在当今世界，只需几次点击，就能获得任何东西，去任何地方。但这一切是如何发生的，位置在其中扮演了什么角色？让考虑一个可能发生在每个人身上的情况。有时，在高峰时段预订出租车时，会遇到“找不到车，再试一次”的消息。这是一个典型的供需缺口案例。可能的原因包括：
可能是因为司机们都很忙，或者在错误的位置闲置。
有时，接客距离过长导致司机不接受，或者他们不愿意前往接客地点。也可能是支付方式导致这个问题。
正如所见，对于拥有移动资产的公司来说，很多洞察和决策必须从位置数据中得出。像Uber、亚马逊和Airbnb等公司在它们的初期就意识到了这些数据的巨大价值，并以位置作为他们业务的基础。Uber革新了地图的使用，并开始理解他们城市的流动，成为世界上顶级的拼车玩家。同样，亚马逊通过利用位置数据的力量建立了最强大的供应链之一，等等。
地理空间分析的重要性
简单来说，地理空间分析是关于实体（这可以是用户、兴趣点等）的地理位置信息。它也被称为地理空间数据、地理数据或地理数据。它们通常格式化为点（纬度-经度坐标）、多边形或折线。
位置的不同之处在于它在顶部增加了第三个维度：时间和动态位置的值——这个方面要求以稍微独特的方式处理数据。记住，位置不仅仅是关于单个点，还关于运动。
因为有数百万的移动资产，从送货车队、车辆、用户到地面上的司机，都需要随时监控和优化。例如，如果考虑一个城市，没有两个区域在特定时间的行为是相同的。有些区域在白天有更多的活动，有些在晚上。还需要考虑外部因素，如天气、事故、交通和集会，这些因素会影响区域的行为，而没有预警。
因此，对来说，为不同的区域和时间做出上下文化的决策，并实践基于位置的决策是很重要的。只有通过位置智能的视角，才能揭示移动资产之间的模式、关系和趋势，并回答诸如以下问题：
- 用户在哪里？
- 在哪里和什么时候可以发送促销和折扣？
- 如何运行激励计划？
- 工作日的订单密度是多少？
- 用户流失分析控制台：确定用户流失最高的地方在哪里？
对于超本地洞察的呼声很高，强大的位置分析平台可以为提供相关的实时超本地洞察，这些洞察可以改变日常运营。可以：
- 做出数据驱动的战略决策，以及实时反应并采取战术决策来解决瓶颈。
- 创建一个集中的操作指标知识库，并了解哪些策略有效。例如，城市东部的x%折扣总是能提高转化率。
- 为不同的地点、用户和一天中的时间运行多个实验和策略，并通过测量它们的影响来迭代它们。快速实验的文化对于了解不同地点最有效的策略至关重要。
总的来说，这将促进更好的资产利用，减少流失，并提高涉及移动资产的企业的总体性能。
Locale.ai控制台：影响分析
现在，位置分析的重要性已经建立，让了解如何就实地资产做出决策。可以将其分解为五个基本步骤。
获取洞察涉及从不同地方收集数据。之后，数据必须被清理并检查任何异常值。一旦数据准备好使用，可以继续创建相关指标。
// 示例代码：数据清洗和异常值检查
// 使用Python进行数据处理
import pandas as pd
# 假设df是包含位置数据的DataFrame
df = df.dropna() # 删除缺失值
df = df[df['demand'] != '异常值'] # 移除异常值
今天，这是通过编写复杂的查询和在R和Python上执行数据转换来完成的。其他众所周知的软件是PostgreSQL和PostGIS，用于强大的数据处理和地理空间操作。虽然这些工具提供了处理数据的能力，但创建像空闲时间、未满足需求或偏差这样的复杂指标可能是耗时的，并且需要对问题有内在的理解。
这个重要的步骤帮助揭示移动资产之间的模式和关系。本质上，它是关于识别问题区域并得出可操作的洞察。例如，一个可操作的洞察可能是，在工作日的下午4点，大学附近的需求很高。
今天，这个过程是通过像Tableau、Looker、Power BI和开源软件如Kepler.gl这样的BI工具来完成的。尽管BI工具配备了基本的地理空间功能，但毫无疑问，它们最适合于统计分析。像路线分析、网格、分层等特性是不兼容的，只能通过这些工具绘制点和邮政编码。以Tableau为例，它有很棒的热图，但不能将可视化等同于分析。
说到Kepler.gl，它提供了一个伟大的平台来探索所有与地图相关的东西。但它只适用于一次性用例，并且因为在工具外处理数据，它不能作为未来的目录。因此，这个过程不适合多次迭代和特定于行业的特定情况。
如前所述，需要有一个规定，以便在需要反应时实时做出决策，或者在需要分析模式和趋势时更战略性地做出决策。例如，一个促销活动将通过Mixpanel发送。而定价问题将通过调整公式来解决，地面运营人员将解决司机问题。最后，传递数据以实施策略需要多个团队聚集在一起做出决定并采取行动。这个过程是痛苦的，涉及到一流的协调。如果需要实时做出决定，这可能是特别有问题的。
分析不能在孤立中进行。它需要确保跨团队的人可以聚集在一起调试和实施决策。今天，可以使用Slack、Jira等进行协作，但请注意，它们没有知识库，清除Jira上的票可能比预期的要长。当需要跨不同利益相关者做出决策时，上下文往往是不清晰的，结果可能会延迟。
一旦做出了决定，可以测量行动的影响并进行迭代。这是唯一知道解决方案是否有效的方法。由于缺乏正确的基础设施，这一步实际上在今天的分析过程中缺失了。这不仅阻碍了实验，而且也没有提供评估不同地区和时间的策略的手段。例如，可以通过在城市的西部增加送货车队的成员来运行一个实验，看看周一的延误是否减少。
一个强大的分析平台应该能够无缝地执行所有这些操作。如果做得对，团队将能够深入挖掘，并随时获得洞察。
如何使用Locale实现这一点
Locale.ai正在努力赋予运营和城市团队力量，与Mixpanel和Clevertap一样。它被设计为一个中央运营平台，通过吸收用户、车队和订单的位置数据。使团队能够构建他们的控制台和指标模板，执行各种分析，创建工作流程，运行实验，测量性能并协作，所有这些都在一个平台上完成。作为用户，可以根据用例在几次点击中自定义每一个控制台或仪表板，而不需要任何工程带宽。所有人都应该内化关于地理空间分析的一件事是，它不仅仅停留在可视化上。
接下来怎么办？
- 如果想更多地了解Locale如何构建位置分析产品，请访问：
- 如果想亲自动手，这是一个很好的开始：