taller gisday 2014 geomarketing

Andrés Nossa, Juan Suarez, Robert Pulido – Semillero SDI - Ingeniería Catastral y Geodesia

GIS-DAYToma decisiones comerciales usando GIS

Geo-Marketing

Introducción

Uno de los aspectos claves en el éxito de cualquier proyecto comercial o industrial es su localización. En esta oportunidad desarrollaremos un análisis espacial para determinar la mejor ubicación para una tienda en Austin, Texas, analizando diferentes variables como lo son las edades y los ingresos de los potenciales clientes, la ubicación de la competencia, las ofertas del mercado inmobiliario, entre otras y para esto utilizaremos la plataforma de ArcGIS con sus múltiples herramientas de análisis espacial, buscando como objetivo incrementar ventas y atraer nuevos clientes.

Objetivo

Determinar la mejor ubicación para la apertura de la nueva tienda.

Crear información útil a partir de datos estadísticos, con uso de herramientas de geopro-

cesamiento.

Solucionar problemas espaciales usando procesos de análisis espacial.

Recursos

ArcGIS for Desktop

Archivos Geográficos (Analysis)

Tiempo estimado 2 horas

Metodología

1. Establecer el contexto y la pregunta

2. Explorar los datos disponibles

3. Integrar datos

4. Realizar el análisis espacial

5. Examinar resultados

1


Desarrollo

1. ESTABLECER EL CONTEXTO Y LA PREGUNTA

En el escenario del proyecto, ya se cuenta con dos tiendas ubicadas en la ciudad de Austin, capital del estado de Texas, se pretende ubicar una tercera tienda en la ciudad considerando lo siguiente:

El crecimiento de la población La ubicación de la competencia La demanda del producto Los ingresos de los clientes Debe estar a más de 5 millas de una de las tiendas existentes Debe estar a más de 2 millas de un competidor Debe estar a menos de una milla de una vía principal

2. EXPLORAR LOS DATOS DISPONIBLES

1. Ejecutar el programa ArcMap y abrir una hoja nueva.

2. Agregue los datos “Travis, Williamson y Demographics”, en la opción Add Data, Analysis/ Census.gdb.

2


Obteniendo como resultado

3. A mano izquierda de la pantalla, damos click derecho sobre la tabla Demographics y selec-cionamos abrir. Esto con el fin de visualizar los atributos que contiene esta tabla.

4. Paso siguiente veremos los atributos de nuestras capas cargadas, en este caso damos click derecho sobre “Travis” y seleccionamos “open Attribute Table”. Exploramos los atributos y cerramos la tabla.

3


3. Integrar datos

1. Ahora vamos a unir las dos capas de datos, para ello seleccionaremos la herramienta de Geoprocesamiento y seleccionamos “Merge”, posteriormente agregaremos de nuestro conjunto de datos las capas de “Travis y Williamson”, finalmente guardaremos en la base de datos del proyecto “Census.gdb” la salida de nuestra nueva capa con el nom-bre de Block_Groups y damos click en ok.

4


2. Consecutivamente al crear la nueva capa podemos remover las viejas capas de nuestro trabajo, para esto daremos click derecho sobre cada una y seleccionamos Remove.

3. Ahora agregaremos un nuevo atributo a la capa Block_Groups, para esto damos click

derecho sobre la capa y luego Open Atribute Table. En la tabla de opciones , des-plegamos el menú y seleccionamos add field…

Nombramos el nuevo campo como STORE_ID y lo dejamos como tipo short integer

4. En este paso procederemos a unir nuestra tabla de datos con la nueva capa que tene-mos. Para conseguir esto damos click derecho sobre Block_Groups y seleccionamos Join and related y seleccionamos Join, allí nos abrirá una ventana en la cual selecciona-mos el atributo que será la base de nuestra capa para unirla, en este caso será BLOCK-GROUP y paso siguiente también seleccionaremos el atributo de la tabla que será uni-da, en este caso BG_ID.

5


Nota: Si queremos revisar que nuestras tablas fueron unidas, seleccionamos nuestra capa y abrimos la tabla de atributos.

5. Aquí agregaremos los datos de los clientes presentes en la zona. Realizando el mismo procedimiento que realizamos anteriormente para agregar nuestras capas; selecciona-mos AddData, Analysis/Sites_Selection/All_Customers.

6


6. Luego seleccionaremos y mostraremos solo los clientes dentro de nuestra área de tra-bajo. Para ello damos click en Selection, y Select by Location.

Al abrir la nueva ventana realizaremos lo siguiente.

Selection Method: select features from Target layer(s): All_Customers Source layer: Block_Groups Spatial selection method for target layer feature(s): intersect the source layer feature.

7


7. Después de tener nuestros datos seleccionados vamos a crear una nueva capa con esta selección, esto con el fin de tomar solo los datos de interés para nuestra zona. Damos Click derecho sobre la capa All_customers, Data, ExportData y seleccionamos la ruta de salida, en este caso nuestra base de datos Site_Selection, dándole como nombre Custo-mers.

Nota: Removemos la capa de All_Customers ya que ya no es necesaria.

8. Ya teniendo nuestros clientes, los visualizaremos mejor separándolos por el tipo de tienda que frecuentan. Para poder hacer esto damos click derecho sobre Customers, Properties, Symbology y seleccionamos Categories (Unique Values), allí ponemos el

8


atributo por el que vamos a separar, en este caso STORE_ID, Seleccionamos la opción de Add All Values y si queremos, podemos discriminar por la rampa de color que sea mejor visualizada.

9. Apagamos nuestra capa de Customers por un momento, y agregamos desde la base de datos la capa de Stores.

9


10. Procedemos a seleccionar Customize toolbars en la cual habilitamos la pestaña Labe-ling. Desplegamos el menú de esta ventana que nos abre y habilitamos “Use Maplex La-bel Engine”.

Sobre el toolbar seleccionamos Label Manager , y seleccionamos Store_ID con un tamaño de 20. Luego de cargar damos click derecho sobre la capa Stores y selecciona-mos Label Features

10


4. Realizar el análisis espacial

1. Abrimos la tabla de Costumers, click derecho sobre la columna de Store_ID, se realiza un summarize. Se despliega el menu de SALES y le pedimos que realice una suma. Guarda-mos con el nombre de SALES_SUMMARIZE

11


NOTA: Se ve que en la tienda dos se consiguen mayor cantidad ventas 859600,0446 comparado con 739497,5258 de la tienda 1.

2. Ponemos escala 1:100.000 para tener una mejor apreciación de la tienda 2.

Abrimos la tabla Block_groups y la tabla de las tiendas y seleccionamos la tienda número 2 para realizar una selección por localización en donde procedemos asi:

Nota: Esto nos debería arrojar 71 campos seleccionados sobre la tabla de Block_groups

12


3. Sobre la tabla de Block_groups, seleccionamos la visualización de solo los elementos se-leccionados , y con click derecho sobre el campo de Store_ID, tomamos la opción Field

Calculator , aceptamos el mensaje de advertencia y ponemos entre comillas el numero 2 asi: "2" y le damos OK.

4. A continuación obtendremos los resúmenes de cada edad y cada ingreso de los clientes.

Como resultado obtenemos esta tabla:

5. Paso continuo seleccionamos Geoprocessing, Buffer; esto nos desplegara una nueva ven-ta la cual llenaremos de la siguiente manera:

13


Al realizar esto nos generara un área de influencia de la siguiente manera.

14


6. A continuación agregaremos una hoja de cálculo llamada Proposed_Sites ubicada en la carpeta de Analysis

A esta le cambiaremos el Sistema de Referencia, para ello damos click derecho y seleccionamos Display XY Data, esto nos desplegara una ventana y seleccionaremos Edit, allí buscaremos dentro de Geographic Coordinate System, North America, y seleccionamos NAD 1983. Aceptamos el mensaje de advertencia y finalmente exportaremos nuestra nueva capa a la base de datos.

7. Click derecho sobre la capa creada y seleccionamos Export Data y lo guardamos con el nombre Proposed_Sites.

8. Realizamos una selección por Localización de la capa Proposed_Sites en la cual intersecte con Stores_Buffer. Nos aseguramos de que este deshabilitada la opción Apply a Search Distance.

15


Luego damos click derecho sobre nuestra capa Proposed_Sites y vamos a Selection, Swi-ch the Selection y posteriormente en la misma barra desplegable seleccionamos “Create Layer From Features”

9. Cambiamos el nombre del nuevo layer creado por Propose_5_Miles_Selection, y desactivamos la capa de puntos propuesta, cambiamos si queremos la simbología y cargamos la capa de Competitiors ubicada en Site_Selection.gdb

16


10. Después de tener agregada nuestra capa de Competitos los simbolizamos de otra mane-ra; paso siguiente realizamos una selección por localización sobre el layer creado en el ítem anterior (Propose_5_Miles_Selection) y seleccionamos que este dentro de dos mi-llas de la capa de Competitors;

17


11. Finalmente realizamos un Switch de la selección que teníamos en el paso anterior, crea-mos un nuevo layer con el nombre de Suitable Distance Selection y desactivamos la capa de sitios propuestos

12. Aquí agregaremos la capa de Highways y realizamos un Selection by Location y sobre Sui-table Distance Selection a una milla de distancia, esto con el fin de seleccionar la mejor ubicación con respecto a la influencia de las vias.

18


13. Aquí realizaremos un buffer con las siguientes especificaciones.

19


14. A continuación se realiza un proceso de Intersect entre las capas de Suitable_Distance_Buffer y Block_Groups, y la almacenamos como Block_Groups_Intersect

20


15. Abrimos la tabla de la capa resultante y se puede ver que cada grupo tiene asociada una calle (Street).

Realizamos sobre el campo de Street un Summarize de suma con cada una de las edades e ingre-sos, le ponemos nombre de Resumen_Sitios_Prouestos Asi:

De la tabla resultado, en la segunda fila (Street Research Blvd) se puede ver que hay mayor número de personas en con edad entre los 20 y los 39 años y en cuanto a los ingresos la gran mayoría tiene ingresos superiores a los 50,000 dolares.

Con la Herramienta Identify, buscamos cuál de los dos puntos corresponde al Street Research Blvd.

Borramos todas las selecciones hechas con el botón

21


5. Examinar resultados

1. Abrimos el editor y copiamos y pegamos el punto de Suitable Distance Selection a Stores. Luego detenemos la edición.

2. Ahora sobre la capa Costomers hacemos click derecho y seleccionamos Join and Relates, Join

Dejamos los campos como aparecen a continuación, y almacenamos con el nombre de Customer_Forecast.

3. Por ultimo sobre la capa de Customer_Forecast cambiamos la visualización de la simbología por el campo Street así:

22


De esta forma se puede visualizar la distribución de los clientes.

23

taller gisday 2014 geomarketing

Documents