Мобильный след или какие данные лежат в основе аналитики METER?

Система METER анализирует обезличенные данные и собирает «цифровой след» жителей города. Разбираемся что это значит и как с этим работать.

Фильтрация и объединение данных

Полученные данные могут содержать шумы и неточности из-за изменчивости сигнала, перекрытия зданий и препятствий. Применение математических фильтров для обработки данных, таких как фильтр Калмана, позволяет устранить ошибки и повысить точность информации. Также все данные проходят обработку дубликатов и исправления ошибок.

Дальше все данные мы объединяем между собой с помощью определенных математических моделей и алгоритмов.

Профилирование

В различных приложениях пользователи имеют возможность создавать персонализированный контент и делиться им. Социальные сети, блоги, интернет-магазины и другие аналогичные сервисы позволяют пользователям оставлять отзывы и комментарии.

Данные телекоммуникационных компаний поступают к нам с некоторым профилем, который определяется поставщиком из анкетных данных и вероятностной оценки, исходя из поведения абонента и ресурсов, которые он потребляет. Научно обоснована зависимость между социально-демографическим профилем и шаблоном передвижения людей.

METER обрабатывает все входящие данные и формирует профиль по социально-демографическим характеристикам: пол, возраст, группа дохода.

В рамках исследования выделяется три группы дохода - А (низкий доход), В (средний доход), С (высокий доход).

Все профилирование, в том числе группа дохода, специфично для конкретного географического субъекта (город, район, область, поселение и т.д.). По умолчанию в рамках исследования автоматически профилируется аудитория в рамках города. Административные границы географического субъекта принимаются из открытых официальных источников. Распределение населения по социально-демографическим характеристикам в рамках географического субъекта, для взвешивания по стратам и определения коэффициентов экстраполяции, принимается из информации служб официальной статистики.

Профилирование по поведенческим интересам происходит по аналогичным моделям. В качестве обогащения данных используется, кроме того, платформы данных рекламных сетей в Интернет. Такие данные позволяют сегментировать аудиторию по интересам в онлайн и оффлайн, исходя из их потребления контента и по данным их перемещений. Можно выделить множество категорий интересов групп. Ниже описание нескольких из них:

• Education (Образование): В эту категорию входят пользователи, проявляющие интерес к образованию, академическим программам, онлайн-курсам и самообразованию. Пользователь может быть отнесен к этой категории, если он посещает веб-сайты образовательных учреждений, ищет информацию о курсах, колледжах или университетах, участвует в дистанционном обучении и активно участвует в онлайн-образовательных форумах или сообществах.

• Food & Drink (Еда и напитки): В эту категорию входят пользователи, интересующиеся кулинарией, рецептами, ресторанами, продуктами питания и напитками. Пользователь может быть отнесен к этой категории, если он посещает веб-сайты о кулинарии, ищет рецепты, обсуждает гастрономические вопросы или делится фотографиями еды в социальных сетях.

• Real Estate (Недвижимость): В эту категорию входят пользователи, проявляющие интерес к недвижимости, рынку жилья, покупке, продаже и аренде недвижимости. Пользователь может быть отнесен к этой категории, если он ищет информацию о недвижимости, посещает сайты агентств недвижимости, изучает рыночные тренды или участвует в дискуссиях о недвижимости.

METER может быть полезен любому бизнесу! Несколько способов использования возможностей компании:

1. Аналитика по пользовательскому поведению: мы понимаем поведенческий паттерн аудитории, привычки, потребности.
2. Прогнозирование поведения трафика и расчет маршрута передвижения. Непрерывное накопление данных о передвижении аудитории позволяет строить прогноз. На таких же принципах работают навигаторы.
3. Определение в городах (и вообще в любых локациях) зон с высокой потенциальной клиентской активностью. Это помогает предприятиям и розничным сетям понять, где открыть дополнительное отделение банка или магазина, установить банкомат.
4. Полезный инструмент для компаний, которые занимаются доставкой и транспортировкой. Аналитические данные платформы позволяют оптимизировать маршруты, улучшать эффективность доставки и минимизировать временные и стоимостные затраты.
5. Для города или планировки местности. Путешествия людей между различными точками города могут помочь выявить популярные туристические маршруты, общественные места и зоны отдыха. Эта информация может быть использована городскими властями для оптимизации инфраструктуры и развития туризма.

Геолокационные данные, получаемые от GPS датчиков мобильных устройств, предоставляют обширные возможности для исследований и оптимизации в различных областях. Однако, необходимо учитывать вопросы конфиденциальности и безопасности данных пользователей при их использовании.

METER использует в своей работе только обезличенные данные и знает все о передвижениях, но нигде в данных нет персональной информации.

METER – одно из направлений проекта GEOMOTIVE, экосистемы для удаленного запуска и управления рекламными кампаниями на наружных поверхностях.