News BLOG / EVENTS / PRESSE

Location Intelligence? LIA? Geht das nicht auch alles mit Google Maps?

"Wo bekomme ich meine Pizza her? Und wie komme ich am schnellsten zum Rathaus? Wo ist das nächste Fitnessstudio und wo die nächste Gelegenheit für ein Feierabendbier?"

Alles wichtige Überlebensfragen, die sich die meisten von uns täglich stellen und die damit einen beträchtlichen Teil unseres Alltags und unserer täglichen Entscheidungen ausmachen. Spätestens seit dem Durchbruch von digitalen Onlinekarten wie Google Maps war es noch nie einfacher, auf diese Fragen schnelle und klare Antworten zu finden: Einfach den Browser öffnen, eine Suchanfragen eingeben und dann eine Entscheidung treffen, je nachdem was Maps empfiehlt.

Also zuerst einmal ein großes Hoch auf all die Vorteile, die Google Maps mit sich gebracht hat!

Aber ist das diese Location Intelligence, von der zurzeit jeder redet?

Um das zu beantworten, hilft uns eine kleine anschauliche Analogie: Vergleichen wir einmal Location Intelligence mit menschlicher Intelligenz. Dann würden die oben genannten Anwendungsfälle nur einen minimalen Teil der Kapazität eines menschlichen Gehirns aktivieren und nutzen. Insgesamt bliebe man weit hinter dem möglichen Potenzial zurück.

Das liegt daran, dass eine wichtige Facette der menschlichen Intelligenz darin besteht, „die umfassende und vertiefte Fähigkeit widerzuspiegeln, unsere Umgebung zu begreifen - die Dinge zu erfassen, ihnen einen Sinn zu geben und herauszufinden, was zu tun ist.“ [1]

Auf Location Intelligence angewandt kann man sagen, dass sie sich auf einen deutlich breiteren und vielschichtigeren Zugang zu Raum- und Geodaten bezieht. Das eröffnet eine gewaltige Bandbreite an möglichen Anwendungsgebieten: Location Intelligence erfasst die Komplexität einer Vielzahl an Daten, setzt diese in Verbindung und findet heraus, welche Daten zu welchen Ergebnissen führen und relevante Einflussfaktoren für bestimmte Fragestellungen sind. 

Location Intelligence – ein enormes Spektrum an Daten

Diese Daten setzen sich aus weit mehr zusammen als man anfangs meinen könnte:

So beziehen wir bei Geospin unter anderem soziologische Daten aus dem Zensus (z. B. Wie viele Familien leben in einem bestimmten Viertel? Wie hoch ist der Altersdurchschnitt?), Daten zur Sicherheit (z. B. Wie hoch ist die Kriminalität dort?), aber auch technische Daten (z. B. Verfügbarkeit von Breitbandverbindungen) und viele mehr in die Analysen ein. Auch immer mehr Kommunen und Länder entscheiden sich dafür, Raum- und Geodaten (Open Data) zu ihren Regionen zu sammeln, bereitzustellen und für Entscheidungsprozesse nutzbar zu machen (so zum Beispiel Nordrhein-Westfalen auf https://open.nrw/). Deutschland hat dabei besonders viel Potenzial für die Anwendung von Location Intelligence, es belegte 2019 den dritten Platz im Geospatial Readiness Index. [2]

Aber wie kann ich mich dann in diesem riesigen Datenberg zurechtfinden?

Für einen durchschnittlichen Benutzer und oft sogar auch für einen Domain-Experten ist es schwierig, den Überblick über diese Menge an Daten zu behalten und damit stichhaltige Schlüsse zu ziehen. Dabei treten viele Fragen auf: Woher weiß ich, welche Daten für mich relevant sind? Wie verknüpfe ich die verschiedenen Daten am besten? Welche Daten sind vielleicht wichtiger als andere für meine Fragestellung?

In den nächsten Jahrzehnten werden diese datenbezogenen Fragen immer mehr an Bedeutung gewinnen. Wie treffe ich Entscheidungen datengestützt, also auf einer durch Fakten fundierten, soliden Basis? Data Literacy, also die Fähigkeit, Daten zu nutzen und mit ihnen umzugehen, ist schon jetzt ein zentrales Schlagwort und Ziel der in der Bildung unserer Zeit (vgl. https://www.stifterverband.org/charta-data-literacy). Dies zeigt wie wichtig dieser Trend für die Zukunft ist. 

Und genau bei diesen datenbasierten Entscheidungsfindung unterstützt Sie LIA: die Location Intelligence Assistentin von Geospin.

 

LIA_GIF-1

 

Was kann LIA also, was Google Maps nicht kann?

Gehen wir noch einmal zurück zu unserer Analogie zur menschlichen Intelligenz. LIA ist in diesem Fall Geospins Künstliche Intelligenz. Sie kann die Vielzahl und Vielschichtigkeit der Daten überblicken, verknüpfen und gewichten. Und hilft so dabei, komplexe Entscheidungsfindungen für Sie zugänglicher und vor allem datengestützter und damit fundierter zu machen. 

Aber wie schafft LIA das? Künstliche Intelligenz. Genauer gesagt mit Machine Learning Algorithmen, die Entscheidungsprozesse simulieren. Diese Algorithmen werden durch vorangegangene Analysen und deren Ergebnissen trainiert und so zu Experten. Und dabei berücksichtigt LIA so viele Analysen, dass ein menschliches Gehirn davon nur zu träumen wagt.  

Ein kleines Beispiel:

Ein Stadtwerke möchte die Nachhaltigkeit in der Region fördern, indem es Ladestationen für Elektroautos aufbaut. LIA analysiert also historische Daten von Ladestationen bundesweit und lernt dabei, was eine effektive und erfolgreiche Ladestation ausmacht. Sie kann so feststellen, welche Faktoren bei der Standortwahl eine Rolle spielen. Dann kann sie die erfolgsversprechendsten Standorte für Ladesäulen identifizieren und diese in dem Geospin Portal visualisieren.

 Bildschirmfoto 2021-03-01 um 11.44.12

Hier erfahren Sie mehr über LIAs Potenzialanalyse für Ladeinfrastruktur.


Fazit

Location Intelligence ist also weitaus mehr als bestimmte Entfernungen auf Google Maps nachzusehen. Man könnte Location Intelligence als eine Analogie zur menschlichen Intelligenz sehen mit einer enormen Aufnahmekapazität. So wird LIA der Komplexität und der Vielfalt an Raum- und Geodaten gerecht und kann gewaltige neue Potentiale erschließen, die bisher unerreichbar waren. 

LIA kann Ihnen also definitiv den nächsten Ort für einen Döner Kebap herausfinden, wie es auch Google Maps kann.

Die Frage ist nur: Würden Sie wirklich ihre Dolby Surround Hi-fi Anlage benutzen, um sich Nokia’s alten monophonen Klingeltöne anzuhören?

 LIA_Network

LIA kostenlos testen



[1] Gottfredson, Linda S. (1997). "Mainstream Science on Intelligence (editorial)"Intelligence. 24: 13.

[2] https://issuu.com/geospatialworld/docs/20190329-geobuiz-report-2019-freeve, p. 42-43.

Related Articles

Webinar: mit einem intuitiven Onlineportal zur Lagebewertung 2.0

"Wo bekomme ich meine Pizza her? Und wie komme ich am schnellsten zum Rathaus? Wo ist das nächste Fitnessstudio und wo die...


Topics: Maschinelles Lernen, data literacy, Entscheidungsgrundlage, Geodaten

Webinar: Mit Algorithmen zu den besten Ladestandorten

"Wo bekomme ich meine Pizza her? Und wie komme ich am schnellsten zum Rathaus? Wo ist das nächste Fitnessstudio und wo die...


Topics: Maschinelles Lernen, data literacy, Entscheidungsgrundlage, Geodaten

Reduzierte Forderungsausfälle mithilfe maschineller Lernverfahren

"Wo bekomme ich meine Pizza her? Und wie komme ich am schnellsten zum Rathaus? Wo ist das nächste Fitnessstudio und wo die...


Topics: Maschinelles Lernen, data literacy, Entscheidungsgrundlage, Geodaten