چه چیزی در مورد تحلیل موقعیت مکانی در اطلس موقعیت مکانی WIGeo خاص است؟

شما عوامل مکانی مهم برای کسب و کار خود را انتخاب می‌کنید و WIGeo Location Atlas به دنبال بخش‌هایی از جاده می‌گردد که نیازهای فردی شما را برای یک مکان ایده‌آل برآورده می‌کنند. نتیجه با استفاده از نقشه‌های حرارتی رنگی ، مشابه نقشه‌های حرارتی مورد استفاده در پیش‌بینی آب و هوا، نمایش داده می‌شود. این به شما امکان می‌دهد با یک نگاه ببینید کدام منطقه برای جستجوی مکان مناسب فروشگاه، منطقی‌تر است!

همچنین می‌توانید مکان‌های موجود را با WIGeo Location Atlas بررسی کنید: این به شما امکان می‌دهد، بر اساس داده‌ها، به سرعت تشخیص دهید که آیا منطقه اطراف یک مکان و در نتیجه مشتریان تغییر کرده است و انتخاب مکان دیگر بهینه نیست یا خیر.

تیم WIGeoGIS به مدت سه سال روی توسعه اطلس مکانی WIGeo کار کرده و تجزیه و تحلیل موقعیت مکانی را به سطح بی‌سابقه‌ای رسانده است! هوش مصنوعی و فرآیندهای یادگیری ماشینی ، و همچنین تجربه، تخصص و اشتیاق توسعه‌دهندگان WIGeoGIS، نقش مهمی در اینجا ایفا کردند.

هامبورگ: مکان‌های معمول در مرکز شهر (به رنگ آبی ) عمدتاً در شهر و مراکز مناطق یافت می‌شوند. از سوی دیگر، مراکز عرضه محلی (به رنگ سبز) در سراسر شهر و در فاصله پیاده‌روی آسان و نزدیک به محل زندگی مردم پراکنده شده‌اند. مکان‌های ترجیحی برای فروشگاه‌های خرده‌فروشی بزرگ (به رنگ قرمز ) معمولاً در مناطق تجاری قرار دارند.

انتخاب مکان آسان شده است

مارک اورنر ، مدیر حساب‌های کلیدی در WIGeoGIS، در مورد اطلس مکان WIGeo می‌گوید: «همرنگ جماعت شدن در خرده‌فروشی نیز صادق است. شما یک فروشگاه هرمس را در یک مایلی لوکس پیدا نمی‌کنید، در عوض می‌توانید هرمس پاریس را پیدا کنید. بنابراین ما می‌خواستیم به مشتریان خود این امکان را بدهیم که در یک نگاه بفهمند چه چیزی یک شهر یا جامعه را متمایز می‌کند ، مرکز اصلی کجاست، مراکز فرعی کجا هستند، چه چیزی این مکان‌های خرید را متمایز می‌کند و چه نوع مکان‌هایی در دسترس هستند.»

با استفاده از اطلس موقعیت مکانی WIGeo، اکنون می‌توان نگاهی سریع به جزئیات ریز موقعیت مکانی انداخت. اورنر: «به عنوان مثال، شرکت‌های خرده‌فروشی می‌توانند به سرعت روی نقشه دیجیتال ببینند که کدام مکان‌ها برای شعبه‌هایشان بهترین هستند. به این ترتیب، ما تجزیه و تحلیل موقعیت مکانی را به سطح جدیدی می‌بریم .»

درباره توسعه اطلس مکانی WIGeo

اطلس مکانی WIGeo یک محصول داده‌ای یکپارچه برای آلمان، اتریش و سوئیس است که شامل عوامل مکانی مختلف مرتبط با فروش در سطح خیابان است و آنها را به روشی واضح و قابل فهم ارائه می‌دهد. در اینجا خلاصه‌ای از چگونگی پیدایش این محصول آمده است.

مرحله ۱: OpenStreetMap (OSM) به عنوان مبنا

OpenStreetMap (OSM) یک گنجینه عظیم داده است. POIها توسط حداقل هشت میلیون “نقشه‌کش” داوطلب در سراسر جهان وارد OSM می‌شوند و با اطلاعات اضافی بهبود می‌یابند. در نتیجه، داده‌ها، مشابه پلتفرم دانش ویکی‌پدیا، طبیعتاً همیشه ۱۰۰ درصد سازگار نیستند. بسته به میزان فعالیت جامعه محلی OSM، همه POIها به یک اندازه کامل و به‌روز نیستند.

مرحله ۲: دسته‌بندی

دسته‌بندی قابل فهم نقاط مورد علاقه به طور خاص برای اطلس مکانی WIGeo به منظور دستیابی به عوامل مکانی مرتبط، مهم است. دسته‌بندی‌های OSM که توسط «نقشه‌کش‌ها» تعیین شده‌اند، مبنای خوبی را تشکیل می‌دهند، اما هنوز کارهای جزئی زیادی باید انجام شود تا ارزش افزوده واقعی به مشتریان WIGeoGIS ارائه شود .

مارک اورنر، مدیر حساب‌های کلیدی WIGeoGIS، می‌گوید: «اگرچه داده‌های موجود در OpenStreetMap ساختار بسیار خوبی دارند، اما تا حدودی فاقد دسته‌بندی هستند. برای مثال، یک نقشه‌بردار OSM یک کسب‌وکار را به عنوان آرایشگاه طبقه‌بندی می‌کند، دیگری آن را به عنوان سالن زیبایی می‌بیند.»

مرحله ۳: یادگیری ماشین و هوش مصنوعی

WIGeoGIS یک پایگاه داده مرجع با دسته‌های مرتبط با مکان ایجاد کرد و سپس یک هوش مصنوعی (AI) را برنامه‌ریزی کرد تا بر اساس الگوهای معنایی ، تشخیص دهد که کدام POI باید به کدام دسته‌ها اختصاص داده شود . این اطلاعات به عنوان داده‌های آموزشی برای مدل یادگیری ماشینی تازه توسعه‌یافته عمل کرد.

مرحله ۴: انسان در حلقه

مارک اورنر در مورد نیاز به هوش انسانی می‌گوید : «البته، ما مجبور بودیم قبل از اینکه هوش مصنوعی دقیق شود، پیشرفت‌هایی داشته باشیم. به این ترتیب، ما سرانجام موفق شدیم عوامل مکانی بسیار دقیقی را از داده‌های خام نقاط مورد توجه (POI) استخراج کنیم.»

از یک طرف، داده‌های خام همیشه ۱۰۰ درصد صحیح نیستند. از طرف دیگر، هوش مصنوعی نیز می‌تواند «اشتباه» کند: برای مثال، اگر یک زنجیره داروخانه نامی مشابه یک نانوایی داشته باشد، هوش مصنوعی ممکن است نانوایی را به داروخانه تبدیل کند.

به همین دلیل است که فرآیندهای یادگیری ماشینی همیشه به « انسان در حلقه » نیاز دارند که داده‌ها و تکالیف انجام شده توسط هوش مصنوعی را بررسی کرده و در صورت لزوم برای اصلاح آنها مداخله کند. این امر به کامپیوتر اجازه می‌دهد تا یاد بگیرد و در نتیجه بهتر و بهتر شود.

نتیجه:

مارک اورنر خلاصه می‌کند: «کنار هم قرار دادن این پازل کار آسانی نبود. اول از همه، ما باید یک ساختار دسته‌بندی ایجاد می‌کردیم که از یک سو به سوالات موجود در بازاریابی مکانی و از سوی دیگر به منطق معمول در خرده‌فروشی پاسخ دهد. در نهایت، مسئله استفاده از اطلاعات به‌دست‌آمده برای پاسخ دادن به سوالات معمول برای خرده‌فروشی یا توسعه شهری به طور قابل اعتماد است.»

در طول سه سال توسعه‌ی اطلس مکانی WIGeo، مارک اورنر و همکارانش مشاهده کردند که چگونه مجموعه داده‌ها معنادارتر و معنادارتر می‌شوند، به طوری که امروزه محصول نهایی داده‌ها برای استفاده در تحلیل‌های مکانی در دسترس است .

معیار انتخاب مکان شما: اطلس مکان WIGeo

به منظور تضمین بیشترین سود ممکن برای مشتریان WIGeoGIS، نقاط مورد علاقه در طول توسعه به حدود ۳۰۰ دسته اختصاص داده شدند. برای این دسته‌ها، WIGeoGIS از اصطلاحات رایج خاص صنعت از آمار خرده‌فروشی و رسمی استفاده کرد.

اطلس موقعیت مکانی WIGeo ، شرکت‌های منفرد را به شاخه‌های خرده‌فروشی، عمده‌فروشی، تجارت خودرو، خدمات مرتبط با خرده‌فروشی، رستوران‌داری و اقامت اختصاص می‌دهد و بسته به نوع کالای فروخته شده، بین ۴۰ مجموعه ، تقریباً ۱۰۰ گروه مجموعه و ۲۳۰ زیرگروه تمایز قائل می‌شود.

نتیجه ، عوامل مکانی فروش‌محور برای کل منطقه DACH است :

• فروشگاه‌ها بر اساس نوع کسب‌وکار متمایز شده‌اند : شعب در مقابل کسب‌وکارهای تحت مدیریت مالک
• فروشگاه‌ها بر اساس ساختار مساحت متمایز می‌شوند : میانگین تخمینی مساحت فروش بر حسب متر مربع
• گروه‌های محصول بر اساس فراوانی خرید ، یعنی فراوانی خرید آنها، متمایز می‌شوند: مثلاً نیازهای دوره‌ای، یعنی مایحتاج اولیه برای عرضه محلی و کالاهای مصرفی با فراوانی خرید بالا مانند کالاهای پخته شده، گوشت و سوسیس، مواد غذایی، غذاهای لوکس، اقلام داروخانه‌ای، گل‌های شاخه بریده و غیره، در مقابل نیازهای غیر دوره‌ای، یعنی کالاهای مصرفی با ریتم خرید میان‌مدت تا بلندمدت مانند پوشاک، کفش، عکس، ساعت، جواهرات، لوازم الکترونیکی مصرفی، مبلمان و غیره.
• کالاها بر اساس ارتباط با مرکز شهر از هم متمایز می‌شوند : نیازهای عرضه محلی (مثلاً نانوایی‌ها، کیوسک‌ها، داروخانه‌ها)، نیازهای مرکز شهر یا نیازهایی که به مرکز شهر مربوط نیستند (مثلاً فروشگاه‌های تخصصی، فروشگاه‌های مبلمان، نمایندگی‌های خودرو، پمپ بنزین‌ها، انواع مشاغل با گرایش مشتری خودرو در جاده‌های اصلی و جاده‌های شریانی، در حومه شهر و حومه شهر)

برلین : هیپی، هیپی، نئوکلن: نقطه داغ فعلی برلین در حال نوسازی، از یک نقطه داغ اجتماعی به یک زندگی شبانه و تفرجگاه تبدیل شده است.

داده‌های طبقه‌بندی‌شده، مبنای ارزیابی شهرها، خیابان‌ها، مناطق و محله‌ها در نقشه‌های تعاملی را تشکیل می‌دهند : در آنجا می‌توانید با یک نگاه ببینید که کدام مناطق هدف به بهترین وجه با عوامل مکانی مرتبط با شما مطابقت دارند. بنابراین، طبقه‌بندی دقیق نقاط مورد نظر، پیش‌نیاز ارائه واضح نتایج مرتبط با نیازهای شماست.

مارک اورنر در مورد مزایای اطلس مکانی WIGeo می‌گوید: «ما داده‌های OpenStreetMap را با دسته‌بندی خود اصلاح کرده‌ایم و تفسیر انبوه داده‌ها را آسان‌تر کرده‌ایم . علاوه بر دسته‌بندی‌های اصلی OSM، زیردسته‌های مناسبی، مثلاً مد مردانه/زنانه یا فروشگاه‌های ارگانیک/سوپرمارکت‌های ارگانیک، اضافه کرده‌ایم. مجموعه داده‌ای مانند OpenStreetMap هرگز کامل نیست، اما به دلیل تعداد زیاد POIها بسیار آموزنده است.