用户名
密码
(30天内有效)
注册
注册
首页 > 资料下载 >

【2015规划年会大数据自由论坛】移动大数据+城市规划=? 基于移动大数据的城市规划发展新方向畅想

我要收藏
2015-09-24

【主要内容】

主要探讨移动大数据在城市规划中的应用,思考我们是不是真的了解生活在城市中的人。目前名目繁多的应用程序APPs产生了移动大数据,移动终端成为人的新器官。TalkingData基于移动数据,累积了海量的移动数据,建立了数据平台,并进行分析咨询。


首先,以北京用户的职住分析为案例,用大数据判别了北京主要的就业地和居住地。


其次,在典型城市特定人群行为地图分析中,用移动数据对比分析了北京和上海金融用户的行为地图,还得出了两地用户线下消费品类偏好,如北京金融用户更偏好餐饮、珠宝手表和运动健康类,爱吃爱运动是其一大特性;而上海金融用户更偏好服饰鞋帽、化妆品和家居电器类,上海金融用户爱美又居家。


最后,分析了北京特定地点人群分布热度,例如北京热门景区中,人群热度最高的是奥林匹克公园;颐和园、天坛、圆明园、欢乐谷、南锣鼓巷等景区,周末的人群热度排名高于工作日。

(以上文字整理来自:清华同衡播报   技术创新中心


  

前言:在过往的城市规划与地产咨询经历中,一个问题一直萦绕心中:人在城市中的意义是什么?是各项的人均面积指标?还是土地的投资价值?学界一直在说“人是城市的主角”,但我们是不是真的了解生活在城市生活的人们?过往,我们只能通过少量的问卷与访谈,来尝试窥探巨量的城市人群。我们对于人的认知是极度片面的。而移动互联时代的来临,为我们深入的认知生活在城市中的人们提供了可能。


  

在这个以用户为中心的时代,我们常常在想:人在城市规划中的意义是什么?


  

我曾经也是名城市规划师,那时候,“人”对于我来说是各种的人均指标;后来,我从事地产咨询行业,“人”对于我来说变成了一个区域的投资价值和未来房价的预测标准。


  

其实社会学界与规划界很多学者呼吁多年,人是城市的主角。


  

那么问题就来了:我们是不是真的了解生活在城市中的人们?特别是在这个越来越崇尚个体价值的时代,我们如何去了解人们?


  

移动互联网为我们提供了一个了解“人”的新可能。据统计,在中国平均每台移动设备安装41款应用,平均每天打开25款应用。


  

我们的生活被“衣食住行”各类移动应用包围着。


  

从早到晚,我们都在低着头,操作着我们手中的移动设备,各类移动应用消耗着我们的碎片时间。我们手中的移动设备正在成为我们新的器官,反映着我们的各种喜好与特征。


  

TalkingData是一家基于移动设备的数据服务公司,我们更加贴近设备后面的用户;同时我们也是一家专注于移动数据的公司,我们只做数据生意,我们通过与不同的业务伙伴合作,致力于追求数据的最大价值。


  

我们目前覆盖了78000多款移动应用,其中有12000多款活跃游戏应用。


  

我们公司目前累计覆盖移动设备超过19亿台,其中日活设备2亿,月活设备6亿。


  


  

线下POI是我们另一块的能力。目前覆盖72个一二线城市,2500家Shoppingmall,200万消费场所。我们的地推团队奔波在各个城市中,不断的增加着这些数据的广度和密度。


  

我们拥有超过500个基于移动客户的标签,我们的标签团队正在不断的丰富和优化我们对用户的认知。


  

我们硅谷的办公室在10月份落成,届时将会有更加前沿的技术能力注入talkingData。


  

这是我们不同行业的合作伙伴。


  


  


  

总体来说我们业务可以浓缩到三个方向:聚焦在移动端的移动数据;基于大数据的服务平台以及移动端的分析咨询。


  

下面我来分享几个贴近城市规划的案例,首先是关于职住的分析。


  

以北京市为例,通过移动设备不同时段位置数据的分析,我们可以得到北京市区内居住地与就业地的分布,将不同区域的职住设备进行比较,我们可以找到北京的就业中心以及居住中心,从这可以看到,北京知名睡城回龙观与天通苑高居前两名。


  


  


  

下面我们再看特定人群。


  

我们以具有金融属性的移动用户为例,我们可以看到他们居住在哪里,以及工作地和周末的休闲地,上海的金融移动用户也一样。


  


  


  


  


  


我们做些城市对比,可以看到北京上海金融用户线下消费偏好的不同,以及品牌、App应用偏好的不同。  


  

把金融类App提取出来,我们可以看到两地用户在App使用上的不同,北京用户对银行类App关注较高,而上海用户对证券类关注更高。


  

我们还可以通过地理围栏,对特定地点的人群进行分析。


  


  

这是北京8月份各大公园的人群分布,我们以奥体公园为例,我可以找到常来奥体的人们都是来自于哪里,他们在不同时段的线下品牌偏好以及App应用偏好。


  


  


  

最后说下Talkingdata的数据在业务端是怎么做的。


  

我们通过探针、POI、地理围栏等方式获取种子数据,然后经由数据分析、机器学习等方式,获得适用于不同业务场景的用户画像,交由我们的业务合作伙伴应用于他们的实际业务中。


  

我们的分析包括线上应用分析、线下位置分析、品牌分析等等


  


  


  

目前来看,我们的数据可以应用在更大的尺度场景下,同时,小场景下也有用武之地。

  


最后总结下,我们的数据90%来自于自采,数据还在不断的丰富和优化;我们有着一批对数据痴迷的数据科学家,他们从未停止对数据挖掘方向的探索;我们具有与各行业合作的经验与愿望,我们一直在寻找在大数据风口一起奔跑的伙伴,谢谢大家!

本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

点赞0
  • 联系微信客服
    xiaopaipai_udparty
  • 顶部