Visão geral dos Insights de lugares

Com o Insights de Lugares, você pode realizar análises estatísticas avançadas nos dados detalhados de lugares do Google Maps. Ele fornece contagens agregadas e informações de densidade para milhões de pontos de dados de pontos de interesse (PDI), permitindo uma inteligência geoespacial poderosa.

Principais recursos

  • Inteligência geoespacial:tenha uma visão geral da densidade e da distribuição de diferentes categorias de PDIs (por exemplo, varejo, restaurantes e serviços) em áreas geográficas específicas.
  • Acesso seguro aos dados:os dados são implantados usando listagens de troca de dados do BigQuery com proteções de dados em vigor, permitindo um ambiente seguro e protegido para compartilhamento de dados pessoais e análise.
  • Detalhes úteis:embora o Insights de Lugares se concentre em tendências agregadas, você pode usar os IDs de lugar gerados para detalhar e recuperar informações individuais de lugares usando outras APIs da Plataforma Google Maps para passar de insights estatísticos para ações detalhadas.

Entender os dados de lugares e os casos de uso

O Google Maps organiza dados de lugares para milhões de estabelecimentos no mundo todo. O Insights de Lugares disponibiliza esses dados abrangentes de lugares no BigQuery para que você possa extrair insights agregados sobre os dados de lugares do Google Maps com base em vários atributos, como tipos de lugar, avaliações, horário de funcionamento, acessibilidade para pessoas em cadeira de rodas e muito mais.

Para usar o Insights de Lugares, escreva consultas SQL no BigQuery que retornem insights estatísticos sobre dados de lugares. Esses insights permitem responder a perguntas como:

  • Quantas empresas semelhantes estão operando perto de um possível novo local de loja?
  • Quais tipos de empresas são mais comuns perto das minhas lojas de maior sucesso?
  • Quais áreas têm uma alta concentração de empresas complementares que poderiam atrair meus clientes-alvo?
  • Quantos restaurantes de sushi 5 estrelas estão abertos às 20h em Madri, têm estacionamento com acessibilidade para pessoas em cadeira de rodas e oferecem retirada?
  • Quais códigos postais na Califórnia têm a maior concentração de eletropostos?

Casos de uso com suporte

  • Seleção de local:avalie e escolha os locais mais adequados para uma nova empresa ou posicionamento de um recurso físico. Ao analisar a densidade e a combinação de PDIs ao redor, você pode garantir que um local em potencial esteja posicionado de maneira ideal no ambiente de negócios competitivo e complementar. Essa abordagem baseada em dados pode reduzir o risco associado ao investimento em novos locais.
  • Avaliação de desempenho do local:determine quais variáveis geoespaciais, como a proximidade de determinados tipos de PDIs, como supermercados ou locais de eventos, estão correlacionadas com o desempenho positivo ou negativo nos locais existentes. Com esses dados, você pode identificar locais em potencial que compartilham a melhor combinação de características geoespaciais para seu caso de uso. Também é possível usar essas informações para implantar modelos preditivos que preveem o desempenho futuro de qualquer novo local com base no contexto de PDI ao redor.
  • Marketing com segmentação geográfica:determine quais tipos de campanhas de marketing ou anúncios serão bem-sucedidos em uma área. O Insights de Lugares fornece o contexto necessário para entender a atividade comercial, permitindo que você personalize as mensagens com base na concentração de empresas ou atividades relevantes.
  • Previsão de vendas:preveja as vendas futuras em um local em potencial. Modelar o impacto das características geoespaciais ao redor permite criar modelos preditivos robustos para orientar decisões de investimento.
  • Pesquisa de mercado:informe para quais regiões você quer expandir seus negócios ou serviços. Analise a saturação do mercado e a densidade de PDIs para identificar mercados-alvo pouco atendidos ou altamente concentrados que oferecem as melhores oportunidades. Essa análise fornece evidências para apoiar iniciativas estratégicas de crescimento e expansão.
  • Análise de tendências:analise as mudanças que ocorrem ao longo de um período. Compare as contagens de lugares, incluindo os adicionados e removidos, mês a mês desde janeiro de 2024.

É possível consultar conjuntos de dados do Insights de Lugares usando funções de contagem de lugares ou consultas SQL diretas.

Consulte a referência do esquema.

Embora o Insights de Lugares forneça contagens agregadas de PDIs e densidade de marcas, as decisões de localização geralmente dependem da compreensão do comportamento humano e do ambiente local. Para enriquecer os dados de PDIs no BigQuery com embeddings de machine learning que capturam as tendências da Pesquisa Google, o ambiente construído e os padrões de atividade humana, além do contexto ambiental (como clima e qualidade do ar), combine os Insights de Lugares com os Insights de Dinâmica Populacional (PDI) (pré-lançamento).

Escolha o método de consulta: funções de contagem de lugares x SQL direto

Para acomodar diferentes escalas de análise e normas de privacidade, o Insights de Lugares oferece dois caminhos de consulta: Funções de contagem de lugares (funções nativas do BigQuery) e Consultas SQL diretas (mesclagens de tabelas).

Use esta matriz de decisão para determinar o caminho de consulta correto para sua implementação:

Sua meta de análise Método de consulta recomendado Dados e saídas retornados Privacidade e considerações espaciais
Analisar a densidade de PDIs regionais e criar mapas de calor PLACES_COUNT_PER_H3
  • Retorna polígonos hexagonais H3 com contagens exatas (incluindo 0)
  • Retorna até 250 valores place_id por célula
  • Criado para modelos de ML espacial e engenharia de atributos
  • Área de pesquisa mínima de 40 m × 40 m (1.600 m²)
  • Otimizado para desempenho e baixo custo de processamento
  • Valida os parâmetros de entrada e retorna erros claros para facilitar a depuração
Receber contagens de sites específicos e recuperar IDs de lugar para consultar detalhes PLACES_COUNT_V2 ou PLACES_COUNT_PER_TYPE_V2
  • Retorna contagens exatas (incluindo 0) para geometrias personalizadas
  • Retorna até 250 valores place_id por linha.
  • Área de pesquisa mínima de 40 m × 40 m (1.600 m²)
  • Escalonável para milhares de locais usando parâmetros TABLE
  • Otimizado para desempenho e baixo custo de processamento
  • Valida os parâmetros de entrada e retorna erros claros para facilitar a depuração
Acompanhar as mudanças nos PDIs e as tendências de crescimento ao longo do tempo entre dois meses PLACES_COUNT_CHANGE
  • Retorna start_count, end_count, net_change, percentage_change e compound_monthly_growth_rate
  • Retorna matrizes de IDs de lugar recém-adicionados (sample_added_place_ids) e removidos (sample_removed_place_ids)
  • Requer os parâmetros month1 e month2 no formato YYYY-MM.
  • Área de pesquisa mínima de 40 m × 40 m (1.600 m²)
  • Escalonável para milhares de locais personalizados usando parâmetros TABLE
Executar lógica personalizada avançada, médias ou mesclar com seus dados Consultas SQL diretas
  • Flexibilidade total de SQL em tabelas brutas
  • Ativa métricas SQL personalizadas (AVG, SUM etc.)
  • Não retorna IDs de lugar
  • Limite de privacidade:as contagens de 0 a 4 são completamente omitidas.
  • Sem restrição de área mínima de pesquisa

Com o Insights de Lugares, é possível realizar análises históricas consultando snapshots mensais de dados de Lugares desde janeiro de 2024. Isso permite avaliar como a densidade de negócios, a atividade comercial e os cenários competitivos evoluíram ao longo do tempo.

Para consultar dados históricos usando as funções de contagem de lugares, transmita o parâmetro de filtro opcional snapshot_date dentro de JSON_OBJECT. O valor precisa ser formatado como YYYY-MM (por exemplo, '2026-01').

Exemplo: consultar o histórico de contagens de restaurantes na cidade de Nova York com PLACES_COUNT_V2

O exemplo a seguir usa PLACES_COUNT_V2 para analisar o número de restaurantes em funcionamento ao redor do Empire State Building e da Times Square, na cidade de Nova York, em janeiro de 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'
  )
);

Análise de resultados históricos

A tabela do BigQuery retornada contém o geo_id, o polígono geográfico de entrada, a contagem de lugares e os IDs de lugar de amostra, conforme registrados durante o mês do snapshot especificado (2026-01). É possível executar consultas idênticas em vários meses de snapshot para calcular tendências de crescimento, aberturas de lojas ou contração de mercado.

Agregue a densidade regional de PDIs usando PLACES_COUNT_PER_H3

A função PLACES_COUNT_PER_H3 é o caminho recomendado para analisar a densidade de PDIs em grandes áreas. Ao dividir a região de destino em células de grade hexagonal H3 padronizadas, você elimina a necessidade de desenhar limites personalizados e pode alimentar os resultados diretamente em ferramentas de mapeamento visual, como o Looker Studio.

Exemplo: contar as mercearias e lojas de conveniência com acessibilidade para pessoas em cadeira de rodas no estado de Nova York

A consulta a seguir agrega mercearias e lojas de conveniência com acessibilidade para pessoas em cadeira de rodas no estado de Nova York em células H3 no nível de resolução 8. Ele usa a geometria de limite recuperada dinamicamente do conjunto de dados público 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;

Analisar a saída

Essa consulta retorna uma tabela estruturada que mapeia cada índice H3 distinto (h3_cell_index) para o polígono de limite (geography), a contagem de PDIs (count) e até 250 sample_place_ids representativos.

  • Contagens zero incluídas:se uma célula na grade do estado de Nova York tiver zero lojas correspondentes, ela ainda vai retornar uma linha com uma contagem de 0. Isso é fundamental para localizar desertos comerciais ou de serviços.
  • Mapeamento visual direto:como a saída inclui um polígono GEOGRAPHY, é possível renderizar mapas de calor diretamente no BigQuery Studio ou no Looker Studio.

Recuperar IDs de lugar para inspecionar Place Details

Embora o Insights de Lugares tenha sido criado para inteligência estatística, é possível fazer a transição de insights agregados para ações granulares.

Todas as funções principais de contagem de lugares, incluindo PLACES_COUNT_PER_H3, PLACES_COUNT_V2 e PLACES_COUNT_PER_TYPE_V2 (com exceção da função legada PLACES_COUNT), retornam uma matriz de até 250 IDs de lugar por linha que correspondem aos critérios da consulta.

Esses IDs de lugar funcionam como uma ponte, permitindo que você use outras APIs da Plataforma Google Maps, como a API Place Details, para recuperar detalhes específicos, como nomes de lojas, avaliações, números de telefone e endereços.

Analisar a presença da marca em vários locais

Além dos dados de lugares, o Insights de Lugares inclui dados sobre marcas ou lojas que têm vários locais que operam com o mesmo nome de marca.

Você pode consultar dados de marca para:

  • Identificar a densidade de marcas concorrentes em um mercado-alvo.
  • Filtre as contagens de PDIs especificamente por IDs de marca.
  • Analisar a penetração no mercado comparando estabelecimentos de marca com os independentes.

A seguir