Maps

На этой неделе творческое переосмысление геологической (или все же ареологической?) карты Марса на основе карты, сделанной USCS. Использовалась те же геологические данные, что и для оригинальной, но было добавлено больше топонимов и подписей, проведен редизайн визуального стиля, а термины из легенды карты упрощены для общего понимания.



Одной из самых сложных частей проекта было сделать перевод условных обозначений на язык не специалистов. Оригинальная карта была сделана для геологов, поэтому большую часть вокабуляра пришлось пересмотреть. Например, новая расшифровка значения края кальдеры Граница пустой магматической камеры, оставшейся после извержения вулкана. В оригинале было Овоидный бугорок, очерчивающий одну или несколько слитых частично или полностью закрытых впадин; коллапс вулкана, связанный с извержениями и, возможно, взрывными извержениями.

Во многих случаях переведенные обозначения были более неточными или менее информативными, чем оригинальные, поэтому также включили оригинальные аббревиатуры для каждого типа геологического элемента. Эти метки могут содержать ссылки на исходные данные, если вдруг захочется узнать больше о каждом типе геологического образования в научных терминах.


Некоторые из особо-примечательных геологических объектов на Марсе. 1: Гора Олимп, самый большой вулкан в Солнечной системе. 2: Долины Маринер, система глубоких каньонов длиной более 4000 км. 3: Равнина Эллада, самый большой видимый ударный кратер в Солнечной системе. 4: Марс геологически разделен на Северную низменность (бледно-зеленую) и Южную горную местность (коричневая). Ударные кратеры, образованные падающими астероидами и кометами (неоново-желтые), разбросаны по всей планете.


Для карты использовались следующие отдельные слои. 1-3: Геологические элементы, геологические контакты и геологические особенности из набора данных USGS. 4-5: уровень наклона и из двух источников USGS. 6: Номенклатура от IAU (Международный Астрономический Союз). 7-8: линии сетки и 3D-эффект, разработанный в Photoshop.

Много времени ушло на выбор проекции для проекта. Чтобы точно показать, какая часть планеты состояла из каждого геологического образования, в итоге использовалась проекция Эккерта IV. Этот тип проекции карты искажает контуры объекта, но сохраняет относительную площадь фигур по всей поверхности планеты. Такая проекция не подходит для визуализации полярных регионов, поэтому также добавили четыре карты-врезки в углы, чтобы показать каждое полушарие Марса (северное, южное, восточное и западное).

Чтобы сравнить эти различные проекции карты, вы можете использовать индикатрису Тиссо набор кругов одинакового размера, нанесенных в разных местах земного шара. Все проекции карты искажают пространство, но вы можете видеть, что эффекты сильно различаются в зависимости от проекции.


1: Равнопромежуточная. 2: Экерт IV. 3-5: Ортографические проекции с центром на разных долготах и широтах

Рассказ о реализации

В данном проекте использовались открытые данные USGS, IAU и NASA.
Стек технологий: Python 3.7.1, GDAL 2.4.1, Illustrator CC 2019 и Photoshop CC 2019 (можно заменить на бесплатные Gimp и Inkscape, например).
Также нужно установить пакеты: matplotlib numpy, pandas, cartopy, jupyter.

Сбор и обработка данных

Создание модели рельефа (DEM)

Модель рельефа это данные, содержащие информацию о высоте различных точек на планете. В проекте использовались данные, полученные из Геологической Службы США. Каждый пиксель в файле GeoTIFF это 16-битное число, которое описывает высоту точки.

Примечание: многие программы не могут нормально прочитать этот файл, так что то, что он выглядит странно в формате предпросмотра или в других неспециализированных программах это нормально. В рамках проекта работа с ними шла через GDAL (англ. Geospatial Data Abstraction Library библиотека абстракции гео-пространственных данных).

Создание проекций карты

Как уже говорили выше, для основной карты использовали проекцию Эккерт IV, которая сохраняет неизменной площадь, а для врезанных карт полюсов использовалась ортографическая проекция.

Изменяем проекцию в DEM-файле: в исходном файле использовалась равнопромежуточная проекция, поэтому нужно ввести следующий код в командную строку, чтобы осуществить перевод. Код использует оригинальный файл intif и создает новый outtif, в формате eck4 (Эккерт IV) проекции.

gdalwarp -t_srs "+proj=eck4" ./path_to_intif.tif ./path_to_outtif.tif

Потом уменьшаем разрешение DEM, просто сокращая размер каждого пикселя до 1500x1500 метров, используя метод average. Это позволит сократить время обработки, да и уменьшение разрешения в этот момент сделать проще, чем потом.

gdalwarp -tr 1500 1500 -r average ./path_to_intif.tif ./path_to_outtif.tif

Отмывка и карта склонов

Дальше мы используем получившийся файл для создания карты с отмывкой и карты склонов для каждого полушария планеты.

Карта после отмывки показывает тени из воображаемого источника света, свет падает на карту сверху. Он воображаемый, потому что в реальном мире так не бывает одиночный источник света создаст тени под разными углами в разных частях шара. Встроенная функция hillshade в GDAL устанавливает угол падения света одинаковый для всей карты. Для данного проекта z, вертикальное увеличение, поставили равным 20. Это увеличивает каждое значение высоты в 20 раз, чтобы сделать рельеф более контрастным и обеспечить отображение теней.

gdaldem hillshade -z 20 ./path_to_intif.tif ./path_to_hillshade.tif

Карты склона выделяют крутые части карты и добавляют больше информации к топографической отмывке (которая подчеркивает абсолютную высоту, а не крутизну).

gdaldem slope ./path_to_intif.tif ./path_to_slope.tif

Ортографические проекции

В дополнение к карте в проекции Эккерт IV также сделаны четыре карты полушарий Марса. Проекция Эккерт IV плохо подходит для отображения Северного и Южного полюсов, поэтому эти две врезки очень полезны для их понимания. Для получения отмывки и карты склонов повторяем код с небольшими изменениями ortho вместо eck4 и обозначаем центр долготы и широты для каждой карты (North:+lat_0=90 +lon_0=90, South :+lat_0=-90 +lon_0=90, East:+lat_0=0 +lon_0=90, West:+lat_0=0 +lon_0=270).

gdalwarp -t_srs "+proj=ortho +lat_0=90 +lon_0=0" ./path_to_intif.tif ./path_to_outtif.tif
gdalwarp -tr 1500 1500 -r average ./path_to_intif.tif ./path_to_outtif.tif
gdaldem hillshade -z 20 ./path_to_intif.tif ./path_to_hillshade.tif
gdaldem slope ./path_to_intif.tif ./path_to_slope.tif


Легенда карты

Международный Астрономический Союз отвечает за присвоение имен внеземным объектам. Можно просто скачать файл в формате CSV, содержащий все объекты для каждой планеты прямо с их сайта. Для этого надо использовать функцию Advanced Search (расширенного поиска), чтобы скачать All Feature Types (все типы объектов) для вашей планеты Target (Mars), но только с Approval Status of Adopted by IAU одобренные МАС. В разделе Columns to Include section (столбцы для включения) выберите Feature ID, Feature Name, Clean Feature Name, Target, Diameter, Center Lat/Lon, Feature Type и Feature Type Code. Также можно включить Origin (происхождение), если хотите добавить в проект дополнительную информацию об объектах, такую как, например, в честь кого он был назван.

Геологические структуры и элементы

Геологическая карта показывает различные типы пород и другие особенности, такие как линии разломов и русла рек. У USGS есть красивая геологическая карта Марса, которую мы и используем в качестве исходной. Для работы с этими данными загрузите архив базы данных (790 МБ) с USGS Geologic Map. В следующем разделе, посвященному дизайну карты в Python, объясняется, как получить доступ и отобразить каждый тип данных в этой базе данных.

Дизайн карты в Python

Мы создаем шесть чертежей (plots) с геологическими элементами, структурами, особенностями, двумя видами текстовых подписей и сеткой. Часто стоит разделять данные для обработки, чтобы легко применять при необходимости эффекты из Photoshop или Illustrator. В matplotlib использовался gridspec, чтобы настроить все элементы так, чтобы каждый subplot занимал конкретное место в пределах декоративной рамки.



Геологические элементы это различные виды рельефа, составляющие поверхность планеты. Разные скальные элементы обычно представлены разными цветами. Набор данных USGS помечает каждую породу 23 буквенным кодом, обозначающим тип элемента. Назначаем цвет каждому буквенному коду, составив таблицу пар код-цвет в Mars_geologic_units.csv. Мы обращаемся к этому файлу при построении каждого элемента в cartopy и matplotlib. Сохранение графических параметров в отдельном файле облегчает использование различных цветовых схем и обособляет дизайн от кода.



Геологические контакты это границы между геологическими породами. Некоторые геологические границы являются приблизительными или скрыты под пылью. Как и для геологических пород, используем файл конфигурации Mars_geologic_boundaries.csv, чтобы отобразить каждый тип геологического контакта в другом цвете. На окончательной карте настраиваем отображение некоторых геологических контактов в виде пунктирных линий, просто открыв PDF в Illustrator и выбрав все объекты одного цвета (Select -> Same -> Stroke color).



Геологические особенности это другие видимые линии на поверхности планеты, такие как каналы, края кратеров или гребни гор. В датасете есть 13 различных типов. Чтобы отобразить каждый из них в особом стиле, каждый отобразили в другом цвете, а затем стилизовали линии в Illustrator. Это позволило применить специальных эффекты, такие как градиентные хвосты, чтобы показать направление движения каналов оттока и лавовых потоков.

Условные обозначения

Для карты использовалось два набора данных для меток. Первый это официальный от IAU. Размеры меток создаются в соответствии с размером объекта, хотя все равно финальную настройку размеров необходимо делать в Illustarator.



Второй набор меток добавляет для каждой крупного геологического элемента аббревиатуру. Это облегчает пользование легендой карты, поскольку некоторые цвета изменяются из-за теней. К коду здесь пришлось подойти творчески, а именно нарисовать каждую аббревиатуру в геометрическом центре геологической формы, что не для всех случаев идеально. Но для данного проекта это было нормально, поскольку потом по плану все равн эти подписи будут двигаться вручную, чтобы избежать наложения на будущие подписи.



Места высадки: чтобы отобразить места высадки марсоходов и других космических аппаратов, использовалось улучшенное цифровое изображение от NASA в качестве фона. Чтобы показывать все 4 полушария планеты, пришлось поменять проекцию landing_sites.ipynb.

Сохранение результатов из Matplotlib

Обычно результаты сохраняются в формате pdf, чтобы провести финальные правки текста и форм в Illustrator. Вот пара стандартных команд, которые облегчают последующую редактуруt:

import matplotlibimport matplotlib.pyplot as pltimport matplotlib.backends.backend_pdf as pdf# Выгружает текст в редактируемом формате, а не в формате формы:matplotlib.rcParams['pdf.fonttype'] = 42# Сохраняет вертикальное положение для картинокmatplotlib.rcParams['image.composite_image'] = False# Удаляет границы и тики из subplotax.axis('off')# Убирает padding и margins отовсюдуplt.margins(0,0)plt.subplots_adjust(top=1, bottom=0, right=1, left=0, hspace=0, wspace=0)plt.gca().xaxis.set_major_locator(plt.NullLocator())plt.gca().yaxis.set_major_locator(plt.NullLocator())#Сохраняет в pdfpp = pdf.PdfPages('./savename.pdf', keep_empty=False)pp.savefig(fig)pp.close()# если не нужно сохранять в векторах# можно делать сразу в PNG и правит сразу в Photoshop:plt.savefig('./savename.png', format='png', dpi=600, pad_inches=0, transparent=True)

После сохранения PDF его нужно отредактировать так, чтобы каждый объект можно было редактировать независимо. В Illustrator выберите все в файле и идите в Object --> Clipping Mask --> Release. В этот момент стоит также удалить бэкграунд и границы, если вы их делали раньше.

Дизайн в Illustrator и Photoshop

Экспортирование из Python в PDF позволяет использовать некоторые функции графических редакторов, которых или нет, или их реализация гораздо более трудозатратна.
В этом проекте не так много особых текстовых эффектов, так что редактирование было минимально.

Создание теней под текстом в Photoshop

Для создания этого эффекта нужно скопировать слой с подписями и зайти в Filter --> Blur Gallery --> Field Blur. Для теней хорошо создавать два слоя с blur на 20% прозрачности один с Blur равным 4px, а другой 10px.

Цвета и шрифты

Чтобы карты выглядела продумано, для карты выбирались цвета из заранее продуманной палитры на 70 цветов. Два шрифта (Redflowers and Moon).

Разработка цветовой схемы

В начале проекта было создано 14 различных цветовых схем. Первоначальная идея состояла в том, чтобы иметь уникальную цветовую палитру для каждой планеты, но в итоге использовалась одна и та же коллекция цветов во всех проектах.

Декоративные иллюстрации

В проекте хотелось комбинировать большие датасеты и ручные элементы в стиле художников William Morris или Alphonse Mucha. Для этого перед разработкой была собрана большая коллекция картин для вдохновения.



На старте хотелось попробовать разные вариации рамок для карты. Была создана коллекция из 18 разных паттернов.

Однако в процесс реализации стало понятно, что данных слишком много и все и так выглядит очень скучено. В итоге был выбран только один паттерн для обрамления главной проекции.

Итоговый результат:


Ссылка на github: github.com/eleanorlutz/mars_geology_atlas_of_space

Реферальные ссылки:
Astronomy. Andrew Fraknoi, David Morrison, Sidney C. Wolff et al. OpenStax 2016.
Gazetteer of Planetary Nomenclature. International Astronomical Union (IAU) Working Group for Planetary System Nomenclature (WGPSN) 2019.
Planetary Symbology Mapping Guidelines. Federal Geographic Data Committee.
Mars HRSC MOLA Blended DEM Global 200m v2. NASA PDS and Derived Products Annex. USGS Astrogeology Science Center 2018.
Geologic Map of Mars SIM 3292. Kenneth L. Tanaka, James A. Skinner, Jr., James M. Dohm, Rossman P. Irwin, III, Eric J. Kolb, Corey M. Fortezzo, Thomas Platz, Gregory G. Michael, and Trent M. Hare. USGS 2014.
Viking Global Color Mosaic 925m v1. NASA PDS, 2019
Missions to Mars. The Planetary Society.
Fonts: Moon by Jack Harvatt and RedFlower by Type & Studio.
Advice: Thank you to Henrik Hargitai, Oliver Fraser, Thomas Mohren, Chris Liu, Chloe Pursey, and Leah Willey for their helpful advice in making this map.

*Меня зовут Алексей Козыкин, я работаю в департаменте аналитических решений КОРУС Консалтинг, где мы реализовываем проекты по управлению данными и геомаркетинговому анализу. Геоданные способны дать дополнительную информацию о ваших клиентах и пользователях и объяснить отклонения. Но есть предубеждение, что использование пространственных данных сопряжено с высокой технической подготовкой и огромными трудозатратами, поэтому проекты по их сбору и использованию часто не выходят за рамки пилотного проекта.

Крупные компании, работающие на В2С-рынке, активно используют геоданные в своих маркетинговых исследованиях. В большинстве случаев не возникает вопроса, зачем и как используется эта информация. В современном мире мы не можем представить себе сервис такси без анализа маршрутов и навигации или крупную торговую компанию, проводящую экспансию без детального анализа потенциальной целевой аудитории на местности. И присмотреться к этому виду данных стоит каждому.*

Что такое геомаркетинговый анализ

Геомаркетинговый анализ изучает влияние пространственных, имеющих географическую привязку, и социально-экономических характеристик аудитории на ключевые показатели компании, ее товаров или услуг. Например, почему жители одного региона покупают больше, а другого меньше.

Анализ изучает множество отдельных процессов компании: от продаж конкретных продуктов (например, персонализированных услуг банков в разных отделениях) до показателей торговых точек (например, потенциальной окупаемости новых отделений). При этом характер использования продуктов и услуг у каждой целевой аудитории в каждом регионе и районе описывается множеством совершенно разных факторов окружающей среды.
Поведение целевой аудитории связано с социально-экономическими особенностями района, его инфраструктурой, трафикообразованием и персональной логистикой. Для определения влияния этих особенностей есть ряд инструментов, которые чаще всего используются на практике:

• Анализ эффективности размещения объекта
  Базовый алгоритм определяет влияние социально-экономических процессов в районе на KPI объекта. Если он изменяется в зависимости от расстояния между ними, то можно определить, насколько оптимально размещен данный объект.
• Кластеризация объектов
  Часто объекты объединяют для дальнейшего анализа по схожим показателям или внутренней специфике; геоданные улучшают эту группировку, добавляя в число характеристик внешние процессы. Чем лучше кластеризация, тем эффективнее ассортиментное планирование, прогнозирование продаж, маркетинг и другие активности.
• Оценка конкуренции
  Инструмент позволяет понять, какой процент вашей целевой аудитории забирают к себе ваши конкуренты. На основе полученных данных можно построить модель пространственной дифференциации Хотеллинга, оптимизировать цены на продукты.
• Выявление трафикообразующих полигонов
  Как и в задаче анализа эффективности размещения, алгоритм определяет показатели влияния различных типов зданий и достопримечательностей на деятельность объектов. При этом можно получить дополнительную информацию о целевой аудитории (например, как она сформировалась в данном районе или что ей интересно рядом с вашим объектом).
• Сегментация целевой аудитории
  Часто компании разделяют своих клиентов на группы для более качественной работы с ними. Для них можно создать персональные рекомендации, улучшать сервис, выявлять потребности, предсказывать отток и многое другое. Для этого используются данные, полученные внутри торговой точки: историю покупок, персональные данные участников программы лояльности. Также проводить сегментацию целевой аудитории можно с помощью геоданных. Вероятностные модели позволяют определить финансовые возможности клиентов, демографическую сегментацию и многое другое.
• Определение оптимального ассортимента и/или формата объекта
  Геоданные помогают охарактеризовать вашу целевую аудиторию в конкретном районе с точки зрения демографии, социальных и духовных потребностей, финансовых возможностей и так далее. Это позволяет качественнее выстроить стратегию продаж.
• Прогноз размера целевой аудитории
  Вышеуказанные инструменты позволяют построить вероятностные модели посещения магазина. Имея множество характеристик районов и торговых точек, можно определить размер целевой аудитории на основе сравнения этих характеристик для нового района или на основе модели Хаффа.
• Определение каналов коммуникации с целевой аудиторией
  Геоплатформы собирают данные о поисковых запросах определенных товаров и услуг с привязкой к местности это упрощает поиск каналов коммуникаций с клиентами.
• Прогнозирование объёмов продаж товаров/услуг
  Перечисленные инструменты наполняют модели прогнозирования дополнительной информацией, позволяя более обоснованно агрегировать продажи товаров в разных магазинах, определять предельный спрос и многое другое. Это дает полноценную информацию о распределении временных рядов продаж и улучшает качество прогнозов.
• Оценка скорости экспансии
  Как и при анализе эффективности размещения, модель определяет влияние процессов на KPI объекта. В данном случае под KPI понимаются показатели, соответствующие стратегии экспансии компании.

На практике редко получается, что для решения задачи достаточно анализа только трафика или только инфраструктуры. Выбор инструментов определяется гипотезой тем, какие данные в первую очередь нужно собрать и сколько это стоит. В зависимости от гипотезы можно предположить, какие инструменты и источники данных нужны, и насколько сложно будет реализовать сбор нужной информации.

Дьявол в деталях: как производится анализ

Шаг первый. Формируем гипотезу и выстраиваем структуру данных

Когда компания лишь подступается к методу, на этапе пилота есть соблазн довольствоваться чем-то небольшим. Пример исследование, как клиент получает доступ к товару: целенаправленно идет в магазин, заходит случайно по дороге на работу, специально едет или возвращается раз в период. Но такой подход не раскрывает весь потенциал метода.

Чтобы не довольствоваться усеченными сведениями вне зависимости от выбранной гипотезы необходимо построить базовую структуру данных: найти исследуемые объекты, определить их расположение, название. Для этого используются API ГИС (платные или с открытым доступом например, сервис OpenStreetMap). Платные API обрабатывают запросы быстрее, это их ключевое достоинство. Но некоторые задачи подразумевают сотни тысяч запросов, что увеличивает время поиска.

По набору функций API можно разделить на четыре типа:

1. Справочник позволяет находить нужную информацию об объектах по заданным параметрам (по наименованию, месторасположению, рубрике, в заданном радиусе и т.д.);
2. Геокодинг позволяет преобразовывать адреса в координаты и наоборот;
3. Маршрутизация позволяет найти оптимальный маршрут по заданным параметрам;
4. Визуализация позволяет использовать графическое представление данных.

Результатом первого этапа будет базовая структура из адресов исследуемых объектов и их координат, а также множество дополнительных геоданных: характеристики домов, графы маршрутов, характеристики пешеходных маршрутов и автомобильных маршрутов, информация о деятельности организаций, трафикообразующие полигоны и многое другое.

Шаг второй. Проверяем гипотезы на моделях

На основе построенной базовой структуры можно проверять гипотезы. Чаще всего в первую очередь моделируют следующие процессы:

• Влияние трафикообразующих объектов (потребителей, поставщиков, кинотеатров, метро и так далее).
• Модель конкуренции (модель Хотеллинга и аналоги).
• Модель, определяющая соотношение уникальности предложения конкурента к его доступности.
• Гравитационная модель притяжения (модель Хаффа или дрeubt модели).
• Вероятностная модель, предсказывающая приток клиентов в конкретную торговую точку из конкретного полигона.
• Доступность объектов (пешая, автомобильная).
• Количество населения в районе.
• Качество инфраструктуры и элитности района.

Отдельно выделенные модели для классификации районов на основе сложных социально-экономических процессов. Часто такие модели требуют специфических данных из специализированных источников, а их влияние на исследуемые объекты могут быть не очевидны (например, миграция населения и изменение стоимости квартир или аренды).

Так как большинство моделей строятся на ограниченных данных, результат не будет точным на 100%. Но даже на основе первых результатов можно сделать вывод, как можно будет использовать результат исследования. И если данные сильно повлияют на ваш проект, запланировать их уточнение дополнительной информацией, связанной с выбранным пространством.

Шаг третий. Уточняем модели

Для уточнения моделей нужно больше информации. Собирать ее можно самостоятельно или через к геоаналитические платформы второе значительно упрощает процесс.

Геоаналитические платформы это особые системы и компании, в которых эксперты и аналитики собирают данные из большого количества источников, анализируют их и визуализируют различные социально-экономические (и не только) показатели районов всё это не только на текущий момент, но и в ретроспективе нескольких лет. Их базы данных хранят информацию об игроках рынка, итоги переписи населения, исторический срез погодных условий, данные от сотовых операторов, информацию о стоимости квартир, пробки на дорогах, запросы в поисковой системе и многое другое. В некоторых сервисах даже можно получить конкретные ответы на конкретные вопросы: где чаще проводит время ваша целевая аудитория, где чаще совершается онлайн поиск ваших продуктов.

Ценообразование платформ определяется по большей части из экономии ресурсов на сбор нужной информации пользователями самостоятельно то есть чем более экзотичны нужные данные, тем выше их стоимость.

Несмотря на стоимость подобных инструментов, самостоятельно собирать такие данные в рамках одного проекта попросту бессмысленно: расходы на это попросту не окупятся.
Геоаналитические платформы помогут уточнить уже построенные вами модели или разработать более сложные:

• Миграция населения;
• Средний заработок в районе;
• Предрасположенность района к увеличению преступности;
• Предрасположенность к переходу на доставку продуктов;
• Средний доход в доме;
• И так далее.

Как запустить в компании геомаркетинг

Рациональнее привлекать на геомаркетинг отдельного специалиста-аналитика.
Собирать данные для геомаркетинга можно параллельно проекту, не привязываясь к его особенностям. Это значит, привлеченный специалист не обязательно должен быть глубоко интегрирован в вашу деятельность. Для большей части задач достаточно минимальной информации о вас (адреса точек и вид деятельности), которые позволяют определить необходимый набор инструментов.

Геомаркетинг дает возможность проверить большое количество гипотез и проследить эффект от использования геоданных на проекте на базе только open source технологий. Для запуска работы на базовом уровне не нужно много денег и ресурсов достаточно начать с появления в штате аналитика и сбора доступной информации. А вот глубокое копание в данных и использование социально-экономических показателей для уточнения моделей ведет к резкому удорожанию проекта за счет стоимости информации из внешних баз насколько вам это необходимо и какой объем средств вы готовы инвестировать в эту задачу, решать вам на основе показателей вашего бизнеса и ваших целей.

Но эффект от использования геоданных всегда положительный в первую очередь, за счет легкой интерпретируемости результатов. Они всегда наглядны, информацию из них легко начать использовать к примеру, продемонстрировав графики с тепловыми картами, можно уже на пресейле произвести на заказчика достаточно сильный wow-эффект. Качественный анализ целевой аудитории приводит к росту показателей вашего продукта.