ژئومارکتینگ:مدل هاف بااستفاده از GIS

مدل هاف بااستفاده از GISعنوان پستی است که قرار است با شما به اشتراک بگذارم. امیدوارم که این پست مورد پسند شما قرار گیرد.

برای غلبه بر معایب عمده مدلهای قطعی، تصور احتمالی در حالی حفظ شد که شخصیت گرانشی با مدل هاف (Huff 1964) حفظ شد که فرمول آن به شرح زیر است:

ܲ௜௝ =

ఉ

ܵ௝ 5ܶ௜௝ 9

 

௤       ఉ

 

Σ௝ୀଵ ܵ௝ 5ܶ௜௝ 9

جایی که

– پیج آیا این احتمال وجود دارد که مصرف کننده i در فروشگاه j حضور داشته باشد.

– Sjمنطقه فروش فروشگاه j است ؛

– تیجفاصله زمانی از محل زندگی مصرف کننده i و فروشگاه j است.

– β ضریب خاص مربوط به فاصله است که به طور کلی 2 است (به قانون ریلی مراجعه کنید).

از این رو به طور کلی از فرمول مدل هاف استفاده می شود:

ଶ

ܵ௝ 5ܶ௜௝ 9

ܲ௜௝ =௤      ଶ

௝ୀଵ ܵ௝ 5ܶ௜௝ 9

ما مطمئناً در این فرمول ایده گرانش را می یابیم زیرا جرمی را که در اینجا با سطح فروشگاه نشان داده می شود و فاصله ای را که در زمان اندازه گیری می شود (از این رو متغیر T) متصل می کند، که این فروشگاه را از محل زندگی مصرف کننده جدا می کند. به “احتمال” رفتار مصرف کننده از یک سو بر اساس بدیهیات لوس (Luce ،1959) استوار است، که به طور کلی احتمال انتخاب را با رابطه بین سودمندی این انتخاب و مجموع امکانات همه امکانات ممکن اندازه گیری می کند. انتخاب ها و از طرف دیگر قضیه کاتلر (Kotler 1991)، که مربوط به ارتباط خدمات محصول یا به طور کلی پیشنهادات برای مصرف کننده است.

مدل هاف با تغییر اندازه محل فروش برای مراکز خرید تکمیل شد، در حالی که مدلهای گرانش، مانند مدل هاف، فقط یک پارامتر برابر با 1 به آن می دهند.

(معادل β برای فاصله عموماً معادل 2) و با افزودن کل هزینه در منطقه تجاری (Lakshmanan ، Hansen ،1965):

ܯఈ

ቌ ௝ ൘ ఊ ቍ

ܴ௜௝ =ܻ௜ *

௠

ܦ௜௝

ܯఈ

Σ௞ୀଵ 8 ௞൘ ఉ൲

ܦ௜௝

 

جایی که

– ریجاست مقدار کل فروش منطقه بازار مرکز خرید ؛

– ییاست کل هزینه های منطقه تجاری ؛

– Mjاست اندازه (در متر مربع) مرکز خرید j ؛

– دیجفاصله بین سلول محل مصرف کننده i و مرکز خرید j است.

– Mkاندازه (در متر مربع) مرکز خرید k است ؛

– دیجفاصله بین سلول محل مصرف کننده i و مرکز خرید k است.

– α، β و γ پارامترهای اصطکاک هستند.

مقدار پایین برای α به این معنی است که اندازه مرکز خرید اهمیت کمی دارد و مقادیر کمی برای β و γ که فاصله در انتخاب مرکز خرید مهم نیست (Eppli ، Shilling ،1996).

این مدل کاربردهای زیادی دارد و می توان آن را در اشکال مختلف در برخی از نرم افزارهای بازاریابی جغرافیایی یافت. از آن برای درک خرید چند منظوره استفاده شده است (Popkowski Leszczycوهمکاران، 2004). مزایای غیرقابل انکاری نسبت به قانون ریلی دارد:

– این یک مدل احتمالی است، زیرا به مشتری آزادی انتخاب می دهد.

– این یک مدل مبتنی بر اصولی است که درک آنها آسان است.

– برای سوپرمارکتهای شهرهای کوچک و متوسط در مناطق روستایی و فروشگاههای راحتی کاربرد دارد.

– از دید کاربر دو عملکرد متمایز دارد:

– می تواند مدلی برای راه اندازی یک فروشگاه یا مدیریت جذابیت آن در برابر رقبای خود پس از باز شدن باشد.

– برای درک و پیش بینی رفتار مصرف کننده استفاده شود (به فصل 2 مراجعه کنید).

با این حال، کمی ساده است و معایب زیر را دارد:

– فقط دو متغیر در نظر گرفته می شود، یعنی سطح فروش فروشگاه و فاصله بین خانه و فروشگاه، بنابراین برای تعداد زیادی از نقاط فروش با مفاهیم پیچیده غیرقابل استفاده است (و مفاهیم فروشگاه روز به روز پیچیده تر می شوند )؛

– می توان در بالا نوشت که ضریب β برابر 2 بود و این مقدار است که به طور کلی استفاده می شود، اما تعیین این ضریب چندان ساده نیست.

– مانند همه مدلهای فضایی، نیاز به تجزیه جغرافیایی محدوده بازار دارد که در آن فروشگاه (های) مورد مطالعه قرار دارد (یا قرار است واقع شود) و نتایج به تجزیه جغرافیایی حساس است.

4.2.3. مدل های تعامل رقابتی (MCI و مدل ذهنی MCI)

برای جلوگیری از معایب مدل هاف، تعمیم آن به تعداد زیادی از متغیرها به عنوان مدل MCI (تعامل رقابتی چندگانه) شناخته می شود (ناکانیشی و کوپر ،1974). متغیرها می توانند عینی (مساحت، فاصله یا تعداد کارکنان) یا ذهنی از نظرسنجی ها باشند و هنگامی که در مورد تعامل رقابتی ضربتی ذهنی یا مدل MCI ذهنی صحبت می کنیم (Cliquet، 1990، 1995). حالت وضوح آن ساده تر از مدل هاف است و به یک رگرسیون چندگانه می رسد که مقادیر ضرایب βk را ارائه می دهد. فرمول آن پیچیده تر به نظر می رسد، اما در واقع درک آن بسیار آسان است.

4.2.3.1. مدل MCI (تعامل رقابتی چندگانه)

فرمول مدل MCI به شرح زیر است:

ߨ௜௝ =

Σ௠

 

௤

௞ୀଵ

ቂΠ௤

 

ఉೖ

௜௝௞

ቀܺఉ ೖ ቁቃ

 

௜ୀଵ

 

௞ୀଵ

 

௜௝௞

 

جایی که

– πijاین احتمال است که مصرف کننده ای که در سلول زندگی می کند امکان انتخاب را انتخاب کند (در اینجا فروشگاه) j؛

– شیکمقدار متغیر k توصیف کننده فروشگاه j در سلول i است.

– βkپارامتر حساسیت نسبت به متغیر Xk است.

– مترتعداد گزینه های انتخابی (فروشگاه ها) است ؛

– ستعداد متغیرهای Xijk است.

توجه داشته باشید-.  یعنی”مجموع متغیرهای Xk” و  به معنی “تولید متغیرهای Xk” است، بنابراین واجد شرایط برای MCI به عنوان یک مدل ضربی است.

تعامل رقابتی ضربی ذهنی یا مدل ذهنی MCI داده های ادراک را می پذیرد. با این حال، ادراکات از نظر تئوری به عنوان داده های معمولی در نظر گرفته می شوند، و بنابراین متریک نیستند.

می توان آنها را با مقیاس فواصل با پشتیبانی معنایی به داده های شبه متریک تبدیل کرد (Pras 1976)، سپس با تبدیل از مربع زتا (کوپر و ناکانیشی 1983) به داده های مقیاس نسبت. فرمول مدل ذهنی MCI تفاوت چندانی با مدل MCI ندارد:

ߨ௜௝ =

Σ௠

௤

௞ୀଵ

ቂΠ௤

 

 

ఉೖ೔

௜௝௞

ቀܺఉ ೖ೔ቁቃ

 

جایی که

௜ୀଵ

 

௞ୀଵ

 

௜௝௞

 

– πijاین احتمال است که مصرف کننده ای که در سلول زندگی می کند امکان انتخاب را انتخاب کند (در اینجا فروشگاه) j؛

– شیکمقدار k متغیر توصیف کننده فروشگاه j در سلول i است.

– βkiاست پارامتر حساسیت نسبت به متغیر Xk برای سلول i ؛

– مترتعداد گزینه های انتخابی (فروشگاه ها) است ؛

– ستعداد متغیرهای Xijk است.

تنها تغییر این است که k تبدیل به ki می شود. در واقع، داده های وارد شده در مدل SMIC بر اساس نظرسنجی ها است. از مصرف کنندگان مورد مصاحبه خواسته می شود تا متغیرهای عینی را بررسی کنند: سطح، فاصله، تعداد کارکنان، زیرا هر گونه تصمیمی نه بر اساس یک حقیقت عینی، بلکه بر اساس تصور مصرف کنندگان از این متغیرها گرفته می شود. اما مزیت بزرگ در امکان بررسی متغیرهای کیفی مانند تصویر فروشگاه یا مهارت فروشندگان نهفته است. این امر مستلزم یک برنامه پیمایشی است که به تقسیم جغرافیایی که همه این مدلهای گرانش در معرض آن هستند احترام بگذارد. این بررسی باید در سلولهای مختلف تجزیه انجام شود. به منظور جلوگیری از انجام این بررسی ها در همه سلول ها، تجزیه و تحلیل خوشه ای سلول ها این امکان را فراهم می کند که گروه های همگن سلول ها را با توجه به ویژگی های اجتماعی و جمعیت شناختی خاصی که از قبل با توجه به نوع ذخیره مورد مطالعه تعریف شده اند تشکیل دهید و سپس به طور تصادفی از هر گروه یک سلول را برای بررسی انتخاب کنید (Cliquet ،1990). بنابراین نتایجی خواهیم داشت که بستگی به سلول ها و به ویژه عوامل k دارد که بر اساس سلول یا گروه سلول ها برآورد می شود تا به ایستایی داده ها احترام بگذاریم (Ghosh، 1984). این ایستایی در تمام سلولها که اغلب بسیار ناهمگن هستند عملاً غیرممکن است. بنابراین نتایجی خواهیم داشت که بستگی به سلول ها و به ویژه عوامل k دارد که بر اساس سلول یا گروه سلول ها برآورد می شود تا به ایستایی داده ها احترام بگذاریم (Ghosh 1984). این ایستایی در تمام سلولها که اغلب بسیار ناهمگن هستند عملاً غیرممکن است. بنابراین نتایجی خواهیم داشت که بستگی به سلول ها و به ویژه عوامل k دارد که بر اساس سلول یا گروه سلول ها برآورد می شود تا به ایستایی داده ها احترام بگذاریم (Ghosh 1984). این ایستایی در تمام سلولها که اغلب بسیار ناهمگن هستند عملاً غیرممکن است.

مدل MCI دارای چندین مزیت نسبت به مدل هاف است:

– این یک مدل احتمالی بسیار کاربردی تر از مدل هاف است.

– درک این مدل، مانند مدل هاف، در اصول اولیه آن آسان است.

– از مدل MCI می توان برای راه اندازی فروشگاه ها، محاسبه سهم بازار و پیش بینی فروش و مطالعه رفتار مصرف کننده استفاده کرد.

– مدل MCI سهم بازار را معادل 100 (که همیشه در مورد برخی از مدلها صادق نیست) می دهد (Bultez and Naert 1975).

– از نظر تئوری تعداد نامحدودی از متغیرها می توانند شامل شوند، حتی اگر صرفه جویی همیشه مشاور خوبی در این زمینه باشد.

– این مدل با استفاده از وسایل هندسی و تبدیل لگاریتمی ساده شده و فرمول آن یک رگرسیون چندگانه شکل است:

௡ܺ௡ߚ + +⋯ ଶܺଶߚ + ଵܺଵߚ +ߙ =ܻ

– این مدل بر اساس مدلهای گرانش و مدلهای سهم بازار است (کوپر و ناکانیشی، 1988).

اما مدل MCI، اگرچه در بسیاری موارد از مدل هاف برتر است، اما معایبی نیز دارد:

– مدل MCI به تعداد کافی اشیاء (در اینجا فروشگاه ها) در محدوده بازار مورد مطالعه نیاز دارد، زیرا از نظر تئوری انجام رگرسیون چندگانه با کمتر از 15 نفر توصیه نمی شود. با این حال، این را می توان با پیروی از روشهای خاص (Tomassone و همکاران ،1983) یا با استفاده از یک روش بسیار ساده ارائه شده توسط یک مدل ترکیبی (Cooper and Finkbeiner 1983) که متغیرها را با استفاده از یک نظرسنجی که می تواند یک پرسشنامه دوگانه باشد وزن می کند (Alpert، 1971 ؛ جولیبرت و هرمت ،1979) ؛

– ما در تعریف یک شکست جغرافیایی خوب همان مشکل را در مدل هاف پیدا می کنیم. این امر در مورد کلیه عملیات تجزیه جغرافیایی صادق است.

– متغیرهایی که باید در MCI گنجانده شوند باید با مقیاس نسبت متریک اندازه گیری شوند، زیرا مدل در نهایت یک رگرسیون است.

– مدل MCI، به عنوان یک مدل سهم بازار، فرض استقلال جایگزین های نامربوط (IIA) را نقض می کند، پدیده ای که مدتهاست برای همه مدل های جاذبه محکوم شده است.(مک فادن ،1974) ؛

– مدل MCI با جاذبه گذرا (Cliquet ،1997a) سازگار نیست، به عبارت دیگر با رفتار تحرک مصرف کننده در خارج از محدوده عرضه او.

– به آسانی نمی توان متغیرهایی را که لازم است ادغام کرد، به ویژه هنگامی که به متغیرهای عاملی مانند فاصله، سطح یا تعداد کارکنان ؛ متغیرهای دیگر که اغلب تعیین کننده تر هستند، به ویژه هنگامی که مفهوم خرده فروشی پیچیده تر است، تا آنجا که توسط مصرف کنندگان درک می شوند و اندازه گیری آنها دشوارتر است. در این مورد، مخلوط کردن داده های عینی اندازه گیری شده در مقیاس های نسبت با داده های غیر متریک و معمولی، می تواند منجر به تحریف نتایج شود.

یا حتی برای نشان دادن نقاط فروش در بازار محلی در ایالات متحده (Kaufmann وهمکاران،2007) 2. این مدلها اغلب مورد انتقاد قرار گرفته اند که منجر به تجاوز می شود (به فصل 5 مراجعه کنید)، به عبارت دیگر، همپوشانی هایی که برای صاحبان امتیاز مضر است (اشنایدر و همکاران، 1998).

برگرفته از کتاب:

ژئومارکتینگ (بازاریابی مکان‌محور)

چطور با فاکتور مکان، سودآوری کسب و کارمان را افزایش دهیم؟

مترجم:دکتر سعید جوی زاده،مهندس زینب زرگری