Как найти местоположения компании

Получить координаты по адресу

Начните вводить запрос для появления поисковой подсказки.

07.11.2019, обновлено 25.02.2021

Комментарии 12

56.346846,43.847955 Какое значение является широтой. а какое долготой

Первое — широта, второе — долгота

Супер молодцы давно такое искал.

куда-то поисковая стока и карта пропали(((

Можно ли получить широту и долготу для списка объектов (файлом)?

Как получить географические координаты, если тебе известен лишь километраж от устья реки?

Почему не работает сервер?

55.63716124224591,37.705979398721205 у меня так слишком большой цифры получился. Это правильно?

М кр энергетик са д о в а я 15. 23 в л а д и м и р

Самый лучший вариант — это обратиться к профи в области пробива.
ТВОЙ — ИНФОРМАТОР . РУ
Пробьют любую информацию быстро, качественно, по низким ценам.
Удачи!

Екатеринбург ул. Декабристов 32

Свердловская обл Нижнесергинский район, деревня Васькино, ул. Набережная 6

Domain Location

Проверьте доступность домена

Проверьте, доступно ли доменное имя для регистрации или нет, с помощью нашего инструмента поиска доменов.

Найти владельца домена и информацию о нем

Используйте информационный инструмент WHOIS, чтобы узнать владельца домена, местоположение, ip-адрес и другую информацию.

Узнать срок действия домена

Ищете доменное имя, на которое вы хотите претендовать? Узнайте, когда срок действия домена истечет, с помощью наших инструментов whois и поиска.

Как мне найти географическое местоположение веб-сайта?

Используйте наш инструмент для привязки домена к местоположению только для определения IP-местоположения доменных имен. Если вы хотите выполнить поиск IP-адреса и определить местоположение IP-адреса, пожалуйста, используйте наш инструмент для привязки IP к местоположению или более сложный поиск по IP и поиск по Whois.

Поиск местоположения веб-сайта.

Проверьте географическое местоположение, в котором был размещен веб-сайт, и получите подробную информацию, такую как город, страна и регион.

Поиск местоположения домена или веб-сайта.

Наш инструмент определения местоположения веб-сайта полностью бесплатен в использовании, и мы не сохраняем какие-либо ваши данные на наших серверах.

Что такое поиск местоположения домена?

IP-адрес или интернет-протокол — это метод, с помощью которого данные отправляются с компьютера с другого компьютера в Интернете, каждое устройство должно иметь хост, который, по крайней мере, имеет уникальный IP-адрес, а также домены, каждый домен в Интернете должен иметь IP-адрес.

Как мне найти местоположение IP-адреса или домена?

Чтобы найти местоположение IP / домена, вы можете использовать инструменты поиска IP и определения местоположения домена.

Кто размещает веб-сайт?

Узнайте, кто размещает ваш или чей-либо другой веб-сайт. Получите информацию об IP-адресе веб-сайта, серверах имен и многом другом.

Как наладить поиск адреса по координатам (и где взять нужный справочник)

Весной мы добавили в API DaData.ru фичу «Обратное геокодирование», она же «Адрес по координатам». Название намекает: метод принимает геокоординаты и отдает данные об адресе.

Солидный продукт с той же функциональностью предлагает «Яндекс» — он называется «Геокодер». Но сервис «Яндекса» бесплатен только для открытых некоммерческих проектов. Стандартный же тариф — от 120 000 ₽ в год — подходит не всем.

Мы подумали — если сделать бесплатную или недорогую альтернативу «Геокодеру», разработчики наверняка скажут спасибо. И сделали. В статье расскажу, как устроен «Адрес по координатам»: как мы наладили поиск, собрали справочник и упаковали в готовый метод.

Где берем данные и чем ищем адрес

Подступаясь к задаче, мы изучили готовые решения: где взять справочник координат с адресами и как потом искать по этому справочнику географические объекты. Оказалось, за нужными инструментами даже не придется далеко ходить.

Адресные объекты берем в ФИАС — Федеральной информационной адресной системе. Это самый полный из открытых и официальных адресных справочников. Подробно о нем мы уже писали на «Хабре», а сейчас важны четыре факта:

• в ФИАС хранятся все адресные объекты страны, от регионов и ниже — до зданий и дополнительных территорий;
• справочник свободно доступен в форматах DBF и XML;
• ФИАС не идеален — в нем отсутствуют десятки тысяч домов и множество улиц, особенно новых;
• каждому адресному объекту в справочнике соответствует уникальный ID — ФИАС-код. Код объекта иногда меняют, но для нашей статьи это не так важно.

Адресные объекты, загруженные из ФИАС вместе с ID, — основа нашего справочника для обратного геокодирования.

Координаты загружаем из OpenStreetMap (OSM). OSM — проект со свободной лицензией: энтузиасты собирают координаты всевозможных объектов и выкладывают для всех желающих.

Если по-простому, OSM — это набор точек, линий и полигонов на карте. У каждого объекта свое описание, тип и набор координат. Данные OSM для России лежат по адресам needgeo.com, osm.sbin.ru/osm_dump/ и osmosis.svimik.com/latest/.

_{Список источников публикуют на специальной странице в «Вики» проекта}

Выгрузки состоят из PBF-файлов — этот формат используют вместо XML как более компактный. Превратить PBF в OSM XML ничего не стоит, с этим справится куча одобренных сообществом утилит.

Для собственного справочника мы берем адресные объекты из ФИАС, а затем ищем их координаты в OSM. Если нашли, сохраняем объединенные данные. Получается такое пересечение ФИАС и OSM.

И все это замечательно, но есть одна проблема: с качеством данных в OSM дела обстоят непросто. Координаты объектов часто не соответствуют реальности. Например, полигоны для регионов и районов адекватны. А для городов и ниже — уже не очень.

_{Полигоны — это многоугольники, ограничивающие площади на карте. Они состоят из связанного набора точек с координатами. Полигонами обозначают границы регионов, районов, городов и даже зданий}

Основная работа, и с большим отрывом — собрать из OSM адекватные данные и отсеять брак. Задача настолько объемная, что я отвел под нее в статье отдельный раздел.

Дома, которых нет в ФИАС, загружаем тоже из OSM. Выше я уже говорил, что в ФИАС отсутствуют десятки тысяч домов. Это даже не проблема, а просто реальность, фон. Поэтому мы пополняем свой справочник домами из OSM. Но только теми, для которых в ФИАС существует улица. У пришедших из OSM зданий нет ФИАС ID, поэтому мы идентифицируем их как ФИАС-код родителя + номер дома.

По справочнику ищем с помощью прекрасного Lucene — нашего многолетнего помощника. За наводку спасибо сведущему индийцу, написавшему пост Indexing Geographical Data With Lucene (хорошее дополнение — материал A dive into spatial search algorithms — о k-d-деревьях, на которых построен алгоритм поиска).

Как только мы узнали об у́дали Lucene, проблема с поиском решилась почти сама. Делов осталось — пройтись наждачкой.

1. Загрузили в Lucene свой справочник координат и адресов, получили поисковый индекс. Для легкости убрали из него почти все, оставив лишь ID адресов и координаты.
2. Наладили поиск по индексу: на вход — координаты, на выход — ID найденных адресных объектов. Другой информации поиск не возвращает, поскольку индекс мы донельзя скукожили.
3. Насытили выдачу, загружая из «большого» ФИАС данные по найденным ID. Добавляем много всего, от нужного всем адреса одной строкой до признака столицы региона у городов.
4. Придумали, как сортировать и отдавать полученные объекты.

Пока все выглядит просто, но это лишь малая часть работы. Никакого поиска адреса по координатам не получилось бы, не собери мы приличный справочник.

Как собрали базу координат и адресов

Для начала выложу багаж: прочитав статью, быстро сделать подобный справочник не получится. Мы собираем его с 2014 года, постоянно дополняя. Об этом чертовски длинном пути я и расскажу.

Самое сложное при составлении справочника — перебрать кординаты, которые пришли из OSM. На старте мы выверяли их как могли, в том числе руками. Главная цель тогда — получить опорные точки в крупных городах и сделать из них эталонный справочник. Теперь, когда таких точек много, проверять новые данные вручную почти не приходится. За раз мы добавляем в эталонный справочник 200 000–300 000 адресов с координатами, и вот как это делаем.

Формируем из OSM-тегов полные адреса́. В OSM-выгрузках составные части адресов разбросаны по разным тегам:

• addr:city — д. Булатниково;
• addr:street — Центральная улица;
• addr:housenumber — 103.

Пробегаем по тегам и собираем из них полный адрес: д. Булатниково, Центральная улица, 103.

Прогоняем каждый новый адрес через API стандартизации «Дадаты». Сервис приводит адреса к единому формату «Как в ФИАС»:

• исправляет опечатки;
• расшифровывает сокращения вроде «НиНо» и «Мск»;
• меняет старые названия на новые;
• находит по индексу пропущенный в адресе город;
• определяет ФИАС-код.

Адреса́ приходят от API чистыми, хоть сейчас шли письмо или бандероль.

Стандартизованные дома, улицы и населенные пункты мы храним как одну точку. Для улицы и населенного пункта эта точка — центр. В итоге все адресные объекты лежат в одной таблице, внутри — адрес, ФИАС ID, широта и долгота.

Разбираем адреса, которые «Дадата» не стандартизовала. Адреса́, которые не получилось сопоставить с ФИАС, сервис помечает флажком. Их проверяем вручную, вариантов здесь несколько.

1. Адрес пришел не в положенных тегах выгрузки OSM, а черт знает где. Встречали и вовсе не заполненные адресные теги, и город в теге улицы, и еще много всего.
2. В OSM лежит экзотический объект вроде детской площадки, вузовского футбольного поля или вовсе кладбища. В ФИАС ничего такого нет, да и для наших целей эти результаты не годятся. Такие объекты просто отсеиваем.
3. Ошибка — и не ошибка вовсе. Например, из OSM пришел район города, которого в ФИАС нет. Или в ОSМ объект находится в населенном пункте, а в ФИАС этот населенный пункт присоединили к городу и удалили. Тогда мы допиливаем алгоритм под загруженные данные и запускаем снова.

_{Распарсили выгрузку, а там — путаница в тегах}

Проверяем, насколько адекватны загруженные координаты. Для этого специальной утилитой смотрим, попадают ли координаты нового объекта в полигон родительского региона или района. Если адрес сообщает, что объект находится в Омской области, будь добр по координатам попадать в ее полигон. Вхождения в город не требуем — не все города точно освещены в OSM, для многих данные не обновляют.

Эталонные полигоны мы загружаем из OSM и храним как есть — в формате GeoJSON. Чтобы выбрать, к какому полигону примерить точку, смотрим в отдельную таблицу. В ней мы сопоставили префиксы КЛАДР-кодов и ID полигонов: находишь для адреса КЛАДР-код и видишь, какой полигон выбрать.

_{КЛАДР-код — это уникальный идентификатор, который использовали еще до появления ФИАС. Находить этот код для адреса умеет миллион сервисов}

Утилита разрешает объекту отстоять от положенного полигона на 1 700 метров. Это правило добавили из-за шоссе, которые часто выходят за границы региона. Но расстояние больше 1 700 метров — признак ошибки, так говорит статистика.

На этом для городов и улиц проверка заканчивается.

Еще раз, построже, проверяем загруженные координаты домов. В дело снова вступает упомянутая утилита, и вот что она делает.

1. Берет адрес нового дома и находит для него соседей в эталонном справочнике.
2. По координатам считает расстояние между непроверенным новым домом и надежными соседними.

_{Соседей найти несложно: 1. Берем новый дом и находим ФИАС ID родителя. 2. Выбираем из эталонного справочника дома́, у родителей которых тот же ФИАС ID}

Проверку проходят только дома, которые удалены от надежных коллег не более чем на 150 метров. Причем каждый новый одобренный дом мы учитываем при разборе следующих. Вот как это работает.

Допустим, в эталонном справочнике хранятся дома № 1, 2 и 3 по улице Коммунаров. В новых данных пришли дома № 5, 6 и 7 по той же улице. Судя по координатам, новые дома стоят рядом. Утилита видит, что дом № 5 находится рядом с домами № 1, 2 и 3 и добавляет его в эталонный справочник. Значит, дома № 6 и 7 тоже проходят проверку.

А дальше решается судьба пришедших из OSM данных:

• дома, прошедшие обе проверки: на полигоны и на соседей, добавляем в эталонный справочник;
• если объект не попадает в полигон, новые данные не подходят. То же самое, если расстояние между домом и соседями слишком велико;
• дома, у которых нет соседей, мы пока откладываем. Они лежат в отдельной базе, когда-нибудь разберем.

Делим прошедшие проверку объекты на две части. Они пойдут в разные таблички нашего эталонного справочника.

_{В первой таблице — все объекты c ФИАС ID до домов: регионы, населенные пункты, улицы. Во второй — дома́ и ссылка на родителя из первой таблицы}

Две таблицы нужны, чтобы назначить ключи отсутствующим в ФИАС домам. У них нет собственного ФИАС-кода, поэтому делаем вот как:

• в одну таблицу собираем адресные объекты до дома, у каждого из них свой ФИАС-код;
• во вторую — только дома́, при этом ссылаясь на родителя в первой таблице.

В итоге здания без ФИАС-кода мы идентифицируем по ключу ФИАС ID родителя + номер дома.

Справочник готов, осталось протестировать. За ночь прогоняем сервис по функциональным тестам и тестируем производительность. Скорость проверяем на Москве, запрашивая все дома в радиусе трех километров. Чтобы уж наверняка. Конечно, обложили все автотестами.

Главное после обновления — чтобы не стало хуже.

Обратное геокодирование глазами пользователя

На вход метод принимает три параметра: координаты, количество результатов и радиус поиска. Радиус по умолчанию — 100 метров, максимальный — километр. Точное значение задают в настройках.

curl -X POST 
  -H "Content-Type: application/json" 
  -H "Accept: application/json" 
  -H "Authorization: Token ${API_KEY}" 
  -d '{ "lat": 55.878, "lon": 37.653, "radius_meters": 50 }' 
  https://suggestions.dadata.ru/suggestions/api/4_1/rs/geolocate/address

Обратно метод возвращает найденные объекты: дома, улицы и населенные пункты. При этом сортирует их по убыванию точности.

1. Дома́.
2. Улицы.
3. Населенные пункты.
4. Города́.

Затем сортирует еще раз — по расстоянию от заданных координат. Если метод нашел четыре дома и улицу, сначала встанут дома́ в порядке удаленности от заданной точки. За ними — улица.

После всех этих рокировок метод наконец-то возвращает объекты, которые нашел.

{
    "suggestions": [
        {
            "value": "г Москва, ул Сухонская, д 11",
            "unrestricted_value": "г Москва, ул Сухонская, д 11",
            "data": {...}
        },
        {
            "value": "г Москва, ул Сухонская, д 11А",
            "unrestricted_value": "г Москва, ул Сухонская, д 11А",
            "data": {...}
        }
    ]
} 

Внутри — много разного о найденных объектах: строки с полным и сокращенным адресом, актуальное и устаревшие названия, почтовый индекс, ФИАС-код родительского объекта и так далее.

_{Все данные, которые отдает метод — в документации}

Покрытие по координатам для разных регионов разное, вот так с домами:

• Москва — 96%,
• Санкт-Петербург — 88%,
• другие города-миллионники — 74%,
• остальная Россия — 47%.

А вот это — покрытие по улицам:

• Москва — 92%,
• Санкт-Петербург — 79%,
• другие города-миллионники — 75%,
• остальная Россия — 67%.

По городам не считали — в масштабах России зыбок даже сам факт принадлежности к гордому званию города. Например, Ярославская обл, Пошехонский р-н, с/о Федорковский — это город, согласно официальному справочнику ФИАС. А по факту, да и по адресу — сельский округ. Физически сельский округ напоминает объединение нескольких деревень в большую кляксу. Сложно не только определить центр, но даже найти населенный пункт на карте.

Уже думаем, что добавить к методу: разрешить фильтрацию по типам объектов, возвращать расстояния до заданной точки, еще что-нибудь. Следим за спросом и решаем, вкладывать ли силы.

А в остальном все уже на проде. До 10 000 запросов в сутки — бесплатно, больше — по подписке от 5 000 ₽ в год. Если нужны адреса по координатам для коммерческого проекта, а «Геокодер» слишком дорог — попробуйте API «Дадаты».

Оригинал статьи опубликован в блоге HFLabs.

Концепт будущей торговой точки есть, а понимания, где её открывать, нет? Геомаркетинг вам в помощь. Это направление маркетингового анализа, нацеленное на поиск идеального места для запуска торговых объектов. Геомаркетинг применим для ритейла, девелопмента, транспорта и логистики, телекома, служб доставки, DIY и т.д. О том, как провести маркетинговый анализ локации будущей торговой точки, рассказал основатель сервиса «Геоинтеллект» Денис Струков.

Шаг первый: составьте портрет целевой аудитории

Для начала вам необходимо составить портрет целевой аудитории и сравнить его с аудиторией на анализируемой территории. Вы должны чётко понимать, кто ваш потенциальный покупатель. Рекомендуем на каждый сегмент аудитории составлять подробный – «очеловеченный» — портрет. Маркетологи называют его аватаром. Хотите открыть магазин-кондитерскую? Вот как можно описать его аудиторию:

• Плохо: женщины от 30 до 60 лет с детьми.

• Лучше: молодые девушки от 30 до 35 лет с детьми в возрасте до 3 лет. Любят готовить.

• Хорошо: это Света. Света – мама в декрете. Свете 32 года, она любит готовить, ей нравится удивлять семью разными десертами каждую неделю. Света ищет рецепты в книгах. Мечтает открыть свою пекарню.

Мы разобрали один срез аудитории – на самом деле, их больше. Имея развернутое представление о потенциальных покупателях, соотнесите их портрет с аудиторией в рассматриваемой локации. Проанализируйте половозрастную структуру населения, потребительские привычки и покупательскую способность.

Учитывайте, что прийти в торговую точку могут не только те, кто живёт рядом и целенаправленно может зайти в кондитерскую, но и люди, идущие с работы или на работу – например, чтобы взять кофе с собой или купить булочки для дневного перекуса в офисе. В Общем, ориентируйтесь на пешеходный поток рядом с объектом.

Уровень доходов населения района, в котором анализируете локацию, тоже влияет на успех торгового объекта. Особенно, если вы нацелились на аудиторию с доходами выше среднего. Не открывайте магазин фиксированных цен в районе с элитной недвижимостью. А в спальных районах вряд ли будет пользоваться спросом магазин элитного алкоголя или дорогого нижнего белья.

Шаг второй: оцените окружение

Теперь нужно внимательно осмотреться и проанализировать, что находится в непосредственной близости от потенциальной торговой точки. Очень важно не только то, кто из конкурентов находится неподалёку, но и есть ли рядом «точки силы» и места притяжения – объекты, которые поспособствуют увеличению посещаемости торгового объекта: школы, детские сады, бизнес-центры, парки и т.д. Например, места притяжения для велопроката – парки, а для магазинов детских товаров – детские сады, студии творчества и развития.

Случается обратное, когда объект ограничивает размещение торговой точки. Алкогольным магазинам и барам запрещено находиться на расстоянии меньше 100 метров от школ и детских садов (расстояния в различных регионах отличаются).

Обратите внимание на дорожную ситуацию: удобство развязок, загруженность дорог в разные часы, ближайшие планы по реконструкции. Например, частая проблема дилерских центров – отсутствие анализа расположения с точки зрения планов строительства развязок. Пять лет дилерский центр стоял, и аудитория видела его, а на шестой год построили мост, и центр оказался под ним. Стал сложно доступен и фактически невидим. Не хотите такого? Тогда тщательно изучите, где построят развязки, метро и недвижимость.

Для оценки окружения торговой точки воспользуйтесь радиусом обслуживания. Геомаркетологи называют его пешеходной доступностью. Это расстояние, которое целевая аудитория готова преодолеть от дома до объекта.

Радиус 450 метров – 5 минут пешком до точки по адресу ул. Итальянская д. 31 (Санкт-Петербург).

Оживленные проспекты, популярные прогулочные маршруты, река, развязка – это барьеры на пути к торговой точке. Потенциальный посетитель поленится переходить улицу или, тем более, мост. Обрежьте барьеры, и торговая зона будет точнее.

Зона обслуживания торговой точки по адресу ул. Итальянская д. 31 (Санкт-Петербург) с «обрезкой» по барьерам.

Если предполагается, что ваш покупатель приедет на машине, постройте карту транспортных зон.

Пятиминутная транспортная зона до точки по адресу ул. Итальянская д.31 (Санкт-Петербург) площадью 8.2 км. 

Воспользуйтесь радиусами и транспортными зонами в более сложных методах анализа: постройте их от объектов конкурентов и определите, где они пересекаются. Зона пересечения – территория нахождения аудитории, за которую нужно бороться.

Шаг третий: проанализируйте трафик

Сколько человек пройдёт рядом с торговым объектом? Самый точный метод оценки – полевое исследование. Специалист выезжает на точку и считает проходящих мимо людей. Помогают ему мобильные приложения с визуализацией информации на карте, куда заносятся данные о торговом окружении: конкурентах, объектах строительства, пешеходном трафике. Анализ информации помогает в дальнейшем позиционировании и формировании ассортимента.

Оценить покупательский поток удалённо помогут данные сотовых операторов. Замеры происходят в разное время суток: утром, днём, вечером, ночью в будни и выходные дни.

Перемещение абонентов в будни утром рядом с точкой ул. Итальянская д.31(Санкт-Петербург).

Перемещение абонентов в выходные утром рядом с точкой ул. Итальянская д.31 (Санкт-Петербург).

Шаг четвёртый: оцените конкурентов

В подавляющем большинстве конкуренты представляют угрозу для открытия торговых точек, поэтому нужно мониторить окружение и выбирать места, более-менее свободные от конкурентов. Магазины и пекарни, ориентированные на пешеходную доступность, борются за жителей квартала, а гипермаркеты, ориентированные на пешеходную и транспортную доступность, борются за жителей ближайших домов, которых не устраивает ассортимент небольших супермаркетов, и тех, кто приезжает в магазин на автомобиле. 

Зоны обслуживания магазинов могут пересекаться, и можно заранее просчитать потенциал торговой точки с учётом  конкурентов. На основе полученных данных можно корректировать ассортиментную линейку и устраивать маркетинговые акции, чтобы привлечь клиентов, проживающих в торговой зоне конкурента.

Бывают стратегии развития, когда наличие конкурента – преимущество локации, так называемый, феномен соседства. Улица Рубинштейна в Санкт-Петербурге известна горожанам и гостям города беспрецедентным количеством кафе и ресторанов. Думская – клубами и караоке. В 20 минутах на транспорте вокруг метро Лесная находятся мебельные магазины: ТЦ «Аквилон», «Мебель Сити», «Центр диванов» и другие. Логика такая: целевая аудитория в этом месте уже есть, осталось только привлечь покупателя приятным предложением, уникальным меню или сервисом.

Шаг пятый: спрогнозируйте товарооборот

Для прогнозирования сбыта используют формулы расчёта товарооборота. В основе многих методик расчёта товарооборота лежат геомаркетинговые факторы: удалённость потребителя от магазина, близость конкурентов, количество жителей, количество пешеходов и т.д. Рекомендуем пользоваться сценариями расчёта в зависимости от расположения торговой точки: для села и для города. При расчёте среднедневного товарооборота для точки, расположенной на городской территории, учитываются домохозяйства, которые проживают в зоне 0-600 от потенциальной точки, или в зоне, указанной пользователем. Для точки, расположенной на сельской территории, учитываются домохозяйства, проживающие в сельских населенных пунктах муниципальных образований, границы зон, которые указал пользователь. Определите размер зон влияния, отрежьте зоны по барьерам и укажите показатель посещаемости — количество чеков в день, приходящееся на 1 домохозяйство в зоне. Если вы используете показатель «чеков в неделю», то переведите его в показатель 1 дня.  

Кроме зон влияния важно учесть показатели трафика и конкурентов в зоне, которые повлияют на итоговый прогноз товарооборота. В методику расчёта товарооборота можно закладывать степень влияния конкурента и другие геомаркетинговые факторы.

Более подробно о геомаркетинге можно узнать на сайте сервиса «Геоинтеллект» или посмотрев видео выступления Дениса Струкова и Анастасии Замашной на Yet Another Conference-2017.

Читайте также:

Как организовать умное кассовое место в магазине.
Как создать эффективный и прозрачный отдел продаж.
Что такое реальная автоматизация и зачем она нужна малому бизнесу.

Пошаговая инструкция для поиска локации для открытия вашего бизнеса. Показываем на примере пиццерии: как визуализировать данные по продажам и расположению точек продаж с помощью статистики сети ресторанов «Додо Пицца» и статистики по поисковым запросам «Яндекса».

Шаг 1: Импортируем геослои из Marketplace

Для начала нам потребуется бесплатный датасет Организации. Авторизуемся в DataLens и переходим в Marketplace. Выбираем категорию Геослои, затем Организации: спрос и предложение. В карточке товара нажимаем Развернуть и сохраняем покупку в папку Purchases.

Нажимаем кнопку Открыть. В открывшемся окне представлен набор объектов DataLens: подключение, датасет, чарты и дашборд. Дашборд — страница на которой можно одновременно отобразить разнообразные чарты: диаграммы, таблицы, карты и индикаторы. Кликнем на дашборд Организации: спрос и предложение. В открывшемся окне выберем рубрику Пиццерия. Теперь мы можем ознакомиться с показателями спроса, предложения, спроса на предложение по пиццериям в выбранном городе, в нашем случае в Москве.

Этот набор данных может использоваться для визуализации спроса и предложения и по другим рубрикам, таким как АЗС, медицинские лаборатории, барбершопы или предприятия общественного питания и доступен для множества городов, например для Казани, Новосибирска, Краснодара или Нур-Султана.

Шаг 2: Подключаемся к базе данных со статистикой DODO

Теперь нужно подключить собственный набор данных. Вы можете использовать статистику своей компании или любые подходящие для вашего анализа открытые данные, такие как «Общественное питание в Москве», доступные на портале открытых данных правительства Москвы. Также можно воспользоваться данными из Marketplace DataLens или открытыми данными системы Инфометр.

В этой инструкции мы будем использовать статистику компании «Додо Пицца», с подключением к базе данных ClickHouse.

Перейдем в DataLens и нажмем кнопку Создать подключение. Выбираем тип подключения ClickHouse и в открывшемся окне указываем параметры:

Проверяем подключение, нажимаем кнопку Создать и дожидаемся сохранения подключения. Теперь нажимаем кнопку Создать датасет и в открывшемся датасете перенесем таблицу в рабочую область.

Затем откроем вкладку Поля и переименуем Name в Pizzerias в столбце Имя. Нажимаем кнопку … у поля Pizzerias и выбираем Продублировать. Переименуем созданное поле в The number of pizzerias и в столбце Агрегация выберем тип Количество уникальных. Для поля Coordinates выберем тип геоточка, для Revenue тип агрегации Сумма.

Добавим новое поле для построения топа пиццерий. Назовем его Revenue rank и будем использовать формулу RANK([Revenue]).

Шаг 3: Создаем чарты для дашборда

Сначала сделаем чарт со статистикой открытия пиццерий по месяцам. Для этого на панели датасета DODO нажимаем кнопку Создать чарт. В открывшемся окне перетащим OpenDate из раздела Измерения в секцию X, а показатель The number of pizzerias в секцию Y. Затем настроим группировку данных. В поле OpenDate нажимаем кнопку календаря, в поле Группировка выбираем Округление -> Месяц и нажимаем Применить. Затем нажимаем Сохранить, называем чарт Динамика открытия пиццерий и сохраняем его.

Затем создадим чарт с топом пиццерий. Для этого в нашем текущем чарте кликаем на типе Столбчатая диаграмма и меняем его на Линейчатую диаграмму. В секцию Y добавляем измерение Pizzerias и удаляем OpenDate, в секцию X добавляем показатель Revenue и удаляем The number of pizzerias. В секцию Сортировка добавляем показатель Revenue. Настроим фильтры: добавим показатель Revenue rank, в списке выбираем меньше или равно, в поле Значение вводим 10 и нажимаем кнопку Применить фильтр. В правом верхнем углу нажимаем на значок рядом с кнопкой Сохранить и выбираем Сохранить как. Назовем чарт Топ-10 пиццерий.

Теперь создадим два индикатора. Первый будет показывать общую выручку. В текущем чарте выбираем тип Индикатор. В секцию Показатель добавляем Revenue, а из поля Фильтры удаляем Revenue rank. Сохраним чарт под названием Выручка. Второй индикатор будет показывать общее количество пиццерий. Добавляем The number of pizzerias в секцию Показатель, затем удаляем sum(Revenue). Сохраним чарт под названием Количество пиццерий.

Наконец создадим чарт с распределением пиццерий на карте и с отображением их выручки. Выбираем тип чарта Карта. В секцию Геоточки добавим измерение Coordinates, а в секции Размер и Цвета добавим показатель Revenue. В Тултипы добавим Pizzerias, Address, OpenDate, Revenue. Настроим цвета отображения уровня доходов, для этого в секции Цвета выберем Двухцветный градиент и цвет Желтый (оттенки). Сохраним чарт с названием Пиццерии на карте.

Шаг 4: Создаем дашборд

Переходим в DataLens и нажимаем кнопку Создать Дашборд. Назовем его DODO Dashboard. В открывшемся окне нажимаем кнопку Добавить и выбираем Чарт. Выбираем чарт Количество пиццерий и нажимаем кнопку Добавить. Повторяем эти действия для остальных чартов. Свободно перемещаем чарты в любую удобную область дашборда, подбирая подходящее расположение.

Сделаем более удобным выбор города, отображающегося на карте. Для этого нажмем кнопку Добавить и выберем Селектор. Назовем его City, в качестве датасета выберем DODO, поле City. Нажимаем кнопку Добавить и затем переносим селектор в любую близкую к карте область.

Нажмем Сохранить. Выбираем город Москва и, если при изменении города фокус карты остался прежним, обновляем страницу браузера. На карте отображаются рестораны Додо Пицца в Москве с указанием их выручки, а в остальных чартах можно увидеть динамику открытия, количество пиццерий и общую выручку

Шаг 5: Добавляем на дашборд геослои

Сеичас наш дашборд отображает расположение пиццерий на карте и их показатели, но для анализа информации нам нужен геослой со спросом. Убедимся, что на дашборде в селекторе выбрана Москва, а затем нажмем кнопку и выберем Редактировать. В открывшемся окне нажимаем на название датасета DODO и выбираем Добавить датасет. Выбираем из Личной папки загруженный в Шаге 1 датасет Организации. После этого появится окно настройки связей. Нажимаем кнопку Добавить связь, устанавливаем связь между полями City датасета DODO и Город датасета Организации и сохраняем.

Затем в разделе Слои переименуем Слои 1 в DODO. Нажмем на + чтобы добавить новый слой. Назовем его Спрос на предложение. Тип геослоя изменяем на Геополигоны. Убеждаемся, что текущий датасет – Организации. В секцию Геополигоны добавим Полингон. В секцию Общие фильтры добавим измерение Полигон.Тип, указываем значение hash_7 и нажимаем Применить фильтр. В секции Цвета добавляем показатель Спрос на предложение на город.

В настроиках цветов выберем двухцветныи градиент цвета Синии (оттенки). Уровень прозрачности установим равным 60. В секцию Тултипы добавим Спрос, Предложение, Спрос на предложение на город, Топ запросов, Топ компании. Нажимаем Сохранить.

Вернемся на дашборд, открытый на предыдущей вкладке браузера. В селекторе выберем Санкт-Петербург. Дашборд полностью отфильтрован по показателям для этого города, включая геослой. Теперь мы можем увидеть какие спрос и предложение в той или иной ячейке геосетки и есть ли там наша пиццерия.

В результате мы быстро, без написания скриптов или применения сложных инструментов получили визуализацию. Она позволяет оценить спрос на товар или услугу в отдельной области на карте и принять решение о локации для размещения бизнеса на основании собственной статистики компании и открытых данных.

Подписывайтесь на блог Yandex.Cloud, чтобы узнавать еще больше новостей и историй об IT и бизнесе.

Другие истории, которые активно читают наши подписчики: