data engineering mta turnstile
GCP Deployment
Selamat datang di Proyek Turnstile MTA Rekayasa Data! Repositori ini memanfaatkan data turnstile MTA dunia nyata, menawarkan panduan komprehensif untuk konsep rekayasa data melalui pengalaman langsung.
Buku Luas: Fundamental Proses Rekayasa Data. Menyelam jauh ke dalam konsep inti rekayasa data dengan panduan terperinci ini.
Video YouTube: Ikuti dengan tutorial video terperinci yang menjelaskan setiap langkah dan konsep secara detail.
Basis kode komprehensif: fitur basis kode kami:
Ditulis oleh Oscar Garcia
Twitter @ozkary
Gunakan Wiki Proyek ini untuk informasi instalasi dan konfigurasi
Bergabunglah dengan daftar ini untuk menerima pembaruan tentang konten baru tentang Data Rekayasa Data di sini
Ikuti kami di Twitter
Seri Blog Proses Rekayasa Data
Proses Rekayasa Data Podcast Video YouTube Fundamental
Buku Fundamental Proses Rekayasa Data di Amazon
Jika Anda menemukan proyek ini bermanfaat, silakan pertimbangkan untuk memberikannya ️ di GitHub! Dukungan Anda membantu kami tumbuh dan menjangkau lebih banyak pengembang.
Mengapa Membintangi Proyek Ini?
Terima kasih atas dukungan Anda! ?
Di kota New York, para penumpang menggunakan sistem kereta bawah tanah Metropolitan Transportation Authority (MTA) untuk transportasi. Ada jutaan orang yang menggunakan sistem ini setiap hari; Oleh karena itu, bisnis di sekitar stasiun kereta bawah tanah ingin dapat menggunakan iklan geofencing untuk menargetkan para penumpang atau kemungkinan konsumen dan menarik mereka ke lokasi bisnis mereka pada jam -jam puncak sehari.
Geofencing adalah layanan teknologi berbasis lokasi di mana sinyal elektronik perangkat seluler dilacak saat masuk atau meninggalkan batas virtual (geo-fence) di lokasi geografis. Bisnis di sekitar lokasi tersebut ingin menggunakan teknologi ini untuk meningkatkan penjualan mereka.
Sistem kereta bawah tanah MTA memiliki stasiun di sekitar kota. Semua stasiun dilengkapi dengan pintu putar atau gerbang yang melacak saat setiap orang masuk atau meninggalkan stasiun. MTA memberikan informasi ini dalam file CSV, yang dapat diimpor ke gudang data untuk memungkinkan proses analitik untuk mengidentifikasi pola yang dapat memungkinkan bisnis ini untuk memahami cara terbaik untuk menargetkan konsumen.
Kami menggunakan data turnstile MTA untuk 2023. Menggunakan data ini, kami dapat menyelidiki kriteria berikut:
Keluar menunjukkan bahwa penumpang datang ke lokasi tersebut. Entri menunjukkan bahwa penumpang berangkat dari lokasi tersebut.
Data dapat dikelompokkan ke dalam stasiun, tanggal dan waktu hari itu. Data ini diaudit dalam blok terpisah empat jam. Ini berarti bahwa ada interval jam 8 pagi hingga 12 siang sebagai contoh. Kami menganalisis data ke interval blok waktu untuk membantu kami mengidentifikasi waktu terbaik di pagi dan sore hari untuk setiap lokasi stasiun. Ini harus memungkinkan bisnis untuk menargetkan pagar geo tertentu yang dekat dengan bisnis mereka.
https://lookerstudio.google.com/reporting/94749e6b-2a1f-4b41-aff6-35c6c33f401e
Dengan melihat dasbor, kesimpulan berikut dapat diamati:
Dengan pengamatan ini, rencana dapat dilakukan untuk mengoptimalkan kampanye pemasaran dan menargetkan pengguna di sekitar area geo-pagar dan jam sehari dengan kedekatan dengan lokasi bisnis yang sesuai.
Proyek ini dieksekusi setelah proses ini. Rincian untuk masing -masing langkah ini dapat ditemukan dalam subdirektori proyek ini.
CATATAN: Ikuti setiap tautan untuk detail lebih lanjut
Teknologi berikut telah digunakan untuk proyek ini:
