Hae it-yrityksiä
osaamisalueittain:

Asiakkuudenhallinta CRM BI ja raportointi HR Tuotekehitys ja suunnittelu Toiminnanohjaus ERP Taloushallinto Markkinointi Webkehitys Mobiilikehitys Käyttöliittymäsuunnittelu Tietoturva Verkkokaupparatkaisut Ohjelmistokehitys Integraatiot Pilvipalvelut / SaaS Tekoäly (AI) ja koneoppiminen Lisätty todellisuus ja VR Paikkatieto GIS IoT Microsoft SAP IBM Salesforce Amazon Web Services Javascript React PHP WordPress Drupal

Menetelmäkuvaus: Miten pääkaupunkiseudun asuinalueet segmentoitiin tekoälyn avulla

BloggausIhmisten asuinaluevalintoihin liittyen, toteutimme yhteistyössä Kiinteistömaailman ja Avaran kanssa tutkimushankkeen, jossa ryhmittelimme nykyaikaisia koneoppimismenetelmiä hyödyntäen pääkaupunkiseudun asuinalueet seitsemään omaleimaiseen segmenttiin. Tutkimuksen mahdollisti Kiinteistömaailman ja Avaran koostama laaja ja hyvälaatuinen data-aineisto alueen muuttoliikkeistä. Aineisto käsitti yli 125 000 muuttoa 2000-luvun vaihteesta lähtien.

Tässä blogipkirjoituksessa kuvataan tarkemmin hankkeessa käytetty menetelmä, jolla todelliseen muuttoliikenteeseen ja tilastoihin perustuen supistettiin pääkaupunkiseudun asuinalueet ensiksi listaksi numeroita ja sen jälkeen ryhmiteltiin osaksi seitsemänluokkaista asuinalueryhmittelyä.

Tavoitteena ryhmitellä pk-seudun asuinalueet tekoälyn avulla seitsemään omaleimaiseen luokkaan

Tavoitteena projektissa oli saada kone ryhmittelemään pääkaupunkiseudun asuinalueet seitsemään omaleimaiseen luokkaan, jossa yhden luokan sisällä olevat asuinalueet ovat keskenään samankaltaisia ja mahdollisimman erilaisia suhteessa muiden luokkien asuinalueisiin. Tämän ryhmittelyn tarkoituksena oli jäljitellä sitä, miten ihmiset todellisuudessa ryhmittelisivät asuinalueita.

Tämänlaista ryhmittelyä ei kuitenkaan ole mahdollista tehdä pelkän postinumeron perusteella, vaan ryhmittelyn täytyy perustua asuinalueen ominaisuuksiin, jotka ovat ihmisille asumisen kannalta merkityksellisiä. Esimerkkinä tällaisista asumisen kannalta merkityksellisistä ominaisuuksista, joiden merkitys ihmisille on olennaista, ovat vaikkapa lapsiperheiden määrä alueella ja alueen hintataso. Projektissa oli siis keksittävä tapa pisteyttää asuinalueiden eri ominaisuudet sen mukaan, miten tärkeitä yksittäiset ominaisuudet ovat muuttopäätöstä tehtäessä.

Mitä tietoa asuinalueiden ominaisuuksista sitten on saatavilla? Tilastokeskuksen ylläpitämä Paavo (Postinumeroalueittainen avoin tieto) -tietokanta pitää sisällään 104 postinumeroalueeseen liittyvää tilastoitua ominaisuutta. Nämä tilastoidut ominaisuudet sisältävät tietoja mm. alueen sijainnista kartalla, alueen väestön ikäjakaumasta, koulutustasosta, tulotasosta, talouksien tyypeistä, asumismuodoista, rakennuskannasta, työpaikoista ja ihmisten pääasiallisesta toiminnasta. Näiden tietojen lisäksi käytettiin eCraftin omaa tietokantaa postinumeroalueiden tarkemmasta rakennuskannasta ja alueen kiinteistöjen hintatasosta.

Lue koko blogi.

Pinterest
Fellowmind logo

Lisätietoja

Yritysprofiili Fellowmind kotisivut

Tagit

Jos tarjontatagi on sininen, pääset klikkaamalla sen kuvaukseen

Liiketoimintaprosessi

BI ja raportointi
Tietohallinto

Erikoisosaaminen

Dokumenttien hallinta
Tekoäly (AI) ja koneoppiminen

Tarjonnan tyyppi

Toteutustyö

Omat tagit

LightGBM

Siirry yrityksen profiiliin Fellowmind kotisivut Yrityshaku Referenssihaku Julkaisuhaku

Fellowmind - Asiantuntijat ja yhteyshenkilöt

Fellowmind - Muita referenssejä

Fellowmind - Muita bloggauksia

Digitalisaatio & innovaatiot blogimedia

Blogimediamme käsittelee tulevaisuuden liiketoimintaa, digitaalisia innovaatioita ja internet-ajan ilmiöitä

Etusivu Yrityshaku Pikahaku Referenssihaku Julkaisuhaku Blogimedia