Cargando...

Explotando tu data con BigQuery Geo Viz

BigQuery es el servicio de Google Cloud que facilita la administración y consulta de un gran volumen de datos; ahorrando el diseño, configuración y gestión de la arquitectura de hardware y software que se necesita para poder trabajar con BigData.

Este post, no será para hablar de este servicio, sino de una de sus características más interesantes: Geo Viz.

Geo Viz, es una herramienta de visualización de datos que mediante la Google Maps API, permite mostrar los resultados de una consulta de BigQuery en un mapa interactivo.

Para probar su funcionamiento, este es el escenario que vamos a revisar: utilizando la data pública de Properati, encontrar de forma rápida los tipos de propiedades en renta en cierta ubicación y una distinción visual de su rango de precio.

Lo primero será construir el Query que me dé los datos necesarios de estas propiedades, desde el repositorio de properati_mexico; para validar mi consulta tomaré los datos disponibles para Febrero de 2018, y como es necesario convertir la longitud y latitud de la ubicación en un punto geoespacial utilizo la función ST_GEOGPOINT


Con ello, el mapa tiene los datos necesarios para poder colocar un punto en cada una de las ubicaciones y prensentar la información de cada propiedad.


Es hora del siguiente paso: limitar los datos a una sola región. En este caso, la data tiene un campo que identifica la entidad de México.


Uno de los objetivos es identificar de modo visual el tipo de propiedad, así que podemos hacer uso de la aplicación de estilos en el mapa.

Los estilos se pueden aplicar a nivel global, o en base a un valor (Data-driven); elijo está ultima para diferenciar el tipo de propiedad y selecciono un estilo basado en los valores específicos que puede tener el campo de property_type para lograr que las casas se muestren en verde, los departamentos en anaranjado y los almacenes en azul.


El objetivo por cumplir, es mostrar el precio de la propiedad, así que utilizo el estilo correspondiente al radio de los puntos en el mapa, para que, según el rango de precio muestre un radio mayor o menor.


Así conseguí que de un modo muy sencillo, se puden ubicar las propiedas más o menos caras, su tipo y ubicación, aún antes de dar clic al detalle de cada una.

Con el concepto probado, puedo extender la consulta de datos a todo el año 2018 editando mi query con una de las características más potentes de BigQuery haciendo una selección de todas las tablas correspondientes a 2018 sin necesidad de hacer un union o join, como se haría en algún otro warehouse


Aprovechar los visualizadores de datos de Google Cloud, va permitir que puedas analizar de una forma sencilla toda tu data, sin necedidad de gestionar recursos de procesamiento o codificación, para atender métricas en tomas de decisiones.