28 cityanalytics slide
TRANSCRIPT
28/City Analytics
EquipoDaniel Martínez GarcíaJesús Moya GaonaJairo Rodríguez Arias
Indice:
1. 28/CityAnalytics2. Génesis. Proyecto3. Implementación
a. Cloud & Machine Learning
b. La visualización 4. El futuro
1.28/CityAnalytics Empezamos
Nuestro producto:Herramienta analitica y motor de recomendación
¿Qué ofrecemos?
Respuestas a las preguntas del emprendedor:1.- ¿Qué ubicación elijo para mi negocio?2.- ¿Que tipo de negocio debería montar aquí?
3.- ¿Conozco el entorno y la competencia? 4.- ¿Cómo evolucionará cada tipo de negocio?
Todos los tramos de víaAnalizamos todas las calles, secciones, barrios y distritos.
20 GB/ año Datos procesados por el motor para cada municipio
3.000.000 /mes Cálculo de distancias entre locales realizados cada mes
¿Cómo lo hacemos?
Identificamos cada negocioDatos históricos e individuales de todos los negocios
El centro de nuestro proyecto es el conocimientoBuscamos construir un modelo escalable de recomendación a los emprendedores dentro del territorio nacional.
Los pilares de 28/ City Analytics
OPEN DATA CLOUD COMPUTING
28/ City Analytics
BIG DATA MACHINE LEARNING
2.GÉNESIS.EL PROYECTO Empezamos
ORIGEN Y JUSTIFICACIÓN DEL PROYECTO
▸ En el ámbito del open data residen verdaderas oportunidades que pueden aportar valor social y/o rentabilidad económica y comercial.
▸ Es imprescindible emprender una actividad empresarial conociendo el entorno, la evolución de la actividad económica en él y la competencia.
EL ITINERARIO
1 Iniciativa de negocio
2•Obtención y preparación de
datos
3•Procesado y modelado
4. •Recomendación y análisis
ETAPAS DEL PROYECTO
“Los planes son solo buenas intenciones a no ser que se
conviertan en trabajo duro” Peter Drucker
EL CRONOGRAMA
MetodologíaCRISP - DM
Eje de análisis: ¿sección censal o tramo de vía?
Objeto del análisis: ¿Local comercial, negocio o actividad económica?
3.Implementación a. Cloud &
Machine Learning
LA ARQUITECTURA
Spark lee los datos de la BBDD y escribe el resultado en BBDD
LA INFRAESTRUCTURA
3.Implementaciónb.La visualización
Visualización:
Análisis multidimensional (OLAP):
4.FUTURO Ahora empieza
todo..
Objetivo: escalabilidad
Conclusiones y mejoraso Incorporación de nuevas fuentes (datos
inmobiliarios, de tránsito, franquicias comerciales).
o Mejora de la calidad del dato: data quality (four C´s) y data cleaning (limpieza y deduplicación).
o Identificación geográfica de cada local físico y sus características.
o Cambio del objeto del análisis (negocio - local - tipo de actividad económica).
o Nueva agrupación de negocios a medida en lugar de por epígrafe de actividad económica.
o Uso en planificación de ocupación en centros comerciales.
o Uso inverso (qué no hay, qué no emprender).
28/ City AnalyticsPodemos ayudar a tu negocio.
Simplifica tus decisiones:
28/ City Analytics
Cloud computing
¡Empieza!
Open data
! No te la juegues a ciegas !
