Н.Н. Бабикова1, М.А. Осипов2

1,2 Сыктывкарский государственный университет им. Питирима Сорокина (г. Сыктывкар, Россия)
1 valmasha@mail.ru, 2 osipov.ma13@gmail.com

Постановка проблемы. При выборе местоположения для новых бизнес-объектов актуальна проблема, связанная с объективной оценкой потенциального клиентопотока и выбором наиболее выгодной локации. Необходимо, чтобы процесс принятия решений основывался на анализе актуальных геоданных, в частности, распределения плотности населения, для обеспечения максимальной эффективности и прибыльности бизнеса.

Цель. Спрогнозировать клиентопоток, основанный на данных о плотности населения г. Сыктывкара и характеристиках жилой застройки, с применением языка программирования Python.

Результаты. Приведена характеристика наиболее эффективных библиотек Python и дан анализ основных источников данных для геоанализа жилого фонда и прогнозирования клиентопотока. Разработан алгоритм оценки жилого фонда на основе данных о плотности населения и характеристиках жилой застройки с визуализацией результатов с использованием гексагональной сетки, который реализован с помощью Python. Подтверждена гипотеза о влиянии плотности населения на клиентопоток. Представлена визуализация результатов для подтверждения гипотезы.

Практическая значимость. Исследование предоставляет бизнесу (в первую очередь ритейлу, банковскому сектору, сфере услуг, недвижимости) практический геоаналитический инструмент на базе Python для выбора оптимальных локаций и прогнозирования клиентопотока на основе данных о плотности населения для принятия более точных, выгодных и эффективных решений, повышая конкурентоспособность и прибыльность в отраслях, где местоположение объектов играет ключевую роль.

Бабикова Н.Н., Осипов М.А. Использование Python для геоаналитики: оценка жилого фонда и прогнозирование клиентопотока // Наукоемкие технологии. 2025. Т. 26. № 4. С. 68−75. DOI: https://doi.org/ 10.18127/j19998465-202504-08

1. Салтанаева Е.А., Васильева С.В., Эшелиоглу Р.И. Оптимизация информационных процессов в области маркетинговых исследований с применением технологий искусственного интеллекта // Экономика. Информатика. 2024. Т. 51. № 2. С. 413–424.
2. Гринева Н.В., Топыркин А.Д. Геоаналитика: сбор, анализ и отображение географических данных для решения задач размещения коммерческих организаций // Инновации и инвестиции. 2023. № 5. С. 296–302.
3. Лейфер Л.А., Черная Е.В. Массовая оценка объектов недвижимости на основе технологий машинного обучения. Анализ точности различных методов на примере определения рыночной стоимости квартир // Имущественные отношения в Российской Федерации. 2020. № 3 (222). С. 32–42.
4. GeoPandas Documentation. URL: https://geopandas.org/ (дата обращения: 12.12.2024).
5. Shapely Documentation. URL: https://shapely.readthedocs.io/ (дата обращения: 24.12.2024).
6. Folium Documentation. URL: https://python-visualization.github.io/folium/ (дата обращения: 17.12.2024).
7. Uber’s H3 Documentation. URL: https://h3geo.org/ (дата обращения: 16.01.2025).
8. OpenStreetMap Data. URL: https://www.openstreetmap.org/ (дата обращения: 18.01.2025).