Suite

Sélectionner par attribut dans une zone spécifique (à l'aide de Sélectionner par emplacement ?)


J'ai une carte avec quatre couches. Deux de ces couches couvrent un état entier, et les deux autres se concentrent sur la zone qui m'intéresse réellement au sein de l'état.

J'essaie de sélectionner par attribut avec l'un des plus grands calques focalisés.

Existe-t-il un moyen de sélectionner par attribut, mais uniquement dans les limites des couches plus petites ? Je pense qu'il existe un moyen, éventuellement en utilisant Select by Location, mais je n'arrive pas à comprendre ce que c'est.

En espérant qu'il existe un moyen de le faire dans l'interface graphique d'ArcMap plutôt que dans n'importe quel script Python, même si je suis à peu près sûr que l'utilisation d'un script Python rendrait cela beaucoup plus facile.


Oui, si vous voulez simplement le faire avec des sélections, vous devez exécuter plusieurs sélections et modifier la méthode/l'ensemble initial.

Sélectionnez d'abord par emplacement en utilisant dans votre plus petite limite. Ou si vous en avez deux qui se chevauchent quelque peu, vous sélectionnez tout à l'intérieur d'une, puis exécutez une autre sélection en utilisant la méthode « sélectionner à partir des entités actuellement sélectionnées dans », comme indiqué dans Recherche d'objets donnés sous un polygone et une zone tampon. Les fichiers d'aide pour Select by Location donnent un aperçu (avec image) des différentes méthodes.

Une fois que vous avez réduit votre ensemble de sélection en fonction des emplacements, vous pouvez passer à Sélectionner par attribut et utiliser le même processus - changer la méthode pour sélectionner uniquement à partir de l'ensemble actuellement sélectionné avec les critères d'attribut que vous désirez. Les fichiers d'aide pour Sélectionner par attribut présentent des exemples similaires de méthodes disponibles.

Les deux outils vous permettent de :

  • créer une toute nouvelle sélection
  • ajouter à une sélection
  • retirer d'une sélection
  • sélectionner parmi la sélection actuelle

Tant que vous ne désélectionnez rien en cours de route, vous pouvez créer des ensembles de sélections très compliqués en fonction du nombre d'étapes que vous effectuez ; similaire aux requêtes SQL complexes mais exécutant chaque partie individuellement.


Vous mentionnez les scripts Python, ce qui serait un bon moyen d'aborder cela.

Cependant, si vous n'êtes pas déjà familiarisé avec Python, vous pouvez consulter Model Builder, car cela vous donnera une interface graphique plus facile pour vous aider à démarrer.

Voici un exemple rapide d'un modèle qui utilise la sélection par attributs pour affiner une couche, puis utilise la sortie de celle-ci pour sélectionner par emplacement :

Espérons que le flux de gauche à droite a du sens et automatise le processus que Chris a décrit dans sa réponse.


Vous devriez pouvoir omettre le * , mais si je me souviens bien, selon la version de jQuery que vous utilisez, cela peut donner des résultats erronés.

Notez que pour la compatibilité avec l'API Selectors ( document.querySelector <,all>), les guillemets autour de la valeur de l'attribut ( 22 ) ne peuvent pas être omis dans ce cas.

De plus, si vous travaillez beaucoup avec des attributs de données dans vos scripts jQuery, vous pouvez envisager d'utiliser le plug-in d'attributs de données personnalisés HTML5. Cela vous permet d'écrire un code encore plus lisible en utilisant .dataAttr('foo') , et se traduit par une taille de fichier plus petite après minification (par rapport à l'utilisation de .attr('data-foo') ).


Possibilités d'accès

Acheter un seul article

Accès instantané à l'intégralité de l'article PDF.

Le calcul des taxes sera finalisé lors du paiement.

Abonnez-vous à la revue

Accès en ligne immédiat à tous les numéros à partir de 2019. L'abonnement se renouvellera automatiquement chaque année.

Le calcul des taxes sera finalisé lors du paiement.


Adapté de cet article sur le traitement de JSON avec jq, vous pouvez utiliser le select(bool) comme ceci :

Pour obtenir un flux ne contenant que les noms :

Pour obtenir un flux de paires correspondantes (nom de clé, attribut "nom"), considérez :

J'avais une question connexe similaire : et si vous vouliez récupérer le format d'objet d'origine (avec les noms de clé, par exemple FOO, BAR) ?

Jq fournit to_entries et from_entries pour convertir entre les objets et les tableaux de paires clé-valeur. Cela avec la carte autour de la sélection

Ces fonctions convertissent entre un objet et un tableau de paires clé-valeur. Si to_entries reçoit un objet, alors pour chaque entrée k:v dans l'entrée, le tableau de sortie inclut <"key": k, "value": v>.

from_entries effectue la conversion inverse, et with_entries(foo) est un raccourci pour to_entries | carte(foo) | from_entries, utile pour effectuer une opération sur toutes les clés et valeurs d'un objet. from_entries accepte la clé, la clé, le nom, le nom, la valeur et la valeur comme clés.


Avancé : ciblage de plusieurs emplacements en masse

Google Ads vous permet d'ajouter une liste groupée de jusqu'à 1 000 cibles géographiques à la fois, plutôt que d'ajouter chaque emplacement un par un. Nous proposons également des outils pour l'édition en masse. Cliquez sur une option ci-dessous pour en savoir plus.

  1. Dans le menu des pages à gauche, cliquez sur Emplacements.
  2. Cliquez sur le nom de la campagne que vous souhaitez modifier, puis cliquez sur l'icône en forme de crayon bleu.
  3. Cochez la case à côté de « Ajouter plusieurs emplacements ».
  4. Dans la zone, collez ou saisissez les noms d'un maximum de 1 000 emplacements que vous souhaitez cibler (chaque emplacement étant sur une ligne distincte) et ajoutez des emplacements d'un pays à la fois. Consultez la liste des emplacements pouvant être ciblés.
    • Pour cibler plus de 1 000 emplacements, vous pouvez ajouter plusieurs fois des cibles géographiques en bloc. Par exemple, si vous souhaitez cibler 1 200 emplacements, ajoutez vos 1 000 premiers emplacements cibles. Lorsque vous avez terminé, ajoutez les 200 emplacements restants.
    • Pour cibler une ville ou un code postal, incluez également le nom complet du pays ou de l'état - par exemple, Oxford, Angleterre ou alors 94103, Californie.
  5. Si vous souhaitez restreindre vos résultats à un seul pays, cliquez sur le champ sous la zone de saisie de l'emplacement et sélectionnez le pays souhaité.
  6. Cliquez sur Chercher.
  7. Nous afficherons tous les emplacements correspondant à votre recherche dans le panneau d'examen. Examinez vos résultats, puis cliquez sur Cibler tout pour cibler tous les emplacements qui correspondent à votre recherche, ou Exclure tout pour exclure tous les emplacements correspondant à votre recherche. Pour cibler des emplacements individuels à partir du panneau de révision, cliquez sur Cibler à côté de l'emplacement que vous souhaitez ajouter comme cible.
    • Si vous avez recherché des emplacements cibles qui n'ont pas été trouvés, vous les trouverez dans la zone où vous avez entré la liste des emplacements.
    • Cliquer sur le bouton gris « x » supprimera tous les emplacements du panneau d'examen, ainsi que de vos cibles d'emplacements ou exclusions d'emplacements existants.
  8. Sous "Lieux ciblés", vous verrez les cibles géographiques que vous venez d'ajouter.
  9. Cliquez sur sauver.

Attribut spécification Exemples de valeurs
Adresse 1 L'adresse postale complète et exacte du lieu (80 caractères maximum). 43, rue River
Adresse Ligne 2 Le numéro de la boîte aux lettres ou de la suite, si besoin (80 caractères maximum). B3
Ville/Ville/Banlieue La ville de l'emplacement. Melbourne
État/province L'état ou la province de l'emplacement. Nouvelle Galles du Sud
Code postal Le code postal de l'emplacement. S'il commence par zéro, assurez-vous que la mise en forme de votre feuille de calcul ne supprime pas le zéro comme premier chiffre. 6437
De campagne Le code du pays. Vous pouvez également utiliser le code de pays ISO 3166-1 alpha-2. UA

Utilisez le tableau de ciblage géographique pour trouver tous les emplacements que vous pouvez cibler et comment vous devez vous y référer dans votre modèle.


Configurer le ciblage géographique

Cliquez sur une option ci-dessous pour obtenir des instructions de ciblage géographique. Gardez à l'esprit que les types de cibles géographiques disponibles varient selon les pays.

Temps suggéré pour la tâche : 5-7 minutes

  1. Dans le menu des pages à gauche, cliquez sur Campagnes.
  2. Cliquez sur le nom de la campagne que vous souhaitez modifier.
  3. Dans le menu des pages à gauche, cliquez sur Paramètres.
  4. Cliquez sur la flèche déroulante à côté de "Emplacements".
  5. Saisissez le nom du pays que vous souhaitez cibler.
  6. Cliquez sur sauver pour ajouter l'emplacement.

Il convient de garder à l'esprit que la sélection d'un petit emplacement peut signifier que vos annonces peuvent ne s'afficher que par intermittence ou pas du tout. C'est parce que les petites cibles peuvent ne pas répondre à nos critères de ciblage.

  1. Dans le menu des pages à gauche, cliquez sur Emplacements.
  2. Cliquez sur le nom de la campagne que vous souhaitez modifier.
  3. Cliquez sur l'icône en forme de crayon bleu.
  4. Saisissez le nom de l'emplacement que vous souhaitez cibler. Si vous saisissez un nom de ville, ajoutez également le nom du pays. Vous ne voulez pas cibler Paris, en France, si vous essayez de vendre des chapeaux de cowboy à des clients à Paris, au Texas.
  5. Cliquez sur sauver pour ajouter l'emplacement.

Voici comment définir le ciblage géographique pour plusieurs campagnes à la fois :

  1. Dans le menu des pages à gauche, cliquez sur Campagnes, ensuite Paramètres.
  2. Cochez la case à côté des campagnes que vous souhaitez modifier.
  3. Clique le Éditer menu déroulant, puis choisissez Changer d'emplacement.
  4. Dans la zone qui apparaît, choisissez si vous souhaitez définir de nouveaux emplacements pour les campagnes sélectionnées ou ajouter de nouveaux emplacements supplémentaires à ces campagnes.
  5. Tapez un emplacement dans le champ de texte. Après avoir sélectionné un emplacement, des champs de texte supplémentaires apparaîtront où vous pourrez ajouter d'autres emplacements.
  6. Facultatif : nous vous recommandons de cliquer sur Aperçu pour voir comment l'emplacement de vos campagnes va changer.
  7. Cliquez sur Appliquer.

Sur la page des paramètres de campagne, vous pouvez cliquer sur l'icône de filtre pour afficher uniquement les campagnes qui correspondent à des critères spécifiques. Cela peut faciliter la modification en masse de certaines campagnes.

Sélection d'un rayon

Lorsque vous ciblez un rayon, il convient de garder à l'esprit que la sélection d'un petit rayon peut signifier que vos annonces peuvent ne s'afficher que par intermittence ou pas du tout. C'est parce que les petites cibles peuvent ne pas répondre à nos critères de ciblage.

  1. Dans le menu des pages à gauche, cliquez sur Emplacements.
  2. Cliquez sur le nom de la campagne que vous souhaitez modifier.
  3. Cliquez sur l'icône en forme de crayon bleu, puis sélectionnez Rayon.
  4. Dans la zone de recherche, entrez l'adresse de l'emplacement que vous souhaitez utiliser pour le centre du rayon. Saisissez le rayon que vous souhaitez cibler et sélectionnez une unité de mesure dans le menu déroulant.
  5. Vérifiez la carte pour vous assurer que vous ciblez la bonne zone. Lorsque vous êtes prêt, cliquez sur sauver pour ajouter le rayon cible.
  6. Cliquez sur sauver.

vous obtiendrez tous les éléments avec cet attribut.

ne vous en procurera que ceux d'une valeur de 1.

pour obtenir la liste de tous les éléments ayant l'attribut data-foo

Si vous souhaitez obtenir un élément avec un attribut de données qui a une valeur spécifique, par exemple

et je veux obtenir div avec data-foo défini sur "2"

Mais voici la torsion et si je veux faire correspondre la valeur d'attirubte de données avec la valeur d'une variable comme je veux obtenir un élément si l'attribut data-foo est défini sur i

afin que vous puissiez sélectionner dynamiquement l'élément ayant un élément de données spécifique à l'aide de littéraux de modèle

Notez que même si vous n'écrivez pas de valeur dans une chaîne, elle est convertie en chaîne comme si j'écrivais

puis inspectez l'élément dans l'outil de développement Chrome, l'élément sera affiché comme ci-dessous

Vous pouvez également effectuer une vérification croisée en écrivant le code ci-dessous dans la console

pourquoi j'ai écrit 'dataFoo' bien que l'attribut soit data-foo raison pour laquelle les propriétés de l'ensemble de données sont converties en propriétés camelCase

J'ai fait référence aux liens ci-dessous

Ceci est ma première réponse sur stackoverflow s'il vous plaît laissez-moi savoir comment puis-je améliorer ma façon d'écrire des réponses.


Exactement, cela fonctionnera, essayez les méthodes ci-dessous

Pour sélectionner 2 options gâchette option besoin d'utiliser

En utilisant jquery-2.1.4, j'ai trouvé la réponse suivante pour travailler pour moi:

Si vous avez une valeur de chaîne, essayez ce qui suit :

D'autres exemples n'ont pas fonctionné pour moi, c'est pourquoi j'ajoute cette réponse.

Pour le réglage, sélectionnez la valeur avec le déclenchement sélectionné :

Pour définir l'option à partir d'une étendue :

Ce code utilise le sélecteur pour trouver l'objet sélectionné avec condition, puis modifie l'attribut sélectionné par attr() .

De plus, je recommande d'ajouter l'événement change() après avoir défini l'attribut sur selected , en faisant cela, le code se fermera à la modification de la sélection par l'utilisateur.

Répondre à ma propre question pour la documentation. Je suis sûr qu'il existe d'autres moyens d'y parvenir, mais cela fonctionne et ce code est testé.

J'utilise ceci, quand je connais l'index de la liste.

Cela permet à la liste de changer et de déclencher l'événement de modification. Le ":nth(n)" compte à partir de l'index 0


Recherche de fonctionnalités

Vous pouvez utiliser des valeurs d'attribut pour rechercher des entités dont les attributs correspondent à votre valeur spécifiée.

Pas

  1. Cliquez sur l'outil Rechercher pour ouvrir la boîte de dialogue Rechercher et cliquez sur l'onglet Fonctionnalités.
  2. Saisissez la valeur que vous souhaitez rechercher. Pour les recherches de texte, vous pouvez spécifier un sous-ensemble de caractères dans votre recherche. Par exemple, Dall trouvera des correspondances telles que Dallas, Kendall et Dallam.
  3. Identifiez la ou les couches à utiliser dans votre recherche et si oui ou non tous les champs ou un champ spécifique seront utilisés.
  4. En option, cochez la case Rechercher des fonctionnalités similaires ou contenant la chaîne de recherche.

Lorsqu'elles sont cochées, les capacités de recherche de l'opération Find utiliseront un opérateur LIKE plutôt qu'un opérateur EQUALS. Ceci est utile lorsque vous ne connaissez pas une orthographe spécifique ou que vous souhaitez saisir une chaîne de texte de recherche beaucoup plus longue ou complète. Cette option fonctionne uniquement avec les champs définis comme du texte ou des chaînes.


7. Méthodes d'analyse de localisation, techniques et applications industrielles des données de localisation

Analyse des mouvements et des visites

Identifiez les tendances de la circulation piétonnière pour déterminer les lieux d'intérêt populaires ou les itinéraires couramment empruntés. Une méthode courante de visualisation du trafic piétonnier consiste à utiliser des cartes thermiques.

À l'aide des informations acquises, les entreprises pourraient analyser le trafic potentiel et la rentabilité des emplacements de vente au détail ou publicitaires, estimer les jours ou les heures de pointe.

Les entreprises pourraient également effectuer une analyse du trafic de mouvement pour découvrir le comportement du public et le modèle de visite. Ces résultats fournissent plus de profondeur lors de la segmentation du public et des clients.

Étude Origine-Destination (Étude O-D)

L'étude Origine-Destination est utilisée pour comprendre les habitudes de déplacement des personnes. Ils sont couramment utilisés pour la planification des transports, mais leur utilité va au-delà de cela.

Traditionnellement, les études O-D sont effectuées manuellement par le biais d'enquêtes routières. La croissance du GPS et de la technologie de suivi rend les études O-D moins longues et fournit des résultats beaucoup plus précis.

Suivi des intérêts semaine après semaine

L'un des aspects les plus puissants des données de localisation est leur capacité à tirer des informations sur l'intérêt et l'intention. Lorsque les utilisateurs visitent certains endroits, des hypothèses peuvent être formulées sur leurs comportements pour en tirer des informations, des intérêts, des intentions et plus encore.

Pour illustrer cela, regardons l'exemple suivant :

Deux appareils sont vus visiter les salles d'exposition de voitures dans l'après-midi. Nous voyons les deux appareils passer du temps dans chaque endroit, visiter Peugeot (marque milieu de gamme) et BMW et Mercedes-Benz (marques de luxe). On constate également qu'en fonction de leurs horodatages, les individus ont passé plus de temps à visiter les marques de luxe, environ 1 heure chez BMW et Mercedes, contre 5 minutes chez Peugeot.

Sur la base de cette analyse, on peut supposer que ces personnes sont sur le marché des voitures et sont susceptibles d'être intéressées par les voitures de luxe. Il s'agit d'une forte indication d'intérêt et d'intention qui peut être utilisée par les marques pour leurs idées (par exemple, comprendre le temps de séjour) et les spécialistes du marketing (par exemple, pour créer des segments), et bien d'autres.

Alors que COVID-19 commence à se calmer et que nous nous dirigeons vers une nouvelle normalité, nous verrons des changements dans les comportements des gens. Par conséquent, il sera important de continuer à analyser et à comprendre rapidement les nouvelles habitudes, schémas de mouvement, intérêts et comportements qui pourraient avoir un impact sur la façon dont les entreprises rouvrent leurs activités et continuent de fonctionner.

En examinant les schémas de fréquentation des points de vente (dans le cas ci-dessus, IKEA Copenhague et IKEA Stockholm), les données de localisation peuvent être utilisées pour évaluer l'indice de visite ou l'activité commerciale de certains magasins par rapport aux périodes précédentes. Comme les données de localisation sont variables (c'est-à-dire qu'elles changent continuellement), il est important de baser ou de normaliser et de lisser les données pour l'analyse. Les techniques généralement utilisées par les statisticiens pour la normalisation et le lissage comprennent :

Exemple de lissage (remarque, S-G signifie filtre de Savitzky-Golay)

Outre l'examen d'espaces commerciaux spécifiques, lors du suivi du progrès économique, il peut également être intéressant d'effectuer une analyse similaire sur des points d'intérêt tels que : les pôles de transport, les complexes industriels, les parcs de fabrication, les réseaux routiers, les quartiers centraux des affaires, etc. Ces activités peut à son tour être utilisé pour prédire/comprendre l'activité économique, prévoir la demande et comprendre comment les stratégies de réouverture ont un impact sur différents secteurs économiques.

Traçage de cluster

L'analyse de cluster, ou clustering, fait référence au regroupement d'un ensemble d'objets de telle sorte que les objets d'un même groupe (appelé cluster) soient plus similaires (dans un certain sens) les uns aux autres qu'à ceux d'autres groupes (clusters). Dans tous les cas, les clusters doivent être regroupés par un attribut ou un ensemble d'attributs.

Dans le contexte des données de localisation, l'analyse de cluster est utilisée pour comprendre les schémas de déplacement de certains groupes de personnes présentant des caractéristiques similaires (par exemple, lieu de travail, temps passé dans certaines zones, etc.).

Récemment, nous avons vu des utilisations intéressantes du clustering, par exemple :
• Comprendre la propagation potentielle d'une maladie à partir d'un cluster
• Comprendre le transport utilisé par les personnes vivant dans le même quartier
• Compréhension des lieux de résidence des personnes travaillant dans les quartiers centraux des affaires (CBD)
• Comprendre le comportement des personnes qui sont allées à un concert
• Trouver des personnes qui sont les plus susceptibles d'être des membres de la famille ou des collègues

Certaines méthodes d'une analyse de grappes sur les données de localisation comprennent :

Méthode A : analyse basée sur l'identification

Lors de l'analyse d'un événement ou d'un lieu spécifique, par ex. les lieux de résidence des personnes travaillant dans les CBD, vous pouvez géo-clôturer le lieu de l'événement et trouver les appareils uniques dans la zone. À l'aide de ces identifiants d'appareils et de données historiques (ou également de données futures), vous pouvez déterminer les emplacements à partir desquels ces appareils proviennent de la mise en correspondance de ces appareils avec des zones, des villes, des quartiers, etc.

Dans l'exemple ci-dessus, géofencing la zone CBD de Sydney, vous identifiez d'abord tous les identifiants d'appareils uniques dans la zone CBD et sont donc considérés comme fonctionnant dans la zone. Pour cela, le temps est important et vous voudrez peut-être regarder les appareils vus dans la région au moins 2 fois en semaine entre 9h et 17h. Sur cette base, vous pouvez ensuite rechercher ces identifiants d'appareils dans les autres zones (zone 1 à 5) pour déterminer le nombre de personnes travaillant dans le CBD par zone.

Méthode B : Algorithmes de densité

Le clustering spatial basé sur la densité d'applications avec bruit (DBSCAN) est un algorithme de clustering de données. Il s'agit d'un algorithme de clustering non paramétrique basé sur la densité : étant donné un ensemble de points dans un certain espace, il regroupe des points étroitement regroupés (points avec de nombreux voisins proches), en marquant comme points aberrants qui se trouvent seuls dans des régions à faible densité. (dont les voisins les plus proches sont trop éloignés).

La méthodologie est particulièrement utile pour l'analyse géo-spatiale car elle vous permet de définir des critères pour un cluster (par exemple, un minimum de 4 personnes dans un rayon de 200 mètres). Contrairement à d'autres méthodologies de clustering, DBSCAN ne vous oblige pas à spécifier le nombre de clusters dans les données a priori. DBSCAN peut trouver des clusters de forme arbitraire. Il peut même trouver un cluster entouré (mais non connecté à) un autre cluster.

Cet algorithme a été utile dans la lutte contre le COVID-19, les responsables de la santé publique et les épidémiologistes utilisant ces types d'algorithmes pour identifier des clusters nouveaux ou inconnus. Dans l'exemple ci-dessus, en identifiant spécifiquement les zones des groupes A et B, les décideurs politiques et les professionnels de la santé peuvent prendre des décisions mieux informées sur la manière d'optimiser l'allocation des ressources médicales entre les villes et les pays.

Une mise en garde rapide de DBSCAN est qu'il ne peut pas bien regrouper des ensembles de données avec de grandes différences de densité.

Pour cela, nous devons nous tourner vers l'algorithme OPTICS. Le classement des points pour identifier la structure de clustering (OPTICS) est un algorithme permettant de trouver des clusters basés sur la densité dans les données spatiales. Il est très similaire à DBSCAN mais vous permet de détecter des clusters dans des données de densité variable. Cette méthodologie est très puissante car elle utilise des techniques de diagramme en arbre (reachability-plot) qui recherchent les connexions entre les différents identifiants de périphériques.

L'image ci-dessus illustre l'OPTIQUE. Dans sa zone supérieure gauche, l'exemple de jeu de données est affiché. La partie supérieure droite visualise l'arbre couvrant produit par OPTICS, et la partie inférieure montre le tracé d'accessibilité tel qu'il est calculé par OPTICS. Les points jaunes de cette image sont considérés comme du bruit et ne sont pas affectés à des clusters.

Analyse de la mobilité

L'analyse de la mobilité est un terme souvent utilisé dans la planification ou le développement des opérations. Quelques bons exemples sont la planification urbaine intelligente, la gestion des déplacements ou la planification des transports. Des entités telles que le gouvernement doivent effectuer une analyse de la mobilité pour prendre des décisions éclairées concernant la ville et les projets de réaménagement urbain, et les sociétés de conseil/analyse de détail effectuent une analyse de la mobilité pour les études de marché et la capture.

Auparavant, lorsque les données de localisation étaient rares, les organisations devaient s'appuyer sur des points de données approximatifs (par exemple, sondages et comptage de portes) pour prendre leurs décisions. Mais avec les données de localisation, la capture de données n'a jamais été aussi rapide, moins chère et plus fiable !

Les deux principaux cas d'utilisation où les données de localisation mobiles peuvent être utilisées pour l'analyse de la mobilité sont la planification des transports et la planification urbaine.

Planification des transports

Avec Covid-19 et les mesures de verrouillage imposées par le gouvernement, tous les principaux magasins de détail ont été fermés et la mobilité des personnes a été affectée. Par conséquent, nous avons constaté une augmentation de l'utilisation des données historiques et de la comparaison avec les données de l'année précédente.

Aujourd'hui, alors que nous entrons dans la phase de récupération de Covid-19, les gens commencent à sortir (bien que relativement moins qu'avant) et le gouvernement peut utiliser les données de localisation pour comprendre les nouveaux modèles de mouvement. Dans cette nouvelle normalité, l'analyse de la mobilité peut être utilisée pour l'optimisation des ressources ou une meilleure planification des services de transport. Par exemple, les horaires de bus et les lieux de prise en charge peuvent être optimisés en fonction de nouveaux comportements ou pour étaler les lignes encombrées.

Exemple de visuel Origin Destination à Singapour pour comprendre la mobilité de l'utilisateur

Exemple de méthodologie :

1. Considérez toutes les gares routières comme des POI et calculez la densité de personnes attendant le service de bus l'année dernière et l'année en cours. Cela permet d'identifier que le nombre de services de bus peut être réduit/augmenté d'un endroit à l'autre.

2. Transformez les points de localisation repérés à la gare routière en paires origine destination. Pour chaque identifiant d'appareil, obtenez l'emplacement de la première gare routière et de la dernière gare routière ainsi que l'intervalle de temps.

3. Planification d'itinéraire prévisionnelle via le modèle de déplacement en quatre étapes :

Aménagement urbain

Avec la réouverture de l'économie après la pandémie, les gens ont hâte de profiter de leur temps à l'extérieur, de rencontrer les membres de leur famille et leurs amis. Avec cela, il ne fait aucun doute qu'on peut s'attendre à une augmentation de la fréquentation des magasins de détail ou des magasins d'alimentation/de boissons. Cependant, avec plus de personnes interagissant, le risque de transmission communautaire augmente potentiellement et s'il s'aggrave, une deuxième vague de pic de coronavirus ne sera pas trop loin.

Avec les données de localisation, les gouvernements peuvent effectuer une analyse de la mobilité et comprendre quels endroits denses pourraient avoir des risques plus élevés de transmission de coronavirus et ajouter des restrictions pour empêcher les endroits d'être surpeuplés.

Méthodologie à p Effectuez une analyse de cluster et trouvez des endroits surpeuplés et présentant un risque potentiel de transmission du coronavirus :

une. Effectuez le clustering DBSCAN pour trouver une taille de cluster dense élevée. Pour en savoir plus sur le clustering DBSCAN, cliquez ici.
b. Effectuez le clustering via OPTICS.
c. Un exemple de cluster DBSCAN avec POSTGIS :

Construire des audiences, comprendre le mouvement et l'attribution

Construire des audiences numériques pour le ciblage

L'une des utilisations les plus fréquentes des données de localisation mobiles est la publicité et la création d'audiences ciblées.

Traditionnellement, les annonceurs ciblaient les personnes uniquement en fonction de la démographie ou de la géographie. Par exemple, Honda Motors ciblerait les hommes, âgés de 30 à 35 ans, vivant dans les villes de Californie.

Le problème avec l'approche traditionnelle est que les annonceurs ne savent pas s'ils ciblent des personnes qui montrent une affinité pour leurs produits ou services. Mais avec les données de localisation, l'affinité des gens pour un produit peut être comprise en utilisant des schémas de mouvement et en les étiquetant avec les bons comportements.

Ces informations pourraient être utilisées par les annonceurs pour effectuer un ciblage plus personnalisé et ainsi potentiellement augmenter leur retour sur investissement publicitaire.

Les publics ont différentes catégories comme les acheteurs d'automobiles, les restaurants, les acheteurs, les voyageurs, etc.

Considérez qu'un identifiant d'appareil est vu dans une salle d'exposition Honda le 1er juillet. Cet identifiant peut être classé en tant qu'acheteur automobile et acheteur automobile de milieu de gamme. Maintenant, le même identifiant d'appareil a été repéré dans un salon de beauté quelques jours plus tard, puis un comportement supplémentaire (beauté) peut être associé à un identifiant d'appareil existant. En ajoutant de plus en plus de comportements aux identifiants d'appareils, les annonceurs peuvent créer une image plus complète/complète de leur public et fournir un contenu plus personnalisé.

Les audiences peuvent être créées en géolocalisant les points d'intérêt appropriés. Par exemple, pour créer une audience automobile de milieu de gamme, les identifiants d'appareils qui ont été repérés dans les salles d'exposition Honda et également chez ses concurrents comme (Toyota et Hyundai) pourraient être géolocalisés. Par conséquent, il va sans dire qu'une base de données de POI est nécessaire pour créer des audiences basées sur la localisation.

Une fois que vous avez maîtrisé les bases, vous pouvez commencer à affiner davantage mais en ajoutant des algorithmes supplémentaires. L'un des algorithmes qui pourraient être ajoutés consiste à supprimer les travailleurs potentiels dans un magasin automobile afin que nous ciblions les acheteurs potentiels et non les travailleurs. Pour ce faire, vous devrez identifier tous les ID d'appareil au sein de ces magasins (POI) qui sont systématiquement présents au fil du temps. Par exemple, si un identifiant d'appareil est vu chez le concessionnaire Honda le lundi, mardi, jeudi et vendredi une semaine plus tard, vous pouvez supposer qu'il s'agit d'un employé du concessionnaire et l'exclure de votre audience.

Une autre considération importante est que les audiences ont un cycle de vie qui diffère en fonction du type d'audience. Par exemple, une personne qui envisage d'acheter une automobile prend généralement 3 à 4 mois pour prendre une décision. Par conséquent, les acheteurs d'automobiles ont un cycle de vie de 3 à 4 mois, après quoi le comportement serait supprimé de l'ID de l'appareil. Au contraire, si une personne utilise un téléphone Samsung, le comportement de l'utilisateur Samsung pourrait être valable pendant 1 à 2 ans, car les gens achètent généralement des téléphones via des contrats.

Comprendre le mouvement et l'attribution

En plus de créer des audiences, les données de localisation ont un potentiel élevé en matière de publicité OOH.

OOH (Out Of Home Advertising), comme le mot l'indique, est simplement de la publicité lorsque les gens sont à l'extérieur de leur domicile (par exemple, des panneaux d'affichage, des publicités dans les voitures, des panneaux d'arrêt de bus, etc.).

Tout comme la publicité numérique ci-dessus, le succès de la publicité OOH est évalué en comprenant dans quelle mesure une publicité a réussi à inciter un téléspectateur à acheter (en ligne ou en magasin). Il s'agit souvent de la mesure du ROI, de l'attribution ou du drive to store. Les données de localisation sont extrêmement utiles pour les annonceurs OOH qui souhaitent attribuer les téléspectateurs de leurs actifs à des emplacements physiques tels que des magasins ou directement à des achats en ligne à l'aide de l'ID de l'appareil. Par exemple, si 20 personnes sur 100 qui ont vu le panneau d'affichage Apple se sont rendues à l'Apple Store à proximité, le taux d'attribution au magasin est de 20 %.

Vous trouverez ci-dessus deux manières courantes dont les annonceurs OOH utilisent les données de localisation :

1. Évaluer l'attribution d'une campagne OOH :

Dites par ex. vous avez un magasin de vêtements de mode (H&M). Ils ont lancé une campagne OOH dans la même rue où ils se trouvent et veulent savoir combien de personnes ont visité le magasin après la publicité.

• Filtrer les données de localisation pendant la période de campagne
• Filtrer les points de données autour de l'emplacement de la publicité et de l'emplacement du magasin
• Classer les points de données dans l'emplacement publicitaire comme l'ensemble A et les points de données dans l'emplacement du magasin comme l'ensemble B
• Soit total_devices = trafic de l'ensemble A
• Soit attribute_devices = dispositifs distincts dans l'ensemble A qui sont dans l'ensemble B avec l'horodatage de l'événement étant plus grand dans l'ensemble B que l'ensemble A
• Divisez les appareils_attributs/appareils_total : cela vous donnera le pourcentage d'attribution

2. Trouvez le bon endroit pour que la publicité OOH influence les décisions d'achat des gens :

Supposons, par exemple, que McDonalds souhaite augmenter ses visites matinales dans un magasin spécifique du centre-ville et envisage de lancer une campagne. Ils veulent trouver le bon endroit pour faire une campagne OOH. Dans ce cas:

• Prendre un échantillon de données (1 jour ou 1 semaine)
• Trouvez des appareils repérés dans le McDonalds cible et ses environs pendant 1 semaine le matin.
• À l'aide des identifiants de l'appareil, trouvez le moyen de transport et les itinéraires qu'ils empruntent pour atteindre le magasin. Trouvez l'itinéraire le plus courant qu'ils empruntent.
• Trouvez les emplacements optimaux des panneaux d'affichage dans l'itinéraire commun qu'ils empruntent. Ce seraient les bons endroits pour augmenter l'attribution OOH.


Voir la vidéo: 7-QGIS-Sélection attributaire (Octobre 2021).