Suite

Analyser les données de localisation longue lat pour trouver des emplacements à proximité

Analyser les données de localisation longue lat pour trouver des emplacements à proximité


Je recherche un outil pour analyser les données de localisation (valeurs lat longues du GPS du véhicule disponibles). L'objectif est d'identifier les emplacements les plus proches (dans un cercle de 30 à 60 pieds), puis les valeurs moyennes qui sont attribuées aux différents emplacements. L'arrière-plan est qu'il devrait s'agir des mêmes valeurs GPS à chaque fois puisque le véhicule visite le même emplacement, mais en raison des inexactitudes du GPS, l'emplacement varie légèrement. J'essaie d'identifier les données de localisation qui appartiennent au même endroit. Aucune suggestion?

PS : Premier utilisateur, faites-moi savoir si vous avez besoin de plus d'informations.

Ajout de données d'exemple pour clarification :

  1. longue lecture de la date tardive
  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

Existe-t-il un logiciel disponible qui pourrait regrouper les emplacements dans l'exemple ci-dessus en fonction de la proximité (par exemple, regrouper tous les emplacements situés dans un rayon de 30 à 60 pieds), puis calculer la moyenne des lectures ?


Quelque chose comme DBSCAN en tant qu'algorithme pourrait aider à la mise en œuvre de python ou de l'algorithme DJ Cluster. Faites une recherche pour le cluster DJ. Un kdtree vous permettrait également de faire une recherche du voisin le plus proche. Enfin, il existe des fonctions et des index spatiaux dans PostGIS que vous pouvez utiliser.


Données de localisation

Il existe une grande confusion au sujet des données de localisation. Bien que le concept existe depuis un certain temps, les industries de la publicité et du marketing mobiles ont l'habitude de revendiquer et de confondre les idées si souvent qu'il devient difficile de comprendre ce qui est réel, ce qui est possible et ce qui est totalement infondé.

Après des années de recherche interne, de conservation et de formation des membres de notre équipe, nous avons décidé de créer ce guide – Le guide définitif des données de localisation – public, afin de partager le fonctionnement de la technologie de localisation, les données précieuses qu'elle génère et où elle peut être appliquée.

Notre intention est toujours de garder les choses aussi peu techniques que possible, mais c'est de la technologie dont nous parlons. Parfois, je présenterai plus d'informations que vous n'en aurez besoin, mais vous pouvez décider si vous voulez approfondir les détails. Mon objectif est de maintenir ce guide à jour au fur et à mesure que les tendances changent et que de nouvelles fonctionnalités émergent.

Enfin, si nous avons omis des informations ou si vous avez un point de vue différent sur les méthodologies énumérées ci-dessous - ou si vous aimez le guide et le trouvez super utile - veuillez me le faire savoir :
[email protected]

Prendre plaisir,
Matthieu Russo
COO / CMO, Cardan

Aperçu

Dans le contexte de cette analyse, les données de localisation font référence aux signaux fournis par un appareil mobile en tant que proxy de l'endroit où les individus se rendent dans le monde physique.

Depuis 2013, le pourcentage d'Américains possédant un smartphone est passé de 35% à 77%. 1 De même, plus de 9 propriétaires de smartphones sur 10 (94 %) portent leur téléphone « fréquemment » avec eux et 82 % déclarent qu'ils « n'éteignent jamais ou rarement leur téléphone ». 2

Grâce à ces taux d'adoption et à l'utilité que l'écosystème des applications mobiles fournit aux utilisateurs finaux, l'utilisation des smartphones est saturée et omniprésente. En conséquence, les smartphones ont le potentiel de fournir une quantité importante de données de localisation à partir de deux sources principales.


2433853 - Utilisation des fonctionnalités d'enrichissement géographique et d'enrichissement géospatiale

Les fonctionnalités d'analyse géospatiale (enrichissement géographique / géocodage / cartographie / SIG) de SAC peuvent être activées comme suit :

  1. Menu principal >> Créer >> Modèle >> Importer un fichier depuis votre ordinateur .
  • Les prérequis nécessitent que votre fichier contienne des coordonnées de latitude/longitude ou des données de région (nom de la zone).
  • Noter: Lors de l'ajout de l'enrichissement géographique du nom de la zone aux modèles, vous pouvez désormais utiliser les données de pays, de région et de sous-région pour créer des dimensions de localisation pour des pays/régions autres que les États-Unis.
  • Les données de pays/région peuvent être fournies comme ISO3 et ISO2 codes ou les noms de pays/région en anglais.
  1. Menu principal >> Créer >> Modèle >> Obtenir des données à partir d'une source de données >> Connexion de données en direct.
  • Les prérequis exigent que le modèle de connexion de données en direct soit basé sur une vue de calcul HANA enrichie de &160 coordonnées de latitude/longitude. 
    OU ALORS
  • Voir BW Live Connectivity Geo Map Support.

Limites:

  • Noter: L'analyse géospatiale commençant par un modèle vide (Menu principal >> Créer >> Modèle >> Démarrer avec un modèle vide) ou l'ajout d'informations de localisation à une dimension géo-activée est pas pris en charge pour le moment.
  • Veuillez apporter votre soutien pour améliorer cette fonctionnalité en votant et en commentant l'idée : Étendre la fonctionnalité de la capacité de cartographie géographique.
  • Le Créer un emplacement par coordonnéeou alors Créer un emplacement par région La méthode est documentée dans : Création d'un modèle avec des données de coordonnées ou de surface pour l'analyse géospatiale.

Pour plus d'informations, consultez les pages d'aide et les ressources SAP Analytics Cloud suivantes :

Voir également

Vos commentaires sont importants pour nous aider à améliorer notre base de connaissances.

Mots clés

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, connexion, conecting, conectando, conexão, modelo, SBOC, geo-loc, geoloc, geolocations, geo-coded, remote HANA, geo, spatial, map, location, longitude, latitude, géocodées, géocodées, données, analytiques, modèles de planification, lat, long, SAC, couches de carte, geo-coding, l'enrichissement géographique n'est pas disponible lors du chargement des données dans le modèle existant (qui contient les dimensions de latitude et de longitude),& #160Vous pouvez préparer un modèle avec la géolocalisation et importer plus tard de nouvelles données en utilisant, Création d'une dimension de localisation, Création d'un modèle avec des données de coordonnées ou de zone pour l'analyse géospatiale, Impossible de conserver les données de référence dans la dimensionGeo, geo widgets cartographiques dans une histoire, Geo enrichissant vos données, Création d'une carte géographique, U chantez les cartes géographiques / fonctionnalités d'enrichissement géographique (analyse géospatiale / données de localisation) avec SAP Analytics Cloud, géoenrichissement, enrichissement géographique par coordonnées, coordonnées, nom de zone, géo, identifiant de localisation, identifiant de localisation, longitude lat long latitude , KBA , géographique , arcgis sac , sac geomaps for Highways available , sap analytics cloud esri kba , couches d'entités sac sacp c4a , j'ai une question sac sur les géocartes , le codage géo geo sac kba , créer une géocarte avec des connexions en direct , des cartes. cartographie, cartographié , géolocalisation , mise en place de la géolocalisation , géocartes , dimension type d'organisation , coordonnées géographiques , manuellement ou via import , paramétré , geomap , LOD-ANA-DES , LOD-ANA-BI , LOD-ANA-PL , LOD-ANA-BR , LOD-ANA-PR , Amélioration du produit


Explorer et naviguer

Plusieurs modes d'affichage des cartes (fonds de carte) et des outils de navigation sont disponibles.

Fond de carte

Cliquez sur la flèche vers le bas dans le widget Fond de carte pour modifier le fond de carte pour l'affichage de la carte.

Cliquez sur l'une des options de fond de carte pour modifier l'affichage du fond de carte. Bing Maps Road est l'affichage par défaut.

La navigation

Le widget Navigation est visible dans le coin supérieur gauche de l'application. Ce widget permet une navigation manuelle de l'affichage de la carte avec une interface de clic.

Zoom avant/arrière

L'affichage de la carte peut être agrandi à l'aide de la molette de la souris pour effectuer un zoom avant/arrière, en utilisant l'outil Zoom avant/arrière ou par le cadre de délimitation.

Pour utiliser l'outil Zoom avant/arrière pour effectuer un zoom avant et arrière sur l'affichage de la carte :

  • Cliquez sur le signe plus pour effectuer un zoom avant sur l'affichage de la carte.
  • Cliquez sur le signe moins pour effectuer un zoom arrière sur l'affichage de la carte.

Pour utiliser un cadre de délimitation pour effectuer un zoom avant sur l'affichage de la carte :

  1. Maintenez la touche Maj d'une main.
  2. Maintenez le bouton gauche de la souris enfoncé et faites glisser un rectangle vers la zone d'intérêt.
  3. Relâchez le bouton de la souris pour zoomer sur la zone sélectionnée.

L'outil Panoramique est utilisé pour faire défiler la carte dans la direction et selon le montant que vous choisissez.

  1. Cliquez et maintenez sur n'importe quel emplacement dans l'affichage de la carte.
  2. Faites glisser la souris et la carte se déplacera dans la direction correspondante.

Carte d'aperçu et barre d'échelle

L'outil Carte d'ensemble affiche une petite carte d'ensemble dans le coin inférieur gauche de l'affichage de la carte qui montre une vue agrandie des données cartographiques avec un rectangle gris qui définit l'étendue de la vue actuelle de l'affichage de la carte.

  1. Cliquez sur le bouton fléché pour développer la carte d'ensemble.
  2. Cliquez à nouveau sur la flèche pour réduire la carte d'ensemble à sa position d'origine.

La barre d'échelle dans le coin inférieur gauche de l'affichage de la carte ajuste la longueur en fonction du niveau de zoom. Il est tracé en miles.

Noter: La barre d'échelle peut être masquée lorsque les widgets sont ouverts dans l'application EJSCREEN. Vous devrez peut-être fermer les widgets pour afficher la barre d'échelle.


Villes des Antipodes

Villes aux antipodes exactes ou presque exactes :

  • Christchurch (Nouvelle-Zélande) — La Corogne (Espagne)
  • Madrid (Espagne) — Weber (Nouvelle-Zélande)
  • Wellington (Nouvelle-Zélande) — Alaejos (Espagne)
  • Hong Kong (Chine) — La Quiaca (Argentine)
  • Nelson (Nouvelle-Zélande) — Mogadouro (Portugal)
  • Whangarei (Nouvelle-Zélande) — Tanger (Maroc)
  • Tauranga (Nouvelle-Zélande) — Jaén (Espagne)
  • Hamilton (Nouvelle-Zélande) — Cordoba (Espagne)
  • Junin (Argentine) — Lianyungang (Chine)
  • Oulan Oude (Russie) — Puerto Natales (Chili)
  • Masterton (Nouvelle-Zélande) — Ségovie (Espagne)
  • Palembang (Indonésie) — Neiva (Colombie)
  • Wuhai (Chine) — Valdivia (Chili)
  • Padang (Indonésie) — Esmeraldas (Équateur)
  • Rafaela (Argentine) — Wuhu (Chine)
  • Galvez (Argentine) — Nanjing (Chine)

Grandes villes ou capitales proches d'être des antipodes :

  • Auckland (Nouvelle-Zélande) — Séville et Malaga (Espagne)
  • Xi'an (Chine) — Santiago (Chili)
  • Shanghai (Chine) — Buenos Aires (Argentine)
  • Pékin (Chine) — Bahia Blanca (Argentine)
  • Taipei (Taïwan) — Asuncion (Paraguay)
  • Bangkok (Thaïlande) et Phnom Penh (Cambodge) — Lima (Pérou)
  • Montevideo (Uruguay) — Séoul (Corée du Sud)
  • Bogota (Colombie) — Jakarta (Indonésie)
  • Suva (Fidji) — Tombouctou (Mali)
  • Melbourne et Canberra (Australie) — Açores (Portugal)
  • Manille (Philippines) — Cuiaba (Brésil)
  • Kuala Lumpur (Malaisie) — Cuenca (Équateur)
  • Singapour — Quito (Équateur)
  • Doha (Qatar) — Île de Pitcairn (Royaume-Uni - Territoire d'outre-mer)
  • Ile des Antipodes (Nouvelle-Zélande) — Gatteville-le-Phare (France)

Neo4j Spatial : Trouver des choses proches d'autres choses

La géographie est un domaine naturel pour les graphes et les bases de données de graphes.

Si naturel, en fait, que les premiers utilisateurs de cartes de Neo4j ont simplement lancé leur propre support de carte. Cependant, il faut un certain effort pour traiter les index spatiaux, les géométries et les topologies, et donc, depuis septembre 2010, le projet Neo4j Spatial fournit des versions à accès anticipé permettant un large éventail de capacités géographiques pratiques et puissantes dans la base de données Neo4j.

Certains d'entre eux ont déjà été utilisés dans des projets de production au cours de la dernière année. Au fur et à mesure que nous avançons et continuons d'affiner les API, nous publierons une série de blogs présentant aux utilisateurs divers aspects de ce cadre de traitement géographique puissant, mais simple : des recherches de proximité, en passant par le routage, jusqu'à l'analyse de topologie SIG complexe.

L'un des endroits les plus simples et les plus intuitifs pour commencer est de poser la question : Comment trouver des choses proches d'autres choses ?.

C'est exactement la question à laquelle répondent les services de géolocalisation sur le Web, ainsi qu'un certain nombre de bases de données spatiales existantes. Dans le domaine NoSQL, CouchDD a publié GeoCouch en 2009, et MongoDD a publié son index de géohashing en 2010. Les deux répondent exactement à cette question.

Contrairement à ces autres bases de données NoSQL, Neo4j a commencé à prendre en charge les géométries complexes en 2010. Bien que les recherches de proximité simples aient été possibles, elles ne sont devenues simples et intuitives que récemment.

Un exemple spatial Neo4j

Dans cet exemple, je vais montrer à quel point les recherches de proximité sont devenues simples avec Neo4j Spatial.


Le code ci-dessus initialise l'index spatial, ajoute un certain nombre de points de localisation à l'index, puis effectue une requête de proximité.

En fait, il fait tout ce dont vous avez besoin et vous pouvez simplement le copier dans une nouvelle méthode principale de classe et il s'exécutera. Enfin presque.

Vous devez obtenir vos données quelque part, et dans le code ci-dessus, nous avons écrit la méthode makeCoordinateDataFromTextFile() . Cela renvoie simplement un itérateur d'objets Coordinate représentant les emplacements à ajouter à l'index.

Avant d'entrer dans le vif du sujet, commençons par expliquer le reste du code un peu plus en détail.

SimplePointCalque

La nouvelle API ajoutée pour la version 0.5 de Neo4j Spatial simplifie le travail avec les emplacements des points. En regardant le code ci-dessus, nous voyons que les étapes suivantes sont impliquées :

Initialiser le SimplePointLayer

Il s'agit d'une couche de carte, ou d'une collection de points indexés, et est créée avec le code :


Neo4j Spatial fonctionne avec toutes sortes de géométries spatiales, y compris les points, les chaînes de lignes et les polygones.

Pour cet exemple, puisque nous travaillons avec des points, nous n'avons qu'à créer un SimplePointLayer pour accéder aux capacités de point et aux recherches de proximité. Dans d'autres articles de blog, nous approfondirons ce qu'est un Couche est vraiment et comment traiter des données beaucoup plus complexes.

Ajouter des points

Pour ajouter un seul point à la base de données, vous pouvez appeler :


Cela ajoutera un point à la longitude 13,0 et à la latitude 55,6, à l'intérieur de la ville de Malmö, en Suède, par coïncidence près de l'endroit où se trouve l'équipe de développement de Neo4j.

Bien que cela soit simple, le code fonctionnera en interne avec de vrais Indiquer objets, fabriqués à partir de Coordonner objets. Et lorsque vous traitez de grandes quantités de données, vous travaillerez probablement avec celles-ci également.

Le code que nous avons utilisé dans l'exemple principal appelle une méthode qui produit un itérateur de coordonnées et les ajoute à la couche :


Le code dans makeCoordinateDataFromTextFile peut être lu à partir du code de test unitaire dans TestSimplePointLayer, et lit simplement de l'art ASCII à partir d'un fichier et crée des coordonnées x et y pour chaque pixel du texte.

Le fichier que nous avons utilisé contenait les éléments suivants :


Lorsque cela est exposé à un système de cartographie, grâce à la prise en charge par Neo4j des SIG courants comme GeoServer et uDig, nous pouvons voir le texte écrit sur le sud de la Suède, avec le coin supérieur gauche du N dans la ville de Malmö .

D'accord, ce n'est pas un monde réel exemple, mais c'est certainement cool!

Recherche de proximité

Donc, la dernière chose à faire est de rechercher des points à proximité.

Le code suivant de l'exemple principal fait exactement cela :


Nous avons décidé que nous voulons savoir ce qui se trouve près du point (13,76, 55,56) qui se trouve quelque part au milieu de cette carte.

Peut-être sommes-nous des touristes voyageant dans la campagne du sud de la Suède et lassés des champs sans fin de fleurs de canola jaune vif, nous demandons à la carte quelque chose de plus relaxant que d'avoir la nuque raide en étant assis dans la voiture.

Nous disons à la carte où nous sommes :


Nous ne voulons pas parcourir plus de 10 km plus loin, nous limitons donc la recherche à 10 km de notre position :


Les résultats que nous obtenons sont déjà triés par distance, nous pourrions donc simplement choisir le premier et y aller :


Cependant, vous pourriez être curieux de tout voir dans la limite de recherche de 10 km, alors plaçons-le sur une autre couche de carte :

Oui, exactement ce que le médecin a ordonné !

Quel avenir pour Neo4j Spatial ?

Cet exemple a montré une API spécifique. Mais comme mentionné au début, cela s'ajoute à un ensemble de fonctionnalités beaucoup plus puissantes, telles que :

    • Ajout d'intelligence spatiale aux modèles de base de données de graphes existants
    • Travailler avec des géométries plus complexes et effectuer des requêtes spatiales plus complexes
    • Le modèle de données graphique Open Street Map et l'exécution de requêtes spécifiques à OSM

    L'exemple de ce blog ne vous montre pas du tout la structure du graphe. Mais bien sûr, il s'agit en fait de créer une structure graphique spéciale pour prendre en charge à la fois les points et l'index, et vous pouvez accéder à ce graphique en utilisant les API Neo4j normales.

    Cependant, ce n'est pas la manière la plus utile et la plus intuitive de procéder.

    Que devez-vous faire si vous avez déjà votre propre graphique et qu'une partie du graphique représente déjà des emplacements ? Comment adapter votre modèle à Neo4j Spatial pour pouvoir indexer votre graphe existant ? Comment effectuez-vous des recherches de proximité et d'autres requêtes spatiales sur votre propre modèle de données ?

    Heureusement pour nous, Neo4j Spatial a été conçu dès le départ pour répondre exactement à ces questions.

    Bien qu'il y ait beaucoup de fonctionnalités dans Neo4j Spatial, les différentes manières de les exposer (REST, Java, GeoTools, Neo4j Index API) ne sont pas figées. Nous apprécions beaucoup vos commentaires sur la façon dont vous pensez qu'ils devraient ressembler !

    Il suffit de commenter sur la liste de diffusion Neo4j ou directement à l'auteur. Vous voulez en savoir plus sur les bases de données de graphes ? Cliquez ci-dessous pour obtenir votre exemplaire gratuit de O'Reilly's Bases de données graphiques ebook et découvrez comment utiliser les technologies graphiques pour votre application aujourd'hui.


    5. Conclusions

    L'impact de la variable distance sur la viabilité commerciale d'une concession et du réseau auquel elle appartient est crucial dans l'optimisation de l'implantation du point de vente. Grâce au SIG, on arrive à la solution qui maximise la zone de marché couverte avec le moins de points de vente. Au début de l'étude, les acheteurs de véhicules effectuaient des trajets moyens de moins de 57,81 kilomètres pour acheter un véhicule. La connaissance des habitudes des acheteurs lorsqu'ils se rendent dans les points de vente nous a permis d'écarter deux des trois solutions proposées par l'application des modèles de localisation-allocation, car elles laissaient à découvert des zones de plus de 80 kilomètres.

    L'algorithme de maximisation du modèle de relocalisation de la concurrence spatiale augmente la rivalité entre les points de vente. Avec cette fonction, il existe des emplacements pour les points de vente avec un accès à des marchés potentiels plus importants que les points de vente situés dans les zones commerciales plus petites. Ces résultats étaient plus équilibrés que ceux obtenus avec des algorithmes à stratégies coopératives (p-médiane ou minimisation de la distance moyenne).

    La solution optimale obtenue pour l'ensemble du réseau de points de vente (optimum global) n'est pas la meilleure pour chaque point de vente (optimum local). La poursuite d'objectifs individuels par chaque concession, sur le collectif, donne de moins bons résultats pour l'ensemble du réseau qu'une concurrence coordonnée. Ces résultats complètent le travail de Chan et al. (2007). Néanmoins, cette recherche démontre une autre solution qui offre individuellement à chaque point de vente un accès à des marchés potentiels plus viables que la solution globale et qui rend également ces marchés plus équilibrés entre eux. Il est à noter que les auteurs ne trouvent aucun document scientifique dans cet axe de recherche.

    La conclusion suivante s'aligne sur l'objectif final de cette recherche : démontrer l'utilité du géomarketing dans le développement de réseaux commerciaux utilisant de vrais parcours de consommation. De l'analyse de chacune des zones de marché du concessionnaire, il est corroboré que la connaissance des trajets vers le réseau de points de vente est fondamentale pour leur localisation optimale, en minimisant les trajets des acheteurs. C'est-à-dire l'application conjointe de la p-les algorithmes médians et la maximisation du quota individuel permettent un meilleur accès à des marchés potentiels plus larges en identifiant les zones géographiques présentant un plus grand intérêt commercial pour l'entreprise. Ces conclusions sont cohérentes avec les recherches antérieures de Bosque et García (1995), García-Palomo (1997), Goodchild (1991), Moreno (2004), Goodchild (2008) et Ozimec et al. (2010).

    En conclusion, les résultats montrent que les SIG peuvent contrôler de manière optimale la couverture de la demande du marché grâce aux stratégies collaboratives des détaillants (dans ce cas, les concessionnaires automobiles).

    5.1 Implications managériales

    Le développement de stratégies de collaboration vs concurrence dans le réseau de points de vente consiste à convaincre la direction de chaque point du local que la collaboration apporte la meilleure solution globale. Il est essentiel pour la localisation optimale d'un réseau de points de vente de considérer le réseau dans son ensemble, et non chacun des points isolément, et que la maison mère favorise les actions qui conduisent à une concurrence coordonnée. L'utilisation du SIG est recommandée avec son intégration dans le système d'information marketing pour anticiper l'évolution des macroenvironnements et des microenvironnements. La distance est une variable physique, connue et contrôlable, qui doit être considérée comme la clé de tout plan marketing. Par conséquent, on peut conclure que les modèles de localisation-allocation peuvent être d'une très grande utilité pour les gestionnaires, et que le p-le modèle médian permet de renforcer les réseaux commerciaux par leur positionnement optimal, tout en procurant des bénéfices majeurs pour le réseau de concessionnaires et pour leurs clients.

    5.2 Limites et pistes de recherche futures

    La principale limite de cette enquête est que dans le calcul des résultats des modèles, les seules variables considérées sont la localisation géographique des points de vente et la distance parcourue par les acheteurs. Selon les termes de Lozano-Botache (2016), « un modèle n'est qu'une représentation de la réalité expliquée géométriquement et avec un support mathématique, qui peut aboutir à de vrais termes économiques dans le cadre ceteris paribus » (p. 692). Cette décision a été prise par les chercheurs pour évaluer l'influence de la localisation de chaque point de vente dans un réseau commercial et leur accès à un minimum de marchés géographiques potentiels. Ainsi, pour les travaux futurs, nous proposons d'étudier l'effet d'autres variables telles que l'image de marque, le prix, l'investissement publicitaire des fabricants ou la publicité sur le point de vente. D'autres variables peuvent être l'effet du type de véhicule (produit), car il a été considéré comme ayant le même degré d'acceptation dans toute la zone d'étude. Le manque d'information sur les coûts internes de chaque point de vente ouvre une nouvelle piste de recherche. La seconde limitation découle de la période d'enquête. Comme il a été indiqué, la période d'étude 2007-2011 nous a permis d'obtenir et d'analyser des résultats dans un contexte économique d'intérêt particulier. Il est reconnu que les données deviennent rapidement obsolètes et, par conséquent, il est recommandé que l'étude soit répliquée à l'avenir. Une autre limitation a été la restriction de l'accès aux informations d'enregistrement (vente de véhicules), car la loi organique sur la protection des données n'autorise pas la diffusion d'informations personnelles pouvant conduire à l'identification de l'individu (ou d'un véhicule spécifique). Par conséquent, le code postal de l'acheteur est le niveau de détail le plus élevé pour les données d'enregistrement. Des travaux futurs pourraient introduire l'influence du sexe ou de l'âge de l'acheteur du véhicule. Un autre aspect à considérer dans l'interprétation des résultats est que cette recherche a été menée dans une zone spécifique et s'est limitée aux déplacements à l'intérieur de celle-ci. Il est possible que les comportements soient différents dans d'autres communautés autonomes ou d'autres pays.


    Introduction

    Par Michael H. Keller et Richard Harris | Imagerie satellite par Mapbox et DigitalGlobe

    Au moins 75 entreprises reçoivent des données de localisation anonymes et précises d'applications dont les utilisateurs permettent aux services de localisation d'obtenir des nouvelles locales et la météo ou d'autres informations, selon le Times. Plusieurs de ces entreprises prétendent suivre jusqu'à 200 millions d'appareils mobiles aux États-Unis, soit environ la moitié de ceux utilisés l'année dernière. La base de données examinée par le Times &# x2014 un échantillon d'informations recueillies en 2017 et détenues par une entreprise &# x2014 révèle les voyages des personnes avec des détails surprenants, précis à quelques mètres près et dans certains cas mis à jour plus de 14 000 fois par jour .

    Ces sociétés vendent, utilisent ou analysent les données pour répondre aux besoins des annonceurs, des points de vente et même des fonds spéculatifs à la recherche d'informations sur le comportement des consommateurs. Il s'agit d'un marché en vogue, avec des ventes de publicités ciblées géographiquement atteignant environ 21 milliards de dollars cette année. IBM s'est lancé dans l'industrie avec l'achat des applications Weather Channel. Le réseau social Foursquare s'est transformé en une entreprise de marketing de localisation. Parmi les principaux investisseurs dans les start-ups locales figurent Goldman Sachs et Peter Thiel, le co-fondateur de PayPal.

    Les entreprises disent que leur intérêt réside dans les modèles, et non dans les identités, que les données révèlent sur les consommateurs. Ils notent que les informations collectées par les applications ne sont pas liées au nom ou au numéro de téléphone de quelqu'un, mais à un identifiant unique. Mais ceux qui ont accès aux données brutes, y compris les employés ou les clients, peuvent toujours identifier une personne sans son consentement. Ils pouvaient suivre quelqu'un qu'ils connaissaient en localisant un téléphone qui passait régulièrement du temps à l'adresse du domicile de cette personne. Ou, en travaillant à l'envers, ils pouvaient attacher un nom à un point anonyme, en voyant où l'appareil passait des nuits et en utilisant des archives publiques pour déterminer qui y vivait.

    De nombreuses sociétés de localisation affirment que lorsque les utilisateurs de téléphones activent les services de localisation, leurs données sont un jeu équitable. Mais, selon le Times, les explications que les gens voient lorsqu'elles sont invitées à donner leur autorisation sont souvent incomplètes ou trompeuses. Une application peut indiquer aux utilisateurs que l'octroi de l'accès à leur emplacement les aidera à obtenir des informations sur le trafic, mais ne mentionne pas que les données seront partagées et vendues. Cette divulgation est souvent enfouie dans une vague politique de confidentialité.

    Les informations de localisation peuvent révéler certains des détails les plus intimes de la vie d'une personne, que vous ayez consulté un psychiatre, que vous ayez consulté un AA. réunion, avec qui vous pourriez sortir, a déclaré le sénateur Ron Wyden, démocrate de l'Oregon, qui a proposé des projets de loi pour limiter la collecte et la vente de ces données, qui ne sont en grande partie pas réglementées aux États-Unis.

    "Il n'est pas juste de laisser les consommateurs dans l'ignorance de la façon dont leurs données sont vendues et partagées et de les laisser ensuite incapables de faire quoi que ce soit à ce sujet", a-t-il ajouté.

    Appareils de surveillance mobiles

    Après qu'Elise Lee, une infirmière à Manhattan, ait vu que son appareil avait été localisé dans la salle d'opération principale de l'hôpital où elle travaille, elle a exprimé son inquiétude pour sa vie privée et celle de ses patients.

    "C'est très effrayant", a déclaré Mme Lee, qui a permis au Times d'examiner son historique de localisation dans l'ensemble de données qu'il a examiné. “ J'ai l'impression que quelqu'un me suit personnellement.”

    L'industrie de la localisation mobile a commencé comme un moyen de personnaliser les applications et de cibler les publicités pour les entreprises à proximité, mais elle s'est transformée en une machine de collecte et d'analyse de données.

    Les détaillants se tournent vers les entreprises de suivi pour leur parler de leurs propres clients et de leurs concurrents. Pour un séminaire Web l'année dernière, Elina Greenstein, cadre de la société de localisation GroundTruth, a tracé le chemin d'un consommateur hypothétique de la maison au travail pour montrer aux clients potentiels comment le suivi pourrait révéler les préférences d'une personne. Par exemple, quelqu'un peut rechercher en ligne des recettes saines, mais GroundTruth peut voir que la personne mange souvent dans des restaurants de restauration rapide.

    « Nous cherchons à comprendre qui est une personne, en fonction de l'endroit où elle a été et où elle va, afin d'influencer ce qu'elle va faire ensuite », a déclaré Mme Greenstein.

    Les entreprises financières peuvent utiliser les informations pour prendre des décisions d'investissement avant qu'une entreprise ne publie ses bénéfices, par exemple, si davantage de personnes travaillent dans une usine ou se rendent dans les magasins d'un détaillant.


    VI. Conclusion

    Dans la mesure où les lois actuelles et proposées sur la confidentialité protègent les données de localisation, cette protection est limitée aux données de localisation qui sont identifiées (ou dans certains cas identifiables) à un individu. Les exigences s'appliquent généralement uniquement au collecteur de données initial.

    À mesure que les lignes technologiques s'estompent entre identifié et identifiable, et identifiable et non identifié ou anonymisé, les distinctions entre les catégories peuvent devenir moins pertinentes. Cela complique l'analyse réglementaire.

    De plus, les récents comptes rendus des médias et les mesures d'exécution révèlent un marché secondaire robuste :

    1. les données de localisation identifiées sont régulièrement acquises et utilisées par des tiers avec lesquels l'individu n'a pas de relation directe
    2. les données de localisation dépersonnalisées ou anonymisées sont régulièrement réidentifiées et
    3. les données de localisation sont régulièrement combinées avec d'autres types de données personnelles et utilisées par des tiers avec lesquels l'individu n'a aucune relation directe pour compiler des profils complets de l'individu et prendre des décisions concernant l'individu ou tenter d'influencer le comportement de l'individu.

    Ces pratiques du marché secondaire ne sont actuellement pas visées par la législation des États-Unis.

    Le développement de profils et la prise de décision ou l'influence sur la base de l'analyse de données, qu'ils reposent uniquement sur des données de localisation ou qu'ils combinent des données de localisation avec d'autres données, est une activité distincte de la transaction initiale entre l'individu et le collecteur de données, et pose des risques uniques pour l'individu absent lors de la première collecte. Ces utilisations sur le marché secondaire sont également complexes.

    Si un individu peut être identifié par son emplacement et que d'autres caractéristiques ou actes peuvent être directement attribuables à l'individu en raison de ses déplacements géographiques, alors les discussions sur la réglementation de la confidentialité devraient inclure le suivi de l'emplacement. Si des parties retirées de la transaction initiale entre l'individu et le collecteur de données réidentifient par la suite des données à un individu ou élaborent un profil de l'individu, ou prennent des décisions concernant l'individu, alors il convient également d'examiner si la réglementation de la transaction initiale et la limitation de l'utilisation et de la divulgation par le collecteur de données et ses prestataires de services répondent de manière adéquate aux risques posés par le marché secondaire des données de localisation. Le modèle actuel de notification et de choix à lui seul est insuffisant pour fermer cette boîte de Pandore.

    Le pouvoir du lieu: le suivi de localisation et le profilage des données de localisation sont une grosse affaire. Chacun pose des risques distincts pour la vie privée de l'individu et reste largement non réglementé aux États-Unis.

    [1] L'auteur remercie le Dr Peter Alan Jezewski pour ses contributions éditoriales.

    [2] Bien que potentiellement applicable à une plus grande variété de données personnelles, cet article se concentre uniquement sur les données de localisation. En outre, le « profilage des données » peut faire référence au processus d'examen des données sources pour garantir leur exactitude et leur intégrité. Dans cet article, le terme est utilisé pour décrire le processus de caractérisation d'un individu à l'aide de données liées à l'individu.

    [3] Les supports de présentation du cours du Future of Privacy Forum, « Données de localisation : GPS, Wi-Fi, analyse spatiale », donne un excellent aperçu des types de systèmes, de matériel et de logiciels impliqués dans le suivi de la localisation. Forum sur l'avenir de la confidentialité, Sources de données : capteurs mobiles, analyse Wi-Fi (27 novembre 2018).

    [5] Ces types de services sont souvent appelés « services basés sur la localisation ». Voir D. Oragui, 7 exemples d'applications de services géodépendants, Le manifeste, 28 septembre 2018.

    [6] Considérez que vous êtes dans un magasin, votre position en temps réel peut être collectée via votre smartphone en utilisant une combinaison des systèmes suivants : GPS (via satellite) tour cellulaire proximité réseaux Wi-Fi Bluetooth ou balises LED et audio. Le smartphone dispose d'un matériel et d'un logiciel distincts pour faciliter le suivi de la localisation via cette variété de systèmes externes. De plus, les applications sur smartphone disposent de leur propre logiciel pour faciliter la collecte. Ces données peuvent inclure votre latitude, longitude et altitude précises, y compris l'emplacement dans un bâtiment. Ces systèmes sont omniprésents et la plupart des technologies sont relativement peu coûteuses.

    [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. Voir 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 Ils sont 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, Qui êtes vous?, 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. Voir ÉPIQUE, 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. Droit. 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, Le 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] Identifiant. at ___ (emphasis supplied).

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

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

    [94] Cal. Civ. 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.


    Voir la vidéo: Analyse immobilière et système dinformation géographique SIG.