Cómo pronostica el modelo de Huff las visitas de una nueva tienda

Tarde o temprano, toda conversación sobre selección de sitios llega a la misma pregunta: si abrimos aquí, ¿cuántas personas van a cruzar la puerta? En MapDove, ese pronóstico sale de un modelo gravitacional de Huff calibrado. En este artículo explicamos qué hace el modelo, en qué supuestos se apoya y cómo interpretar las cifras que entrega.

La idea: los compradores reparten sus viajes según atractivo y distancia

El modelo de Huff trata cada origen (en nuestro caso, una celda hexagonal de unos 0.8 km²) como una bolsa de demanda. Esa demanda se reparte entre todas las tiendas de la categoría que los residentes podrían alcanzar de forma razonable. Cada tienda tiene una utilidad para cada hexágono: las tiendas más grandes o con más fuerza de marca tienen mayor utilidad, y la utilidad baja a medida que aumenta la distancia.

U_ij = A_j / d_ij^λ

P_ij = U_ij / ( Σ_k U_ik + u0 )

• A_j es el atractivo de la tienda.
• d_ij es la distancia, en km, del hexágono i a la tienda j. Tiene un piso de 0.4 km para que una tienda ubicada justo sobre el centroide de un hexágono no reciba una utilidad infinita.
• λ es el exponente de decaimiento por distancia de la categoría. Cuanto más alto, menos dispuestos están los compradores a desplazarse. En el conjunto de datos demo, combustible y conveniencia usa 2.6, cafeterías 2.2, supermercados 1.8 y centros comerciales 1.3.
• P_ij es la probabilidad de que un viaje que sale del hexágono i termine en la tienda j.

Una tienda solo compite por los hexágonos dentro del radio comercial R de su categoría: 5 km para combustible, 6 km para cafeterías, 9 km para supermercados y 25 km para centros comerciales.

La opción externa: por qué las probabilidades no suman uno

El modelo de Huff de manual supone que todos los viajes terminan en alguna de las tiendas modeladas. Eso deja de funcionar en las orillas de la ciudad. Un hogar a 5 km de la cafetería más cercana no necesariamente va a visitar una cafetería que usted tenga registrada: puede preparar café en casa, comprarlo cerca de la oficina o ir a un lugar que no está en los datos.

Por eso MapDove agrega una opción externa al denominador:

u0 = 1 / (0.6 · R)^λ

Piense en u0 como la utilidad de una tienda estándar ubicada al 60% del radio comercial. Donde un hexágono está bien atendido, las utilidades de las tiendas superan con creces a u0 y casi toda la demanda queda capturada. En zonas poco atendidas, u0 conserva una parte importante. Este único término cumple tres funciones: evita que los suburbios dispersos generen pronósticos inflados, le da a una tienda nueva una fuente de demanda realmente nueva y mantiene honestas las estimaciones de canibalización (más detalles en la guía de canibalización).

Demanda y atractivo

La demanda de cada hexágono combina residentes y población diurna:

demand_i = population_i + 0.4 × daytime_population_i

El peso de 0.4 refleja que trabajadores y visitantes compran cerca de donde pasan el día, aunque menos de lo que los residentes compran cerca de casa.

Para un sitio candidato, el atractivo depende de su tamaño en relación con una tienda típica de la categoría, ajustado por la fuerza de la marca:

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

El exponente 0.7 representa rendimientos decrecientes: si duplica la superficie, el atractivo sube cerca de 62%, no 100%. La fuerza de marca es una decisión de criterio: entre 1.2 y 1.4 para una cadena muy querida, por debajo de 1.0 para un independiente desconocido.

Calibración: convertir unidades del modelo en visitas

El resultado bruto de Huff es “demanda esperada capturada”, expresada en unidades de población y no en visitas. Para convertirla, MapDove calibra contra las tiendas que ya existen:

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

En otras palabras, k es la suma de las visitas diarias promedio observadas en los últimos 90 días, dividida entre la demanda esperada que el modelo asigna a esas mismas tiendas. Es un único escalar por combinación de ciudad y categoría, y absorbe todo lo que el modelo gravitacional no representa: frecuencia de viaje, conversión y qué tan seguido un residente visita esa categoría. Como se ajusta con las visitas recientes del conjunto de datos demo, el pronóstico refleja cómo se desempeñan las tiendas de ese mercado.

Un ejemplo ilustrativo

Tomemos un hexágono de un mercado de cafeterías (λ = 2.2, R = 6 km) con 4,000 residentes y 6,000 trabajadores diurnos. Su demanda es 4,000 + 0.4 × 6,000 = 6,400. La opción externa vale u0 = 1 / 3.6^2.2 ≈ 0.060.

Dos cafeterías ya lo atienden: Bean Republic a 1.0 km (A = 1.2) y Copperline Coffee a 2.0 km (A = 1.0). Evaluamos un candidato de 2,200 pies cuadrados (la base de la categoría es 1,800), con fuerza de marca 1.1, ubicado a 0.8 km del hexágono. Su atractivo es (2,200/1,800)^0.7 × 1.1 ≈ 1.27.

Opción	Utilidad	Participación antes	Participación después
Bean Republic (1.0 km)	1.200	81.2%	33.9%
Copperline (2.0 km)	0.218	14.7%	6.1%
Candidato (0.8 km)	2.068	–	58.3%
Opción externa	0.060	4.0%	1.7%

El candidato captura 58.3% × 6,400 ≈ 3,733 unidades de demanda de este hexágono. Con un k ilustrativo de 0.0138, eso equivale a unas 51 visitas diarias desde esta sola celda. MapDove repite el cálculo para cada hexágono dentro de los 6 km y suma los resultados.

Vea de dónde salen esas 51 visitas: unas 42 vienen de Bean Republic, 7.6 de Copperline y apenas unas 2 de la opción externa. En un hexágono denso y bien atendido, casi todo lo que gana la tienda nueva es demanda transferida, no nueva. Es lo más valioso que el modelo le puede decir.

Cómo leer el resultado

Una corrida de Huff en Selección de sitios entrega:

• Visitas diarias y anuales pronosticadas, ya calibradas con k.
• Participación de mercado: la porción de la demanda modelada de la categoría que obtiene el candidato una vez abierto.
• Visitas diarias promedio de la categoría, para juzgar si el pronóstico es verosímil para el formato.
• Total de visitas canibalizadas y las tiendas existentes más afectadas, con sus distancias.
• Un área comercial pronosticada: los hexágonos que suman el primer 80% de los visitantes modelados del candidato.

Un pronóstico muy por encima del promedio de la categoría merece desconfianza. Revise si una fuerza de marca generosa o una superficie sobredimensionada está inflando el número.

Conclusiones prácticas

• Trate la fuerza de marca como un supuesto de escenario. Corra 0.8, 1.0 y 1.2 y presente un rango, no una sola cifra.
• Compare el pronóstico con el promedio de la categoría antes de confiar en él.
• Lea siempre la lista de canibalización junto al número principal. Un pronóstico alto que es casi todo demanda transferida puede no sumar nada a la red.
• Tenga presentes los límites del modelo. Conoce la distancia, el tamaño y la competencia. No sabe nada del estacionamiento, la visibilidad o un giro a la izquierda complicado. Visite el sitio.

Para la referencia completa de parámetros, consulte la documentación del pronóstico de Huff y la metodología.