ภาพรวมของ Places Insights

ข้อมูลเชิงลึกเกี่ยวกับสถานที่ช่วยให้คุณทำการวิเคราะห์ทางสถิติขั้นสูงเกี่ยวกับข้อมูลสถานที่ที่สมบูรณ์ของ Google Maps ได้ โดยจะแสดงจำนวนรวมและข้อมูลความหนาแน่นของจุดข้อมูลจุดที่น่าสนใจ (POI) นับล้านจุด ซึ่งช่วยให้คุณได้รับข้อมูลการข่าวกรองทางภูมิสารสนเทศที่มีประสิทธิภาพ

ความสามารถหลัก

  • ข้อมูลเชิงลึกด้านภูมิสารสนเทศ: ดูภาพรวมความหนาแน่นและการกระจายของ POI หมวดหมู่ต่างๆ (เช่น ร้านค้าปลีก ร้านอาหาร บริการ) ในพื้นที่ทางภูมิศาสตร์ที่เฉพาะเจาะจง
  • การเข้าถึงข้อมูลที่ปลอดภัย: ระบบจะติดตั้งใช้งานข้อมูลโดยใช้ข้อมูลรายการ BigQuery Data Exchangeพร้อมการปกป้องข้อมูล ซึ่งช่วยให้สภาพแวดล้อมการแชร์และการวิเคราะห์ข้อมูลมีความปลอดภัยและได้รับการปกป้อง
  • รายละเอียดที่นำไปใช้ได้จริง: แม้ว่าข้อมูลเชิงลึกเกี่ยวกับสถานที่จะเน้นที่แนวโน้มโดยรวม แต่คุณสามารถใช้รหัสสถานที่ที่แสดงผลเพื่อเจาะลึกและดึงข้อมูลสถานที่แต่ละแห่งโดยใช้ API อื่นๆ ของ Google Maps Platform เพื่อเปลี่ยนข้อมูลเชิงลึกทางสถิติให้เป็นการดำเนินการโดยละเอียด

ทำความเข้าใจข้อมูลสถานที่และกรณีการใช้งาน

Google Maps คัดสรรข้อมูลสถานที่ของสถานประกอบการนับล้านแห่งทั่วโลก ข้อมูลเชิงลึกเกี่ยวกับสถานที่ทำให้ข้อมูลสถานที่ที่ครอบคลุมนี้พร้อมใช้งานใน BigQuery เพื่อ ให้คุณได้รับข้อมูลเชิงลึกแบบรวมเกี่ยวกับข้อมูลสถานที่ของ Google Maps โดยอิงตาม แอตทริบิวต์ที่หลากหลาย เช่น ประเภท สถานที่ การให้คะแนน เวลาทำการ การเข้าถึงด้วยรถเข็น และอื่นๆ

หากต้องการใช้ข้อมูลเชิงลึกเกี่ยวกับสถานที่ คุณต้องเขียนการค้นหา SQL ใน BigQuery ที่แสดงข้อมูลเชิงลึกทางสถิติเกี่ยวกับข้อมูลสถานที่ ข้อมูลเชิงลึกเหล่านี้ช่วยให้คุณตอบคำถามต่างๆ ได้ เช่น

  • มีธุรกิจที่คล้ายกันกี่แห่งที่ดำเนินงานอยู่ใกล้กับสถานที่ตั้งร้านค้าใหม่ที่มีศักยภาพ
  • ธุรกิจประเภทใดที่พบได้บ่อยที่สุดใกล้กับร้านค้าที่ประสบความสำเร็จมากที่สุดของฉัน
  • พื้นที่ใดที่มีธุรกิจเสริมกันอยู่หนาแน่น ซึ่งอาจดึงดูดลูกค้าเป้าหมายของฉันได้
  • มีร้านอาหารซูชิ 5 ดาวกี่แห่งที่เปิดให้บริการเวลา 20:00 น. ในมาดริด มีที่จอดรถที่เข้าถึงได้ด้วยรถเข็น และมีบริการซื้อกลับบ้าน
  • รหัสไปรษณีย์ใดในแคลิฟอร์เนียที่มีสถานีชาร์จรถยนต์ไฟฟ้าหนาแน่นที่สุด

กรณีการใช้งานที่รองรับ

  • การเลือกสถานที่: ประเมินและเลือกสถานที่ที่เหมาะสมที่สุดสำหรับธุรกิจใหม่หรือการวางสินทรัพย์ทางกายภาพ การวิเคราะห์ความหนาแน่นและส่วนผสมของจุดที่น่าสนใจโดยรอบจะช่วยให้คุณมั่นใจได้ว่าสถานที่ตั้งที่มีศักยภาพจะอยู่ในตำแหน่งที่เหมาะสมที่สุดภายในสภาพแวดล้อมทางธุรกิจที่มีการแข่งขันและเสริมกัน แนวทางที่ขับเคลื่อนด้วยข้อมูลนี้สามารถลดความเสี่ยงที่เกี่ยวข้องกับการลงทุนในสถานที่ใหม่ๆ ได้
  • การประเมินประสิทธิภาพของสถานที่: กำหนดตัวแปรด้านภูมิสารสนเทศ เช่น ความใกล้เคียงกับ POI บางประเภท เช่น ซูเปอร์มาร์เก็ตหรือสถานที่จัดงาน ซึ่งมีความสัมพันธ์กับประสิทธิภาพที่เป็นบวกหรือลบในสถานที่ที่มีอยู่ ข้อมูลนี้ช่วยให้คุณระบุสถานที่ที่มีศักยภาพซึ่งมีลักษณะด้านภูมิสารสนเทศที่เหมาะสมที่สุดสำหรับกรณีการใช้งานของคุณ นอกจากนี้ คุณยังใช้ข้อมูลนี้เพื่อติดตั้งใช้งานโมเดลการคาดการณ์ที่คาดการณ์ประสิทธิภาพในอนาคตของสถานที่ใหม่ๆ โดยอิงตามบริบท POI โดยรอบได้ด้วย
  • การตลาดที่กำหนดเป้าหมายตามภูมิศาสตร์: กำหนดประเภทแคมเปญการตลาดหรือโฆษณาที่จะประสบความสำเร็จในพื้นที่หนึ่งๆ ข้อมูลเชิงลึกเกี่ยวกับสถานที่ให้บริบทที่จำเป็นในการทำความเข้าใจกิจกรรมเชิงพาณิชย์ ซึ่งช่วยให้คุณปรับแต่งข้อความตามความหนาแน่นของธุรกิจหรือกิจกรรมที่เกี่ยวข้องได้
  • การคาดการณ์ยอดขาย: คาดการณ์ยอดขายในอนาคตในสถานที่ที่มีศักยภาพ การสร้างแบบจำลองผลกระทบของลักษณะด้านภูมิสารสนเทศโดยรอบช่วยให้คุณสร้างโมเดลการคาดการณ์ที่มีประสิทธิภาพเพื่อขับเคลื่อนการตัดสินใจลงทุนได้
  • การวิจัยตลาด: ให้ข้อมูลเกี่ยวกับภูมิภาคที่จะขยายธุรกิจหรือบริการของคุณต่อไป วิเคราะห์ความอิ่มตัวของตลาดที่มีอยู่และความหนาแน่นของ POI เพื่อระบุตลาดเป้าหมายที่ยังไม่ได้รับการบริการหรือมีความหนาแน่นสูง ซึ่งมีโอกาสมากที่สุด การวิเคราะห์นี้ให้หลักฐานสนับสนุนความคิดริเริ่มด้านการเติบโตและการขยายธุรกิจเชิงกลยุทธ์
  • การวิเคราะห์แนวโน้ม: สำรวจการเปลี่ยนแปลงที่เกิดขึ้นในช่วงเวลาหนึ่ง เปรียบเทียบจำนวนสถานที่ รวมถึงสถานที่ที่เพิ่มและนำออกในแต่ละเดือนย้อนกลับไปจนถึงเดือนมกราคม 2024

คุณสามารถค้นหาชุดข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่โดยใช้ฟังก์ชัน Places Count หรือ การค้นหา SQL โดยตรง

ดูข้อมูลอ้างอิงสคีมา

เลือกวิธีการค้นหา: ฟังก์ชัน Places Count เทียบกับการค้นหา SQL โดยตรง

ข้อมูลเชิงลึกเกี่ยวกับสถานที่นำเสนอเส้นทางการค้นหา 2 เส้นทาง ได้แก่ ฟังก์ชัน Places Count (ฟังก์ชัน BigQuery ดั้งเดิม) และการค้นหา SQL โดยตรง (การรวมตาราง) เพื่อรองรับขนาดการวิเคราะห์และข้อกำหนดด้านความเป็นส่วนตัวที่แตกต่างกัน

ใช้เมทริกซ์การตัดสินใจนี้เพื่อกำหนดเส้นทางการค้นหาที่ถูกต้องสำหรับการติดตั้งใช้งาน

เป้าหมายการวิเคราะห์ วิธีการค้นหาที่แนะนำ ข้อมูลและเอาต์พุตที่แสดงผล ข้อควรพิจารณาด้านความเป็นส่วนตัวและเชิงพื้นที่
วิเคราะห์ความหนาแน่นของ POI ระดับภูมิภาคและสร้างฮีตแมป PLACES_COUNT_PER_H3
  • แสดงผลรูปหลายเหลี่ยมหกเหลี่ยม H3 ที่มีจำนวนที่แน่นอน (รวม 0)
  • แสดงผลค่า place_id สูงสุด 250 ค่าต่อเซลล์
  • สร้างขึ้นเพื่อวัตถุประสงค์ด้านโมเดล ML เชิงพื้นที่และ Feature Engineering
  • พื้นที่ค้นหาขั้นต่ำ 40 ม. × 40 ม. (1,600 ตร.ม.)
  • เพิ่มประสิทธิภาพเพื่อประสิทธิภาพและต้นทุนการประมวลผลต่ำ
  • ตรวจสอบความถูกต้องของพารามิเตอร์อินพุตและแสดงข้อผิดพลาดที่ชัดเจนเพื่อให้แก้ไขข้อบกพร่องได้ง่ายขึ้น
รับจำนวนสำหรับสถานที่ที่เฉพาะเจาะจงและดึงข้อมูลรหัสสถานที่เพื่อค้นหารายละเอียด PLACES_COUNT_V2 หรือ PLACES_COUNT_PER_TYPE_V2
  • แสดงผลจำนวนที่แน่นอน (รวม 0) สำหรับรูปทรงเรขาคณิตที่กำหนดเอง
  • แสดงผลค่า place_id สูงสุด 250 ค่าต่อแถว
  • พื้นที่ค้นหาขั้นต่ำ 40 ม. × 40 ม. (1,600 ตร.ม.)
  • ปรับขนาดได้ถึงหลายพันสถานที่โดยใช้พารามิเตอร์ TABLE
  • เพิ่มประสิทธิภาพเพื่อประสิทธิภาพและต้นทุนการประมวลผลต่ำ
  • ตรวจสอบความถูกต้องของพารามิเตอร์อินพุตและแสดงข้อผิดพลาดที่ชัดเจนเพื่อให้แก้ไขข้อบกพร่องได้ง่ายขึ้น
ติดตามการเปลี่ยนแปลงของ POI และแนวโน้มการเติบโตในช่วงเวลาหนึ่งระหว่าง 2 เดือน PLACES_COUNT_CHANGE
  • แสดงผล start_count, end_count, net_change, percentage_change และ compound_monthly_growth_rate
  • แสดงผลอาร์เรย์ของรหัสสถานที่ที่เพิ่มใหม่ (sample_added_place_ids) และนำออก (sample_removed_place_ids)
  • ต้องใช้พารามิเตอร์ month1 และ month2 ในรูปแบบ YYYY-MM
  • พื้นที่ค้นหาขั้นต่ำ 40 ม. × 40 ม. (1,600 ตร.ม.)
  • ปรับขนาดได้ถึงหลายพันสถานที่ที่กำหนดเองโดยใช้พารามิเตอร์ TABLE
เรียกใช้ตรรกะที่กำหนดเองขั้นสูง ค่าเฉลี่ย หรือรวมกับข้อมูลของคุณ การค้นหา SQL โดยตรง
  • ความยืดหยุ่นของ SQL อย่างเต็มที่ในตารางดิบ
  • เปิดใช้เมตริก SQL ที่กำหนดเอง (AVG, SUM ฯลฯ)
  • ไม่แสดงผลรหัสสถานที่
  • เกณฑ์ความเป็นส่วนตัว: ระบบจะละเว้น จำนวน 0 ถึง 4 โดยสมบูรณ์
  • ไม่มีข้อจำกัดด้านพื้นที่ค้นหาขั้นต่ำ

ข้อมูลเชิงลึกเกี่ยวกับสถานที่ช่วยให้คุณทำการวิเคราะห์ย้อนหลังได้โดยการค้นหาสแนปช็อตรายเดือนของข้อมูลสถานที่ย้อนกลับไปจนถึงเดือนมกราคม 2024 ซึ่งจะช่วยให้คุณประเมินได้ว่าความหนาแน่นของธุรกิจ กิจกรรมเชิงพาณิชย์ และสภาพแวดล้อมทางการแข่งขันมีการเปลี่ยนแปลงอย่างไรในช่วงเวลาหนึ่ง

หากต้องการค้นหาข้อมูลย้อนหลังโดยใช้ฟังก์ชัน Places Count ให้ส่งพารามิเตอร์ตัวกรอง snapshot_date ที่ไม่บังคับภายใน JSON_OBJECT ค่าต้องอยู่ใน รูปแบบ YYYY-MM (เช่น '2026-01')

ตัวอย่าง: ค้นหาจำนวนร้านอาหารย้อนหลังในนิวยอร์กซิตี้ด้วย PLACES_COUNT_V2

ตัวอย่างต่อไปนี้ใช้ PLACES_COUNT_V2 เพื่อวิเคราะห์จำนวนร้านอาหารที่เปิดให้บริการรอบๆ อาคารเอ็มไพร์สเตตและไทม์สแควร์ในนิวยอร์กซิตี้ ณ เดือนมกราคม 2026

-- Create a table for the input search geographies
WITH my_search_areas AS (
  SELECT
    'Empire State Building' AS geo_id,
    ST_GEOGPOINT(-73.9857, 40.7484) AS geo
  UNION ALL
  SELECT
    'Times Square' AS geo_id,
    ST_GEOGPOINT(-73.9851, 40.7580) AS geo
)

-- Query restaurant counts for the January 2026 snapshot
SELECT *
FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_V2`(
  TABLE my_search_areas,
  JSON_OBJECT(
      'geography_radius', 1000, -- Radius in meters around each point
      'business_status', ['OPERATIONAL'],
      'types', ['restaurant'],
      'snapshot_date', '2026-01'
  )
);

การวิเคราะห์เอาต์พุตย้อนหลัง

ตาราง BigQuery ที่แสดงผลจะมี geo_id, รูปหลายเหลี่ยมทางภูมิศาสตร์อินพุต, จำนวนสถานที่ และรหัสสถานที่ตัวอย่างตามที่บันทึกไว้ในเดือนสแนปช็อตที่ระบุ (2026-01) คุณสามารถเรียกใช้การค้นหาที่เหมือนกันในเดือนสแนปช็อตหลายเดือนเพื่อคำนวณแนวโน้มการเติบโต การเปิดร้าน หรือการหดตัวของตลาด

รวมความหนาแน่นของ POI ระดับภูมิภาคโดยใช้ PLACES_COUNT_PER_H3

ฟังก์ชัน PLACES_COUNT_PER_H3 เป็นเส้นทางที่แนะนำสำหรับการวิเคราะห์ความหนาแน่นของ POI ในพื้นที่ขนาดใหญ่ การแบ่งภูมิภาคเป้าหมายออกเป็นเซลล์ตารางหกเหลี่ยม H3 มาตรฐานจะช่วยลดความจำเป็นในการวาดขอบเขตที่กำหนดเอง และคุณสามารถป้อนผลลัพธ์ลงในเครื่องมือการทำแผนที่แบบภาพได้โดยตรง เช่น Looker Studio

ตัวอย่าง: นับร้านขายของชำและร้านสะดวกซื้อที่เข้าถึงได้ด้วยรถเข็นในรัฐนิวยอร์ก

การค้นหาต่อไปนี้จะรวมร้านขายของชำและร้านสะดวกซื้อที่เข้าถึงได้ด้วยรถเข็นในรัฐนิวยอร์กเป็นเซลล์ H3 ที่ระดับความละเอียด 8 โดยใช้รูปทรงเรขาคณิตของขอบเขตที่ดึงข้อมูลแบบไดนามิกจากชุดข้อมูลสาธารณะ bigquery-public-data.geo_us_boundaries.states

-- Query POI count per H3 cell intersecting the New York State polygon boundary
SELECT *
FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_PER_H3`(
  JSON_OBJECT(
      'geography', (
        -- Dynamically retrieve the boundary geography for New York State
        SELECT state_geom
        FROM `bigquery-public-data.geo_us_boundaries.states`
        WHERE state = 'NY'
        LIMIT 1
      ),
      'types', ['grocery_store', 'convenience_store'],
      'business_status', ['OPERATIONAL'],
      'h3_resolution', 8,
      'wheelchair_accessible_entrance', TRUE
  )
)
ORDER BY count DESC;

การวิเคราะห์เอาต์พุต

การค้นหานี้จะแสดงผลตารางที่มีโครงสร้างซึ่งจับคู่ดัชนี H3 ที่แตกต่างกันแต่ละรายการ (h3_cell_index) กับรูปหลายเหลี่ยมของขอบเขต (geography), จำนวน POI (count) และ sample_place_ids ที่เป็นตัวแทนสูงสุด 250 รายการ

  • รวมจำนวนเป็นศูนย์: หากเซลล์ในตารางของรัฐนิวยอร์กมีร้านค้าที่ตรงกันเป็นศูนย์ ระบบจะยังคงแสดงผลแถวที่มีจำนวนเป็น 0 ซึ่งมีความสำคัญต่อการค้นหาพื้นที่ที่ไม่มีร้านค้าหรือบริการเชิงพาณิชย์
  • การทำแผนที่แบบภาพโดยตรง: เนื่องจากเอาต์พุตมีรูปหลายเหลี่ยม GEOGRAPHY คุณจึงแสดงฮีตแมปภายใน BigQuery Studio หรือ Looker Studio ได้โดยตรง

ดึงข้อมูลรหัสสถานที่เพื่อตรวจสอบรายละเอียดสถานที่

แม้ว่าข้อมูลเชิงลึกเกี่ยวกับสถานที่จะสร้างขึ้นเพื่อวัตถุประสงค์ด้านข้อมูลเชิงลึกทางสถิติ แต่คุณก็สามารถเปลี่ยนจากข้อมูลเชิงลึกแบบรวมเป็นการดำเนินการแบบละเอียดได้

ฟังก์ชัน Places Count หลักทั้งหมด รวมถึง PLACES_COUNT_PER_H3, PLACES_COUNT_V2, และ PLACES_COUNT_PER_TYPE_V2 (ยกเว้น ฟังก์ชัน PLACES_COUNT เดิม) จะแสดงผลอาร์เรย์ของรหัสสถานที่สูงสุด 250 รายการต่อแถว ที่ตรงกับเกณฑ์การค้นหา

รหัสสถานที่เหล่านี้ทำหน้าที่เป็นสะพานเชื่อม ซึ่งช่วยให้คุณใช้ API อื่นๆ ของ Google Maps Platform เช่น รายละเอียดสถานที่ API เพื่อดึงรายละเอียดที่เฉพาะเจาะจง เช่น ชื่อร้านค้า รีวิว หมายเลขโทรศัพท์ และที่อยู่

วิเคราะห์การแสดงตนของแบรนด์ในหลายสถานที่

นอกจากข้อมูลสถานที่แล้ว ข้อมูลเชิงลึกเกี่ยวกับสถานที่ยังมีข้อมูลเกี่ยวกับแบรนด์หรือร้านค้าที่มีหลายสถานที่ซึ่งดำเนินการภายใต้ชื่อแบรนด์เดียวกัน

คุณสามารถค้นหาข้อมูลแบรนด์เพื่อดำเนินการต่อไปนี้

  • ระบุความหนาแน่นของแบรนด์คู่แข่งในตลาดเป้าหมาย
  • กรองจำนวน POI ตามรหัสแบรนด์โดยเฉพาะ
  • ตรวจสอบการเจาะตลาดโดยการเปรียบเทียบสถานประกอบการที่มีแบรนด์กับสถานประกอบการอิสระ

ขั้นตอนถัดไป