Google は AI 技術を使用して、コンテンツをご希望の言語に翻訳しています。AI 翻訳には誤りが含まれる場合があります。

Places Insights の概要

Places Insights を使用すると、Google マップの豊富なプレイスデータに対して高度な統計分析を行うことができます。数百万件のスポット（POI）データポイントの集計数と密度情報を提供し、強力な地理空間インテリジェンスを実現します。

主な機能

地理空間インテリジェンス: 特定の地理的エリアにおけるさまざまなカテゴリのスポット（小売店、レストラン、サービスなど）の密度と分布を「鳥瞰図」で把握できます。
安全なデータアクセス: データは、データ保護が適用された BigQuery データエクスチェンジリスティングを使用してデプロイされ、データ共有と分析のための安全で保護された環境を実現します。
実用的な詳細情報: Places Insights は集計されたトレンドに焦点を当てていますが、出力されたプレイス ID を使用してドリルダウンし、他の Google Maps Platform API を使用して個々の場所情報を取得することで、統計的な分析情報から詳細なアクションに移行できます。

場所データとユースケースについて

Google マップは、世界中の何百万もの施設の場所データをキュレートしています。Places Insights を使用すると、この包括的なプレイスデータを BigQuery で利用できるようになります。これにより、プレイスタイプ、評価、営業時間、車椅子対応など、さまざまな属性に基づいて Google マップのプレイスデータに関する集計分析情報を取得できます。

Places Insights を使用するには、BigQuery で SQL クエリを記述して、場所データに関する統計的な分析情報を取得します。これらの分析情報により、次のような質問に答えることができます。

出店候補地の近くに、類似したビジネスがいくつあるか。
最も成功している店舗の近くに最も多く存在するビジネスの種類は何か。
ターゲット顧客を引き付ける可能性のある補完的なビジネスが集中している地域はどこか？
マドリードで午後 8 時に営業している 5 つ星の寿司レストランのうち、車椅子対応の駐車場があり、テイクアウトを提供しているのは何軒ありますか？
カリフォルニア州で EV 充電スタンドが最も集中している郵便番号はどこですか？

サポートされるユースケース

サイト選定: 新しいビジネスや物理的な資産の配置に最適な場所を評価して選択します。周辺の POI の密度と構成を分析することで、競合するビジネス環境と補完的なビジネス環境の中で、候補地が最適な位置にあることを確認できます。このデータドリブンなアプローチにより、新しいロケーションへの投資に関連するリスクを軽減できます。
ロケーションのパフォーマンス評価: スーパーマーケットやイベント会場などの特定のタイプの POI への近接性など、既存のロケーション全体でパフォーマンスの高さ / 低さと相関する地理空間変数を特定します。このデータを使用すると、ユースケースに最適な地理空間特性の組み合わせを共有する候補サイトを特定できます。この情報を使用して、周囲の POI コンテキストに基づいて新しい場所の将来のパフォーマンスを予測する予測モデルをデプロイすることもできます。
地域ターゲティングマーケティング: 特定の地域で成功するマーケティングキャンペーンや広告の種類を判断します。Places Insights は、商業活動を理解するために必要なコンテキストを提供します。これにより、関連するビジネスや活動の集中度に基づいてメッセージを調整できます。
売上予測: 候補地での将来の売上を予測します。周囲の地理空間特性の影響をモデル化することで、投資判断を促進する堅牢な予測モデルを作成できます。
市場調査: ビジネスやサービスを次に拡大する地域を特定します。既存の市場飽和度と POI 密度を分析して、サービスが不十分なターゲット市場や、最も大きな機会を提供する高度に集中したターゲット市場を特定します。この分析は、戦略的な成長と拡大のイニシアチブをサポートする証拠となります。
トレンド分析: 一定期間に発生した変化を調査します。追加された場所と削除された場所を含む場所の数を、2024 年 1 月まで前月比で比較します。

Places Insights データセットに対してクエリを実行するには、Places Count 関数または直接 SQL クエリを使用します。

スキーマのリファレンスをご覧ください。

クエリ方法の選択: Places Count 関数と直接 SQL

さまざまな分析スケールとプライバシー要件に対応するため、Places Insights には 2 つのクエリパスが用意されています。Places Count 関数（ネイティブ BigQuery 関数）と直接 SQL クエリ（テーブル結合）です。

この意思決定マトリックスを使用して、実装に適したクエリパスを決定します。

分析の目標	推奨されるクエリ方法	返されるデータと出力	プライバシーと空間に関する考慮事項
地域の POI 密度を分析してヒートマップを作成する	`PLACES_COUNT_PER_H3`	正確なカウント（0 を含む）を含む H3 六角形ポリゴンを返します。セルごとに最大 250 個の `place_id` 値を返します。	空間 ML モデルと特徴量エンジニアリングに特化した設計最小検索領域は 40m × 40m（1,600 m²）パフォーマンスと処理費用の低減を重視して最適化入力パラメータを検証し、デバッグを容易にするために明確なエラーを返す
特定のサイトの数を取得し、プレイス ID を取得して詳細を検索する	`PLACES_COUNT_V2` または `PLACES_COUNT_PER_TYPE_V2`	カスタムジオメトリの正確な数（0 を含む）を返します。 1 行あたり最大 250 個の `place_id` 値を返します。	最小検索領域は 40m × 40m（1,600 m²） `TABLE` パラメータを使用して数千のロケーションに拡張可能パフォーマンスと処理費用の低減を重視して最適化入力パラメータを検証し、デバッグを容易にするために明確なエラーを返す
2 か月間の POI の変化と成長傾向を追跡する	`PLACES_COUNT_CHANGE`	`start_count`、`end_count`、`net_change`、`percentage_change`、`compound_monthly_growth_rate` を返します。新しく追加されたプレイス ID（`sample_added_place_ids`）と削除されたプレイス ID（`sample_removed_place_ids`）の配列を返します。	`YYYY-MM` 形式の `month1` パラメータと `month2` パラメータが必要です。最小検索領域は 40m × 40m（1,600 m²） `TABLE` パラメータを使用して、数千のカスタムロケーションに拡張可能
高度なカスタムロジック、平均、またはデータとの結合を実行する	直接 SQL クエリ	未加工のテーブル全体で SQL の柔軟性を最大限に活用カスタム SQL 指標（`AVG`、`SUM` など）を有効にします。	プレイス ID を返さないプライバシーしきい値: 0 ～ 4 のカウントは完全に省略されます。検索領域の最小サイズ制限なし

スナップショットの日付を使用して過去の傾向を分析する

Places Insights では、2024 年 1 月まで遡ってプレイスデータの月次スナップショットをクエリすることで、過去の分析を行うことができます。これにより、ビジネスの密度、商業活動、競合状況が時間の経過とともにどのように変化したかを評価できます。

Places Count 関数を使用して過去のデータをクエリするには、JSON_OBJECT 内にオプションの snapshot_date フィルタパラメータを渡します。値は YYYY-MM の形式にする必要があります（例: '2026-01'）。

例: PLACES_COUNT_V2 を使用してニューヨーク市の過去のレストラン数をクエリする

次の例では、PLACES_COUNT_V2 を使用して、2026 年 1 月時点のニューヨーク市のエンパイアステートビルとタイムズスクエア周辺の営業中のレストランの数を分析します。

-- 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'
  )
);

過去の出力の分析

返された BigQuery テーブルには、geo_id、入力された地理ポリゴン、場所の数、サンプルのプレイス ID が、指定されたスナップショット月（2026-01）に記録されたとおりに含まれています。複数のスナップショット月で同じクエリを実行して、成長トレンド、店舗の開店、市場の縮小を計算できます。

PLACES_COUNT_PER_H3 を使用して地域のスポット密度を集計する

PLACES_COUNT_PER_H3 関数は、広範囲にわたる POI 密度を分析する場合に推奨される方法です。ターゲットリージョンを標準化された H3 六角形グリッドセルに分割することで、カスタム境界を描画する必要がなくなり、結果を Looker Studio などのビジュアルマッピングツールに直接フィードできます。

例: ニューヨーク州にある車椅子対応の食料品店とコンビニエンスストアの数を数える

次のクエリは、ニューヨーク州の車椅子対応の食料品店とコンビニエンスストアを、解像度レベル 8 の H3 セルに集計します。bigquery-public-data.geo_us_boundaries.states 一般公開データセットから動的に取得された境界ジオメトリを使用します。

-- 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;

出力の分析

このクエリは、個別の H3 インデックス（h3_cell_index）を境界ポリゴン（geography）、POI 数（count）、最大 250 個の代表的な sample_place_ids にマッピングする構造化テーブルを返します。

ゼロカウントを含む: ニューヨーク州のグリッドのセルに一致する店舗がゼロの場合でも、カウントが 0 の行が返されます。これは、商業やサービスの空白地帯を特定するうえで重要です。
直接的なビジュアルマッピング: 出力に GEOGRAPHY ポリゴンが含まれているため、BigQuery Studio または Looker Studio 内でヒートマップを直接レンダリングできます。

プレイス ID を取得して Place Details を調べる

Places Insights は統計インテリジェンス向けに構築されていますが、集計された分析情報から詳細なアクションに移行できます。

PLACES_COUNT_PER_H3、PLACES_COUNT_V2、PLACES_COUNT_PER_TYPE_V2 を含むすべての主要な Places Count 関数（以前の PLACES_COUNT 関数を除く）は、クエリ条件に一致するプレイス ID を 1 行あたり最大 250 個含む配列を返します。

これらのプレイス ID は、Place Details API などの他の Google Maps Platform API を使用して、店舗名、クチコミ、電話番号、住所などの特定の詳細情報を取得するためのブリッジとして機能します。

複数拠点のブランドプレゼンスを分析する

Places Insights には、場所データに加えて、ブランド（同じブランド名で複数の店舗を運営する店舗）に関するデータも含まれています。

ブランドデータをクエリすると、次のことができます。

ターゲット市場における競合ブランドの密度を特定する。
ブランド ID で POI 数をフィルタします。
ブランド施設と独立系施設を比較して、市場浸透率を調査します。

次のステップ

Places Insights を使ってみる - 最適化されたすべてのテーブル値関数の概要を確認します。
PLACES_COUNT_PER_H3 リファレンス - 六角形の空間インデックス関数について説明します。
上級: データセットに直接クエリを実行する - 標準 SQL クエリ、結合ワークフロー、ブランドデータのフィルタリングについて学びます。
スキーマリファレンスを表示する - コアスキーマと国固有のスキーマの両方の詳細なフィールドテーブルを確認します。