Advertisements

Archive for the ‘geomarketing’ Category

Retirada de vehículos por la grúa municipal en Madrid: Una aproximación visual usando Datos Abiertos.

2018/07/12

Solo estoy tomando en cuenta 185 puntos debido a las limitaciones de mi servidor de geocode https://www.mapdevelopers.com/batch_geocode_tool.php pero muestra que los datos tienen sentido, siendo el barrio de Sol el que concentra una densidad mayor de actuaciones de la grua municipal.

Para el fondo, he usado una conexón WMS a OSM y geometrías de Barrios tomadas de Cartociudad (creo :-)). En fin, si os parece interesante me lo podéis contar.

Fuente: https://datos.madrid.es (Portal de datos abiertos del ayuntamiento de Madrid)

Retirada de vehículos en vía pública: grúa municipal

El presente conjunto de datos presenta los datos relativos a las entradas y salidas de los depósitos municipales pertenecientes al servicio municipal de retirada de vehículos de la vía pública del Ayuntamiento de Madrid. Esta información ha sido proporcionada por la EMT (Empresa municipal de transportes de Madrid) la cual gestiona el servicio.

La información que se presenta es relativa a los vehículos que entran y salen de los depósitos municipales. Por motivos de anonimato, la única información que se da de los vehículos retirados, es su tipo (moto, turismo,…) con fines estadísticos. El resto de información proporcionada es relativa al servicio de retirada (fecha y lugar, motivo de la retirada, depósito al que se traslada el vehículo,…).

Puedes encontrar más información sobre estos datos en el Portal de transparencia > Actuaciones del servicio de grúa municipal

 

open-data-madrid-grua-municipal-20180712

open-data-madrid-grua-municipal-20180712-02

 

Advertisements

Análisis espacial de precios en el mercado inmobiliario (Ejemplo sobre Vicálvaro, Madrid)

2017/01/24

Creo que será interesante para inmobiliarias que sean capaces de georeferenciar estimaciones de precio por zonas.

El procedimiento incluye como inputs tener estimaciones de precios por bloque y precios reales (o anunciados) con lo que podemos extraer un ratio que nos diga la relación entre el precio actual y el esperado.

Recodad por favor que estos datos son aleatorios, es decir que no son más que una teoría a la espera de tener datos reales. Este primer mapa nos dice de 1 a 7 el precio esperado por bloque.

estimaciones-01

Este segundo nos dice dónde están los pisos y su precio anunciado.

estimaciones-02

El tercero nos compara y simboliza un precio con el otro. Cuánto mayor es este ratio, mejor precio teórico tiene la casa. Por ejemplo si el precio esperado es 6 pero el precio anunciado es 1, el ratio será de 6. Cuánto mayor ratio, mejor y viceversa.

estimaciones-03.png

El resultado más concreto es el siguiente:

estimaciones-04.png

Cuanto más rojo mejor, cuanto mayor es el ratio, mejor.

Este análisis permite rápidamente encontrar inmuebles de buen precio o saber decir al cliente que el precio de venta es demasiado alto en comparación con la zona donde está ubicado.

Espero que os sea útil.

Alberto

Euclidean allocation analysis II

2016/10/28

Imagine you need to promote recycling. Imagine you have 1000 inhabitants from a small village and you need to provide proper colored plastic bags for each and every one of the categories you need to disaggregate: organic, plastic and paper.

You need to service them all properly but you can only choose 5 shops (out of the 10 available)  where you will distribute the bags for free.

In green all 1000 inhabitants (houses) and in orange the placement of all ten shops.

allocation03-combo.jpg

In green the final result: the 5 shops chosen out of the 10 potential available due to having checked they are the most optimal (the shortest euclidean distance).

allocation03-combo02.jpg

Software used:

ArcGIS 10.3
ET Geowizards 11.3

Hope you guys liked it,
Alberto

Allocation analysis: Attaching customers to facilities

2016/09/20

Allocates a set of demand points (Customers) to user specified number of supply points (Facilities) out of a Facilities point dataset based on the Euclidian distance between the Customers and Facilities.

customers

100 customers anywhere in the World

In other words the function selects N Facilities out of K candidates to service a set of M Customer locations in such a way that each Customer is allocated to a single Facility (based on Euclidean distance) and the total distance between the Customers and selected Facilities is minimized.

asignation

Customers attached to 3 pre-defined facilities

In a more simple way: take a bunch of customers and assign them the closest facility (using euclidean distance, the “ordinary” (i.e. straight-line) distance between two points)). In this particular theoretical analysis I have also selected a maximum range of 5000 meters so anything beyond won’t be taken into consideration.

Questions:  Am i giving a proper service with those facilities i have already deployed?. Is there any of them way too far away so we cannot service at all?. Is there any of them over populated and in the end we cannot provide a proper service?. If you happen to come across any other question, please add it to comments so i can modify the post.

Result table:

FID Shape Id FacilityID Facility Type Num_Alloc Max_Dist Total_Dist
0 Point 0 2 2 Selected 4 4852.68 15362.93
1 Point 0 1 1 Selected 11 4110.57 37839.93
2 Point 0 0 0 Selected 18 4991.27 73591.27

This ArcGIS video shows some light over these type of analysis:

This links shows how to create a network dataset
http://desktop.arcgis.com/en/arcmap/latest/extensions/network-analyst/exercise-1-creating-a-network-dataset.htm

 

Software used: ArcGIS 10.3; ET Geowizards 11.1

Hope you guys have liked it, if so, share or let me know about it.

Alberto CONCEJAL
Geographer and MSc GIS