立地選定のためのロケーションインテリジェンスは、現在のロケーションネットワーク、自社データに基づく需要、商圏、移動時間、承認済みの市場データを組み合わせて、事業拡大の可能性のある場所を比較します。空間分析により、カバレッジギャップや重複する支店を特定し、物件調査を行うべき場所を明らかにすることができます。候補リストはスクリーニング結果であり、収益予測ではありません。財務、不動産、運用部門が最終的な決定権を持ち、Kaleidr Analyticsは地図と場所の行動データを追加できますが、最終的な決定権はKaleidr Analyticsにはありません。
以下のセクションでは、市場、商圏、候補、ポートフォリオに関する意思決定を分けて説明した後、自社需要、未開拓市場と共食い現象、外部データ、Kaleidrの活用方法、そして小規模パイロットプロジェクトについて解説します。関連資料として、複数拠点ビジネス向け空間AI、位置情報インテリジェンスと空間AI、空間分析とウェブ分析、地図製品向け空間分析ダッシュボードKPIなどがあります。顧客向け支店選択と社内拡張計画は分けて考えるべきです。前者は顧客が既存の拠点で行動を起こすのを支援し、後者は企業がネットワークをどこに拡大すべきかを決定するのに役立ちます。
サイト選択の基本
- 現在のネットワークから始める: 安定したロケーションID、ステータス、容量、そして信頼できる結果が、新しい地図上のピンよりも優先されます。
- 需要はデバイスの位置情報ではない: 検索地理、選択された場所の地理、そして結果の地理はそれぞれ独立しています。
- カバレッジは移動経路に沿っている: 移動時間、徒歩時間、公共交通機関、または実際のサービスエリアは、フォーマット間でコピーされた半径よりも優れています。
- 空白と重複は一つの決定事項です。 カバレッジのギャップと既存拠点の需要の奪い合いは、どちらも視覚的に確認できる必要があります。
- 最終候補者リストは確定ではありません。 不動産、財務、および運営部門は、引き続き新規オープンを承認しています。
立地選定分析は、調査対象を絞り込むためのものであり、地図が将来の立地の成功を保証するものではありません。
立地選定のためのロケーションインテリジェンスは、なぜ空間的な意思決定ですか？
複数の拠点を持つ企業は、次にどこに出店すべきかを検討しますが、地図上の1つのレイヤーで高いスコアを獲得しただけでは答えにはなりません。候補地は強い需要を示していても、既存の支店が既にその顧客に対応している、交通アクセスが悪い、商圏が半径で示されるよりも小さい、事業モデルが合わない、あるいは不動産の経済性が成り立たないといった理由で、出店に失敗する可能性があります。見かけ上の需要は、キャンペーンによる一時的な急増や季節的な影響である場合もあります。重要なのは、透明性のある空間的およびビジネス的シグナルに基づいて、どの市場と候補地に、より深い投資を行うべきかを問うことです。
チームはしばしば、4つの意思決定を1つのフレーズにまとめます。市場選定では、どの都市や地域に注目すべきかを問います。商圏スクリーニングでは、ドライブタイムゾーン、サービスエリア、またはカスタムポリゴンを使用して、現在のカバレッジと比較して魅力的な需要を持つサブマーケットはどれかを問います。候補地比較では、アクセス、視認性、駐車場、リース経済性、ゾーニング、競合状況、交通パターンを考慮した上で、候補リストの中からどの物件や交差点が最適かを問います。ポートフォリオ最適化では、事業を新規開設、移転、統合、規模縮小、閉鎖、またはテリトリー境界の再設定を行うべきかを問います。空間分析はこれら4つのプロセスすべてをサポートできますが、入力データと誤った判断によるコストはそれぞれ異なります。
複数拠点を持つ企業向け空間AIは、顧客が既存の支店の中から最適な支店を選択するのに役立ちます。立地選定分析は、事業者がネットワークを拡大、縮小、または変更すべき場所を決定するのに役立ちます。位置情報インテリジェンスと空間AIは、地理的な意思決定レイヤーと、それを照会する言語モデルを分離します。言語モデルはアナリストの質問を解釈できますが、統制されたデータと空間計算は依然として証拠を提示する必要があります。
既存ネットワークとファーストパーティ需要は何を示すべきですか？
拡張分析は、企業が既に運用しているネットワークから始めるべきです。支店は移転、名称変更、フォーマット変更、または一時閉鎖される可能性があるため、各拠点には運用、コマース、マップ、分析、計画で共有される正規の識別子が必要です。表示名だけでシステムを結合すると、過去の比較ができなくなります。有用な記録には、ステータス、フォーマット、キャパシティ、そして企業が既に信頼しているビジネス成果（注文、アポイントメント、予約、コンバージョンなど）も含まれます。地図上のピンはネットワークモデルではありません。
ファーストパーティのデジタル行動データは、新しい場所が存在する前に顧客が既に意図を示している場所を示すことができます。店舗検索、配送検索、ピックアップリクエスト、サービスリクエスト、地図探索、経路検索、検索結果なしのクエリなどがその例です。Kaleidr Analyticsは現在、各場所の閲覧、開封、インタラクションの頻度を測定し、訪問時とその後の行動を比較し、クラスターとギャップを明らかにし、その活動を製品、在庫、成長チームへのシグナルに変換します（Kaleidr、2026）。これらのシグナルは、サイト選定ワークフローにおける証拠レイヤーの一つとなり得ます。地図と場所のエンゲージメントは、市場データ、物件調査、財務モデルに取って代わるものではありません。
検索時の地理情報は、デバイスの地理情報とは異なります。ある都市の顧客が別の都市のサービスを検索する場合、その需要をブラウザの位置情報に結びつけると、誤った市場への事業拡大につながります。ユーザーの地理情報、検索時の地理情報、選択された場所の地理情報、そしてビジネス成果の地理情報は、それぞれ明確に区別する必要があります。サイト選定においては、顧客ニーズの地理情報が通常最も有用です。ビジネスデータのためのグラウンデッド空間AIは、他のロケーション決定においても同様の区別を設けています。つまり、回答は言語モデルの都市記憶ではなく、認証された記録から得られるべきです。
検索が成功すれば、需要が存在する場所が分かります。検索結果がない場合は、製品が単なるゼロではなく、その理由を保存していれば、ネットワークがサービスを提供できていない場所が分かります。近隣に拠点がない、サービスエリア外、在庫がない、容量が不足している、移動時間が長すぎる、サービスが提供されていない、といった理由は、それぞれ異なる事業拡大上の問題です。これらの失敗を集約することで、カバレッジのギャップ、サービスエリアの問題、在庫の不一致、あるいはより詳細な調査が必要な市場を示唆することができます。同じパターンは、新しい支店、モバイルサービス、配送エリアの変更、パートナー、在庫の再配分などにも適用できます。需要から十分なカバレッジを差し引いたものは、収益予測ではなく、スクリーニングシグナルです。
カバレッジ、ホワイトスペース、カニバリゼーションはどのように比較すべきですか？
固定半径の円を描くのは簡単ですが、アクセス状況を正確に表すものではありません。道路、河川、橋、公共交通機関、高速道路、そしてサービス境界によって、実際にその場所に到達できる顧客層は変化します。ビジネスに合った商圏は、車で短時間で行ける範囲、徒歩圏内、公共交通機関で行ける範囲、サービスエリア、あるいは過去の集客圏など、様々な形を取り得ます。コーヒーショップ、専門クリニック、目的地型小売店、ホテルは、同じ集客圏を共有するわけではありません。ホテルは、住宅地の半径ではなく、空港、イベント会場、そして訪問者の流れによって形成されます。あらゆる形態に同じ商圏ルールを適用すべきではありません。
過去のデータに基づく集客範囲は、集計された出発地域、配送エリア、予約市場、経路行動などの観測結果から算出されます。モデル化された集客範囲は、移動時間やサービスエリアのルールに基づいて算出され、一貫性のある比較が容易です。観測された集客範囲はより現実的である一方、顧客は既に事業を展開している地域にしか現れないため、現在のネットワークの偏りを引き継ぐ可能性もあります。多くのチームは両方のデータを保持し、地図がどちらを表示しているかを明示しています。移動を考慮しないカバレッジでは、近距離にあるものの配送に時間がかかる拠点が、直行ルート上の遠方の拠点よりもアクセスしやすいと判断される可能性があります。
ホワイトスペースとは、現在のネットワークでは十分に対応できていない地理的な機会のことです。これは、適格な需要と市場の魅力から、既存のカバレッジと競争圧力を差し引いたものです。この計算式は企業独自のものです。カニバリゼーションは、同じ決定のもう一方の側面です。新しい拠点は、移動時間の重複、商圏の重複、または検索エリアの重複を通じて、カバレッジを拡大しながらも、既存の支店から需要を奪う可能性があります。重複が多いからといって、必ずしもその拠点を拒否する理由にはなりません。なぜなら、一部のフォーマットは意図的に高密度のネットワークを構築しているからです。計画上の要件は、ホワイトスペースを拠点の業績の証拠とみなす前に、重複を可視化することです。
以下の比較は編集上のものです。実際の導入では、ネットワークと既に運用している需要フィードの同じ列を埋める必要があります。どちらの列も推奨される勝者ではありません。候補Aはより差し迫った需要に対応できるかもしれませんが、近隣の支店を侵食する可能性があります。候補Bは重複が少なく、未充足の需要が多いギャップを埋めることができるかもしれません。適切な選択は、戦略が密度重視かカバレッジ重視かによって異なります。
| シグナル | 候補者A | 候補者B |
|---|---|---|
| 適格な地元需要 | 高い | 中程度 |
| 既存ネットワークの重複 | 高 | 低 |
| 顧客の移動時間 | 短い | 長い |
| 競合他社の存在 | 中程度 | 低 |
| 第一当事者による結果不履行要求 | 中 | 高 |
ホワイトスペースとカニバリゼーションは、同じネットワーク決定の異なる側面を表しています。最適な選択は、単一の普遍的な評価基準ではなく、ビジネス戦略に依存します。
外部市場データとKaleidrはどのように活用できますか？
ファーストパーティデータは市場データに取って代わるものではありません。人口、日中人口、雇用、移動、競合、共同テナント、アクセス、賃料、ゾーニング、危険要因、開発パイプラインなど、様々な要素が、候補地の絞り込みが物件調査に値するかどうかに影響を与えます。Esriの小売店舗立地適性ガイドラインでは、アナリストは顧客トラフィック、来店者数、人口統計、世帯収入などの地理情報処理を用いて、候補地を評価・採点できると述べており、競合分析も意思決定のためのインプットとして挙げられています（Esri、2026）。そのページでは、Esri独自の小売ワークフローについて説明しています。Esriのツールに関するベンダーアカウントはKaleidrのスコアリングモデルではなく、人口統計レイヤーだけでは立地選定はできません。
CBRE Retail Analyticsは、市場計画と立地選定のためのデータサイエンスモデリングについて説明しており、その商圏ガイダンスでは、単一のデータソースや手法では不十分であり、各ビジネス固有の戦略的考慮事項と複数のデータソースを組み合わせることで、有用な商圏を構築できると述べています（CBRE、2026）。同じページでは、ホワイトスペース分析と既存店舗間の相互影響の分析についても言及しています。CARTOの立地選定資料では、共食いを避けるためのホワイトスペース分析、店舗ネットワークと競合他社を考慮した商圏設定、そして内部データと来店客数などの外部データの組み合わせについて説明しています（CARTO、2026）。これらの記述は、各ベンダー独自の製品について説明しています。外部市場データは、プロバイダーが実際に付与するライセンスと方法に基づき、意思決定において依然として重要な要素となります。
すべての空間フィーチャは、そのソース、更新時刻、地理的単位、方法、および既知の制限事項を保持する必要があります。生の検索件数は誤解を招く可能性があります。なぜなら、市場規模が大きいほど、適格な検索意図の割合が高くなくても、クエリ数が増える可能性があるからです。セッションあたりの適格検索数、適格検索あたりの検索結果なし検索数、適格な検索結果あたりの選択数などのレートを比較し、比較が必要な場合は、人口、世帯数、地域、または雇用数に基づいて外部レイヤーを正規化してください。郵便番号、地区、近隣地域、六角形、またはドライブタイムポリゴンで同じ需要をグループ化すると、見かけ上のパターンが変わる可能性があり、これは可変地区単位問題です（Openshaw, 1984）。行政境界を市場として扱う前に、2回目の適切な集計後もパターンが維持されるかどうかをテストしてください。
Kaleidrの公開アナリティクスページには、すぐに使用できる人口統計カタログ、人流データセット、リースデータベース、ゾーニングエンジン、収益予測、または自動サイト承認に関するドキュメントはありません。これらの入力は、ワークフローで必要となる場合、ホストまたは承認済みの外部プロバイダーから提供されます。 Kaleidr Enterpriseは現在、推論API、ランキングシステム、分析機能、および空間製品向けデプロイメントサポートを備えた位置情報インテリジェンスインフラストラクチャを説明しています（Kaleidr、2026）。したがって、実用的なアーキテクチャは、自社システム、ライセンスされた市場データ、空間計算、および内部拡張アプリケーション内のKaleidr分析レイヤーまたはエンタープライズレイヤーで構成されます。ホストは、サイトモデル、データライセンス、財務上の前提条件、不動産デューデリジェンス、および投資承認を引き続き所有します。
拡張決定には、複数の統制されたデータソースが必要です。空間AIは、市場の事実を捏造することなく、分析結果の照会と説明を支援します。
チームはどのようにパイロットテストを実施し、評価を行い、最終候補リストの妥当性を維持すべきでしょうか？
順位付けされたショートリストは、提示された選考基準に最も適合する候補者を他の候補者よりも示します。予測とは、ある拠点が将来的に特定の成果を生み出すと予想されることを示すものであり、その主張には過去の開店実績、類似の業績、リース経済性、季節性、競合状況、および運営モデルが必要です。地図上のエンゲージメントを店舗売上の予測として提示しないでください。例示的なスコアは、需要適合性、カバレッジギャップ、アクセス性、重複を個別の項目として重み付けできますが、重み付けはビジネスポリシーであり、変更があった場合はバージョン管理を行う必要があります。委員会は構成要素を確認する必要があります。説明のない単一の合計値は、管理が非常に困難です。
企業が過去の開店実績を持っている場合、バックテストでは、開店前に入手可能な情報のみを使用して同じルールで妥当な順位付けができたかどうかを検証します。存続した支店のみを対象としたトレーニングでは、却下または閉鎖された拠点が失敗した理由を説明できません。そのため、閉鎖、移転、および却下された候補者は、企業が記録を保持している限り、記録に残しておく必要があります。既存拠点のパフォーマンスは、純粋な拠点品質を示すものではありません。マーケティング費用、リース条件、ブランド認知度、そして運営状況が結果に影響を与える可能性があるため、データが許す限り、立地効果と運営効果は切り離して考えるべきです。拠点開設後は、当初の想定と実際の顧客エンゲージメントおよびビジネス成果を比較し、次のサイクルで更新します。空間分析とウェブ分析では、セッション数だけでは地理的な疑問に答えられない理由を説明し、地図製品のダッシュボードKPIでは、これらのシグナルが用いられる測定アーキテクチャについて解説しています。
新規出店場所を検討する際は、長年営業している既存店ではなく、開業からの経過期間が同程度の店舗と比較すべきです。重複度が高く、独自の需要が低く、近隣の支店にキャパシティがある場合、同様の証拠から統合候補が浮かび上がる可能性がありますが、閉店には人的・財務的な検討が不可欠です。フランチャイズのテリトリーは、面積が均等に見えるように設定すべきではありません。面積が同じだからといって、機会が均等になるわけではないからです。クリニック、ホスピタリティ施設、ピックアップハブ、マーケットプレイスなどは、拡張単位が店舗ではなくサービスエリアや都市であっても、同じ需要、カバレッジ、アクセス、キャパシティのパターンを利用できます。顧客の正確な出身地は、計画策定において不適切な要素です。地域、商圏、または移動時間帯に集約し、非常に小さなセルは除外し、自宅住所のヒートマップを作成しないようにしてください。
実践的なパイロットプロジェクトでは、ある都市圏のどのサブマーケットが、次の数店舗分の物件を探すのに適しているかを検討します。安定した識別子と信頼できる結果を用いてアクティブネットワークをロードし、適格な検索と結果なしの理由を集約し、移動時間範囲と重複を計算し、仮説に必要な外部変数のみを追加します。リース契約ではなく、市場の候補リストを作成します。その後、拡張チームと不動産チームが、物件の経済性、運営、ブランド戦略、および現地の状況を確認します。レイヤー数やアナリストの質問数ではなく、候補リスト作成までの時間、人による推奨結果の変更率、安定性、そして候補リストの説明可能性とバックテストの可否を測定します。エンタープライズ空間AIパイロットプロジェクトも同様の手法を採用しています。ワークフローを拡張する前に、まず1つのタスクを検証します。
最も優れた立地選定システムは、開業後に学習します。次の拡張サイクルに入る前に、当初の想定と実際の顧客行動および事業成果を比較してください。
以下は本記事で整理した代表的な誤りです。実際のチームは、管理している拠点ネットワーク、需要データ、市場データを使って同じ項目を記入してください。構成要素を隠した空間的な候補選別は、財務部門の検証に耐えられません。
| 間違い | 結果 | より良いアプローチ |
|---|---|---|
| 生の検索件数を使用する | 市場規模が大きいほど、実際よりも強く見える | 生の合計ではなく、割合を比較する |
| 需要をデバイスに帰属させる | 検索の地理的ポイントが間違った都市になっている | ユーザー、検索、結果の地理的情報を分離する |
| 半径を商圏として使用する | アクセスが歪められている | 移動時間または実際のサービスエリアを使用する |
| 空白領域を保証されたものとして扱う機会 | 誤った自信 | スクリーニングシグナルとして保持する |
| ネットワークの重複を隠す | 共食いは見えないまま | 既存拠点のカバレッジを表示する |
| 構成要素のない単一のスコアを公開する | ガバナンスが弱体化する | 入力と重みを公開する |
| ランキングを予測と呼ぶ | モデルが過剰に主張する | ショートリストと予測を分離する |
| 営業中の店舗のみでトレーニングする | 失敗は決して記録する | 閉店情報と不採用候補者を保存する |
| 顧客の正確な出身地を保存する | プライバシーリスクが増大する | 総需要 |
| Kaleidrが人口統計データまたは来店者数データを提供していると仮定する | 製品の主張が間違っている | 承認済みの外部データを取り込む |
Kaleidr Analytics を活用して、企業が既に運用しているマップ上で、場所のエンゲージメントと空間パターンを比較しましょう。Kaleidr Enterprise を活用して、そのデータを推論API、ランキング、および導入サポートに連携させましょう。事業拡大の意思決定は、ネットワーク、リース契約、および財務モデルを管理するチームが行います。
よくある質問
立地選定におけるロケーションインテリジェンスとは？
立地選定におけるロケーションインテリジェンスは、既存のネットワーク、顧客需要、商圏、アクセス性、競合状況、および承認済みの市場データを組み合わせて、事業拡大の可能性のある場所をスクリーニングします。候補地の絞り込みには、財務、運用、および不動産に関するレビューが必要です。
立地選定分析とは？
立地選定分析では、潜在的な市場または物理的な立地を、一貫性のある文書化された空間的およびビジネス上の基準に基づいて比較します。この比較はスクリーニング方法であり、出店の自動承認ではありません。
ホワイトスペース分析とは何ですか？
ホワイトスペース分析は、既存の店舗ネットワークでは十分な需要が満たされていないと思われる地理的エリアを探します。これは調査の理由を示すものであり、新規出店が収益を上げるという証明ではありません。
立地選定におけるカニバリゼーションとは何ですか？
カニバリゼーションとは、新規出店が、本来であれば既存出店に流れるはずだった需要を取り込んでしまう現象です。移動時間の重複、商圏の重複、探索エリアの重複などを考慮することで、出店前にこのリスクを可視化できます。
立地選定では、半径と移動時間のどちらを用いるべきですか？
顧客が実際に店舗にたどり着く経路に合った地理情報を使用してください。車での移動時間、徒歩時間、公共交通機関のアクセス、サービスエリア、または過去の商圏などを用いる方が、あらゆるフォーマットに同じ半径をコピーするよりも現実的です。
顧客の地図検索は、新しい店舗の立地選定に役立ちますか？
集約された、質の高い検索行動と検索結果なしの行動は、検索地域とデバイスを分離し、検索結果が空だった理由を保存することで、有用なファーストパーティ需要シグナルとなり得ます。これらのシグナルは、外部の市場データや不動産データと並行して活用されるべきであり、それらに取って代わるものではありません。
サイトスコアは収益予測と同じですか？
いいえ。サイトスコアは、企業が定義した基準に基づいて候補をランク付けするものです。収益予測は将来の事業成果を予測するものであり、過去の開業実績、財務上の前提条件、および検証計画が必要です。
空間AIは次のサイトを自動的に選択できますか？
より安全なアーキテクチャでは、言語モデルを使用して質問を解釈し、統制された空間分析を説明します。最終的な拡張決定は、企業とその不動産、財務、および運用チームが行います。
Kaleidr Analyticsはサイト選定をどのようにサポートできますか？
Kaleidrは現在、地図と場所のエンゲージメントに関する分析機能を提供しており、場所の比較、空間パターンの特定、アクティビティを製品、在庫、成長に関する意思決定に反映させています。これらのファーストパーティデータは、より広範なサイト選定プロセスに貢献できます。
Kaleidrは、サイト選定のための人口統計データや来店者数データを提供していますか？
Kaleidrの現在の公開されている分析およびエンタープライズページには、すぐに利用できる人口統計データや来店者数データのカタログは記載されていません。これらのデータセットは、特定のエンタープライズ統合で別途指定されていない限り、企業または承認された外部プロバイダーから取得する必要があります。
サイト選定分析は小売業以外でも利用できますか？
はい。需要、カバレッジ、アクセス性、キャパシティは、クリニック、ホテル、マーケットプレイス、支店、コワーキングスペース、物流拠点、その他場所に依存するネットワークをサポートできます。機能はビジネスモデルに合致している必要があります。
拡張パイロットでは何を測定すべきでしょうか？
ワークフローによって、より迅速で、説明可能で、過去のデータに基づいて正当化できる候補リストが作成されるかどうかを測定してください。レイヤー数やアナリストからの質問数は、成功の指標としては不十分です。
参考文献
- Kaleidr. Map Engagement and Location Analytics. Accessed 22 September 2026. https://kaleidr.com/analytics
- Kaleidr. Location Intelligence APIs and Map SDK. Accessed 22 September 2026. https://kaleidr.com/enterprise
- Esri. Retail Store Location Analysis | Retail Site Suitability & Selection. Accessed 22 September 2026. https://www.esri.com/en-us/industries/retail/strategies/site-suitability
- CBRE. CBRE Retail Analytics. Accessed 22 September 2026. https://www.cbre.com/services/transform-business-outcomes/retail-analytics
- CARTO. Site Selection with Location Intelligence. Accessed 22 September 2026. https://carto.com/solutions/site-selection/
- Kaleidr. Spatial AI for Multi-Location Businesses. Accessed 22 September 2026. https://kaleidr.com/blog/spatial-ai-for-multi-location-businesses
- Kaleidr. Location Intelligence vs. Spatial AI. Accessed 22 September 2026. https://kaleidr.com/blog/location-intelligence-vs-spatial-ai
- Kaleidr. Spatial Analytics vs. Web Analytics. Accessed 22 September 2026. https://kaleidr.com/blog/spatial-analytics-vs-web-analytics
- Kaleidr. Spatial Analytics Dashboard KPIs for Map Products. Accessed 22 September 2026. https://kaleidr.com/blog/spatial-analytics-dashboard-kpis-for-map-products
- Kaleidr. Grounded Spatial AI for Business Data. Accessed 22 September 2026. https://kaleidr.com/blog/grounded-spatial-ai-business-data
- Kaleidr. Enterprise Spatial AI Pilot Before Scaling. Accessed 22 September 2026. https://kaleidr.com/blog/enterprise-spatial-ai-pilot-before-scaling
- Openshaw, S. The Modifiable Areal Unit Problem. Concepts and Techniques in Modern Geography 38. Geo Books, 1984. https://github.com/qmrg/CATMOG/blob/Main/38-maup-openshaw.pdf
@misc{kaleidr_analytics_site_selection_2026,
title = {Map Engagement and Location Analytics},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://kaleidr.com/analytics}
}
@misc{kaleidr_enterprise_site_selection_2026,
title = {Location Intelligence APIs and Map SDK},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://kaleidr.com/enterprise}
}
@misc{esri_site_suitability_2026,
title = {Retail Store Location Analysis | Retail Site Suitability \& Selection},
author = {{Esri}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://www.esri.com/en-us/industries/retail/strategies/site-suitability}
}
@misc{cbre_retail_analytics_2026,
title = {CBRE Retail Analytics},
author = {{CBRE}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://www.cbre.com/services/transform-business-outcomes/retail-analytics}
}
@misc{carto_site_selection_2026,
title = {Site Selection with Location Intelligence},
author = {{CARTO}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://carto.com/solutions/site-selection/}
}
@misc{kaleidr_multi_location_2026,
title = {Spatial AI for Multi-Location Businesses},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://kaleidr.com/blog/spatial-ai-for-multi-location-businesses}
}
@misc{kaleidr_li_vs_spatial_ai_2026,
title = {Location Intelligence vs. Spatial AI},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://kaleidr.com/blog/location-intelligence-vs-spatial-ai}
}
@misc{kaleidr_spatial_vs_web_2026,
title = {Spatial Analytics vs. Web Analytics},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://kaleidr.com/blog/spatial-analytics-vs-web-analytics}
}
@misc{kaleidr_dashboard_kpis_2026,
title = {Spatial Analytics Dashboard KPIs for Map Products},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://kaleidr.com/blog/spatial-analytics-dashboard-kpis-for-map-products}
}
@misc{kaleidr_grounded_spatial_ai_2026,
title = {Grounded Spatial AI for Business Data},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://kaleidr.com/blog/grounded-spatial-ai-business-data}
}
@misc{kaleidr_enterprise_pilot_2026,
title = {Enterprise Spatial AI Pilot Before Scaling},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 22 September 2026},
url = {https://kaleidr.com/blog/enterprise-spatial-ai-pilot-before-scaling}
}
@book{openshaw_maup_1984,
title = {The Modifiable Areal Unit Problem},
author = {Openshaw, S.},
year = {1984},
series = {Concepts and Techniques in Modern Geography},
number = {38},
publisher = {Geo Books},
url = {https://github.com/qmrg/CATMOG/blob/Main/38-maup-openshaw.pdf}
}