что такое poi в 2гис
Загрузить навигационные точки POI в ваш Nissan
Объекты POI или точки интереса (от англ. points of interest) — это объекты инфраструктуры, достопримечательности, природные объекты и важные точки на дорогах, координаты и информация о которых нанесены на GPS карту.
К точкам POI относятся: гостиницы, рестораны, АЗС, больницы, магазины, кинотеатры, музеи, банкоматы, аптеки и множество других объектов. Также к точкам POI относятся стенции метро, вокзалы, аэропорты и прочие транспортные узлы. Отдельно выделяются дорожные POI: это посты ДПС, «лежачие полицейские», камеры, радары, железнодорожные переезды и прочие зоны повышенного внимания. Точки POI могут сопровождаться аудио предупреждениями.
Как загрузить точки в Ваш Nissan Connect:
1. Вам понадобится Flash-карта, лучше всего отформатированная в формате FAT. На карте необходимо будет создать папки со следующей последовательностью
X:\myPOIs\myPOIWarnings\speedcam.csv, где X — имя диска флэшки.
2. Необходимо загрузить свежие точки POI с ресурса mapcam.info/speedcam/, где вы должны зарегистрироваться, что бы получить доступ к загрузке.
Снимок
Выбираем необходимые нам данные
(Во вкладке «дополнительные опции» можно выбрать тот тип POI, которые Вам нужны)
Снимок2
Файл не должен превышать более 2мб в размере, иначе Nissan Connect не сможет их загрузить!
2ГИС запускает API с данными о 1 000 000 организаций и возможностью заработать
2ГИС, как вы наверняка знаете, — это электронный справочник по 129 городам России и Украины. У нас более 8 млн пользователей и всегда актуальные данные. Сейчас в 2ГИС более 1 млн
POI.
Теперь любой разработчик сайта, мобильного или социального приложения может их использовать совершенно бесплатно через справочное API 2ГИС.
Что из себя представляют справочные данные 2ГИС?
Это подробная информация по каждой организации в каждом городе — начиная от названия и контактов, заканчивая временем работы и способами оплаты услуг. Важно, что данные не просто собираются – их постоянно обновляют и дополняют сотни специалистов колл-центра 2ГИС по всей стране.
Другая особенность — уже с осени, в новой версии продукта, мы будем делиться с партнёрами
доходом от рекламы. Единицей рекламы является просмотр профиля рекламодателя, до 50%
стоимости которого получает партнёр. Здесь решается актуальная для многих площадок проблема
монетизации, ведь всем процессом, в том числе и поиском клиентов, занимается 2ГИС — а это
700 человек в отделах продаж 46 филиалов. Партнёру достаточно повышать популярность своего
проекта, получать деньги и тратить их на отдых на Мальте, например.
Наиболее очевидные способы использования API 2ГИС — это повышение качества и количества
контента для поисковых и справочных сервисов, городских порталов (E1.ru и Kazan24.ru уже
внедрили API 2ГИС), систем навигации, новые функциональные возможности для геосервисов,
тематических сайтов и приложений. Можно делать и совершенно новые приложения с
оригинальной идеей и нашими данными. В том числе под самые разные платформы. Так
уже сделала компания Wake Up Studios, например. Он выпустила 2ГИС для iPhone, опередив
официальную версию. Собственные проекты 2ГИС — онлайн-версия maps.2gis.ru и сайт отзывов
Flamp.ru — тоже работают на API.
Предвосхищая вопросы: API карт тоже появится в ближайшее время. И не только оно 😉
Все, что нужно для старта работы со справочным API 2ГИС — заполнить небольшую анкету на сайте
и получить ключ доступа. Там же есть документация, примеры и контактные данные, если у вас вдруг появятся вопросы.
PS На самом деле, этот пост должен был написать коллега kibik, так как именно он занимается API 2ГИС, но карма его подвела 🙂 Если поможете исправить ситуацию — я больше не буду постить чужие посты.
Простая публикация геоданных на собственной карте на базе 2ГИС
Недавно передо мной встала интересная задача — отображать на сайте карту, с различными объектами, причем этих объектов могут быть десятки и сотни, а управлять ими должен уметь любой менеджер ниже среднего звена.
Более формально задача сводилась к тому, чтобы дать возможность пользователям задавать некий список гео-объектов, дать им возможность легко и быстро этими объектами управлять и автоматически отображать эти объекты на некоей карте.
Для реализации задумки была выбрана связка Google Docs и API картографического сервиса 2ГИС. Решение получилось действительно простым, в духе знаменитых «30 строк» 🙂
Шаг 1. Заводим таблицу для данных.
Открываем Google Docs и создаем таблицу. В моей таблице было достаточно много ненужных мне, но очень нужных для прочих служб полей, поэтому я пойду на небольшую хитрость и для тестирования заведу отдельную.
В качестве тестовых данных я взял адреса домов, относящихся к двум небольшим избирательным участкам в городе Костроме. Номер участка, улица, номер дома и число квартир.
Использование в качестве источника данных Google Drive снимает множество проблем с совместной работой специалистов разной степени подготовки и с оперативным обновлением данных.
Теперь таблицу нужно опубликовать. Для этого идем в меню «Файл — Опубликовать в интернете». В появившемся окне выбираем «Начать публикацию», в нижней части — выбираем «CSV (значения, разделенные запятыми)» и получаем ссылку на наш лист таблицы в виде CSV.
Шаг 2. Готовим данные для карты.
Напишем несложный скрипт на PHP и назовем его getMapData.php:
Тут нужно заметить, что скорее всего при первом запуске вы получите ошибку «Warning: fopen(): Unable to find the wrapper „https“». Это связано с тем, что в дефолтной установке PHP не включен модуль OpenSSL. Найдите в файле php.ini строчку
;extension=php_openssl.so и раскомментируйте ее, убрав точку с запятой. Обычного этого достаточно.
Теперь перед нами стоит следующая задача. Нужно адреса геообъектов каким-то образом перевести в координаты на карте. Для этого у 2ГИС есть соответствующее API: api.2gis.ru/doc/geo/search
Вот простейший код для работы с API геокодера:
Обратите внимание на странную строчку sleep(1); в коде. Дело в том, что я пользуюсь тестовым доступом к API 2GIS, а при нем частота запросов ограничена одним в секунду. После получения полного доступа эту строчку нужно, разумеется, убрать.
Ну и не забываем опять же кэшировать полученные данные, чтобы не создавать 2ГИС лишнюю нагрузку, а себе — лишнее время работы скрипта.
Шаг 3. Показываем карту.
Тут я приведу полный код страницы. Ничего сложного в нем нет, тем более что у 2ГИС есть неплохая документация, ее можно прочитать по адресу api.2gis.ru/doc/maps/info
На этом, собственно, всё. Мы получили простейшую, но вполне функциональную систему, которая показывает на карте объекты согласно списку, ведущемуся в Google Docs. Вот такой mash-up 🙂
Ссылку на получившуюся карту не даю, потому что опасаюсь за сервер, который легко может лечь под хабраэффектом. Но картинку не могу не вставить: 
Зачем бизнесу профиль в картах Google, Яндекса и 2GIS и как получать оттуда клиентов
Эксперт Яндекса по обучению и директор по маркетингу WebCanape Евгений Чуранов рассказывает, зачем бизнесу работать с картографическими сервисами Яндекса, Google, 2GIS и как эффективно использовать эти инструменты.
В России только картами Яндекса ежедневно пользуются, по данным компании, более 6 млн человек, а есть и другие популярные картографические приложения, например, от Google и 2GIS. Пожалуй, у каждого владельца смартфона эти приложения установлены и востребованы. Это огромная аудитория.
Пользователи карт не только строят маршруты, но и ищут коммерческую информацию: от ближайшего магазина продуктов до гостиницы в другой части страны. И если бизнеса нет на картах, то считайте, что он потерял деньги.
Любая компания должна быть на картах
Считаю, что любой бизнес должен быть зарегистрирован на картах, даже тот, что не предполагает общения с клиентами в офисе.
Главная причина — это возможность стабильно привлекать потенциальных клиентов, бесплатно или с дополнительным бюджетом на продвижение. Наш клиент — гостиница в Смоленске — еженедельно получает 5–6 заявок с карт. Другой компании, которая занимается установкой пластиковых окон в Москве, размещение в картах каждую неделю приносит от 20 до 30 заявок.
Кроме этого, присутствие на картах обеспечит:
удобный поиск не только для клиентов, но и для партнеров, к примеру, курьеров;
возможность получать отзывы от клиентов;
верификацию телефонного номера для пользователей, у которых стоят автопределители телефонных номеров;
дополнительные ссылки на сайт, а это важно для оптимизации сайта для поисковых систем Яндекса и Google;
географическую привязку сайта в Google и Яндекс, которая способствует повышению позиций сайта в поисковой выдаче в конкретном регионе;
отображение ссылки на профиль компании в контекстной рекламе, что увеличивает само объявление и позволяет клиенту позвонить в компанию, минуя сайт.
Популярность категорий бизнеса, который ищут на Яндекс.Картах (данные 2018 года)
Мы по умолчанию регистрируем компании клиентов в Google Картах, Яндекс.Картах, 2GIS. Последний гораздо популярнее других в восточной части РФ. Кроме этого, я советую регистрироваться во всех популярных сервисах вроде Zoon, Tripadvisor и т. д.
Заполняйте карточку компании максимально подробно
Все три сервиса дают возможность размещать информацию о компании бесплатно, и этим надо пользоваться по максимуму: заполнять все поля, которые возможно заполнить. Чем подробнее вы напишете о компании, тем заметнее она может стать среди конкурентов.
Профиль выглядит больше и информативнее благодаря фотографиям, ценам и публикациям, которые добавляются опционально
Что надо указать в профиле компании:
название компании. По возможности добавьте ключевые фразы, например, «пластиковые окна Rehau» или «апартаменты в центр» — с ними карточка компании будет лучше искаться в поиске карт;
интересное описание компании с употреблением ключевых фраз;
фотографии офиса или объекта снаружи и внутри — это поможет пользователю сориентироваться на местности и найти офис;
фотографии персонала, они увеличивают доверие к компании;
фотографии лицензий и сертификатов, которые тоже способствуют формированию доверия к организации;
все контактные данные, в том числе ссылки на соцсети и мессенджеры;
информация о времени работы;
категории оказываемых услуг;
цены на товары и услуги;
данные по вариантам оплаты;
Старайтесь добавлять фотографии хорошего качества, которые покажут компанию с лучшей стороны.
Как правило, в личном кабинете есть индикатор заполнения профиля. Добейтесь показателя в 100%.
Индикатор заполнения профиля
Работайте с отзывами
Отзывы — один из важнейших критериев для принятия решений о покупке товара или услуги. К отзывам на картографических сервисах больше доверия, чем на сайте компании или сервисах-отзовиках — прибавляются очки доверия к Яндексу и Google.
Ваша задача — сделать так, чтобы эти отзывы появлялись. Для этого:
просите клиентов оставлять отзывы голосом, в рассылках, в мессенджерах;
разместите на сайте виджеты картографических сервисов;
отслеживайте появление новых отзывов;
говорите «спасибо» за хорошие отзывы;
обязательно отвечайте на негативные отзывы.
Отвечайте на отзывы
Хорошим мотиватором оставлять отзывы может послужить какой-то дополнительный бонус для клиента, например, скидка, сувенир и т. д.
Используйте платное продвижение
Если бизнес связан с посещением вашего офиса или торговой точки (магазин, парикмахерская, нотариус, отель, ресторан и т. д.), то дополнительная платная реклама на картах может принести хорошие результаты. По нашему опыту, часто, лиды из такой рекламы оказываются намного дешевле и, кроме этого, более конверсионными. Например, в тематике пластиковых окон лид из контекста стоит 900 рублей, а из карт — 750 рублей.
Возможность дополнительного рекламного продвижения есть в сервисах 2GIS и Яндекс.Картах. В Google Картах реклама запускается при настройке поисковой кампании в Google Ads. При заказе такой услуги у бизнеса появляется возможность выделиться среди конкурентов благодаря особому, более заметному значку, показываться выше в списке и добавить к вашей карточке различные рекламные сообщения: текстовые объявления или баннеры.
Как мы персонализировали POI
Мы в 2ГИС хотим облегчить пользовательскую поисковую рутину и потому стремимся предугадывать запросы пользователей. Под катом расскажем про то, как мы придумали алгоритм для персонализации интересных мест и что из этого вышло.
POI (point of interest) — маленькая круглая иконка на карте. Обозначает место или компанию, которые могут представлять интерес для пользователя.
Вот они — POI 2ГИС. У каждой рубрики своя иконка
Объекты POI — популярные у большинства городские объекты в разных рубриках. А хочется учитывать ещё и интересы каждого пользователя отдельно. Поэтому мы решили добавить на карту персонализированные POI, которые будут отвечать за это.
Удачно подобранные POI ещё и сокращают цепочку шагов поиска на карте. Обычно пользователь ищет что-то так: открыл приложение → ввёл поисковый запрос → просмотрел выдачу → открыл карточку объекта.
С персонализированными POI пользователь может без поискового запроса сориентироваться на карте и найти информацию: открыл приложение → увидел нужный POI на карте → открыл карточку объекта.
Карта без персонализированных POI и с ними — интересными для пользователя рестораном, кофейней и клиникой
Данные
В качестве потенциальных объектов для POI логично брать те, к которым пользователь уже проявлял интерес. А среди них искать такие, к которым он вернётся с наибольшей вероятностью. При этом желательно, чтобы объекты интересовали пользователя как можно дольше — чтобы он привык искать их на карте.
Но как классифицировать эти данные? Можно разметить выборку объектов, обогатить множеством признаков и применить бустинг или нейронные сети. Но можно пойти другим путём — и придумать эмпирическое правило.
Эмпирическое правило
У эмпирического правила есть и плюсы, и минусы. Да, это даст более слабое качество классификации. Но главное преимущество — мы можем быстро и легко проверить востребованность POI. Подготовка данных, обучение такой модели и её внедрение займёт значительно меньше времени, чем, например, бустинг. А если фича окажется успешной как для пользователя, так и для компании, мы всегда сможем переключиться на более сложные и затратные модели.
Для эмпирических моделей важен хороший контекст в предметной области. Исследуя поведение пользователей в продукте, мы выяснили, что вероятность повторного обращения пользователя к продукту (retention rate) имеет экспоненциальное распределение.
Такое свойство есть не только у retention rate продукта, но и у многих других явлений, связанных с повторным обращением — например, повторное обращение к объекту, как в нашем случае. Это знание помогло нам разработать алгоритмы по определению «домашнего» города для пользователя, краткосрочных и долгосрочных пользовательских интересов.
Первый алгоритм
Первым делом сформировали выборку вида
— n-мерный вектор признаков i-го объекта, а в качестве объекта классификации рассматриваем все объекты, которыми интересовался пользователь за определённое время до даты расчёта. В нашем случае это два месяца.
— класс i-го объекта — отклик, который принимает значение, равное 1, если пользователь посетил фирмы в контрольный период времени, и 0, если не посетил.
Так как нам важны объекты, которые будут долго интересны пользователю, то в качестве контрольного периода выбрали месяц через две недели после даты расчёта. Этот лаг в две недели нужен, чтобы не захватить в число успешных объекты мгновенного/краткосрочного интереса — те, которые пользователь ищет прямо в дату расчёта или рядом с ней, но не факт, что вернётся к ним. Успешными считаем объекты с y=1 — то есть те, к которым пользователь вернулся во время контрольного периода.
Правило 
, которое множеству признаков объекта Х ставит в соответствие его класс Y, выглядит так:
где k — общее количество дней (или любой другой единицы времени) в обучающей выборке.
равно 1, если в день с номером i пользователь интересовался объектом, иначе 0. Номер дня равен 1 в первый день обучающей выборки и k в последний.
— параметр, отвечающий за скорость изменения значимости дня взаимодействия с объектом по мере удаления от даты расчёта.
— пороговое значение.
Идея в том, что чем дальше день, когда пользователь интересовался объектом, тем меньший вес будет у этого дня при оценке этого объекта. Параметры функции и подбираются путём максимизации целевой переменной:
где F — это F-мера с соответствующим соотношением желаемой точности и полноты модели. В этой задаче основной акцент на точности алгоритма, поэтому брали параметр 
.
Результаты 1.0
Проверили алгоритм больше чем на 450 млн объектов. Среди них доля объектов с откликом, равным 1, составляет примерно 5%. Полнота алгоритма — 0.153, точность — 0.401, а F-мера 
— 0.303.
Качество такого алгоритма может показаться недопустимо низким. Дело в том, что в число объектов для классификации входят объекты, которые мы не можем отнести к долгосрочным интересам на основе данных метрик — пользователи интересовались ими слишком мало, чтобы делать какие-то выводы.
Только 3% объектов интересовали пользователя больше двух дней за обучающий период. В этом нет ничего удивительного: туда входят объекты из сфер с низким retention. Таких много, они могут быть очень крупными — например, аптеки, бары или просто объекты, которые не заинтересовали пользователя.
Среди объектов с откликом, равным 1, такой процент выше — 22%. Это тоже мало, но объясняется большим периодом между посещениями объекта.
Если исключить такие объекты, то при тех же параметрах модели полнота вырастает с 0.153 до 0.684 при той же точности в 0.401, а F-мера с акцентом на точности становится равной 0.437 — классическая, конечно, выше.
Однако при таком виде модели остаётся ещё две проблемы. Во-первых, у пользователей разный уровень активности: кто-то пользуется приложением раз в день, а кто-то — раз в месяц. Поэтому использование общего порогового значения и одних параметров весовой функции может занижать качество классификации.
Во-вторых, у объектов может быть разная частота посещения в зависимости от их сферы деятельности. Например, за продуктами в гипермаркет пользователь ездит стабильно раз в неделю, в парикмахерскую ходит раз в месяц, а при простуде может посещать поликлинику так часто, как скажет врач. Так что мы можем упускать объекты с большими интервалами посещения.
Второй алгоритм
Чтобы учесть эти проблемы, мы добавили в функцию признак, показывающий максимальный период пользовательского интереса, и немного иначе учли интенсивность посещения объекта и его актуальность. Разделили пользователей на три группы по частоте посещения продукта. Для каждой из них подобрали свои параметры этой модели:
k — количество дней в обучающей выборке.
— номер последнего дня взаимодействия пользователя с объектом (равен 1 в первый день обучающей выборки и k в последний).
— количество дней взаимодействия пользователя с объектом в рассматриваемом периоде.
— количество дней между первым и последним днём взаимодействия пользователя с объектом в рассматриваемом периоде.
— параметры функции, которые подбираются путём максимизации целевой переменной (в нашем случае это F-мера) аналогичным для первой модели образом.
Результаты 2.0
Оценили параметры и получили следующие результаты по кластерам пользователей.
| Кластер | Полнота | Точность | F-мера  |
|---|---|---|---|
| 1. Объекты пользователей, которые заходят в 2ГИС реже трёх раз в месяц | 0.072 | 0.349 | 0.197 |
| 2. Объекты пользователей, которые заходят в 2ГИС чаще трёх раз в месяц | 0.162 | 0.457 | 0.335 |
| 3. Объекты пользователей, которые заходят в 2ГИС чаще десяти раз в месяц | 0.194 | 0.514 | 0.386 |
| Итого по 2-му алгоритму | 0.177 | 0.492 | 0.363 |
| Итого по 1-му алгоритму | 0.153 | 0.401 | 0.303 |
F-мера увеличилась для всех кластеров, кроме первого — ему соответствует самая неактивная часть аудитории и на неё приходится не так много объектов.
Количество истинно-положительных объектов увеличилось на 17%. Прирост в точности составил 9.1%, а в полноте — 2.4%. Общая F-мера увеличилась на 6%.
Если исключить объекты с слишком маленьким количеством уникальных дней, то при тех же параметрах модели полнота вырастает с 0.177 до 0.802 (для первой модели 0.684, то есть прирост на 11.8%) при той же точности в 0.492 (для первой модели 0.401, то есть прирост на 9.1%). И если исходя из этого оценить F-меру , то для второго алгоритма она будет 0.533, а для первого 0.437, то есть прирост составляет 9.6%.
Итог эксперимента на бою
Декомпозиция данных и ввод дополнительных параметров значительно улучшили качество модели. Значит, более сложные модели могут повысить качество результата. Но прежде чем улучшать алгоритм, решили проверить фичу на бою и посмотреть, понравится ли она пользователям.
Персонализированные POI чуть больше обычных и появляются на карте раньше них
За месяц 500 000 пользователей сделали 1 млн кликов по персонализированным POI. Это примерно 12% от тех пользователей, кому мы их подобрали — но это не значит, что остальные пользователи не обратили на них внимание.
Примерно 40% от тех, кому подобрали персонализированные объекты, обращались к этим объектам другими способами. И это тоже хорошо — значит, есть потребность в персонализации не только на карте, но и в других составляющих продукта.
POI vs Избранное
Чтобы оценить, достаточно ли для нас таких результатов, мы решили сравнить персонализированные нами POI с объектами, которые пользователь персонализировал сам — с Избранным.
У персонализированных POI и Избранного похожая цель — запомнить места, в которые хочется вернуться. Похож и внешний вид — они отмечены иконками на карте и имеют примерно один и тот же масштаб отображения. Разница во внешнем виде: значок у всех объектов Избранного всегда один и тот же — белый флажок на оранжевом или красном фоне, а у персонализированных POI цвет и пиктограмма иконки меняется и зависит от отрасли объекта.
Персонализированные POI ещё и подскажут текстом, что за объект нас интересовал — в отличие от иконок Избранного без подписей
Оказалось, что доля пользователей с кликами в персональные POI больше, чем доля пользователей с кликами в Избранное с карты — в два раза среди тех, кому POI вообще были подобраны, и в полтора раза среди всех пользователей.
Фактически, мы сделали для пользователя обновляемое Избранное на карте, за которым ему не надо следить и вообще что-либо самому делать. Это довольно неплохой результат — поэтому есть смысл развивать персональные POI и дальше.
Выводы
Эмпирические модели могут быть полезны и эффективны на начальных этапах запуска фич и в условиях ограниченности ресурсов, потому что они могут дать результат быстро и дёшево. Главное — формировать предположения, исходя из глубокого понимания логики продукта, его природы и поведения пользователей.
Ну и ещё один вывод — будущее за персонализацией.