Lagi

Menganalisis data lokasi lat panjang untuk menemukan lokasi yang berdekatan

Menganalisis data lokasi lat panjang untuk menemukan lokasi yang berdekatan


Saya mencari alat untuk menganalisis data lokasi (nilai lat panjang dari GPS kendaraan tersedia). Tujuannya adalah untuk mengidentifikasi lokasi yang berdekatan (dalam lingkaran 30-60 kaki) dan kemudian nilai rata-rata yang ditetapkan ke lokasi yang berbeda. Latar belakang adalah bahwa nilai GPS harus sama setiap kali karena kendaraan mengunjungi lokasi yang sama tetapi karena ketidakakuratan GPS, lokasinya sedikit berbeda. Saya mencoba mengidentifikasi data lokasi yang termasuk dalam lokasi yang sama. Ada saran?

PS: Pengguna pertama kali, beri tahu saya jika Anda memerlukan informasi lebih lanjut.

Menambahkan contoh data untuk klarifikasi:

  1. bacaan tanggal lat yang panjang
  2. 32… -81… 1/19/2015 167
  3. 32… -81… 1/20/2015 345
  4. 32… -81… 1/22/2015 556
  5. 32… -81… 1/25/2015 597
  6. 32… -81… 1/28/2015 658
  7. 32… -81… 1/30/2015 298

Apakah ada perangkat lunak yang tersedia yang dapat mengelompokkan lokasi dalam contoh di atas menurut kedekatannya (misalnya mengelompokkan semua lokasi yang berada dalam jarak 30-60 kaki) dan kemudian menghitung rata-rata pembacaan?


Sesuatu seperti DBSCAN sebagai algoritma dapat membantu implementasi python atau algoritma DJ Cluster. Cari DJ cluster. Kdtree juga memungkinkan Anda melakukan pencarian tetangga terdekat. Terakhir, ada fungsi, dan indeks spasial di PostGIS yang bisa Anda gunakan.


Data Lokasi

Ada banyak kebingungan yang ada tentang data lokasi. Meskipun konsep tersebut telah ada untuk sementara waktu, industri periklanan dan pemasaran seluler memiliki kebiasaan membuat klaim dan menggabungkan ide begitu sering sehingga menjadi sulit untuk memahami apa yang nyata, apa yang mungkin, dan apa yang sama sekali tidak berdasar.

Setelah bertahun-tahun melakukan penelitian internal, kurasi, dan melatih anggota tim kami, kami memutuskan untuk membuat panduan ini – Panduan Definitif untuk Data Lokasi – publik, untuk berbagi cara kerja teknologi lokasi, data berharga yang dihasilkannya, dan di mana itu dapat diterapkan.

Niat kami selalu menjaga hal-hal non-teknis mungkin, tetapi ini adalah teknologi yang sedang kita bicarakan. Kadang-kadang, saya akan menyajikan lebih banyak informasi daripada yang Anda perlukan, tetapi Anda dapat memutuskan apakah Anda ingin menggali detailnya. Tujuan saya adalah untuk menjaga agar panduan ini tetap mutakhir saat tren berubah dan kemampuan baru muncul.

Terakhir, jika kami melewatkan informasi atau Anda memiliki perspektif berbeda tentang metodologi yang tercantum di bawah ini – atau jika Anda menyukai panduan ini dan menganggapnya sangat berguna – beri tahu saya:
[email protected]

Menikmati,
Matthew Russo
COO / CMO, gimbal

Gambaran

Dalam konteks analisis ini, data lokasi mengacu pada sinyal yang disediakan oleh perangkat seluler sebagai proxy ke mana individu pergi di dunia fisik.

Sejak 2013, persentase orang Amerika yang memiliki smartphone telah meningkat dari 35% menjadi 77%. 1 Demikian pula, lebih dari 9 dari setiap 10 pemilik ponsel cerdas (94%) membawa ponsel mereka “sering” dan 82% mengatakan mereka “tidak pernah atau jarang mematikan ponsel.” 2

Berkat tingkat adopsi ini dan utilitas yang disediakan ekosistem aplikasi seluler kepada pengguna akhir, penggunaan ponsel cerdas menjadi jenuh dan ada di mana-mana. Akibatnya, smartphone memiliki potensi untuk mengirimkan sejumlah besar data lokasi dari dua sumber utama.


2433853 - Menggunakan geo maps / geoȏiturȏitur ʊnalisa geospasial / lokasi⃚ta)⃞ngan SAPȊnalitik

Fitur analisis geospasial (pengayaan geo / pengkodean geografis / pemetaan / GIS) dari SAC dapat diaktifkan sebagai berikut:

  1. Menu Utama >> Buat >> Model >> Impor file dari komputer Anda .
  • Prasyarat mengharuskan file Anda menyertakan koordinat lintang/bujur atau data wilayah (nama area).
  • Catatan: Saat menambahkan Pengayaan Geo Nama Area ke model, Anda sekarang dapat menggunakan data negara, kawasan, dan subkawasan untuk membuat dimensi lokasi untuk negara/kawasan selain Amerika Serikat.
  • Data negara/wilayah dapat diberikan sebagai ISO3 dan ISO2 kode, atau nama negara/wilayah dalam bahasa Inggris.
  1. Menu Utama >> Buat >> Model >> Dapatkan data dari sumber data >> Sambungan Data Langsung.
  • Prasyarat mengharuskan model koneksi data langsung didasarkan pada tampilan perhitungan HANA yang diperkaya dengan koordinat lintang / bujur. 
    ATAU
  • Lihat BW Dukungan Peta Geografis Konektivitas Langsung.

Batasan:

  • Catatan: Analisis geospasial dimulai dengan model kosong (Menu Utama >> Buat Model >> >> Mulai dengan model kosong) atau menambahkan informasi lokasi ke dimensi berkemampuan geografis adalah tidak didukung saat ini.
  • Berikan dukungan Anda untuk menyempurnakan fitur ini dengan memberikan suara dan mengomentari gagasan: Perluas fungsionalitas kemampuan pemetaan Geo.
  • NS Buat Lokasi Dengan Koordinatatau Buat Lokasi Berdasarkan Wilayah metode didokumentasikan di: Membuat Model dengan Data Koordinat atau Area untuk Analisis Geospasial.

Lihat halaman bantuan dan sumber daya SAP Analytics Cloud berikut untuk informasi lebih lanjut:

Lihat juga

Umpan balik Anda penting untuk membantu kami meningkatkan basis pengetahuan kami.

Kata kunci

EPM, SAP Cloud for Planning, sc4p, c4p, cforp, cloudforplanning, Cloud for Planning, EPM-ODS, Cloud for Analytics, C4P, Cloud4Analytics, CloudforAnalytics, Cloud 4 Planning, HCP, C4A, BOC, SAPBusinessObjectsCloud, BusinessObjectsCloud, BOBJ, BOBJcloud , BOCloud., BICloud, BO Cloud, menghubungkan, menghubungkan, conectando, conexão, modelo, SBOC, geo-loc, geoloc, geolocations, geo-coded, remote HANA, geo, spasial, peta, lokasi, bujur, lintang, Geocode, geo-code, data, analitik, model perencanaan, lintang, panjang, SAC, lapisan peta, geo-coding , Pengayaan Geo tidak tersedia saat memuat data ke model yang ada (yang berisi dimensi lintang dan bujur),& #160Anda dapat menyiapkan model dengan lokasi Geo dan kemudian mengimpor data baru menggunakan, Membuat Dimensi Lokasi, Membuat Model dengan Data Koordinat atau Area untuk Analisis Geospasial, Tidak Dapat Memelihara Data Induk dalam Dimensi Geo, geo widget peta dalam sebuah cerita, Geo memperkaya data Anda, Membuat Peta Geo, U menyanyikan peta geo / fitur pengayaan geo (analisis geospasial / data lokasi) dengan SAP Analytics Cloud, geoenrichment, pengayaan geo dengan koordinat, koordinat, nama nama area, geo, id lokasi, & id lokasi, lat long latitude longitude , KBA , geografis , arcgis sac , kantung geomaps untuk jalan raya tersedia , sap analytics cloud esri kba , fitur lapisan sac sacp c4a , saya punya pertanyaan kantung tentang geomap , geo coding geo sac kba , buat geomap dengan koneksi langsung , peta. pemetaan, dipetakan, geolokasi, implementasi geolokalisasi, geomaps, dimensi tipe organisasi, koordinat geografis, secara manual atau melalui impor, parametered, geomap geo-map geo-maps, atribut atribut, keberadaan yang ada, gen, pengayaan geo (negara), pengayaan geografis , LOD-ANA-DES , LOD-ANA-BI , LOD-ANA-PL , LOD-ANA-BR , LOD-ANA-PR , Peningkatan Produk


Jelajahi dan Navigasi

Beberapa cara untuk menampilkan peta (basemaps) dan alat navigasi tersedia.

Peta dasar

Klik panah bawah di widget Peta Dasar untuk mengubah peta dasar untuk tampilan peta.

Klik salah satu opsi peta dasar untuk mengubah tampilan peta dasar. Bing Maps Road adalah tampilan default.

Navigasi

Widget Navigasi terlihat di sudut kiri atas aplikasi. Widget ini memungkinkan navigasi manual dari tampilan peta dengan antarmuka klik.

Perbesar/Perkecil

Tampilan peta dapat diperbesar dengan menggunakan roda mouse untuk memperbesar/memperkecil, menggunakan alat Zoom In/Out atau dengan kotak pembatas.

Untuk menggunakan alat Zoom In/Out untuk memperbesar dan memperkecil tampilan peta:

  • Klik tanda plus untuk memperbesar tampilan peta.
  • Klik tanda minus untuk memperkecil tampilan peta.

Untuk menggunakan kotak pembatas untuk memperbesar tampilan peta:

  1. Tahan tombol shift dengan satu tangan.
  2. Tahan tombol kiri mouse dan seret persegi panjang ke area yang diinginkan.
  3. Lepaskan tombol mouse untuk memperbesar ke area yang dipilih.

Alat Pan digunakan untuk menggulir peta ke arah dan dengan jumlah yang Anda pilih.

  1. Klik dan tahan di lokasi mana pun di tampilan peta.
  2. Seret mouse dan peta akan bergerak ke arah yang sesuai.

Peta Ikhtisar dan Bilah Skala

Alat Peta Ikhtisar menampilkan peta ikhtisar kecil di sudut kiri bawah tampilan peta yang menunjukkan tampilan data peta yang diperbesar bersama dengan persegi panjang abu-abu yang mendefinisikan jangkauan tampilan tampilan peta saat ini.

  1. Klik tombol panah untuk memperluas peta ikhtisar.
  2. Klik panah lagi untuk memperkecil peta ikhtisar kembali ke posisi semula.

Bilah Skala di sudut kiri bawah tampilan peta menyesuaikan panjang sesuai dengan tingkat zoom. Itu ditarik dalam mil.

Catatan: Bilah skala dapat disembunyikan saat widget dibuka di aplikasi EJSCREEN. Anda mungkin perlu menutup widget untuk melihat bilah skala.


Kota Antipoda

Kota antipode yang tepat atau hampir tepat:

  • Christchurch (Selandia Baru) — A Coruna (Spanyol)
  • Madrid (Spanyol) — Weber (Selandia Baru)
  • Wellington (Selandia Baru) — Alaejos (Spanyol)
  • Hong Kong (Cina) — La Quiaca (Argentina)
  • Nelson (Selandia Baru) — Mogadouro (Portugal)
  • Whangarei (Selandia Baru) — Tangier (Maroko)
  • Tauranga (Selandia Baru) — Jaen (Spanyol)
  • Hamilton (Selandia Baru) — Cordoba (Spanyol)
  • Junin (Argentina) — Lianyungang (Cina)
  • Ulan Ude (Rusia) — Puerto Natales (Chili)
  • Masterton (Selandia Baru) — Segovia (Spanyol)
  • Palembang (Indonesia) — Neiva (Kolombia)
  • Wuhai (Cina) — Valdivia (Chili)
  • Padang (Indonesia) — Esmeraldas (Ekuador)
  • Rafaela (Argentina) — Wuhu (Cina)
  • Galvez (Argentina) — Nanjing (Cina)

Kota-kota besar atau ibu kota yang dekat dengan antipode:

  • Auckland (Selandia Baru) — Seville dan Malaga (Spanyol)
  • Xi'an (Cina) — Santiago (Chili)
  • Shanghai (Cina) — Buenos Aires (Argentina)
  • Beijing (Cina) — Bahia Blanca (Argentina)
  • Taipei (Taiwan) — Asuncion (Paraguay)
  • Bangkok (Thailand) dan Phnom Penh (Kamboja) — Lima (Peru)
  • Montevideo (Uruguay) — Seoul (Korea Selatan)
  • Bogota (Kolombia) — Jakarta (Indonesia)
  • Suva (Fiji) — Timbuktu (Mali)
  • Melbourne dan Canberra (Australia) — Azores (Portugal)
  • Manila (Filipina) — Cuiaba (Brasil)
  • Kuala Lumpur (Malaysia) — Cuenca (Ekuador)
  • Singapura — Quito (Ekuador)
  • Doha (Qatar) — Pulau Pitcairn (Britania Raya - Wilayah Luar Negeri)
  • Pulau Antipodes (Selandia Baru) — Gatteville-le-Phare (Prancis)

Neo4j Spasial: Menemukan Hal-Hal yang Dekat dengan Hal-Hal Lain

Geografi adalah domain alami untuk grafik dan database grafik.

Sangat wajar, pada kenyataannya, pengguna peta awal Neo4j hanya menggulirkan dukungan peta mereka sendiri. Namun, dibutuhkan beberapa upaya untuk menangani indeks spasial, geometri dan topologi, dan karena itu, sejak September 2010, proyek Tata Ruang Neo4j telah menyediakan rilis akses awal yang memungkinkan berbagai kemampuan geografis yang nyaman dan kuat dalam database Neo4j.

Beberapa di antaranya telah digunakan dalam proyek produksi selama setahun terakhir. Saat kami bergerak maju dan terus menyempurnakan API, kami akan menerbitkan serangkaian blog yang memperkenalkan pengguna ke berbagai aspek kerangka kerja pemrosesan geografis yang kuat, namun sederhana ini: dari pencarian kedekatan, melalui perutean, hingga analisis Topologi GIS yang kompleks.

Salah satu tempat paling sederhana dan paling intuitif untuk memulai adalah dengan mengajukan pertanyaan: Bagaimana cara menemukan hal-hal yang dekat dengan hal-hal lain?.

Ini persis pertanyaan yang dijawab oleh layanan berbasis lokasi di web, serta sejumlah database spasial yang ada. Di area NoSQL, CouchDD merilis GeoCouch pada tahun 2009, dan MongoDD merilis indeks geohashing mereka pada tahun 2010. Keduanya menjawab pertanyaan ini dengan tepat.

Tidak seperti database NoSQL lainnya, Neo4j mulai dengan dukungan untuk geometri kompleks pada tahun 2010. Meskipun pencarian kedekatan sederhana telah dimungkinkan, mereka baru saja menjadi sederhana dan intuitif.

Contoh Spasial Neo4j

Dalam contoh ini, saya akan menunjukkan betapa sederhananya pencarian kedekatan menggunakan Neo4j Spatial.


Kode di atas menginisialisasi indeks spasial, menambahkan sejumlah titik lokasi ke indeks dan kemudian melakukan kueri kedekatan.

Faktanya, ia melakukan semua yang Anda butuhkan dan Anda bisa menyalinnya ke metode utama kelas baru dan itu akan berjalan. Hampir saja.

Anda perlu mendapatkan data Anda dari suatu tempat, dan dalam kode di atas kami menulis metode makeCoordinateDataFromTextFile() . Ini hanya mengembalikan iterator objek Koordinasi yang mewakili lokasi untuk ditambahkan ke indeks.

Sebelum masuk ke itu, mari kita mulai dengan menjelaskan sisa kode sedikit lebih detail.

Lapisan Titik Sederhana

API baru yang ditambahkan untuk rilis 0,5 Neo4j Spatial menyederhanakan bekerja dengan lokasi titik. Melihat kode di atas, kita melihat langkah-langkah berikut yang terlibat:

Inisialisasi SimplePointLayer

Ini adalah Layer peta, atau kumpulan titik yang diindeks, dan dibuat dengan kode:


Neo4j Spatial bekerja dengan semua jenis geometri spasial, termasuk Points, LineString dan Polygons.

Untuk contoh ini, karena kita bekerja dengan Points, kita hanya perlu membuat SimplePointLayer untuk mendapatkan akses ke kemampuan Point dan pencarian kedekatan. Dalam posting blog lebih lanjut, kami akan mempelajari lebih dalam tentang apa Lapisan sebenarnya dan bagaimana menangani data yang jauh lebih kompleks.

Menambahkan Poin

Untuk menambahkan satu Titik ke database, Anda dapat memanggil:


Ini akan menambahkan Titik di garis bujur 13.0 dan garis lintang 55.6, di dalam kota Malmö, Swedia, secara kebetulan dekat dengan tempat tim pengembangan inti Neo4j berada.

Meskipun ini sederhana, secara internal kode akan bekerja dengan yang sebenarnya Titik benda, terbuat dari Koordinat objek. Dan ketika berhadapan dengan sejumlah besar data, kemungkinan besar Anda akan bekerja dengan ini juga.

Kode yang kami gunakan dalam contoh utama memanggil metode yang menghasilkan Iterator Koordinat, dan menambahkannya ke lapisan:


Kode di makeCoordinateDataFromTextFile dapat dibaca dari kode pengujian unit di TestSimplePointLayer, dan cukup membaca beberapa Seni ASCII dari file, dan membuat koordinat x dan y untuk setiap piksel teks.

File yang kami gunakan berisi yang berikut:


Saat ini diekspos ke sistem pemetaan, melalui dukungan Neo4j’s untuk GIS’s umum seperti GeoServer dan uDig, kita dapat melihat teks yang tertulis di selatan Swedia, dengan sudut kiri atas N di kota Malmö .

Oke, ini bukan dunia nyata contoh, tapi itu pasti keren!

Pencarian Kedekatan

Jadi, hal terakhir yang harus dilakukan adalah mencari titik terdekat.

Kode berikut dari contoh utama melakukan hal itu:


Kami telah memutuskan kami ingin tahu apa yang dekat dengan titik di (13,76, 55,56) yang berada di suatu tempat di tengah peta ini.

Mungkin kami adalah turis yang bepergian di sekitar pedesaan Swedia selatan, dan bosan dengan ladang bunga kanola kuning yang tak berujung, kami meminta peta untuk sesuatu yang lebih santai untuk dilakukan daripada mendapatkan leher kaku saat duduk di dalam mobil.

Kami memberi tahu peta di mana kami berada:


Kami tidak ingin melakukan perjalanan lebih dari 10 km, jadi kami membatasi pencarian hingga 10 km dari posisi kami:


Hasil yang kita dapatkan sudah diurutkan berdasarkan jarak, jadi kita bisa memilih yang pertama dan pergi ke sana:


Namun, Anda mungkin penasaran untuk melihat semuanya dalam batas pencarian 10 km, jadi mari kita pop ke lapisan peta lain:

Ya, hanya apa yang diperintahkan dokter!

Apa Selanjutnya untuk Neo4j Spatial?

Contoh ini menunjukkan satu API tertentu. Tetapi seperti yang disebutkan di awal, ini berlapis di atas serangkaian kemampuan yang jauh lebih kuat, seperti:

    • Menambahkan kecerdasan spasial ke model basis data grafik yang ada
    • Bekerja dengan geometri yang lebih kompleks, dan melakukan kueri spasial yang lebih kompleks
    • Model data grafik Open Street Map dan melakukan kueri khusus untuk OSM

    Contoh di blog ini tidak menunjukkan struktur grafik sama sekali. Tapi tentu saja, pada kenyataannya, membuat struktur grafik khusus untuk mendukung poin dan indeks, dan Anda dapat mengakses grafik itu menggunakan API Neo4j normal.

    Namun, ini bukan cara yang paling berguna dan intuitif.

    Apa yang harus Anda lakukan jika Anda sudah memiliki grafik sendiri, dan sebagian grafik sudah mewakili lokasi? Bagaimana Anda dapat mengadaptasi model Anda ke Neo4j Spatial sehingga Anda dapat mengindeks grafik yang ada? Bagaimana Anda melakukan pencarian kedekatan dan kueri spasial lainnya pada model data Anda sendiri?

    Beruntung bagi kami, Neo4j Spatial dirancang sejak awal untuk menjawab pertanyaan-pertanyaan tersebut.

    Meskipun ada banyak fungsi di Neo4j Spatial, cara yang berbeda untuk mengeksposnya (REST, Java, GeoTools, Neo4j Index API) tidak diatur dalam batu. Kami sangat menyambut umpan balik Anda tentang bagaimana menurut Anda mereka seharusnya terlihat!

    Komen saja di milis Neo4j atau langsung ke penulisnya. Ingin mempelajari lebih lanjut tentang basis data grafik? Klik di bawah ini untuk mendapatkan salinan gratis O'Reilly's Database Grafik ebook dan temukan cara menggunakan teknologi grafik untuk aplikasi Anda hari ini.


    5. Kesimpulan

    Dampak variabel jarak pada kelangsungan komersial dealer dan jaringan yang dimilikinya sangat penting dalam optimalisasi penempatan titik penjualan. Melalui GIS, seseorang sampai pada solusi yang memaksimalkan area pasar yang tercakup dengan titik penjualan paling sedikit. Pada awal penelitian, pembeli kendaraan melakukan perjalanan rata-rata kurang dari 57,81 kilometer untuk membeli kendaraan. Pengetahuan tentang kebiasaan pembeli saat bepergian ke tempat penjualan telah memungkinkan kami untuk membuang dua dari tiga solusi yang diusulkan yang diberikan oleh penerapan model alokasi lokasi, karena mereka membiarkan area lebih dari 80 kilometer terbuka.

    Algoritma pemaksimalan model relokasi persaingan spasial meningkatkan persaingan antar tempat penjualan. Dengan fungsi ini, terdapat lokasi point of sale dengan akses ke pasar potensial yang lebih besar dibandingkan dengan point of sale yang berlokasi di area komersial yang lebih kecil. Hasil ini lebih seimbang daripada yang diperoleh dengan algoritma dengan strategi kooperatif (P-median atau minimalisasi jarak rata-rata).

    Solusi optimum yang diperoleh untuk seluruh jaringan point of sale (global optimum) bukanlah yang terbaik untuk setiap point of sale (local optimum). Pengejaran tujuan individu oleh masing-masing dealer, atas kolektif, memberikan hasil yang lebih buruk untuk seluruh jaringan dibandingkan dengan kompetisi terkoordinasi. Hasil ini melengkapi pekerjaan Chan dkk. (2007). Meskipun demikian, penelitian ini menunjukkan solusi lain yang secara individual menawarkan setiap titik penjualan akses ke pasar potensial yang lebih layak vs solusi global dan yang juga membuat pasar ini lebih seimbang di antara mereka. Perlu dicatat bahwa penulis tidak menemukan dokumen ilmiah dalam penelitian ini.

    Kesimpulan berikut selaras dengan tujuan akhir dari penelitian ini: untuk menunjukkan kegunaan geomarketing dalam pengembangan jaringan komersial menggunakan perjalanan konsumen nyata. Dari analisis masing-masing area pasar dealer, dikuatkan bahwa pengetahuan tentang perjalanan ke jaringan titik penjualan sangat penting untuk lokasi optimal mereka, meminimalkan perjalanan pembeli. Artinya, penerapan bersama dari P-algoritma median dan maksimalisasi kuota individu memungkinkan akses yang lebih baik ke pasar potensial yang lebih besar dengan mengidentifikasi wilayah geografis dengan kepentingan komersial yang lebih besar bagi perusahaan. Kesimpulan ini konsisten dengan penelitian sebelumnya oleh Bosque dan García (1995), García-Palomo (1997), Goodchild (1991), Moreno (2004), Goodchild (2008) dan Ozimec dkk. (2010).

    Sebagai kesimpulan akhir, hasil penelitian menunjukkan bahwa GIS dapat mengontrol cakupan permintaan pasar secara optimal melalui strategi kolaboratif pengecer (dalam hal ini, dealer mobil).

    5.1 Implikasi manajerial

    Pengembangan strategi kolaborasi vs persaingan dalam jaringan titik penjualan melibatkan meyakinkan manajemen setiap titik premis bahwa kolaborasi memberikan solusi keseluruhan terbaik. Sangat penting untuk lokasi jaringan titik penjualan yang optimal untuk mempertimbangkan jaringan secara keseluruhan, dan bukan setiap titik secara terpisah, dan bahwa perusahaan induk mempromosikan tindakan yang mengarah pada persaingan yang terkoordinasi. Penggunaan GIS direkomendasikan dengan integrasinya ke dalam sistem informasi pemasaran untuk mengantisipasi evolusi lingkungan makro dan lingkungan mikro. Jarak adalah variabel fisik, yang diketahui dan dapat dikendalikan, yang harus dianggap sebagai kunci dalam rencana pemasaran apa pun. Oleh karena itu, dapat disimpulkan bahwa model alokasi lokasi dapat sangat bermanfaat bagi manajer, dan bahwa PModel -median dapat memperkuat jaringan komersial melalui pemosisian optimal mereka, sambil mencapai manfaat besar bagi jaringan dealer dan pelanggan mereka.

    5.2 Keterbatasan dan jalur penelitian di masa depan

    Keterbatasan utama dari penyelidikan ini adalah bahwa dalam perhitungan hasil model, satu-satunya variabel yang dipertimbangkan adalah lokasi geografis tempat penjualan dan jarak yang ditempuh pembeli. Dalam kata-kata Lozano-Botache (2016) “model hanyalah representasi dari realitas yang dijelaskan secara geometris dan dengan dukungan matematis, yang dapat menghasilkan istilah ekonomi sejati dalam kerangka ceteris paribus” (hal. 692). Keputusan ini diambil oleh para peneliti untuk menilai pengaruh lokasi setiap titik penjualan dalam jaringan komersial dan akses mereka ke pasar geografis potensial minimum. Jadi, untuk pekerjaan di masa depan, kami menyarankan studi tentang pengaruh variabel lain seperti citra merek, harga, investasi iklan pabrikan atau iklan di titik penjualan. Variabel lain mungkin merupakan pengaruh dari jenis kendaraan (produk), karena dianggap memiliki tingkat penerimaan yang sama di seluruh wilayah studi. Kurangnya informasi mengenai biaya internal setiap titik penjualan membuka jalur penelitian baru. Batasan kedua datang dari masa investigasi. Seperti yang telah ditunjukkan, interval studi 2007-2011 memungkinkan kami untuk memperoleh dan menganalisis hasil dalam konteks ekonomi minat khusus. Diakui bahwa data menjadi usang dengan cepat dan, oleh karena itu, disarankan agar penelitian ini direplikasi di masa depan. Batasan lainnya adalah pembatasan akses ke informasi pendaftaran (penjualan kendaraan), karena Undang-Undang Organik tentang Perlindungan Data tidak mengizinkan penyebaran informasi pribadi yang dapat mengarah pada identifikasi individu (atau kendaraan tertentu). Oleh karena itu, kode pos pembeli adalah tingkat detail tertinggi untuk data pendaftaran. Pekerjaan masa depan bisa memperkenalkan pengaruh jenis kelamin atau usia pembeli kendaraan. Aspek lain yang perlu diperhatikan dalam interpretasi hasil adalah bahwa penelitian ini telah dilakukan di wilayah tertentu dan terbatas pada gerakan di dalamnya. Ada kemungkinan perilaku tersebut berbeda di komunitas otonom lain atau negara lain.


    Pengantar

    Oleh Michael H. Keller dan Richard Harris | Citra satelit oleh Mapbox dan DigitalGlobe

    Setidaknya 75 perusahaan menerima data lokasi akurat dan anonim dari aplikasi yang penggunanya mengaktifkan layanan lokasi untuk mendapatkan berita dan cuaca lokal atau informasi lainnya, menurut The Times. Beberapa dari bisnis tersebut mengklaim melacak hingga 200 juta perangkat seluler di Amerika Serikat —, sekitar setengah dari yang digunakan tahun lalu. Basis data yang ditinjau oleh The Times — contoh informasi yang dikumpulkan pada tahun 2017 dan dipegang oleh satu perusahaan — mengungkapkan perjalanan orang-orang dengan detail yang mengejutkan, akurat hingga beberapa meter dan dalam beberapa kasus diperbarui lebih dari 14.000 kali sehari .

    Perusahaan-perusahaan ini menjual, menggunakan, atau menganalisis data untuk melayani pengiklan, gerai ritel, dan bahkan dana lindung nilai yang mencari wawasan tentang perilaku konsumen. Ini adalah pasar yang panas, dengan penjualan iklan bertarget lokasi mencapai sekitar $21 miliar tahun ini. IBM telah masuk ke industri ini, dengan pembelian aplikasi Weather Channel. Jejaring sosial Foursquare menjadikan dirinya sebagai perusahaan pemasaran lokasi. Investor terkemuka di lokasi start-up termasuk Goldman Sachs dan Peter Thiel, salah satu pendiri PayPal.

    Bisnis mengatakan minat mereka ada pada pola, bukan identitas, yang diungkapkan data tentang konsumen. Mereka mencatat bahwa informasi yang dikumpulkan aplikasi tidak terkait dengan nama atau nomor telepon seseorang, tetapi dengan ID unik. Tetapi mereka yang memiliki akses ke data mentah — termasuk karyawan atau klien — masih dapat mengidentifikasi seseorang tanpa persetujuan. Mereka dapat mengikuti seseorang yang mereka kenal, dengan menunjukkan telepon yang secara teratur menghabiskan waktu di alamat rumah orang tersebut. Atau, bekerja secara terbalik, mereka dapat melampirkan nama ke titik anonim, dengan melihat di mana perangkat menghabiskan malam dan menggunakan catatan publik untuk mencari tahu siapa yang tinggal di sana.

    Banyak perusahaan lokasi mengatakan bahwa ketika pengguna telepon mengaktifkan layanan lokasi, data mereka adalah permainan yang adil. Namun, The Times menemukan, penjelasan yang dilihat orang ketika diminta untuk memberikan izin seringkali tidak lengkap atau menyesatkan. Aplikasi mungkin memberi tahu pengguna bahwa memberikan akses ke lokasi mereka akan membantu mereka mendapatkan informasi lalu lintas, tetapi tidak menyebutkan bahwa data akan dibagikan dan dijual. Pengungkapan itu sering terkubur dalam kebijakan privasi yang tidak jelas.

    “Informasi lokasi dapat mengungkapkan beberapa detail paling intim dari kehidupan seseorang — — apakah Anda pernah mengunjungi psikiater, apakah Anda pergi ke A.A. pertemuan, siapa yang mungkin Anda kencani,” kata Senator Ron Wyden, Demokrat Oregon, yang telah mengusulkan undang-undang untuk membatasi pengumpulan dan penjualan data semacam itu, yang sebagian besar tidak diatur di Amerika Serikat.

    “Tidak benar jika konsumen tidak mengetahui bagaimana data mereka dijual dan dibagikan dan kemudian membiarkan mereka tidak dapat berbuat apa-apa,” dia menambahkan.

    Perangkat Pengawasan Seluler

    Setelah Elise Lee, seorang perawat di Manhattan, melihat bahwa perangkatnya telah dilacak ke ruang operasi utama di rumah sakit tempat dia bekerja, dia menyatakan keprihatinan tentang privasinya dan pasiennya.

    Ini sangat menakutkan, kata Ms. Lee, yang mengizinkan The Times untuk memeriksa riwayat lokasinya di kumpulan data yang ditinjau. “IRasanya seperti seseorang mengikuti saya, secara pribadi.”

    Industri lokasi seluler dimulai sebagai cara untuk menyesuaikan aplikasi dan menargetkan iklan untuk bisnis terdekat, tetapi telah berubah menjadi mesin pengumpulan dan analisis data.

    Pengecer mencari perusahaan pelacak untuk memberi tahu mereka tentang pelanggan mereka sendiri dan pesaing mereka’. Untuk seminar web tahun lalu, Elina Greenstein, seorang eksekutif di perusahaan lokasi GroundTruth, memetakan jalur konsumen hipotetis dari rumah ke kantor untuk menunjukkan kepada calon klien bagaimana pelacakan dapat mengungkapkan preferensi seseorang. Misalnya, seseorang mungkin mencari resep sehat secara online, tetapi GroundTruth dapat melihat bahwa orang tersebut sering makan di restoran cepat saji.

    “Kami ingin memahami siapa seseorang, berdasarkan di mana mereka berada dan ke mana mereka pergi, untuk mempengaruhi apa yang akan mereka lakukan selanjutnya,” Ms. Greenstein berkata.

    Perusahaan keuangan dapat menggunakan informasi tersebut untuk membuat keputusan investasi sebelum perusahaan melaporkan pendapatan — melihat, misalnya, jika lebih banyak orang bekerja di lantai pabrik, atau pergi ke toko pengecer.


    VI. Kesimpulan

    Sejauh undang-undang privasi saat ini dan yang diusulkan melindungi data lokasi, perlindungan tersebut terbatas pada data lokasi yang diidentifikasi (atau dalam beberapa kasus dapat diidentifikasi) kepada individu. Persyaratan umumnya hanya berlaku untuk pengumpul data awal.

    Karena garis teknologi kabur antara yang diidentifikasi dan yang dapat diidentifikasi, dan yang dapat diidentifikasi dan tidak diidentifikasi atau dianonimkan, perbedaan antara kategori mungkin menjadi kurang relevan. Ini memperumit analisis regulasi.

    Selain itu, akun media dan tindakan penegakan baru-baru ini mengungkapkan pasar sekunder yang kuat:

    1. data lokasi yang teridentifikasi secara teratur diperoleh dan digunakan oleh pihak ketiga yang tidak memiliki hubungan langsung dengan individu tersebut
    2. data lokasi yang tidak teridentifikasi atau dianonimkan secara teratur diidentifikasi ulang dan
    3. data lokasi secara rutin digabungkan dengan jenis data pribadi lainnya dan digunakan oleh pihak ketiga yang tidak memiliki hubungan langsung dengan individu tersebut untuk menyusun profil komprehensif individu tersebut dan membuat keputusan tentang individu tersebut atau berupaya memengaruhi perilaku individu tersebut.

    Praktik pasar sekunder ini saat ini tidak diatur oleh hukum Amerika Serikat.

    Pengembangan profil dan pengambilan keputusan atau pengaruh berdasarkan analisis data, baik hanya mengandalkan data lokasi atau menggabungkan data lokasi dengan data lain, merupakan bisnis yang berbeda dari transaksi awal antara individu dan pengumpul data, dan menimbulkan risiko unik bagi individu yang tidak hadir selama pengumpulan awal. Penggunaan pasar sekunder ini juga kompleks.

    Jika seorang individu dapat diidentifikasi berdasarkan lokasi dan karakteristik atau tindakan lebih lanjut dapat dikaitkan secara langsung dengan individu tersebut berdasarkan pergerakan geografisnya, maka diskusi tentang peraturan privasi harus mencakup pelacakan lokasi. Jika pihak-pihak yang dikeluarkan dari transaksi awal antara individu dan pengumpul data kemudian mengidentifikasi ulang data ke individu atau mengembangkan profil individu, atau membuat keputusan mengenai individu, maka pertimbangan juga harus diberikan apakah pengaturan transaksi awal dan pembatasan penggunaan dan pengungkapan oleh pengumpul data dan penyedia layanannya secara memadai mengatasi risiko yang ditimbulkan oleh pasar data lokasi sekunder. Model pemberitahuan dan pilihan saat ini saja tidak cukup untuk menutup Kotak Pandora ini.

    Kekuatan tempat: pelacakan lokasi dan pembuatan profil data lokasi adalah bisnis besar. Masing-masing menimbulkan risiko privasi yang berbeda bagi individu dan sebagian besar tetap tidak diatur di Amerika Serikat.

    [1] Penulis berterima kasih kepada Dr. Peter Alan Jezewski atas kontribusi penyuntingannya.

    [2] Meskipun berpotensi berlaku untuk variasi data pribadi yang lebih luas, artikel ini hanya berfokus pada data lokasi. Selain itu, "pemrofilan data" dapat merujuk pada proses peninjauan data sumber untuk memastikan keakuratan dan integritasnya. Dalam artikel ini, istilah tersebut digunakan untuk menggambarkan proses karakterisasi individu menggunakan data yang terkait dengan individu tersebut.

    [3] Materi presentasi untuk kelas Future of Privacy Forum, “Location Data: GPS, Wi-Fi, Spatial Analytics,” memberikan gambaran yang sangat baik tentang jenis sistem, perangkat keras, dan perangkat lunak yang terlibat dalam pelacakan lokasi. masa depan Forum Privasi, Sumber Data: Sensor Seluler, Analisis Wi-Fi (27 November 2018).

    [5] Jenis layanan ini sering disebut sebagai “layanan berbasis lokasi.” Lihat D.Oragai, 7 Contoh Aplikasi Layanan Berbasis Lokasi, Manifes, 28 September 2018.

    [6] Pertimbangkan bahwa Anda berada di toko, lokasi real-time Anda dapat dikumpulkan melalui ponsel cerdas Anda menggunakan semua kombinasi sistem berikut: GPS (melalui satelit) jarak menara seluler Jaringan Wi-Fi Bluetooth atau beacon LED dan audio. Ponsel cerdas ini memiliki perangkat keras dan perangkat lunak yang berbeda untuk memfasilitasi pelacakan lokasi melalui berbagai sistem eksternal ini. Selain itu, aplikasi di smartphone memiliki perangkat lunak sendiri untuk memudahkan pengumpulan. Data ini dapat mencakup garis lintang, garis bujur, dan ketinggian yang tepat, termasuk lokasi di dalam gedung. Sistem ini ada di mana-mana, dan sebagian besar teknologinya relatif murah.

    [7] Longitudinal data may show the individual’s movements during a specified timeframe, which would be helpful for a fitness tracker that calculates distance achieved and calories burned. Alternatively, the data tracked over time may be of a particular geographical location if a certain type of data traffic is more relevant than a single individual’s location for example, understanding the number of measles cases with a month in a specific county allows public health planners to treat and prevent the spread of the disease.

    [9] AlternativeData.org, Industry Stats, ALT. DATA.

    [15] The secondary data market is not limited to location data and is a topic in its own right. Discussion of that market here focuses on the risks involved when location data is sold on the secondary market, although some of these concerns may be general to other types of secondary-market data.

    [23] J. Fingas, Family tracking app leaked real-time location data for weeks. It would have let intruders spy on a child’s whereabouts., ENGADGET, Mar. 24, 2019.

    [30] For convenience’s sake, this data is referred to as “anonymous” and “anonymized,” although in practice there is an entire spectrum of de-identification, and the assumptions made in this article may vary depending on the level of de-identification technologies employed. Lihat K. Finch, A Visual Guide to Practical Data De-Identification, Future of Privacy Forum, Apr. 25, 2016.

    [34] J. Valentino-DeVries, N. Singer, M. Keller & A Krolik, Your Apps Know Where You Were Last Night and Mereka adalah Not Keeping It Secret.

    [37] D. Kondor, B. Hashemian, Y. de Montjoye & C. Ratti, Towards matching user mobility traces in large-scale datasets, Ieee Trans. on Big Data (Abstract), Sept. 24, 2018.

    [38] This fact set is based on the scenario in Carpenter v. U.S., discussed below.

    [39] The focus of this article is on the privacy implications of commercial location data tracking. Many of these practices are used by law enforcement as well, but addressing the need for balance with public safety and law enforcement purposes is a topic in its own right and beyond the scope of this article.

    [40] L. Nelson, L.A. wants to track your scooter trips. Is it a dangerous precedent?, L.A. TIMES, Mar. 15, 2019.

    [42] E. Mierzwinski & J. Chester, Selling Consumers Not Lists: The New World of Digital Decision-Making and the Role of the Fair Credit Reporting Act, Suffolk U. L. Rev. 46 (2013).

    [43] Laursen, Who Are You?, MIT Tech. Rev. (Jan. 2015) [emphasis supplied].

    [44] K.Kaye, Why the Industry Needs a Gut-Check on Location Data Use, AD AGE, Apr. 26, 2017.

    [53] Wireless carriers must certify that they do not use assisted GPS information other than for enhanced 9-1-1 purposes. 80 FR 45897 (08/03/2015). 47 U.S.C. § 222 protects “customer proprietary network information” (CPNI), which includes location data when a wireless customer makes or receives a call it does not currently protect location data tracked via phone when calls are not being made. Lihat EPIK, CPNI: Mobile Location Data as CPNI.

    [54] Section 5 of the Federal Trade Commission Act (the FTC Act), 15 U.S.C. § 45, prohibits “unfair or deceptive acts or practices in or affecting commerce.” The FTC regularly prosecutes enforcement actions in the privacy and cybersecurity context under the FTC Act.

    [55] The Children’s Online Privacy Protection Act, 15 U.S.C. §§ 6501–6505 and implementing regulation 16 C.F.R. pt. 312 (COPPA), generally require operators of website or online services that collect information from children under 13 years old to give parents clear notice of the collection practices and obtain “verifiable parental consent” to such collection.

    [58] Complaint at 3, In re Uber Tech., Inc., File No. 1523054 (FTC Feb. 2017).

    [61] P. Boshell, Survey of Developments in Federal Privacy Law, 74 Bus. Hukum. 1, 193 (Winter 2018/2019) [emphasis supplied].

    [63] In re BLU Products, Inc., File No.1723025, Decision and Order (FTC Apr. 2018).

    [64] United States v. InMobi Pte Ltd, Case No. 3:16-cv-3474, Stipulated Order for Permanent Injunction and Civil Penalty Judgment (ND Ca June 2016).

    [66] FTC Letter to Gator Group Co., Ltd (Apr. 26, 2018) FTC Letter to Tinitell, Inc. (Apr. 26, 2018).

    [69] Susan Freiwald & Stephen Smith, NS Carpenter Chronicle: A Near-Perfect Surveillance, 132 Harv. L. Rev. 205 (Nov. 9, 2018) (providing a thorough history of federal legislative and judicial authorities regarding modern surveillance, including GPS and cell phones).

    [71] P. Boshell, Survey of Developments in Federal Privacy Law, at 198.

    [77] Warshak v. United States, 631 F.3d 266 (6th Cir. 2007).

    [81] U.S. v. Jones, 565 U.S. 400 (2012).

    [82] jones, 565 U.S. at 413 (Alito, J., concurring).

    [85] Pengenal. at ___ (emphasis supplied).

    [87] S. 2639, Customer Online Notification for Stopping Edge-provider Network Transgressions Act, 115th Cong. (2018).

    [93] Cal. Sipil Code § 1798.140(o)(1)(G) (2018).

    [94] Cal. Sipil Code §§ 1798.100(a), (b) 1798.105(b) 1798.110 1798.115 1798.120(b) 1798.130 and 1798.135

    [98] NY Dept. Fin’l Servs. 2019 Circular Letter No. 1.

    [102] An Act concerning certain mobile device applications and global positioning system data, S. 4974, 218th Leg. (NJ 2019).

    [103] Proposed H.B. 2866, Data Transparency and Privacy Protection Act, 80th Leg., Reg. Sess. (Or. 2019).

    [106] U.S. Senator Ron Wyden’s draft Consumer Data Protection Act includes a do-not-track provision that would allow the individual to opt out of “personal information” sharing. Wyden has said that the bill would allow individuals to know what location data is being collected and to opt out of collection. Senator calls for regulation that would force tech companies to offer “do not track” option, CBS News, Jan. 10, 2019.

    [118] P. Day, P. Dave, Study shows limited control over privacy breaches by pre-installed Android apps, REUTERS, Mar. 25, 2019


    What to Do Next

    Being able to effectively analyze your sales trends can have a major impact on how you run your business. Through your data, you can gain valuable insight into your operations. Through key capabilities, like real-time updates and data visualization, you can make better informed business decisions.

    To analyze your sales trends, you can use Microsoft Excel or a business analytics platform. With many available online resources, mangers can use Excel to create customized dashboards of their sales trends. Just keep in mind the amount of time and effort you’ll have to put in to make Excel work the way you need it to.

    At a certain point, using Excel to manage your business data will not scale. You will have to invest in a solution that automatically provides insights about your business’s performance.

    If you’re not interested in becoming an Excel expert (or you’re already outgrowing it), you’ll want to consider system integration and business analytics software.

    Subscribe:

    Get advice and best practices about eCommerce, multichannel, retail, and more, delivered right to your inbox, every Monday. Start your work week with us.


    Tonton videonya: Toby Regbo. Portraying Æthelred on The Last Kingdom