de pontuação de trade-area-analysis:
- Normalize cada variável para [0,1] com
native.normalize - Pontuação composta via
native.selectexpressioncom pesos definidos pelo usuário - Classifique com
native.orderby(descendente) +native.limit(top N)
Sucesso: Uma lista classificada de células candidatas com pontuações compostas e variáveis contribuintes.
Passo 6: Salvar
Use native.saveastable. A coluna H3/Quadbin é diretamente visualizável no CARTO Builder.
Sucesso: Workflow validado pronto para upload.
Padrão B: Análise de Canibalização
Locais existentes + Propostos -> Áreas de captação (isolinha/buffer) -> Preencher grade -> Intersecionar/Juntar -> Medir sobreposição -> Salvar
Passo 1: Carregar Dados
Carregue locais existentes e locais propostos (ou uma única tabela com uma coluna de sinalização distinguindo-os). Se ambos os conjuntos estiverem em uma única tabela e a divisão for definida por um limite numérico (ex.: receita ≥ X), veja a divisão match/unmatch do native.where no Passo 1 do Padrão A — ela produz ambos os fluxos a partir de um nó e evita customsql.
Sucesso: Ambos os conjuntos carregados com geometria e identificadores únicos.
Passo 2: Gerar Áreas de Captação
Crie áreas de captação em torno de locais existentes e propostos usando native.isolines (realista) ou native.buffer (simples). Use os mesmos parâmetros para ambos os conjuntos para garantir comparabilidade.
Sucesso: Cada local tem um polígono de área de captação com parâmetros consistentes.
Passo 3: Preencher Grade com Índice Espacial
Converta todos os polígonos de área de captação em células H3 ou Quadbin com native.h3polyfill. Preserve o identificador do local e um sinalizador is_proposed.
Sucesso: Uma linha por célula por local, com ID do local e sinalizador de tipo.
Passo 4: Encontrar Sobreposição
Use native.joinv2 (junção interna na coluna de índice espacial) entre as células dos locais existentes e as células dos locais propostos. O resultado contém células compartilhadas por pelo menos um local existente e um proposto.
Sucesso: A saída contém apenas células que estão em ambas as áreas de captação, existente e proposta.
Passo 5: Medir Impacto
Use native.groupby para agregar a sobreposição:
- Por local existente: contagem de células sobrepostas / total de células na área de captação desse local = porcentagem de sobreposição
- Enriqueça células sobrepostas com população ou receita para quantificar a demanda compartilhada
Use native.selectexpression para calcular a razão de sobreposição.
Sucesso: Cada local existente tem uma métrica de sobreposição mostrando quanto de sua área de captação é compartilhada com locais propostos.
Passo 6: Salvar
Use native.saveastable.
Sucesso: Workflow validado com métricas de canibalização por local.
Padrão C: Áreas Gêmeas / Locais Semelhantes
Locais de melhor desempenho -> Áreas de captação -> Enriquecer -> Construir modelo de similaridade -> Pontuar todas as áreas candidatas -> Classificar -> Salvar
Passo 1: Identificar Locais de Referência
Carregue o conjunto de dados completo de locais. Filtre para os melhores desempenhos (ex.: quartil superior por receita) usando native.wheresimplified ou native.orderby + native.limit.
Sucesso: Um subconjunto de locais de alto desempenho isolado como conjunto de referência.
Passo 2: Gerar e Enriquecer Áreas de Captação
Crie áreas de captação de isócrona ou buffer em torno dos locais de referência. Preencha com H3/Quadbin. Enriqueça com dados demográficos, POIs e quaisquer variáveis relevantes.
Sucesso: Cada local de referência tem um perfil demográfico rico.
Passo 3: Construir Modelo de Áreas Gêmeas
Use native.buildtwinareasmodel (BUILD_TWIN_AREAS_MODEL) para criar um modelo de similaridade baseado em PCA a partir dos locais de referência enriquecidos.
- Entrada: locais de referência enriquecidos com colunas de características numéricas
- O modelo captura a "assinatura" multivariada de locais de sucesso
Sucesso: Um artefato de modelo que codifica o perfil demográfico dos melhores desempenhos.
Passo 4: Encontrar Locais Semelhantes
Use native.findsimilarlocations (FIND_SIMILAR_LOCATIONS) para pontuar todas as áreas candidatas contra o modelo de áreas gêmeas.
- Entrada: áreas candidatas enriquecidas com as mesmas variáveis usadas para construir o modelo
- Saída: pontuação de similaridade por candidato
Sucesso: Cada área candidata tem uma pontuação de similaridade relativa ao conjunto de referência.
Passo 5: Classificar e Salvar
Classifique pela pontuação de similaridade em ordem decrescente. Salve os melhores candidatos.
Sucesso: Uma lista classificada de áreas mais semelhantes aos locais de melhor desempenho.
Variante de Hotspots Comerciais
Para seleção de locais orientada pela demanda (ex.: "onde a demanda não atendida é mais alta?"), use native.commercialhotspots:
- Construa uma grade H3 sobre a área de estudo
- Enriqueça com a variável de demanda alvo (ex.: população de 15 a 34 anos)
- Execute
native.commercialhotspotscomvariablecolumnseweights - Filtre os resultados por significância (
p_value < 0.05) - Opcionalmente, filtre por
native.h3distancede locais existentes para focar em áreas mal atendidas
Nota: variablecolumns usa sintaxe de lista no estilo Python (['col1', 'col2']), e weights é separado por vírgulas — veja as armadilhas de trade-area-analysis para detalhes.
Armadilhas
- Maiúsculas/minúsculas do provedor e dialeto SQL. Esta skill usa nomes de colunas em minúsculas (
h3,is_proposed,population, etc.) — convenção do BigQuery / Databricks / Postgres / Redshift. No Snowflake, identificadores não entre aspas aparecem em MAIÚSCULAS — refira-se a eles comoH3,IS_PROPOSED,POPULATION. Vejacarto-create-workflow/references/providers/<provider>.mdpara regras de maiúsculas/minúsculas e equivalentes de dialeto SQL. native.commercialhotspotsrequer o módulo Retail do Analytics Toolbox. Valide com--connectionpara confirmar a disponibilidade.- Áreas Gêmeas e Locais Semelhantes usam PCA internamente — os resultados são sensíveis à seleção e escalonamento de variáveis. Inclua apenas variáveis relevantes e não redundantes. Normalize as entradas se as escalas diferirem muito.
- A sobreposição de canibalização depende fortemente da definição da área de captação (raio do buffer, tempo da isolinha). Pequenas mudanças nos parâmetros podem inverter os resultados. Documente os parâmetros escolhidos e a justificativa.
native.h3distanceretorna contagem de saltos, não distância física. Multiplique pelo comprimento aproximado da borda da célula para a resolução para obter uma distância métrica aproximada (ex.: res 8 ~ 460m, res 9 ~ 174m por salto).- Ao comparar regiões de diferentes tamanhos, normalize os dados demográficos para valores per capita ou por área para evitar viés de tamanho (ex.: densidade populacional em vez de população total).
- O "melhor" local depende inteiramente dos critérios e pesos escolhidos — não há uma resposta objetivamente correta. Sempre documente as suposições e permita que o usuário ajuste os pesos.
- Para o modelo de áreas gêmeas, use o mesmo conjunto de variáveis de enriquecimento tanto para os locais de referência quanto para os candidatos. Variáveis incompatíveis farão o modelo falhar ou produzir pontuações sem sentido.
Modelos de Referência
Tutoriais da Academia
| Tutorial | Provedor | URL |
|---|---|---|
| Pizza Hut Honolulu — seleção de locais com hotspots comerciais | BigQuery | Link |
| Pizza Hut Honolulu — seleção de locais com hotspots comerciais | Snowflake | Link |
| Canibalização de lojas — quantificando o impacto de novas lojas | BigQuery | Link |
| Canibalização Starbucks — análise de sobreposição de grade H3 | BigQuery | Link |
| Canibalização de lojas — sobreposição de grade Quadkey | Snowflake | Link |
| Encontrar áreas gêmeas de lojas de melhor desempenho | BigQuery | Link |
| Encontrar locais semelhantes com base em áreas de captação | BigQuery | Link |
| Seleção de locais para estações de carregamento EV | Workflows | Link |
Variações Comuns
| Variação | Como |
|---|---|
| Expansão de varejo | Isócronas -> enriquecer com demografia + densidade de concorrentes -> pontuação composta -> top N |
| Planejamento de território de franquia | Padrão de canibalização para garantir áreas de captação não sobrepostas antes de conceder territórios |
| Carregamento EV / serviços públicos | Grade baseada em demanda (população, tráfego) + filtro de distância de existentes -> classificar células mal atendidas |
| Place-based / OOH publicitário | Buffers -> enriquecimento de audiência -> normalizar + ponderar -> top N (veja trade-area-analysis) |
| Otimização de agências bancárias | Áreas gêmeas das melhores agências -> encontrar áreas semelhantes mal atendidas -> propor novas agências |
| Concorrente ... |
[truncado para tradução]