Communitygithub.com

选址分析与同店蚕食分析技能

构建CARTO工作流,用于新设施(商店、车站、办公室)的最佳选址,量化重叠商圈带来的同店蚕食风险,并发现相似区域。

选址分析与同店蚕食分析技能 是什么?

该技能为CARTO平台上的AI代理用户提供了一整套用于选址分析(Site Selection)和同店蚕食分析(Cannibalization Analysis)的工作流构建方法。它基于详细的SKILL.md文档,涵盖了三种核心模式:模式A(选址评分与排名)通过空间索引、人口/POI数据丰富、归一化加权评分,从候选网格中筛选最优位置;模式B(同店蚕食分析)通过生成现有与候选门店的商圈(等时线/缓冲区),将其网格化后计算重叠比例,量化影响;模式C(相似区域发现)利用主成分分析(PCA)构建高绩效门店的“特征画像”,并计算所有候选区域的相似度得分。该技能支持通过MCP服务器的`create_workflow`工具或`carto workflows`CLI两种方式执行,并强调了与`carto-create-workflow`和`carto-trade-area-analysis`等前置技能的依赖关系。文档还包含了详细的决策树、常见陷阱(如云提供商大小写敏感、H3距离语义等)以及多种业务变体(如零售扩张、充电站选址)的参考实现。

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

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

选址分析与同店蚕食分析

构建CARTO工作流,通过结合空间标准识别新设施(商店、车站、办公室)的最佳位置,并量化重叠商圈带来的同店蚕食风险。同时涵盖相似区域和相似位置发现。

前置条件:加载carto-create-workflow以了解开发流程、JSON结构和验证。它涵盖了两种访问路径——已附加时的MCP服务器工作流工具(create_workflow、validate_workflow、run_workflow),否则为carto workflowsCLI。路线信号:carto-basics/references/access-paths.md。如果工作流涉及等时线、缓冲区或商圈丰富,请加载carto-trade-area-analysis——它详细介绍了商圈处理流程。


决策树

用户意图模式
"我应该在哪儿开一家新店?"选址分析(评分 + 排名)
"新店会影响现有店铺吗?"同店蚕食分析
"找到与我最佳绩效店铺相似的区域"相似区域 / 相似位置

说明

模式A:选址分析(评分 + 排名)

现有位置 + 目标区域 -> 空间索引 -> 用人口/POI丰富 -> 评分/排名 -> 筛选最优候选 -> 保存

第1步:加载数据

使用native.gettablebyname加载两个数据集:

  • 现有位置(当前商店/设施)
  • 目标区域(例如城市边界、区域多边形或覆盖研究区域的网格)

当候选和现有网络位于同一张表中时进行拆分。 如果用户的数据源是一张表,其中“候选”由数值阈值定义(例如revenue ≥ X、size ≥ Y),使用一个native.where及其谓词,并将其**match输出连接到候选流程,其unmatch**输出连接到现有网络流程。从一个节点产生两个数据流——比orderby + limit + customsql NOT IN简洁得多,并且完全避免了customsql。该阈值近似于“前N名”;如果用户明确要求“正好前25名”,orderby + limit仍然是正确选择,但要意识到额外的节点代价。

成功:两个表均已加载,包含几何列和唯一标识符。

第2步:构建候选网格

使用native.h3polyfill或native.quadbinpolyfill将目标区域填充为H3或Quadbin单元。每个单元是一个候选微位置。

成功:覆盖研究区域的连续网格单元。

第3步:丰富候选单元

为每个单元附加需求信号——人口、收入、人流量、POI密度——使用native.h3enrich、native.joinv2或Data Observatory。

如果候选单元是连续多边形(商圈/区域)而非网格,则需要在native.enrichpolygons和native.spatialjoin + native.groupby之间做出选择——参见carto-spatial-enrichment第4步了解权衡(AT依赖 vs 节点数量 vs 谓词/连接控制)。

成功:每个网格单元都有代表需求/适宜性因素的数值列。

第4步:按与现有位置的邻近度筛选

使用native.h3distance计算每个候选单元到最近现有位置的跳跃距离。筛选出过近(同店蚕食风险)或过远(物流成本)的单元。输出为跳跃次数,而非公制距离——通过分辨率的边长进行转换(参见常见陷阱)。

距离语义——从商圈多边形而非候选点衡量同店蚕食。 当候选点带有生成的商圈(等时线/缓冲区——参见carto-trade-area-analysis)时,从候选点的商圈多边形计算native.distance到现有竞争点,而非从候选点本身。原因:ST_DISTANCE(polygon, point) = 0当竞争者位于商圈内部时——这正是您想要的同店蚕食信号。点对点距离只报告“最近竞争者有多远”,忽略了重叠。选择与商圈大小一致的radius(例如,10分钟步行商圈约5公里);大半径会稀释信号。这种多边形到点的模式是模式A的H3跳跃过滤和模式B的完整网格重叠分析之间的中间地带——每当候选单元已有连续商圈几何时使用此模式。

成功:候选单元处于与现有位置的合理距离范围内,并且任何同店蚕食信号(如存在商圈)均从商圈多边形测量。

第5步:评分与排名

使用trade-area-analysis中的评分模式:

  1. 归一化每个变量到[0,1],使用native.normalize
  2. 综合评分通过native.selectexpression使用用户定义的权重
  3. 排名使用native.orderby(降序)+ native.limit(前N名)

成功:候选单元的排名列表,包含综合评分和贡献变量。

第6步:保存

使用native.saveastable。H3/Quadbin列可直接在CARTO Builder中可视化。

成功:验证完成的工作流,可上传。


模式B:同店蚕食分析

现有 + 候选位置 -> 商圈(等时线/缓冲区) -> 填充为网格 -> 交集/连接 -> 测量重叠 -> 保存

第1步:加载数据

加载现有位置和候选位置(或一个带有标志列区分两者的表)。如果两组数据位于一个表中,且拆分由数值阈值定义(例如revenue ≥ X),参见模式A第1步的native.where匹配/不匹配拆分——它从一个节点产生两个数据流并避免customsql。

成功:两组数据均已加载,包含几何和唯一标识符。

第2步:生成商圈

使用native.isolines(更真实)或native.buffer(简单)为现有和候选位置创建商圈。为确保可比性,对两组使用相同参数。

成功:每个位置都有一个参数一致的商圈多边形。

第3步:填充为空间索引

使用native.h3polyfill将所有商圈多边形转换为H3或Quadbin单元。保留位置标识符和is_proposed标志。

成功:每个位置每个单元一行,包含位置ID和类型标志。

第4步:查找重叠

使用native.joinv2(对空间索引列进行内连接)连接现有位置单元和候选位置单元。结果包含至少一个现有和一个候选位置共享的单元。

成功:输出仅包含同时属于现有和候选商圈的单元。

第5步:衡量影响

使用native.groupby聚合重叠:

  • 每个现有位置:重叠单元数 / 该位置商圈总单元数 = 重叠百分比
  • 用人口或收入丰富重叠单元以量化共享需求

使用native.selectexpression计算重叠比率。

成功:每个现有位置都有一个重叠指标,显示其商圈与候选位置共享的程度。

第6步:保存

使用native.saveastable。

成功:验证完成的工作流,包含每个位置的同店蚕食指标。


模式C:相似区域 / 相似位置

高绩效位置 -> 商圈 -> 丰富 -> 构建相似性模型 -> 对所有候选区域评分 -> 排名 -> 保存

第1步:识别参考位置

加载完整的位置数据集。使用native.wheresimplified或native.orderby + native.limit筛选出高绩效者(例如按收入前四分位)。

成功:筛选出高绩效位置的子集作为参考集。

第2步:生成并丰富商圈

为参考位置创建等时线或缓冲区商圈。填充为H3/Quadbin。用人口、POI和相关变量丰富。

成功:每个参考位置都有一个丰富的人口统计画像。

第3步:构建相似区域模型

使用native.buildtwinareasmodel(BUILD_TWIN_AREAS_MODEL)基于丰富的参考位置创建PCA相似性模型。

  • 输入:丰富的参考位置,包含数值特征列
  • 模型捕获高绩效位置的多变量“特征”

成功:一个模型工件,编码了高绩效者的人口统计画像。

第4步:查找相似位置

使用native.findsimilarlocations(FIND_SIMILAR_LOCATIONS)对针对相似区域模型的所有候选区域进行评分。

  • 输入:使用与构建模型相同的变量丰富的候选区域
  • 输出:每个候选区域的相似度得分

成功:每个候选区域都有一个相对于参考集的相似度得分。

第5步:排名并保存

按相似度得分降序排列。保存前N名候选。

成功:与高绩效位置最相似区域的有序列表。


商业热点变体

对于需求驱动的选址(例如“哪里未满足的需求最高?”),使用native.commercialhotspots:

  1. 在研究区域上构建H3网格
  2. 用目标需求变量(例如15-34岁人口)丰富
  3. 使用variablecolumns和weights运行native.commercialhotspots
  4. 按显著性(p_value < 0.05)筛选结果
  5. 可选地用native.h3distance从现有位置过滤,以关注服务不足区域

注意:variablecolumns使用Python风格列表语法(['col1', 'col2']),weights以逗号分隔——详情参见trade-area-analysis的常见陷阱。


常见陷阱

  • 云提供商大小写 & SQL方言。 本技能使用小写列名(h3、is_proposed、population等)——BigQuery / Databricks / Postgres / Redshift惯例。在Snowflake上,无引号标识符显示为大写——请引用为H3、IS_PROPOSED、POPULATION。参见carto-create-workflow/references/providers/<provider>.md了解大小写规则和SQL方言等效项。
  • native.commercialhotspots需要Analytics Toolbox的Retail模块。使用--connection验证可用性。
  • 相似区域和相似位置内部使用PCA——结果对变量选择和缩放敏感。仅包含相关、非冗余的变量。如果比例差异较大,请归一化输入。
  • 同店蚕食重叠高度依赖于商圈定义(缓冲区半径、等时线时间)。参数的微小变化可能翻转结果。记录所选参数及理由。
  • native.h3distance返回跳跃次数,而非物理距离。乘以近似单元边长以获取粗略公制距离(例如,分辨率8 ~ 460m,分辨率9 ~ 174m每跳)。
  • 比较不同大小的区域时,将人口统计数据归一化为人均或单位面积值以避免大小偏差(例如,使用人口密度而非总人口)。
  • “最佳”位置完全取决于所选标准和权重——不存在客观正确答案。始终记录假设,并让用户调整权重。
  • 对于相似区域模型,对参考位置和候选位置使用相同的一组丰富变量。变量不匹配将导致模型失败或产生无意义的分数。

参考教程

学院教程

教程云提供商URL
火奴鲁鲁必胜客——基于商业热点的选址BigQuery链接
火奴鲁鲁必胜客——基于商业热点的选址Snowflake链接
门店同店蚕食——量化新店影响BigQuery链接
星巴克同店蚕食——H3网格重叠分析BigQuery链接
门店同店蚕食——Quadkey网格重叠Snowflake链接
查找高绩效门店的相似区域BigQuery链接
基于商圈查找相似位置BigQuery链接
电动汽车充电站选址工作流链接

常见变体

变体方法
零售扩张等时线 -> 用人口 + 竞争者密度丰富 -> 综合评分 -> 前N名
加盟区域规划同店蚕食模式确保在授予区域前不重叠商圈
电动汽车充电站 / 公共服务基于网格的需求(人口、交通)+ 距离现有位置过滤 -> 排名服务不足单元
广告牌 / OOH 投放缓冲区 -> 受众丰富 -> 归一化 + 加权 -> 前N名(参见trade-area-analysis)
银行网点优化从顶级分行构建相似区域 -> 发现类似服务不足区域 -> 建议新网点
竞争……

[翻译截断]

Individual skills in this repo

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

相关技能