В бизнесе, связанном с доставкой, мы всегда работаем со спецификой спроса и логистики на определенных территориях, возникает достаточно много задач с геоданными. Например, в онлайн-продуктах такое влияние географии тоже может существовать, но не будет настолько сильно влиять на бизнес. Для нас приоритетно понимание, где расположить новый даркстор, как мы можем обеспечить нашу скорость доставки в этом месте и как это повлияет на экономику. Здесь как раз нужны пространственные данные, к которым мы можем применить геоаналитические подходы.
Короче, геоаналитика - это анализ данных с учетом их географического (пространственного) компонента. Это может выглядеть как постоянное копание в картах с красивыми отрисовками фигур на поверхности (хотя это тоже часть работы), но на самом деле большую часть работы занимает глубокое исследование паттернов, взаимосвязей и трендов, которые проявляются при использовании пространственных координат.
Похоже же на обычную аналитику?
И да, и нет. Если мы анализируем динамику продаж наших товаров, то относительно стандартных аналитических инструментов в геоаналитике скорее хочется ответить на вопросы типа:
* Где именно продажи растут/падают?
* Почему это происходит в конкретных локациях (влияние конкурентов, демографии, инфраструктуры)?
* Какие тут есть скрытые пространственные кластеры и паттерны, коррелирующие с интересующей нас задачей?
Есть более конкретные примеры?
Конечно есть, го по списку:
1️⃣Spatial and semantic selection
▫️Ищем объекты внутри выделенной области, соответствующие заданным пространственным критериям
▫️Более формализованные задачи могут звучать так: "Найти все кафе в радиусе 5 км от нового магазина" или "Выделить все точки продаж с падением выручки YoY 2024 vs. 2023 год в Москве"
2️⃣Proximity Analysis
▫️Определяем, что находится рядом с чем, измеряем расстояния и рисуем зоны
▫️Примеры задач: "Оценить количество конкурентов рядом с каждой нашей точкой", "Построить зоны с определенными параметрами вокруг складов для рассчета плотности заказов"
3️⃣Hotspot Analysis
▫️Выявляем статистически значимые пространственные кластеры с высокими (или низкими) значениями определенной метрики
▫️Пример не из бизнеса "Найти локации с высокой вероятнстью землетрясений", пример из бизнеса "Определить зоны с высоким количество обращений в поддержку"
4️⃣Network Analysis
▫️Рассчитываем эффективные маршруты, строим оптимальные зоны
▫️Допустим, можно оценить время доступности до сервисных центров для клиентов из разных районов или искать оптимальное расположение наших логистических компонент в цепи поставок
5️⃣Spatial Overlay & Enrichment
▫️Работа с несколькими слоями пространственных фич для генерации гипотез (обычно используется для генерации признаков или визуализации)
▫️Из примеров можно рассмотреть "Совмещение данных о продажах на карту распределения доходов населения и расположения конкурентов" или "Обогащение данных фичами о типе застройки и месте жительства"
По задачам понял, а чем это делается?
От настольных ГИС-пакетов (QGIS, ArcGIS) с более-меннее рабочим UI, до инструментов в приложениях для работы с базами данных (DataGrip, DBeaver). Очевидно, без библиотек Python никуда: GeoPandas, Shapely, Folium, PySAL и естественно h3 от Uber! По R можно нагуглить sf, sp, tmap. С точки зрения возможностей BI-систем думаю тоже можно потыкать Tableau, Power BI с картографическими функциями. Есть еще списочек облачных сервисов (Google Maps Platform, AWS Location Service, Azure Maps). Можено еще потыкать Геоаналитику от Яндекс Карт.
Классно, когда есть такая возможность развиваться не только в одном направлении, но и пробовать себя в разном. Кстати, у некоторых компаний это даже core-бизнес, когда они наприер делают анализ спутниковых снимков. Для нас, как для аналитиков, скорее это просто еще один инструмент
▫️Кстати, кто занимается геоаналитикой, пишите в коменты, что юзаете.
@asisakov_channel
#analytics