Helsingin kaupunki julkisti realistisen 3D-kaupunkimallin avoimena datana! Lentelin ympäri 3D-kaupunkia ja nappasin matkalta kuvia, jotta näkisitte kuinka huikeasta materiaalista on kyse! Lisäksi kirjasin ylös muutaman ajatuksen siitä, mihin 3D-mallia voisi hyödyntää.
Kuulin jostain huhun, että pizzaa kuljetetaan yhä yksi tilaus kerrallaan monissa paikoissa. Varsinkin kiireisimpinä aikoina kannattaa yhdellä reissulla käydä viemässä useampi lätty useampaan osoitteeseen. Samalla tuli mieleen muutama muukin seikka, jossa paikkatietoteknologia voisi jeesata pizzaravintolan, tai muun siihen verrattavan bisneksen toimintaa.
Olipa kerran tilanne, kun käsissäni oli Shapefile, jonka latasin avoimen datan saitilta. Tarkkaan ottaen kyseessä oli Helsingin kaupunginosat. Halusin käyttää sitä muutamalla eri tavalla ArcGIS-maailmassa.. Tarve oli esimerkiksi yhdistää attribuuttidataa Esri Maps for Officella Shapen sisältämiin geometrioihin, ja toisaalta halusin myös käyttää Shapefileä ArcGIS Onlinen kartantekotyökalussa yhtenä karttatasona laajoilla ominaisuuksilla. Kätevimmin Shapefilen saa tarjoiltua eri clienteille työntämällä sen ArcGIS Onlineen ja tuottamalla siitä REST-rajapinnan. Tämän jälkeen kaikki ArcGISin osaset osaavat lukea sitä suoraan. Bonuksena vielä se, että Shapefilen tiedot ovat tämän jälkeen hostattuna Esrin pilvessä, ilman että niistä tarvitsee huolehtia. Tässä ohjeen muodossa miten tein homman..
Kyllähän sitä kartalla esitettävillä asioilla labelit pitää olla, eikö vaan! Näin se tehdään.
Jatka lukemista ”Ohje: Tunnustekstit ArcGIS Online-kartan kohteille”
Interaktiivisen kartan lisääminen esimerkiksi uutisartikkelin, yhteystietosivun, tapahtumasivun, matkakertomuksen, tai minkä tahansa muun jutun yhteyteen on nopeaa ja suoraviivaista. Kerron seuraavaksi miten temppu tehdään suosikkityökalullani ArcGIS Onlinella.
Jatka lukemista ”Ohje: Piirrä kohde kartalle ja upota se www-sivulle”
Asuvatko paljon tienaavat lähellä toisiaan? Miten tulot jakautuvat alueittain? Otetaanpa Tilastokeskuksen avoin demografia-aineisto Paavo esiin ja tehdään teemakartta, joka vastaa kysymyksiin. Tarkkaan ottaen tehdään kartta, jossa värisävyt kuvaavat kunkin postinumeroalueen mediaanituloja.
Jos automatka kauppaan saa kestää maksimissaan kaksi tuntia, niin mistä kaikkialta voi vielä lähteä huristelemaan Tuuriin? Kaasujalkoja on tietysti eri painoisia ja keliolosuhteille ei aina voi mitään, mutta erittäin pätevän dataan perustuvan arvion saa käyttämällä ajoaikavyöhykeanalyysia. Ideana on hyödyntää dataa tieverkosta ja sen välityskyvystä eli nopeusrajoituksista. Jos saatavilla on ruuhkatietoja, niin niitäkin voi käyttää. Näytän seuraavaksi, miten ajoaikavyöhyke lasketaan.
Mistä löytyy Suomen korkeakoulutetut ja miten kouluttaneisuus jakautuu ympäri maata? Jakautuuko se tasaisesti, vai löytyykö korkeasti koulutettuja suurten kaupunkien ympäriltä? Kiehtova kysymys, joten yritetäänpä löytää siihen edes osittainen vastaus hyödyntämällä saatavilla olevaa avointa tilastollista demografiadataa. Tässä kirjoituksessa käytettyä menetelmää voisi yhtä hyvin soveltaa vaikka eri asiakassegmenttien maantieteellisen jakautumisen selvittämiseksi, jos sellaista dataa olisi saatavilla.
Heinäkuussa uutiskynnyksen ylittää lähes mikä tahansa juttu, joten eikö olekin sopivaa, että tutkitaan hieman alkoholin ostokäyttäytymistä Suomessa. 🙂 Samalla tehdään esimerkki siitä, miten minkä tahansa osoitteita sisältävän taulukkotiedon voi visualisoida kartalla. Näitähän ovat yritykset pullollaan, ja helppo paikka aloittaa on omien asiakkaiden paikannus kartalle. Siitä voi sitten edetä vaikka myyntipiirien uudelleen järjestelyyn saadun tiedon perusteella!