站點選擇與蠶食效應分析 是做什麼的?
建立 CARTO 工作流程,用於識別新設施(商店、站點、辦公室)的最佳位置,透過結合空間條件進行評分,並量化因商圈重疊而產生的蠶食風險。同時涵蓋雙胞胎區域 (twin-area) 與相似地點 (similar-location) 的發現。
前置需求:請先載入 carto-create-workflow 以了解開發流程、JSON 結構與驗證。該文件涵蓋了兩種存取路徑——MCP 伺服器的 workflow 工具(create_workflow, validate_workflow, run_workflow,當連接時可用)以及 carto workflows CLI。路由訊號:carto-basics/references/access-paths.md。如果工作流程涉及等時線 (isochrones)、緩衝區 (buffers) 或商圈豐富化 (catchment enrichment),請載入 carto-trade-area-analysis,其中詳細說明了商圈資料處理管線。
決策樹
| 使用者意圖 | 模式 |
|---|---|
| "我該在哪裡開新店?" | 站點選擇 (評分 + 排名) |
| "新店會影響現有店鋪的業績嗎?" | 蠶食效應分析 |
| "尋找與我績效最佳據點相似的位置" | 雙胞胎區域 / 相似地點 |
操作說明
模式 A:站點選擇 (評分 + 排名)
現有位置 + 目標區域 -> 空間索引 -> 豐富化人口統計/興趣點 -> 評分/排名 -> 篩選頂尖候選點 -> 儲存
步驟 1:載入資料
使用 native.gettablebyname 載入兩個資料集:
- 現有位置 (目前的商店/設施)
- 目標區域 (例如城市邊界、行政區多邊形,或涵蓋研究區域的網格)
當候選點與現有網路位於同一個表格時進行分流。 如果使用者的來源是一個單一表格,其中「候選點」由某個數值門檻定義(例如 revenue ≥ X, size ≥ Y),請使用一個 native.where 節點搭配該條件,並將其 match 輸出連接到候選點管線,unmatch 輸出連接到現有網路管線。一個節點產生兩個資料流——比使用 orderby + limit + customsql NOT IN 簡潔得多,且完全避免了使用自訂 SQL (customsql)。此門檻近似於「前 N 名」;如果使用者明確說「剛好前 25 名」,orderby + limit 仍是正確做法,但請清楚知道這會增加額外節點的成本。
成功標準:兩個表格都已載入,並包含幾何欄位和唯一識別碼。
步驟 2:建立候選網格
使用 native.h3polyfill 或 native.quadbinpolyfill 將目標區域填補為 H3 或 Quadbin 網格單元。每個單元都是一個候選微位置。
成功標準:產生一個覆蓋研究區域的連續網格單元。
步驟 3:豐富化候選點
為每個網格單元附加需求訊號——人口、收入、人流、興趣點密度——使用 native.h3enrich、native.joinv2 或 Data Observatory。
如果候選點是連續的多邊形(商圈 / 行政區)而非網格,請參閱 carto-spatial-enrichment 的步驟 4,了解 native.enrichpolygons 與 native.spatialjoin + native.groupby 之間的取捨(Analytics Toolbox 相依性 vs 節點數量 vs 謂詞/連接控制)。
成功標準:每個網格單元都包含代表需求/適宜性因素(例如人口、收入等)的數值欄位。
步驟 4:根據與現有位置的距離進行篩選
使用 native.h3distance 計算每個候選網格單元到最近現有位置之間的跳躍次數 (hop count)。過濾掉太近(蠶食風險)或太遠(物流成本)的單元。輸出的是跳躍次數,而非公制距離——請透過對應解析度的邊長進行轉換(參閱注意事項)。
距離語意——從商圈多邊形(而非候選點)測量蠶食效應。 當候選點是點位,並已產生貿易區(等時線 / 緩衝區——請參閱 carto-trade-area-analysis)時,請計算候選點商圈多邊形到現有競爭者點位之間的 native.distance,而非從候選點本身計算。原因:ST_DISTANCE(polygon, point) = 0 每當競爭者位於該貿易區內時成立——這正是您想要的蠶食效應訊號。點到點距離只會報告「最近的競爭者有多遠」,而掩蓋了重疊情況。選擇的 radius 應與貿易區大小一致(例如,10 分鐘步行商圈約對應 5 公里);過大半徑會稀釋訊號。這種多邊形到點位的模式是模式 A 的 H3 跳躍過濾與模式 B 的完整網格重疊分析之間的中間地帶——每當候選點已有連續的商圈幾何時,應使用此模式。
成功標準:候選網格單元位於與現有位置合理的距離範圍內,且所有蠶食效應訊號(當存在商圈幾何時)均從該商圈多邊形測量。
步驟 5:評分與排名
使用 trade-area-analysis 中的評分模式:
- 使用
native.normalize將每個變數標準化為 [0,1] 範圍 - 透過
native.selectexpression,使用使用者定義的權重計算綜合分數 - 使用
native.orderby(降序) +native.limit(前 N 名) 進行排名
成功標準:產生一個包含綜合分數和各項貢獻變數的排名前十候選單元清單。
步驟 6:儲存
使用 native.saveastable。H3/Quadbin 欄位可直接在 CARTO Builder 中視覺化。
成功標準:產生一個可上傳的有效驗證工作流程。
模式 B:蠶食效應分析
現有 + 提議的地點 -> 貿易區 (等時線/緩衝區) -> 填補為網格 -> 相交/連接 -> 測量重疊 -> 儲存
步驟 1:載入資料
載入現有位置和提議的位置(或一個帶有標記欄位區分兩者的單一表格)。如果兩組資料位於同一個單一表格中,且拆分由數值門檻定義(例如 revenue ≥ X),請參閱模式 A 步驟 1 的 native.where match/unmatch 分流——它從一個節點產生兩個資料流,並避免了自訂 SQL。
成功標準:兩個資料集都已載入,並包含幾何欄位和唯一識別碼。
步驟 2:生成貿易區
使用 native.isolines (較真實) 或 native.buffer (較簡單) 為現有和提議位置建立商圈區域。對兩組使用相同的參數以確保可比性。
成功標準:每個位置都有一個具有一致參數的商圈多邊形。
步驟 3:填補為空間索引
使用 native.h3polyfill 將所有商圈多邊形轉換為 H3 或 Quadbin 網格單元。保留位置識別碼和一個 is_proposed 標記欄位。
成功標準:每個位置每個網格單元一行,包含位置 ID 和類型標記。
步驟 4:找出重疊
在現有位置網格單元和提議位置網格單元之間,對空間索引欄位使用 native.joinv2 (內連接)。結果包含至少被一個現有和一個提議位置共享的網格單元。
成功標準:輸出僅包含同時位於現有和提議商圈內的網格單元。
步驟 5:測量影響
使用 native.groupby 匯總重疊情況:
- 針對每個現有位置:重疊網格單元數量 / 該位置商圈內總網格單元數量 = 重疊百分比
- 為重疊網格單元豐富化人口或收入資料,以量化共享的需求
使用 native.selectexpression 計算重疊比率。
成功標準:每個現有位置都有一個重疊指標,顯示其商圈與提議位置商圈共享的程度。
步驟 6:儲存
使用 native.saveastable。
成功標準:產生一個包含每個位置蠶食指標的有效驗證工作流程。
模式 C:雙胞胎區域 / 相似地點
頂級績效位置 -> 貿易區 -> 豐富化 -> 建立相似性模型 -> 為所有候選區域評分 -> 排名 -> 儲存
步驟 1:識別參考位置
載入完整的位置資料集。使用 native.wheresimplified 或 native.orderby + native.limit 篩選出頂級績效者(例如,營收前四分位數)。
成功標準:分離出一個頂級績效位置的子集作為參考集。
步驟 2:生成並豐富化貿易區
圍繞參考位置建立等時線或緩衝區貿易區。將其填補為 H3/Quadbin。豐富化人口統計、興趣點及任何相關變數。
成功標準:每個參考位置都有一個豐富的人口統計特徵檔。
步驟 3:建立雙胞胎區域模型
使用 native.buildtwinareasmodel (BUILD_TWIN_AREAS_MODEL) 根據豐富化的參考位置建立一個基於 PCA 的相似性模型。
- 輸入:豐富化的參考位置,包含數值特徵欄位
- 模型會捕捉成功位置的多元「特徵」
成功標準:產生一個模型工件,編碼了頂級績效者的人口統計特徵。
步驟 4:尋找相似位置
使用 native.findsimilarlocations (FIND_SIMILAR_LOCATIONS) 根據雙胞胎區域模型為所有候選區域評分。
- 輸入:使用建構模型時相同變數豐富化的候選區域
- 輸出:每個候選區域的相似度分數
成功標準:每個候選區域都有一個相對於參考集的相似度分數。
步驟 5:排名與儲存
依相似度分數降序排名。儲存頂級候選點。
成功標準:產生一個最類似於頂級績效位置的區域排名清單。
商業熱點變體
對於需求驅動的站點選擇(例如,「哪裡的需求未滿足最高?」),請使用 native.commercialhotspots:
- 在研究區域上建立一個 H3 網格
- 豐富化目標需求變數(例如,15-34 歲人口)
- 使用
variablecolumns和weights參數執行native.commercialhotspots - 按顯著性過濾結果 (
p_value < 0.05) - (可選)透過
native.h3distance從現有位置過濾,以聚焦於服務不足的區域
注意:variablecolumns 使用 Python 風格的列表語法 (['col1', 'col2']),而 weights 是逗號分隔的——請參閱 trade-area-analysis 的注意事項以了解詳情。
注意事項
- 提供者命名慣例與 SQL 方言。 此技能使用小寫欄位名稱 (
h3,is_proposed,population等)——這是 BigQuery / Databricks / Postgres / Redshift 的慣例。在 Snowflake 上,未引用的識別碼會以大寫顯示——請將其引用為H3,IS_PROPOSED,POPULATION。請參閱carto-create-workflow/references/providers/<provider>.md了解大小寫規則和 SQL 方言對應。 native.commercialhotspots需要 Analytics Toolbox 的 Retail 模組。請使用--connection驗證其可用性。- 雙胞胎區域與相似地點在內部使用 PCA——結果對變數選擇和縮放非常敏感。僅包含相關且非冗餘的變數。如果不同變數的尺度差異很大,請先標準化輸入。
- 蠶食效應的重疊程度很大程度上取決於貿易區的定義(緩衝區半徑、等時線時間)。參數的微小變化可能導致結果的巨大差異。請記錄所選的參數及其理由。
native.h3distance返回的是跳躍次數 (hop count),而非物理距離。請乘以該解析度下近似的單元邊長以獲得粗略的公制距離(例如,解析度 8 約為 460 公尺/跳,解析度 9 約為 174 公尺/跳)。- 當比較不同大小的區域時,請將人口統計資料標準化為人均或單位面積值,以避免規模偏差(例如,使用人口密度而非總人口)。
- 「最佳」位置完全取決於所選擇的標準和權重——沒有客觀正確的答案。務必記錄假設條件,並讓使用者有調整權重的空間。
- 對於雙胞胎區域模型,請對參考位置和候選點使用相同的一套豐富化變數。變數不匹配會導致模型失敗或產生意義不明的分數。
參考範本
Academy 教學
| 教學 | 提供者 | 網址 |
|---|---|---|
| 檀香山必勝客——使用商業熱點進行站點選擇 | BigQuery | 連結 |
| 檀香山必勝客——使用商業熱點進行站點選擇 | Snowflake | 連結 |
| 商店蠶食效應——量化新店影響 | BigQuery | 連結 |
| 星巴克蠶食效應——H3 網格重疊分析 | BigQuery | 連結 |
| 商店蠶食效應——Quadkey 網格重疊 | Snowflake | 連結 |
| 尋找頂級績效商店的雙胞胎區域 | BigQuery | 連結 |
| 基於貿易區尋找相似位置 | BigQuery | 連結 |
| 電動車充電站站點選擇 | Workflows | 連結 |
常見變化
| 變化 | 方法 |
|---|---|
| 零售擴張 | 等時線 -> 豐富化人口統計 + 競爭者密度 -> 綜合評分 -> 前 N 名 |
| 加盟商區域規劃 | 使用蠶食效應模式確保在授予區域前,各商圈不重疊 |
| 電動車充電 / 公共服務 | 基於網格的需求(人口、交通流量)+ 與現有設施距離過濾 -> 排名服務不足的網格單元 |
| 廣告看板 / OOH 佈點 | 緩衝區 -> 觀眾豐富化 -> 標準化 + 加權 -> 前 N 名 (參閱 trade-area-analysis) |
| 銀行分行優化 | 從頂級分行建立雙胞胎區域 -> 尋找相似的服務不足區域 -> 提議新分行 |
| 競爭者監控 | 為競爭者位置執行模式 B,以量化他們對你的網路的蠶食影響 |