كيف يتنبأ نموذج هوف بزيارات متجر جديد

كل نقاش حول اختيار المواقع يصل في النهاية إلى السؤال نفسه: إذا افتتحنا هنا، فكم شخصًا سيدخل من الباب؟ في MapDove تأتي الإجابة من نموذج هوف الجاذبي بعد معايرته. نشرح في هذا المقال ما يفعله النموذج، والافتراضات التي يقوم عليها، وكيف تقرأ الأرقام التي يعطيها.

الفكرة: المتسوقون يوزّعون رحلاتهم بحسب الجاذبية والمسافة

يتعامل نموذج هوف مع كل نقطة انطلاق، وهي عندنا خلية سداسية مساحتها نحو 0.8 كم²، على أنها مخزون من الطلب. يتوزع هذا الطلب على كل متاجر الفئة التي يمكن للسكان الوصول إليها بشكل معقول. ولكل متجر منفعة بالنسبة لكل خلية: المتاجر الأكبر أو الأقوى علامةً منفعتها أعلى، والمنفعة تتراجع كلما زادت المسافة.

U_ij = A_j / d_ij^λ

P_ij = U_ij / ( Σ_k U_ik + u0 )

• A_j جاذبية المتجر.
• d_ij المسافة بالكيلومتر من الخلية i إلى المتجر j، ولها حد أدنى 0.4 كم حتى لا يحصل متجر يقع فوق مركز الخلية مباشرةً على منفعة لانهائية.
• λ أُسّ تضاؤل المسافة الخاص بالفئة. كلما ارتفع قلّ استعداد المتسوقين للتنقل. في مجموعة البيانات التجريبية تستخدم فئة الوقود والمتاجر السريعة 2.6، والمقاهي 2.2، ومحلات البقالة 1.8، ومراكز التسوق 1.3.
• P_ij احتمال أن تنتهي رحلة تبدأ من الخلية i عند المتجر j.

ولا يتنافس المتجر إلا على الخلايا الواقعة داخل نصف القطر التجاري R لفئته: 5 كم للوقود، و6 كم للمقاهي، و9 كم للبقالة، و25 كم لمراكز التسوق.

الخيار الخارجي: لماذا لا يساوي مجموع الاحتمالات واحدًا

يفترض نموذج هوف في صيغته التقليدية أن كل رحلة تنتهي عند أحد المتاجر المشمولة في النموذج. هذا الافتراض يسقط عند أطراف المدينة. الأسرة التي تبعد 5 كم عن أقرب مقهى ليست ملزمة بزيارة مقهى تعرفه أنت؛ فقد تُعِدّ القهوة في البيت، أو تشتريها قرب مكان العمل، أو تذهب إلى مكان غير موجود في البيانات.

لذلك يضيف MapDove إلى المقام خيارًا خارجيًا:

u0 = 1 / (0.6 · R)^λ

يمكن فهم u0 على أنه منفعة متجر قياسي يقع عند 60% من نصف القطر التجاري. في الخلايا المخدومة جيدًا تطغى منافع المتاجر على u0 ويُستحوذ على الطلب كله تقريبًا. أما في المناطق قليلة الخدمة فيحتفظ u0 بحصة معتبرة. هذا الحد الواحد يؤدي ثلاث وظائف: يمنع الضواحي المتناثرة من إنتاج تنبؤات مبالغ فيها، ويمنح المتجر الجديد مصدرًا لطلب جديد فعلًا، ويُبقي تقديرات الافتراس الذاتي واقعية (التفاصيل في دليل الافتراس الذاتي).

الطلب والجاذبية

يجمع طلب كل خلية بين السكان المقيمين والسكان النهاريين:

demand_i = population_i + 0.4 × daytime_population_i

يعكس الوزن 0.4 أن العاملين والزوار يتسوقون قرب المكان الذي يقضون فيه نهارهم، لكن بدرجة أقل من تسوق السكان قرب منازلهم.

أما جاذبية الموقع المرشح فتُحسب من مساحته مقارنةً بمتجر نموذجي في الفئة، مضروبةً في قوة العلامة التجارية:

A = (sqft / category_base_sqft)^0.7 × brand_strength      (brand_strength 0.6 – 1.5)

يعبّر الأس 0.7 عن تناقص العائد: إذا ضاعفت المساحة ترتفع الجاذبية نحو 62% لا 100%. وقوة العلامة مسألة تقدير: من 1.2 إلى 1.4 لسلسلة محبوبة، وأقل من 1.0 لمتجر مستقل غير معروف.

المعايرة: تحويل وحدات النموذج إلى زيارات

الناتج الخام لنموذج هوف هو “الطلب المتوقع المُستحوذ عليه”، وهو بوحدات سكانية لا بالزيارات. للتحويل يعاير MapDove النموذج على المتاجر القائمة:

k = Σ observed avg daily visits (last 90 days, existing stores)
    ÷ Σ modeled expected demand of those same stores

predicted daily visits = k × modeled demand captured by the candidate

أي أن k هو مجموع متوسط الزيارات اليومية المرصودة خلال آخر 90 يومًا مقسومًا على الطلب المتوقع الذي يمنحه النموذج للمتاجر نفسها. وهو رقم واحد لكل زوج من المدينة والفئة، ويستوعب كل ما لا يمثله النموذج الجاذبي: تكرار الرحلات، ومعدل التحويل، ومدى تردد السكان على تلك الفئة أصلًا. ولأنه مُعاير على الزيارات الحديثة في مجموعة البيانات التجريبية، فإن التنبؤ يعكس أداء المتاجر في تلك السوق تحديدًا.

مثال توضيحي محلول

لنأخذ خلية في سوق مقاهٍ (λ = 2.2، R = 6 كم) فيها 4,000 مقيم و6,000 عامل نهاري. طلبها 4,000 + 0.4 × 6,000 = 6,400. وقيمة الخيار الخارجي u0 = 1 / 3.6^2.2 ≈ 0.060.

يخدم الخليةَ حاليًا مقهيان: Bean Republic على بعد 1.0 كم (A = 1.2)، وCopperline Coffee على بعد 2.0 كم (A = 1.0). نختبر موقعًا مرشحًا مساحته 2,200 قدم مربعة (المساحة الأساسية للفئة 1,800) وقوة علامته 1.1، ويبعد 0.8 كم عن الخلية. جاذبيته (2,200/1,800)^0.7 × 1.1 ≈ 1.27.

الخيار	المنفعة	الحصة قبل	الحصة بعد
Bean Republic (1.0 كم)	1.200	81.2%	33.9%
Copperline (2.0 كم)	0.218	14.7%	6.1%
الموقع المرشح (0.8 كم)	2.068	–	58.3%
الخيار الخارجي	0.060	4.0%	1.7%

يستحوذ المرشح على 58.3% × 6,400 ≈ 3,733 وحدة طلب من هذه الخلية. ومع قيمة توضيحية لـ k قدرها 0.0138، يعادل ذلك نحو 51 زيارة يوميًا من هذه الخلية وحدها. يكرر MapDove الحساب لكل خلية ضمن 6 كم ثم يجمع النتائج.

انظر إلى مصدر هذه الزيارات الـ51: نحو 42 منها تأتي من Bean Republic، و7.6 من Copperline، وزيارتان تقريبًا فقط من الخيار الخارجي. في خلية كثيفة ومخدومة جيدًا، كل ما يكسبه المتجر الجديد تقريبًا هو طلب منقول لا طلب جديد. وهذه أثمن معلومة يقدمها لك النموذج.

قراءة النتائج

يعيد تشغيل نموذج هوف في اختيار المواقع ما يلي:

• الزيارات اليومية والسنوية المتوقعة، بعد معايرتها بـ k.
• الحصة السوقية: حصة المرشح من الطلب المُنمذج للفئة بعد افتتاحه.
• متوسط الزيارات اليومية للفئة، لتحكم على مدى معقولية التنبؤ بالنسبة لهذا النوع من المتاجر.
• إجمالي الزيارات المُفترَسة والمتاجر القائمة الأكثر تأثرًا مع مسافاتها.
• منطقة تجارية متوقعة: الخلايا التي تشكّل أول 80% من زوار المرشح المُنمذجين.

التنبؤ الذي يتجاوز متوسط الفئة بكثير يستحق الشك. تحقّق مما إذا كانت قوة علامة سخية أو مساحة مبالغ فيها هي التي ترفع الرقم.

خلاصة عملية

• تعامل مع قوة العلامة كمُدخل سيناريو. شغّل النموذج بالقيم 0.8 و1.0 و1.2 وقدّم نطاقًا لا رقمًا واحدًا.
• قارن التنبؤ بمتوسط الفئة قبل أن تثق به.
• اقرأ دائمًا قائمة الافتراس الذاتي إلى جانب الرقم الرئيسي. التنبؤ المرتفع الذي يتكون في معظمه من طلب منقول قد لا يضيف شيئًا على مستوى الشبكة.
• تذكّر حدود النموذج. هو يعرف المسافة والمساحة والمنافسة، لكنه لا يعرف شيئًا عن المواقف أو وضوح الواجهة أو مدخل صعب من الطريق. قم بزيارة الموقع بنفسك.

للمرجع الكامل للمعاملات، راجع توثيق تنبؤ هوف والمنهجية.