Door de internationale economie, bedrijven met meerdere locaties en ontelbare e-commercebedrijven die het mogelijk maken om goederen te kopen en verkopen vanaf ieder apparaat met internetverbinding, is er een overvloed aan locatiedata in de wereld. En door de toename van mobiele en draagbare apparaten worden steeds meer mensen nieuwsgierig naar het 'waar' en 'waarom' van hun data. Door al deze factoren groeit de vraag naar interactieve kaarten, vooral kaarten die gerelateerd zijn aan locatiedata, en is het van cruciaal belang dat bedrijven kaarten gaan gebruiken bij hun business intelligence-activiteiten.
Doordat veel beslissingen op geografische data worden gebaseerd, zijn er veel mogelijkheden om analyse voor bedrijven, overheden, nutsbedrijven en andere organisaties en groepen te verbeteren met locatie-informatie. In dit overzicht komt aan bod wat locatiedata is en hoe het wordt gebruikt, en worden en aantal uitdagingen om rekening mee te houden besproken als je het gebruikt als onderdeel van je algemene dataset.
Wat is locatiedata?
Locatiedata, ook wel geografische informatie of geospatiale data genoemd, verwijst naar informatie die betrekking heeft op objecten en elementen die zich in een geografische ruimte of horizon bevinden. Er zijn twee gangbare soorten locatiedata: vectordata en rasterdata.
- Vector: Deze vorm maakt gebruik van punten, lijnen en veelhoeken om elementen zoals steden, wegen, bergen en waterpartijen te tonen, die in geografische informatiesystemen (GIS) in kaart worden gebracht en opgeslagen.
- Raster: Deze vorm maakt gebruik van cellen om ruimtelijke elementen te tonen. Bijvoorbeeld externe satellietdata.
Kaart die gebruikmaakt van locatiedata om carpoolconcentraties te tonen in Philadelphia. Visualisatie door Kent Marten.
Heb je ooit naar een kaart gekeken die de criminaliteit in de stad waar je woont weergeeft, om te zien welke gebieden de hoogste misdaadcijfers hebben? Of voor bedrijven: misschien wil je weten of er inventarisatieverschillen zijn in een bepaald deel van het land of welke producten beter presteren in bepaalde regio's. Als mensen een kaart bekijken, dan beginnen ze vanzelf de kaart om te zetten in informatie door de inhoud te doorgronden. Dit betekent patronen ontdekken, trends beoordelen en besluiten maken, gebaseerd op wat ze zien.
Dit wordt 'ruimtelijke analyse' genoemd en is het natuurlijke gedrag van onze ogen en hersenen wanneer we een kaart bekijken.
Voorbeelden van datavisualisaties die gebruikmaken van locatiedata
De technologische ontwikkelingen waarmee we locatiedata vastleggen, wordt constant beter. Deze data werd eerst alleen op fysieke kaarten vastgelegd, maar door de evolutie van deze datasoort en verschillende technologieën (bijv. mobiele apparaten, locatiegebonden diensten etc.) wordt locatiedata nu in allerlei soorten kaarten vastgelegd.
Een aantal gangbare soorten datavisualisatie waarbij gebruik wordt gemaakt van locatiedata:
- Kaarten met proportionele symbolen
- Choropletenkaarten (ingekleurde kaarten)
- Puntdistributiekaarten
- Heatmaps (dichtheidskaarten)
- Flowkaarten (bewegingskaarten)
- Schematische kaarten (vertrekpunt-bestemmingkaarten)
Hoe locatiedata een dataset en analyse ondersteunt
Als je locatiedata aan een dataset toevoegt, geef je analyses context op een manier die in een spreadsheet, lijngrafiek of taartdiagram verloren kan gaan. Die context leidt tot betere prioriteitstelling, planning en uitvoering van doelstellingen. Bijvoorbeeld:
- Datapunten met echte grenzen verbinden: Stel dat je samenwerkt met gemeenschappen om waarnemingen van watervogels in stroomgebieden te analyseren. Je wilt weten hoeveel vogels er in elk stroomgebied zijn waargenomen. Met veelhoekdata kan de locatie van stroomgebieden worden geschetst en met puntdata kunnen waarnemingen van watervogels worden geregistreerd. Met ruimtelijke joins (een functie die in sommige analyse-oplossingen beschikbaar is) kun je de locatiedata van vogelwaarnemingen dan weer combineren met de grenzen van stroomgebieden om antwoorden te vinden en deze verder te analyseren.
Deze door Kent Marten gemaakte visualisatie maakt gebruik van ruimtelijke joins om vormbestanden van stedelijke blokken te combineren met afzonderlijke gegevens over putten.
- Verschillende soorten grafieken combineren voor snel begrip: Een kaart met taartdiagrammen kan ook een percentage-analyse van verschillende regio's weergeven. Als je in de sales werkt, kan dit handig zijn wanneer je het relatieve verkoopvolume in bepaalde regio's evalueert en hoe dat de (sterke of zwakke) winstgevendheid van het bedrijf beïnvloed.
- Creëer een verhaal met dashboards: Het combineren van kaarten met tijdtrends en andere grafieken in een dashboard helpt patronen ontdekken, zorgt voor krachtiger voorspellende analyse en prognose, en maakt het gemakkelijker om uitschieters te identificeren. De visualisatie hieronder, van Timothy Vermeiren, laat bijvoorbeeld zien hoe het weer op verschillende steden van invloed is, afhankelijk van hun ligging ten opzichte van de evenaar en de positie van de aarde en zijn baan om de zon. De combinatie van grafieken en kaarten helpt het publiek om de informatie aan hun eigen ervaringen te koppelen.
Dashboard dat laat zien hoe de positie op aarde verband houdt met het weer. Visualisatie door Timothy Vermeiren.
Lees deze pagina over mapping-oplossingen voor meer informatie over de toepassing van locatiedata in mapping voor krachtiger verkenning van de details en om te zien hoe dat mogelijk is in een oplossing zoals Tableau.
Uitdagingen om rekening mee te houden bij het gebruik van locatiedata
Hoewel het gebruik van deze datasoort in je gehele set vele voordelen heeft, zijn er ook een aantal zaken om rekening mee te houden. Bijvoorbeeld:
- Big data en het Internet der dingen = technologische beperkingen. Met de groei van digitale data is het gemakkelijker om locatiedata te verzamelen. Maar wellicht heb je niet de middelen om al deze data op te slaan en te analyseren.
- Een overvloed aan bronnen betekent meer data en meer formats. Locatiedata vastleggen, de nauwkeurigheid controleren en generalisering voorkomen, kan lastig zijn. Het is erg belangrijk om de technologieën te vinden waarmee prioriteit wordt gegeven aan databeheer, die je in staat stellen om grote hoeveelheden informatie in te krimpen en waarmee je belangrijke details kunt ontdekken.
- Dataprivacy. Privacy is van cruciaal belang wanneer er met geografische informatie (of datasets) wordt gewerkt waarin die persoonsgegevens bevatten. Het is belangrijk om maatregelen voor databeheer en -ethiek te hanteren die het privacybeleid prioriteit geven en beheren.
- Intellectuele-eigendomsrechten en vergunningen. Houd rekening met eventueel van toepassing zijnde intellectuele-eigendomsrechten en dat voor gebruik van bepaalde data een vergunning vereist kan zijn. Je moet bekwame experts in dienst nemen die niet alleen betekenis en waarde uit data kunnen halen, maar die ook inzicht hebben in problemen zoals dataconflicten, rechten en vergunningen, en die weten hoe die problemen opgelost kunnen worden.
Locatiedata is een ontzettend handig hulpmiddel wanneer het goed wordt geanalyseerd. De eerste stap is een interactief platform kiezen waarin je zoveel mogelijk controle hebt, met de flexibiliteit om meerdere bronnen en gepersonaliseerde filters te gebruiken, en waarin het mogelijk is om een uitgebreide set analyses uit te voeren. Als je je goed voorbereidt en bedenkt wat je absoluut nodig hebt (voordat je een platform kiest dat het beste bij je behoeften past), weet je welke kansen en uitdagingen je kunt tegenkomen. Uiteindelijk ga je locatiedata combineren met alle andere belangrijke informatie, om tot krachtige inzichten te komen en belangrijke verhalen te vertellen.