Calculez le potentiel de votre futur point de vente avec DataComposer et le modèle de Huff, le « combo gagnant » pour vos analyses géomarketing

Comment utiliser le modèle de Huff dans DataComposer ?

Pour voir comment utiliser le modèle de Huff dans DataComposer, nous allons prendre l’exemple de 5 points de vente fictifs, localisés sur l’agglomération de Bordeaux, et la population des quartiers IRIS du département de la Gironde.

Nous allons considérer que, pour chaque point de vente, les quartiers IRIS qui peuvent potentiellement le visiter sont ceux qui sont situés dans un temps de trajet de 20 minutes ou moins en voiture.

Notre objectif sera de calculer, à l’aide du modèle de Huff, la population de ces quartiers IRIS qui sera potentiellement attribuable à chaque magasin.

Etape 1 : préparation des données

Table des quartiers IRIS et de leur population

Après avoir créé une DataComposition dans DataComposer, nous devons commencer par créer une table de la géographie des quartiers IRIS et de leur population.

Cette opération, assez simple et rapide, s’effectue en important successivement dans notre DataComposition :

• Le fond de carte « d33_iris.geojson » de la base Carticque France Administratif 2023
• La population des IRIS depuis le catalogue de données Articque DataMarket.

Une opération de Jointure nous permet de réunir nos deux tables en une seule, qui combine le code INSEE, le nom et la géométrie des IRIS avec la colonne de population.

Table des magasins et de leur poids

Toujours dans notre DataComposition, nous importons un fichier Excel que nous avons préparé avec nos 5 magasin (M1, M2, M3, M4 et M5), leurs coordonnées latitudes/longitudes, et leur poids. Dans cet exemple, nous utiliserons comme poids des magasins leur superficie commerciale en m².

A l’issue de notre import, l’utilisation de la fonction « Création de points » nous permet de créer facilement la géométrie des points de nos magasins (à partir de leurs coordonnées géographiques), qui nous sera nécessaire pour calculer le temps de trajet entre les quartiers IRIS et nos points de vente.

Etape 2 : calcul des temps de trajets entre les quartiers IRIS et les magasins.

La fonction Distances nous permet de calculer le temps de trajet de chaque quartier IRIS vers chacun des 5 magasins.

De nombreux paramètres, comme le type de véhicule, les routes à éviter, etc. peuvent être configurés. Ici, nous allons simplement choisir le type de véhicule « Voiture » et un trajet « au plus court ».

Le résultat obtenu est une nouvelle table avec l’ensemble des couples « quartier IRIS <=> Magasin » et le temps nécessaire, en minutes, pour s’y rendre.

Comme nous voulons conserver uniquement, pour chaque magasin, les quartiers IRIS qui sont situés à 20 minutes en voiture, nous pouvons supprimer facilement les lignes inutiles de notre table, à l’aide de la fonction « Filtre » de DataComposer et de la formule suivante :

« temps_route_min_iris_vers_magasin » <=20

Etape 3 : calcul de l’attraction des quartiers IRIS vers les magasins.

Comme nous l’avons vu dans la présentation du modèle de Huff, nous pouvons maintenant créer une nouvelle colonne dans notre table à l’aide de la fonction « Calcul », pour déterminer la valeur de l’attraction que chaque magasin exerce sur chaque quartier IRIS :

La formule utilisée est celle de Reilly, que nous avons étudiée précédemment :
« poids_magasin » / « temps_route_min_iris_vers_magasin »^2

Le résultat est une nouvelle colonne dans notre table des couples « quartier IRIS <=> Magasin » :

Etape 4 : calculer la probabilité de visiter chaque magasin (modèle de Huff).

Comme nous connaissons maintenant la valeur de l’attraction que chaque magasin exerce sur chaque quartier IRIS, une nouvelle utilisation de la fonction « Calcul » de DataComposer, avec la formule de Huff, va nous permettre de déterminer, pour chaque couple « quartier IRIS <=> Magasin », la probabilité de visite.

Pour cela, nous devons diviser, pour chaque IRIS, l’attraction vers son magasin par la somme des attractions qu’il subit des autres magasins susceptibles de l’attirer.

« attraction_iris_magasin »
/
(SELECT SUM(« attraction_iris_magasin ») FROM « DistanceTempsIRISMagasins » « DistanceTempsIRISMagasins2 » WHERE « DistanceTempsIRISMagasins ». »code_iris » = « DistanceTempsIRISMagasins2″. »code_iris ») 

Il s’agit là d’une formule de somme sous condition « SELECT SUM()… ». Elle nous permet de considérer uniquement dans le calcul, pour chaque quartier IRIS, les magasins qui peuvent l’attirer, et non l’ensemble des magasins.

Le résultat de l’application de notre modèle de Huff est une nouvelle colonne dans notre table, avec la probabilité de visite d’un quartier IRIS vers un magasin :

Pour un même quartier IRIS, la somme des probabilités de visite vers les magasins dans lesquels il peut se rendre est toujours égale à « 1 » (100%).

Etape 5 : calcul de la population potentiellement attribuable à chaque magasin

Nous arrivons au bout de notre exercice ! La dernière étape consiste à utiliser nos probabilités de visites pour répartir la population de chaque quartier IRIS entres les magasins qu’elle peut visiter, puis à calculer la population totale potentiellement attribuable à chaque magasin.

Cette formule très simple, qui multiplie la population d’un IRIS par la probabilité de visite d’un magasin, nous permet de connaitre la part de cette population potentiellement attribuable à chacun. Encore une fois, nous utilisons la fonction « Calcul » pour créer une nouvelle colonne, avec la formule suivante :

« Population en 2018 princ » * « proba_visite_iris_vers_magasin_Huff »

Exemple : pour le quartier IRIS 330631302, qui a une probabilité de 51% (0,51) de visiter le magasin M1, on estime que sur ses 2380 habitants, 1223 iront visiter ce point de vente précis.

Pour finir, il nous suffit d’utiliser la fonction « Regroupement » de DataComposer pour créer une nouvelle table avec la somme, pour chaque magasin, de la part de la population des quartiers IRIS qui lui est potentiellement attribuable :