Geomarketing con Python

Photo by T.H. Chia on Unsplash

En este artículo te enseñaré a identificar potenciales ubicaciones para negocios tomando las areas de influencia de otros similares. Es decir identificar espacios que aún no estén ocupados y que tengan en sus cercanias clientes potenciales.

El objetivo será construir un mapa de calor basado en las distancias que se pueden recorrer caminando usando la red de calles de cualquier ciudad de México. Así se verá el mapa que realizaremos aquí:

Mapa de Isócronas mas el conteo de farmacias por manzana de la ciudad de Aguascalientes (Puede ser cualquier ciudad de México)

Integración de Datos Estadísticos y Geográficos

Los datos que vamos a utilizar en este artículo serán:

  • Datos abiertos de la ubicación de los negocios: En México existe el Directorio Estadístico Nacional de Unidades Económicas (DENUE), el cual ofrece la ubicación y varias características estadísticas de todos los negocios de México (https://www.inegi.org.mx/app/mapa/denue/default.aspx).
  • Datos abiertos del Censo de Población y Vivienda 2020: Recientemente se acaba de actualizar el registro estadístico de todos los habitantes de México y puede ser consultado a nivel manzana, nosotros utilizaremos dichos datos para construir un archivo de información geográfica con las características sociodemográficas de la población a nivel manzana, lo cual es un gran detalle (https://www.inegi.org.mx/programas/ccpv/2020/default.html#Datos_abiertos).
  • Datos abiertos del Marco Geoestadístico del Censo de Población y Vivienda 2020: Para poder vincular los datos sociodemográficos con la ubicación de los negocios es necesario asociar los datos estadísticos con los polígonos de las manzanas geográficas, dichos datos se distribuyen por separado y en este tutorial te mostraré cómo vincularlos (https://www.inegi.org.mx/app/biblioteca/ficha.html?upc=889463807469).
  • Datos abiertos de OpenStreetMap: Utilizaremos el paquete OSMnx (https://osmnx.readthedocs.io/en/stable/) para descargar las redes de calles de cualquier ciudad del mundo. A partir de lo cual realizaremos un análisis de distancias para construir poligonos de influencia alrededor de cada negocio, usando los datos de OSM (https://www.openstreetmap.org/).
Abel Alejandro Coronado Iruegas, Ph.D.

Father-Husband-Data Scientist-Philosopher-Entrepreneur-Professor in Data Science-MSc Stats #Scala #SatelliteImagery #Python https://www.a2bigdata.com.mx/