Power BI에서 모바일 데이터 시각화
모바일 데이터의 시각화
최근, MaaS 서비스의 기획·검토를 위해, 이동체 데이터의 분석이나 활용 요구가 높아지고 있다. 이번에는 Power BI를 사용한 이동체 데이터의 가시화, 분석을 실시한다.
왜 모바일 데이터의 분석 및 활용이 필요합니까?
1.MaaS(모빌리티·아즈·아·서비스)형의 서비스
MaaS는 ICT를 활용하여 교통을 클라우드화하고, 대중 교통인지 아닌지, 그 운영 주체에 관계없이, 마이카 이외의 모든 교통 수단에 의한 이동성(이동)을 1개의 서비스로서 파악해, 매끄럽게 연결하는 새로운 "이동"의 개념이다.
이용자는 스마트폰의 앱을 이용하여 교통수단이나 루트를 검색, 이용하여 운임 등의 결제를 하는 예가 많다.
2. 구체적으로는・・・
휴대 전화나 카 내비게이션 등의 위치 정보를 이용한 서비스. 이동하면서 이용한다. 밖이나 거리에서 이용하는 서비스.
3. 지금의 사례
자율주행·VICS·버스 운행 정보·Uber·Pokemon Go·나우캐스트라든지. 움직이면서 서비스하는 것. B to C뿐만 아니라 C to C 서비스도 있습니다.
4. 이동체
이동하는 것 : 기차 · 버스 · 자동차 · 오토바이 · 자전거 · 사람 · 날씨 (우구름, 태풍)
모바일 데이터 개요
본래라면 차등의 데이터를 사용한 분석을 할 수 있으면 좋겠지만, 취득에 어렵기 때문에, 이번은 마라톤 러너의 데이터라고 하는 것으로, 내가 달린 이하 2개의 레이스. 도쿄 마라톤·쇼난 국제 마라톤을 비교해 분석을 해 본다.
레이스
도쿄 2014
쇼난 국제 2018
데이터 획득
GPS Watch
Fitness Watch
데이터 형식
GPX(XML)
TCX(XML)
데이터 항목
시간, 위도, 경도, 고도
시간, 위도, 경도, 고도, 거리, 심박수
데이터 입도
2초~30초 간격
1초 간격
데이터 하처리
2개의 레이스로 취득한 GPX, TCX 파일이 가지는 데이터 항목이 다르기 때문에, 하처리로서, GPX의 위도 경도 데이터로부터, 주행 거리를 산출했지만, GPS의 오차 때문에, 큰 어긋남이 발생하기 때문에, 한 번 계산을 실시하고 나서, 풀 마라톤의 거리에서 보정을 행한다.
위도 경도로부터 거리의 산출 처리에 대해서는 몇 가지 방법이 있는 것 같지만, 정밀한 검증이 어려우므로, 생략하겠습니다.
데이터 모델
팩트(집계치)는 이동체 데이터, 차원(분석축)은 거리 마스터, 시간 마스터, 마라톤 기본 정보 마스터의 스타 스키마 모델 작성.
사용할 비주얼
Power BI 표준 "세로 막대형 차트", "꺾은선형 차트", "지도"를 사용합니다.
시계열에서의 움직임이 있는 분석에 대해서는, Custom Visual의 「 Play Axis 」를 조합해 사용.
이하의 시각화, 분석을 실시한다.
샘플 보고서 URL (전 5 페이지 구성)
시각×주행 거리, 구간별×시간, 위치 분석을 한층 더 시계열로 움직이기 위해, Custom Visual의 「Play Axis」의 재생 버튼을 붙인 리포트를 준비했으므로 확인해 주었으면 한다.
※쇼난 국제 마라톤(녹색 그래프)의 9킬로포스트와, 21킬로포스트에 대해서는, 이상치로 보이지만, 피트인에서 타임 로스가 발생했기 때문에, 값은 올바르다.
분석에서 알게 된 것
마라톤 초보자이지만 분석에 의해 다음을 알 수 있었다.
1. 쇼난 국제 마라톤(녹색)은 두 번의 피트인이 영향을 받았기 때문에 도쿄 마라톤(흑색)에 비해 지연이 발생.
2.35킬로 지점~골까지는, 과거의 도쿄 마라톤에 대해, 추격하고 있는 것을 알 수 있다.
3. 2도의 피트인에서의 타임 로스가 없으면, 과거의 도쿄 마라톤의 기록을 갱신하는 것을 알 수 있다.
마지막으로
Custom Visual의 Play Axis는 동적으로 차원 데이터를 이동할 수 있습니다. 이번 시계열 차원 외에 다양한 활용을 할 수 있다고 생각하므로, 부디, 여러가지 분석에 활용해 보세요.
Reference
이 문제에 관하여(Power BI에서 모바일 데이터 시각화), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/itsp-taksu/items/12ab25008def70f45cb1
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
본래라면 차등의 데이터를 사용한 분석을 할 수 있으면 좋겠지만, 취득에 어렵기 때문에, 이번은 마라톤 러너의 데이터라고 하는 것으로, 내가 달린 이하 2개의 레이스. 도쿄 마라톤·쇼난 국제 마라톤을 비교해 분석을 해 본다.
레이스
도쿄 2014
쇼난 국제 2018
데이터 획득
GPS Watch
Fitness Watch
데이터 형식
GPX(XML)
TCX(XML)
데이터 항목
시간, 위도, 경도, 고도
시간, 위도, 경도, 고도, 거리, 심박수
데이터 입도
2초~30초 간격
1초 간격
데이터 하처리
2개의 레이스로 취득한 GPX, TCX 파일이 가지는 데이터 항목이 다르기 때문에, 하처리로서, GPX의 위도 경도 데이터로부터, 주행 거리를 산출했지만, GPS의 오차 때문에, 큰 어긋남이 발생하기 때문에, 한 번 계산을 실시하고 나서, 풀 마라톤의 거리에서 보정을 행한다.
위도 경도로부터 거리의 산출 처리에 대해서는 몇 가지 방법이 있는 것 같지만, 정밀한 검증이 어려우므로, 생략하겠습니다.
데이터 모델
팩트(집계치)는 이동체 데이터, 차원(분석축)은 거리 마스터, 시간 마스터, 마라톤 기본 정보 마스터의 스타 스키마 모델 작성.
사용할 비주얼
Power BI 표준 "세로 막대형 차트", "꺾은선형 차트", "지도"를 사용합니다.
시계열에서의 움직임이 있는 분석에 대해서는, Custom Visual의 「 Play Axis 」를 조합해 사용.
이하의 시각화, 분석을 실시한다.
샘플 보고서 URL (전 5 페이지 구성)
시각×주행 거리, 구간별×시간, 위치 분석을 한층 더 시계열로 움직이기 위해, Custom Visual의 「Play Axis」의 재생 버튼을 붙인 리포트를 준비했으므로 확인해 주었으면 한다.
※쇼난 국제 마라톤(녹색 그래프)의 9킬로포스트와, 21킬로포스트에 대해서는, 이상치로 보이지만, 피트인에서 타임 로스가 발생했기 때문에, 값은 올바르다.
분석에서 알게 된 것
마라톤 초보자이지만 분석에 의해 다음을 알 수 있었다.
1. 쇼난 국제 마라톤(녹색)은 두 번의 피트인이 영향을 받았기 때문에 도쿄 마라톤(흑색)에 비해 지연이 발생.
2.35킬로 지점~골까지는, 과거의 도쿄 마라톤에 대해, 추격하고 있는 것을 알 수 있다.
3. 2도의 피트인에서의 타임 로스가 없으면, 과거의 도쿄 마라톤의 기록을 갱신하는 것을 알 수 있다.
마지막으로
Custom Visual의 Play Axis는 동적으로 차원 데이터를 이동할 수 있습니다. 이번 시계열 차원 외에 다양한 활용을 할 수 있다고 생각하므로, 부디, 여러가지 분석에 활용해 보세요.
Reference
이 문제에 관하여(Power BI에서 모바일 데이터 시각화), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/itsp-taksu/items/12ab25008def70f45cb1
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
팩트(집계치)는 이동체 데이터, 차원(분석축)은 거리 마스터, 시간 마스터, 마라톤 기본 정보 마스터의 스타 스키마 모델 작성.
사용할 비주얼
Power BI 표준 "세로 막대형 차트", "꺾은선형 차트", "지도"를 사용합니다.
시계열에서의 움직임이 있는 분석에 대해서는, Custom Visual의 「 Play Axis 」를 조합해 사용.
이하의 시각화, 분석을 실시한다.
샘플 보고서 URL (전 5 페이지 구성)
시각×주행 거리, 구간별×시간, 위치 분석을 한층 더 시계열로 움직이기 위해, Custom Visual의 「Play Axis」의 재생 버튼을 붙인 리포트를 준비했으므로 확인해 주었으면 한다.
※쇼난 국제 마라톤(녹색 그래프)의 9킬로포스트와, 21킬로포스트에 대해서는, 이상치로 보이지만, 피트인에서 타임 로스가 발생했기 때문에, 값은 올바르다.
분석에서 알게 된 것
마라톤 초보자이지만 분석에 의해 다음을 알 수 있었다.
1. 쇼난 국제 마라톤(녹색)은 두 번의 피트인이 영향을 받았기 때문에 도쿄 마라톤(흑색)에 비해 지연이 발생.
2.35킬로 지점~골까지는, 과거의 도쿄 마라톤에 대해, 추격하고 있는 것을 알 수 있다.
3. 2도의 피트인에서의 타임 로스가 없으면, 과거의 도쿄 마라톤의 기록을 갱신하는 것을 알 수 있다.
마지막으로
Custom Visual의 Play Axis는 동적으로 차원 데이터를 이동할 수 있습니다. 이번 시계열 차원 외에 다양한 활용을 할 수 있다고 생각하므로, 부디, 여러가지 분석에 활용해 보세요.
Reference
이 문제에 관하여(Power BI에서 모바일 데이터 시각화), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/itsp-taksu/items/12ab25008def70f45cb1
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
샘플 보고서 URL (전 5 페이지 구성)
시각×주행 거리, 구간별×시간, 위치 분석을 한층 더 시계열로 움직이기 위해, Custom Visual의 「Play Axis」의 재생 버튼을 붙인 리포트를 준비했으므로 확인해 주었으면 한다.
※쇼난 국제 마라톤(녹색 그래프)의 9킬로포스트와, 21킬로포스트에 대해서는, 이상치로 보이지만, 피트인에서 타임 로스가 발생했기 때문에, 값은 올바르다.
분석에서 알게 된 것
마라톤 초보자이지만 분석에 의해 다음을 알 수 있었다.
1. 쇼난 국제 마라톤(녹색)은 두 번의 피트인이 영향을 받았기 때문에 도쿄 마라톤(흑색)에 비해 지연이 발생.
2.35킬로 지점~골까지는, 과거의 도쿄 마라톤에 대해, 추격하고 있는 것을 알 수 있다.
3. 2도의 피트인에서의 타임 로스가 없으면, 과거의 도쿄 마라톤의 기록을 갱신하는 것을 알 수 있다.
마지막으로
Custom Visual의 Play Axis는 동적으로 차원 데이터를 이동할 수 있습니다. 이번 시계열 차원 외에 다양한 활용을 할 수 있다고 생각하므로, 부디, 여러가지 분석에 활용해 보세요.
Reference
이 문제에 관하여(Power BI에서 모바일 데이터 시각화), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/itsp-taksu/items/12ab25008def70f45cb1
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
Custom Visual의 Play Axis는 동적으로 차원 데이터를 이동할 수 있습니다. 이번 시계열 차원 외에 다양한 활용을 할 수 있다고 생각하므로, 부디, 여러가지 분석에 활용해 보세요.
Reference
이 문제에 관하여(Power BI에서 모바일 데이터 시각화), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/itsp-taksu/items/12ab25008def70f45cb1텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)