調査データでハフ モデルのキャリブレーション（Huff Model Calibration by Survey Data）の仕組み

このキャリブレーション方法では、分析範囲を小さなサブエリアに適切に分割する必要があります。[実勢データでハフ モデルのキャリブレーション（Huff Model Calibration by Real Data）] による方法との主な違いは、各サブエリアからショッピング センターに訪れる割合を示す調査データを基に確率を計算する点です。調査は直接サブエリアに対して実施されていることから、ポイント顧客レイヤは不要です。

調査データは、以下のいずれかの形式を使用した調査表で収集されている必要があります。

• 顧客ごとに複数レコード

  質問「ここ数週間で店舗 1、2、3、4 に何回訪れましたか」への顧客の回答リスト。たとえば、回答は「店舗 4 - 2 回」、「店舗 3 - 4 回」のようになります。以下のように集計されます。

  ブロックグループ ID	Store ID	総数
  1232234234	4	2
  1232234234	3	4
  1232234234	4	1
  1232234234	3	2

  顧客ごとに複数レコード
  ブロックグループ ID は、顧客が住んでいるブロック グループ（BG）の ID です。この例では、最後の 2 行は同じ BG に住む別の顧客へのインタビューの結果です。

• 1 区画につき 1 レコード

  最初の選択肢のデータを集計したものです。これは、特定のブロック グループの特定の店舗における全顧客数を集計し、このブロック グループで各店舗を訪れる顧客の割合を計算することで、計算できます。同様の割合で、この店舗での支払い額の割合を表すことができます。

  ブロックグループ ID	Store ID	割合
  1232234234	4	12
  1232234234	3	45

  1 区画につき 1 レコード

• 顧客ごとに 1 レコード

  この選択肢は、調査者にとって便利な方法です。

  ブロックグループ ID	Store 1 Count	店舗 2 の顧客数	店舗 3 の顧客数	店舗 4 の顧客数
  1232234234	4	1	3	0
  1232234234	0	0	0	1

  顧客ごとに 1 レコード
  この選択肢では、各店舗に個別の回数（支払い額）フィールドが存在します。この表には、調査した顧客数と同数の行が含まれます。各顧客は各店舗を訪れた回数を伝えます。この調査データを利用して、各サブエリアの顧客が特定のショッピング センターに訪れる確率を試算できます。