A review of geomarketing methods for optimal retail location selection

Мұқаба

Дәйексөз келтіру

Толық мәтін

Ашық рұқсат Ашық рұқсат
Рұқсат жабық Рұқсат берілді
Рұқсат жабық Тек жазылушылар үшін

Аннотация

The article presents a comprehensive analysis of modern geomarketing approaches to solving the problem of optimal location selection for retail enterprises. A systematic review and comparative analysis of the evolution of models and methods are conducted: from classical location theories (central place theory, law of retail gravitation, principle of minimum differentiation) to advanced machine learning-based algorithms. The paper details traditional models (Huff model), the role of geographic information systems (GIS), multi-criteria decision analysis methods and their limitations. Special attention is paid to the application of regression models, ensemble methods (random forest, gradient boosting), and neural networks in geomarketing. The key types of geospatial data, their sources, and model performance evaluation metrics are analyzed. The article systematizes the accumulated knowledge and demonstrates a steady trend towards the use of complex, data-driven methods for strategic decision-making in retail.

Толық мәтін

##article.viewOnOriginalSite##

Авторлар туралы

Ivan Ivanov

LLC «BST Digital»; The Russian Presidential Academy of National Economy and Public Administration

Хат алмасуға жауапты Автор.
Email: ivanzivanov@yandex.ru
ORCID iD: 0009-0007-7496-3212

Head; LLC «BST Digital»; postgraduate student; The Russian Presidential Academy of National Economy and Public Administration

Ресей, Moscow; Moscow

Natalia Grineva

Financial University under the Government of the Russian Federation

Email: ngrineva@fa.ru
ORCID iD: 0000-0001-7647-5967
SPIN-код: 1140-9636

Cand. Sci. (Econ.), Associate Professor, Associate Professor of the Department of Information Technology

Ресей, Moscow

Әдебиет тізімі

  1. Gerasimenko O.A., Thorikov B.A., Titova I.N. Geomarketing modeling is an analytical business planning tool. Economy. Computer Science. V. 47, No. 4. Pp. 710–717. https://doi.org/10.18413/2687-0932-2020-47-4-710-717.
  2. Pustovalova E A., Chernov V.P. Comparative analysis of retail outlet placement methods. Modern Economy: Problems and Solutions. 2015. V. 2. Pp. 29–44. https://doi.org/10.17308/meps.2015.2/1091.
  3. Aksoy S., Ozbuk M.Y. Multiple criteria decision making in hotel location: does it relate to postpurchase consumer evaluations? Tourism Management Perspectives. 2017. V. 22. Pp. 73–81. https://doi.org/10.17308/meps.2015.2/1091.
  4. Al-Yadumi S. et al. Review on integrating geospatial big datasets and open research issues. IEEE Access. 2021. V. 9. Pp. 10604–10620. https://doi.org/10.1109/ACCESS.2021.3051084.
  5. Applebaum W. Methods for determining store trade areas, market penetration, and potential sales. Journal of Marketing Research. 1966. V. 3, No. 2. Pp. 127–141. https://doi.org/10.1177/002224376600300202.
  6. d'Aspremont C., Gabszewicz J.J., Thisse J.F. On Hotelling's "Stability in competition".Econometrica: Journal of the Econometric Society. 1979. Pp. 1145–1150. http://www.jstor.org/stable/1911955.
  7. Dewi P.S.T., Susanti A., Putra I. W.Y.A. The transformation of coffee shops into coworking spaces during the pandemic // 4th International Conference on Innovation in Engineering and Vocational Education (ICIEVE 2021). Atlantis Press. 2022. Pp. 272–278. https://doi.org/10.2991/assehr.k.220305.055.
  8. Dušek R., Štumpf P., Vojtko V. Geomarketing: Tool for consumer spending estimation in the Czech tourism & hospitality market. Global Business & Finance Review (GBFR). 2019. V. 24, No. 1. Pp. 14–26. https://doi.org/10.17549/gbfr.2019.24.1.14%0A.
  9. Ferreira J., Ferreira C., Bos E. Spaces of consumption, connection, and community: Exploring the role of the coffee shop in urban lives. Geoforum. 2021. V. 119. Pp. 21–29. https://doi.org/10.1016/j.geoforum.2020.12.024.
  10. Fotheringham A.S. A new set of spatial-interaction models: the theory of competing destinations. Environment and Planning A: Economy and Space. 1983. V. 15, No. 1. Pp. 15–36. https://doi.org/10.1177/0308518X8301500103.
  11. Han S., Jia X., Chen X., Gupta S., Kumar A., Lin Z. (2022). Search well and be wise: A machine learning approach to search for a profitable location. Journal of Business Research. https://doi.org/10.1016/j.jbusres.2022.01.049
  12. Huff D. L. Defining and Estimating a Trading Area. Journal of Marketing. 1964. V. 28, No. 3. Pp. 34–38. https://doi.org/10.2307/1249154.
  13. Jensen P. Network-based predictions of retail store commercial categories and optimal locations. Physical Review E. 2006. V. 74, No. 3. Pp. 035101-1-035101-4. https://doi.org/10.1103/PhysRevE.74.035101.
  14. Jin A., Li G., Wang J., Mehmood M.S., Yu Y., Lin Z. Location choice and optimization of development of community-oriented new retail stores: A case study of Freshippo stores in Nanjing City. Progress in Geography. 2020. No. 39. Pp. 2013–2027. https://doi.org/10.18306/dlkxjz.2020.12.005.
  15. Kalnins A., Mayer K. J. Franchising, ownership, and experience: A study of pizza restaurant survival. Management Science. 2004. V. 50, No. 12. Pp. 1716–1728. https://doi.org/10.1287/mnsc.1040.0220.
  16. Lakshmanan J.R., Walter G. Hansen A RETAIL MARKET potential model. Journal of the American Institute of Planners. 1965. V. 31, No. 2. Pp. 134–143. https://doi.org/10.1080/01944366508978155.
  17. Li S. et al. Geospatial big data handling theory and methods: A review and research challenges. ISPRS journal of Photogrammetry and Remote Sensing. 2016. V. 115. Pp. 119–133. https://doi.org/10.1016/j.isprsjprs.2015.10.012.
  18. Li Y., Liu L. Assessing the impact of retail location on store performance: A comparison of Wal-Mart and Kmart stores in Cincinnati. Applied Geography. 2012. V. 32, No. 2. Pp. 591–600.
  19. Liang Y. et al. Calibrating the dynamic Huff model for business analysis using location big data Transactions in GIS. 2020. V. 24, No. 3. Pp. 681–703. https://doi.org/10.48550/arXiv.2003.10857.
  20. Limna P. et al. The antecedent attributes of customer satisfaction and loyalty in the coffee shop business domain. Journal of Production, Operations Management and Economics. 2023. V. 3, No. 4. Pp. 15–25. https://doi.org/10.55529/jpome.34.15.25.
  21. Lin G., Chen X., Liang Y. The location of retail stores and street centrality in Guangzhou, China. Applied Geography. 2018. No. 100. Pp. 12–20. https://doi.org/10.1016/j.apgeog.2018.08.007.
  22. Merino M., Ramirez-Nafarrate A. Estimation of retail sales under competitive location in Mexico. Journal of Business Research. 2016. V. 69, No. 2. Pp. 445–451. https://doi.org/10.1016/j.jbusres.2015.06.050.
  23. Mitríková J., Šenková A., Antoliková S. Application of the huff model of shopping probability in the selected stores in Prešov (Prešov, the Slovak Republic). Geographica Pannonica. 2015. V. 19, No. 3. Pp. 110–121. https://doi.org/10.5937/GeoPan1503110M.
  24. Nakaya T., Fotheringham A.S., Hanaoka K., Clarke G., Ballas D., Yano K. Combining microsimulation and spatial interaction models for retail location analysis. Journal of Geographical Systems. 2007. V. 9, No. 4. Pp. 345–369. https://doi.org/10.1007/s10109-007-0052-2.
  25. Piovani D., Zachariadis V., Batty M. Quantifying retail agglomeration using diverse spatial data. Scientific Reports. 2017. V. 7, No. 1. P. 5451. https://doi.org/10.1038/s41598-017-05304-1.
  26. Reinartz W.J., Kumar V. Store-, market-, and consumer-characteristics: The drivers of store performance. Marketing Letters. 1999. V. 10, No. 1. Pp. 5–23. https://doi.org/10.1023/A:1008011622335
  27. Rohani A.M., Chua F.F. (2018, May). Location Analytics for Optimal Business Retail Site Selection. In International Conference on Computational Science and Its Applications (pp. 392–405). Springer, Cham. https://doi.org/10.1007/978-3-319-95162-1_27
  28. Smith S.L. Restaurants and dining out: geography of a tourism business. Annals of Tourism Research. 1983. V. 10, No. 4. Pp. 515–549. https://doi.org/10.1016/0160-7383%2883%2990006-3.
  29. Tayman J., Pol L. Retail site selection and geographic information systems. Journal of Applied Business Research. 1995. V. 11, No. 2. Pp. 46–54. https://doi.org/10.19030/jabr.v11i2.5874.
  30. Ting C.Y., Ho C.C., Yee H.J., Matsah W.R. Geospatial analytics in retail site selection and sales prediction. Big Data. 2018. V. 6, No. 1. Pp. 42–52. https://doi.org/10.1089/big.2017.0085.
  31. Tzeng G.H., Teng M.H., Chen J.J., Opricovic S. Multicriteria selection for a restaurant location in Taipei. International Journal of Hospitality Management.2002. V. 21, No. 2. Pp. 171–187. https://doi.org/10.1016/S0278-4319(02)00005-1.
  32. Wang L., Fan H., Wang Y. Site selection of retail shops based on spatial accessibility and hybrid BP neural network. ISPRS International Journal of Geo-Information. 2018. V. 7, No. 6. P. 202. https://doi.org/10.3390/ijgi7060202.
  33. Waxman L. The coffee shop: Social and physical factors influencing place attachment. Journal of Interior Design. 2006. V. 31, No. 3. Pp. 35–53. https://doi.org/10.1111/j.1939-1668.2006.tb00530.x.
  34. Wright O., Frazer L., Merrilees B. McCafe: The McDonald's co-branding experience. Journal of Brand Management. 2007. V. 14, No. 6. Pp. 442–457. https://doi.org/10.1057/palgrave.bm.2550088.
  35. Xiao Y., Xiao J., Lu F., Wang S. Ensemble ANNs-PSO-GA approach for day-ahead stock e-exchange prices forecasting. International Journal of Computational Intelligence Systems. 2014. V. 7, No. 2. Pp. 272–290. https://doi.org/10.1080/18756891.2013.756227.
  36. Xue C., Ju Y., Li S., Zhou Q., Liu Q. Research on Accurate House Price Analysis by Using GIS Technology and Transport Accessibility: A Case Study of Xi'an, China. Symmetry. 2020. V. 12, No. 8. Pp. 1329–1350. https://doi.org/10.3390/sym12081329.
  37. Yang Y., Roehl W.S., Huang J.H. Understanding and projecting the restaurant scape: The influence of neighborhood sociodemographic characteristics on restaurant location. International Journal of Hospitality Management. 2017. No. 67. Pp. 33–45. https://doi.org/10.1016/j.ijhm.2017.07.005.
  38. Yee H.-J., Ting C.-Y., Ho C.C. Retail Site Selection using Machine Learning Algorithms. International Journal of Recent Technology and Engineering. 2019. No. 8. Pp. 2422–2431. https://doi.org/10.35940/ijrte.D7186.118419.
  39. Zeng J., Tang B. (2019, May). Mining heterogeneous urban data for retail store placement. In Proceedings of the ACM Turing Celebration Conference-China (p. 53). ACM. https://doi.org/10.1145/3321408.3322834.
  40. Zhao J., Zong B., Wu L. Site Selection Prediction for Coffee Shops Based on Multi-Source Space Data Using Machine Learning Techniques. ISPRS International Journal of Geo-Information. 2023. V. 12, No. 8. P. 329. https://doi.org/10.3390/ijgi12080329.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Fig. 1. Classification of classical placement theories.

Жүктеу (404KB)
Метадеректер
3. Fig. 2. Classification of location selection methods.

Жүктеу (227KB)
Метадеректер
4. Fig. 3. Classification of machine learning methods in location selection and their applications.

Жүктеу (429KB)
Метадеректер


Creative Commons License
Бұл мақала лицензия бойынша қол жетімді Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».