ภาพรวมของ Places Insights

ข้อมูลเชิงลึกเกี่ยวกับสถานที่ช่วยให้คุณทำการวิเคราะห์ทางสถิติขั้นสูงในข้อมูลสถานที่ที่สมบูรณ์ของ Google Maps ได้ โดยจะให้ข้อมูลจำนวนรวมและความหนาแน่นสำหรับจุดข้อมูลจุดที่น่าสนใจ (POI) หลายล้านจุด ซึ่งช่วยให้คุณมีข้อมูลการข่าวกรองทางภูมิสารสนเทศที่มีประสิทธิภาพ

ความสามารถหลัก

  • ข้อมูลเชิงพื้นที่: ดู "มุมมองจากด้านบน" ของความหนาแน่นและการกระจายของหมวดหมู่ต่างๆ ของจุดที่น่าสนใจ (POI) (เช่น ค้าปลีก ร้านอาหาร บริการ) ในพื้นที่ทางภูมิศาสตร์ที่เฉพาะเจาะจง
  • การเข้าถึงข้อมูลที่ปลอดภัย: มีการติดตั้งใช้งานข้อมูลโดยใช้ข้อมูล BigQuery การแลกเปลี่ยน พร้อมการปกป้องข้อมูล ซึ่งช่วยให้สภาพแวดล้อมที่ปลอดภัยและได้รับการปกป้อง สำหรับการแชร์และการวิเคราะห์ข้อมูล
  • รายละเอียดที่นำไปใช้ได้: แม้ว่าข้อมูลเชิงลึกเกี่ยวกับสถานที่จะมุ่งเน้นที่แนวโน้มโดยรวม แต่คุณก็สามารถใช้รหัสสถานที่ที่แสดงเพื่อเจาะลึกและดึงข้อมูลสถานที่แต่ละแห่ง โดยใช้ API อื่นๆ ของ Google Maps Platform เพื่อเปลี่ยนจาก ข้อมูลเชิงลึกทางสถิติเป็นการดำเนินการแบบละเอียดได้

ทำความเข้าใจข้อมูลสถานที่และกรณีการใช้งาน

Google Maps คัดสรรข้อมูลสถานที่สำหรับสถานประกอบการหลายล้านแห่งทั่วโลก ข้อมูลเชิงลึกเกี่ยวกับสถานที่ทำให้ข้อมูลสถานที่ที่ครอบคลุมนี้พร้อมใช้งานใน BigQuery เพื่อให้คุณได้รับข้อมูลเชิงลึกแบบรวมเกี่ยวกับข้อมูลสถานที่ของ Google Maps โดยอิงตามแอตทริบิวต์ต่างๆ เช่น ประเภทสถานที่, คะแนน, เวลาทำการ, การเข้าถึงด้วยรถเข็น และอื่นๆ

หากต้องการใช้ข้อมูลเชิงลึกเกี่ยวกับสถานที่ คุณต้องเขียนการค้นหา SQL ใน BigQuery ที่แสดงข้อมูลเชิงลึกทางสถิติเกี่ยวกับข้อมูลสถานที่ ข้อมูลเชิงลึกเหล่านี้ช่วยให้คุณตอบคำถามต่างๆ ได้ เช่น

  • มีธุรกิจที่คล้ายกันกี่แห่งที่ดำเนินงานใกล้กับสถานที่ตั้งร้านค้าใหม่ที่มีศักยภาพ
  • ธุรกิจประเภทใดที่พบได้บ่อยที่สุดใกล้กับร้านค้าที่ประสบความสำเร็จมากที่สุดของฉัน
  • พื้นที่ใดที่มีธุรกิจเสริมจำนวนมากซึ่งอาจดึงดูดลูกค้าเป้าหมายของฉันได้
  • มีร้านซูชิ 5 ดาวกี่ร้านที่เปิดตอน 20:00 น. ในมาดริด มีที่จอดรถที่รถเข็นเข้าถึงได้ และมีบริการซื้อกลับบ้าน
  • รหัสไปรษณีย์ใดในแคลิฟอร์เนียที่มีสถานีชาร์จ EV หนาแน่นที่สุด

กรณีการใช้งานที่รองรับ

  • การเลือกสถานที่ตั้ง: ประเมินและเลือกสถานที่ที่เหมาะสมที่สุดสำหรับธุรกิจใหม่หรือการวางสินทรัพย์จริง การวิเคราะห์ความหนาแน่นและ ส่วนผสมของจุดที่น่าสนใจโดยรอบจะช่วยให้มั่นใจได้ว่าสถานที่ตั้งที่คาดหวังจะอยู่ในตำแหน่งที่เหมาะสมที่สุดภายในสภาพแวดล้อมทางธุรกิจที่แข่งขันกันและเสริมซึ่งกันและกัน แนวทางที่อิงตามข้อมูลนี้ช่วยลดความเสี่ยงที่เกี่ยวข้องกับการลงทุนใน สถานที่ตั้งใหม่ได้
  • การประเมินประสิทธิภาพของสถานที่: ระบุตัวแปรเชิงพื้นที่ เช่น ความใกล้เคียงกับจุดที่น่าสนใจบางประเภท เช่น ซูเปอร์มาร์เก็ตหรือสถานที่จัดกิจกรรม ซึ่งมีความสัมพันธ์กับประสิทธิภาพเชิงบวกหรือเชิงลบในสถานที่ที่มีอยู่ ข้อมูลนี้ช่วยให้คุณระบุเว็บไซต์ที่มีแนวโน้มซึ่งมีลักษณะทางภูมิสารสนเทศที่เหมาะสมที่สุด สำหรับกรณีการใช้งานของคุณ นอกจากนี้ คุณยังใช้ข้อมูลนี้เพื่อติดตั้งใช้งานโมเดลการคาดการณ์ที่คาดการณ์ประสิทธิภาพในอนาคตของสถานที่ตั้งใหม่ๆ ตามบริบทของจุดที่น่าสนใจโดยรอบได้ด้วย
  • การตลาดที่กำหนดเป้าหมายตามพื้นที่ทางภูมิศาสตร์: พิจารณาว่าแคมเปญการตลาดหรือ โฆษณาประเภทใดที่จะประสบความสำเร็จในพื้นที่หนึ่งๆ ข้อมูลเชิงลึกเกี่ยวกับสถานที่ให้บริบทที่จำเป็นต่อการทำความเข้าใจกิจกรรมเชิงพาณิชย์ ซึ่งช่วยให้คุณปรับแต่งข้อความตามความหนาแน่นของธุรกิจหรือกิจกรรมที่เกี่ยวข้องได้
  • การคาดการณ์ยอดขาย: คาดการณ์ยอดขายในอนาคตที่สถานที่ตั้งที่มีศักยภาพ การสร้างแบบจำลองผลกระทบของลักษณะเชิงพื้นที่โดยรอบช่วยให้คุณ สร้างโมเดลการคาดการณ์ที่แข็งแกร่งเพื่อขับเคลื่อนการตัดสินใจลงทุนได้
  • การวิจัยตลาด: ระบุภูมิภาคที่จะขยายธุรกิจหรือ บริการต่อไป วิเคราะห์ความอิ่มตัวของตลาดที่มีอยู่และความหนาแน่นของจุดที่น่าสนใจเพื่อ ระบุตลาดเป้าหมายที่ยังไม่ได้รับการตอบสนองหรือมีการกระจุกตัวสูง ซึ่งมีโอกาสมากที่สุด การวิเคราะห์นี้ให้หลักฐานสนับสนุนการเติบโตเชิงกลยุทธ์ และโครงการริเริ่มในการขยายธุรกิจ
  • การวิเคราะห์แนวโน้ม: สำรวจการเปลี่ยนแปลงที่เกิดขึ้นในช่วงระยะเวลาหนึ่ง เปรียบเทียบจำนวนสถานที่ รวมถึงสถานที่ที่เพิ่มและนำออกในแต่ละเดือน ย้อนกลับไปจนถึงเดือนมกราคม 2024

คุณค้นหาชุดข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่ได้โดยใช้ฟังก์ชัน Places Count หรือการค้นหา SQL โดยตรง

ดูข้อมูลอ้างอิงสคีมา

เลือกวิธีการค้นหา: ฟังก์ชันการนับสถานที่เทียบกับ SQL โดยตรง

เพื่อรองรับขนาดการวิเคราะห์และข้อกำหนดด้านความเป็นส่วนตัวที่แตกต่างกัน ข้อมูลเชิงลึกเกี่ยวกับสถานที่จึงมีเส้นทางการค้นหา 2 เส้นทาง ได้แก่ ฟังก์ชันจำนวนสถานที่ (ฟังก์ชัน BigQuery ดั้งเดิม) และการค้นหา SQL โดยตรง (การรวมตาราง)

ใช้เมทริกซ์การตัดสินใจนี้เพื่อกำหนดเส้นทางการค้นหาที่ถูกต้องสำหรับการติดตั้งใช้งาน

เป้าหมายการวิเคราะห์ วิธีการค้นหาที่แนะนำ ข้อมูลและเอาต์พุตที่ส่งคืน ข้อควรพิจารณาด้านความเป็นส่วนตัวและพื้นที่
วิเคราะห์ความหนาแน่นของจุดที่น่าสนใจในภูมิภาคและสร้างฮีตแมป PLACES_COUNT_PER_H3
  • แสดงผลรูปหลายเหลี่ยมหกเหลี่ยม H3 ที่มีจำนวนที่แน่นอน (รวมถึง 0)
  • แสดงค่า place_id สูงสุด 250 ค่าต่อเซลล์
  • สร้างขึ้นเพื่อโมเดล ML เชิงพื้นที่และ Feature Engineering โดยเฉพาะ
  • พื้นที่ค้นหาขั้นต่ำ 40 ม. × 40 ม. (1,600 ตร.ม.)
  • เพิ่มประสิทธิภาพเพื่อประสิทธิภาพและต้นทุนการประมวลผลต่ำ
  • ตรวจสอบพารามิเตอร์อินพุตและแสดงข้อผิดพลาดที่ชัดเจนเพื่อให้แก้ไขข้อบกพร่องได้ง่ายขึ้น
ดูจำนวนสำหรับเว็บไซต์ที่เฉพาะเจาะจงและดึงข้อมูลรหัสสถานที่เพื่อค้นหารายละเอียด 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
  • ตรวจสอบพารามิเตอร์อินพุตและแสดงข้อผิดพลาดที่ชัดเจนเพื่อให้แก้ไขข้อบกพร่องได้ง่ายขึ้น
ติดตามการเปลี่ยนแปลงของจุดที่น่าสนใจและแนวโน้มการเติบโตในช่วง 2 เดือน PLACES_COUNT_CHANGE
  • การคืนสินค้า start_count, end_count, net_change, percentage_change และ compound_monthly_growth_rate
  • แสดงผลอาร์เรย์ของรหัสสถานที่ที่เพิ่มใหม่ (sample_added_place_ids) และนำออก (sample_removed_place_ids)
  • ต้องระบุพารามิเตอร์ month1 และ month2 ในรูปแบบ YYYY-MM
  • พื้นที่ค้นหาขั้นต่ำ 40 ม. × 40 ม. (1,600 ตร.ม.)
  • ปรับขนาดได้ถึงหลายพันตำแหน่งที่กำหนดเองโดยใช้พารามิเตอร์ TABLE
เรียกใช้ตรรกะที่กําหนดเองขั้นสูง ค่าเฉลี่ย หรือรวมกับข้อมูล การค้นหา SQL โดยตรง
  • ความยืดหยุ่นของ SQL อย่างเต็มที่ในตารางดิบ
  • เปิดใช้เมตริก SQL ที่กำหนดเอง (AVG, SUM ฯลฯ)
  • ไม่แสดงรหัสสถานที่
  • เกณฑ์ความเป็นส่วนตัว: ระบบจะละเว้นจำนวน 0 ถึง 4 ทั้งหมด
  • ไม่มีข้อจำกัดเกี่ยวกับพื้นที่ค้นหาขั้นต่ำ

ข้อมูลเชิงลึกเกี่ยวกับสถานที่ช่วยให้คุณวิเคราะห์ข้อมูลย้อนหลังได้โดยการค้นหาข้อมูลสแนปชอตรายเดือนของข้อมูลสถานที่ย้อนหลังไปจนถึงเดือนมกราคม 2024 ซึ่งจะช่วยให้คุณ ประเมินการเปลี่ยนแปลงของความหนาแน่นทางธุรกิจ กิจกรรมเชิงพาณิชย์ และสภาพแวดล้อมทางการแข่งขัน เมื่อเวลาผ่านไป

หากต้องการค้นหาข้อมูลย้อนหลังโดยใช้ฟังก์ชัน Places Count ให้ส่งsnapshot_dateพารามิเตอร์ตัวกรองJSON_OBJECTที่ไม่บังคับภายใน ค่าต้องอยู่ในรูปแบบ YYYY-MM (เช่น '2026-01')

ตัวอย่าง: ค้นหาจำนวนร้านอาหารย้อนหลังในนิวยอร์กซิตี้ด้วย PLACES_COUNT_V2

ตัวอย่างต่อไปนี้ใช้ PLACES_COUNT_V2 เพื่อวิเคราะห์จำนวนร้านอาหารที่เปิดดำเนินการ รอบๆ ตึกเอ็มไพร์สเตตและไทม์สแควร์ในนิวยอร์ก ตามที่มีอยู่ในเดือนมกราคม 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'
  )
);

การวิเคราะห์เอาต์พุตที่ผ่านมา

ตาราง BigQuery ที่แสดงมี geo_id, รูปหลายเหลี่ยมทางภูมิศาสตร์ของอินพุต จำนวนสถานที่ และรหัสสถานที่ตัวอย่างตามที่บันทึกไว้ใน เดือนสแนปชอตที่ระบุ (2026-01) คุณสามารถเรียกใช้การค้นหาที่เหมือนกันในสแนปชอตหลายเดือนเพื่อคำนวณแนวโน้มการเติบโต การเปิดร้านค้า หรือการหดตัวของตลาด

รวบรวมความหนาแน่นของจุดที่น่าสนใจระดับภูมิภาคโดยใช้ PLACES_COUNT_PER_H3

ฟังก์ชัน PLACES_COUNT_PER_H3 เป็นเส้นทางที่แนะนําสําหรับการวิเคราะห์ความหนาแน่นของจุดที่น่าสนใจในพื้นที่ขนาดใหญ่ การแบ่งภูมิภาคเป้าหมายออกเป็นเซลล์ตารางหกเหลี่ยม H3 ที่ได้มาตรฐานจะช่วยให้คุณไม่ต้องวาดขอบเขตที่กำหนดเอง และสามารถ ป้อนผลลัพธ์ลงในเครื่องมือการแมปภาพ เช่น Looker Studio ได้โดยตรง

ตัวอย่าง: นับร้านขายของชำและร้านสะดวกซื้อที่รถเข็นเข้าถึงได้ในรัฐนิวยอร์ก

คําค้นหาต่อไปนี้จะรวบรวมร้านขายของชำและร้านสะดวกซื้อที่รถเข็นเข้าถึงได้ในรัฐนิวยอร์กเป็นเซลล์ H3 ที่ระดับความละเอียด 8 โดยจะใช้ รูปเรขาคณิตของขอบเขตที่ดึงมาจาก bigquery-public-data.geo_us_boundaries.statesชุดข้อมูลสาธารณะแบบไดนามิก

-- 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

คําค้นหานี้จะแสดงตารางที่มีโครงสร้างซึ่งแมปดัชนี H3 ที่แตกต่างกันแต่ละรายการ (h3_cell_index) กับรูปหลายเหลี่ยมขอบเขต (geography), จํานวนจุดที่น่าสนใจ (count) และ sample_place_ids ที่เป็นตัวแทนสูงสุด 250 รายการ

  • รวมร้านค้าที่ไม่มี: หากเซลล์ในตารางกริดของรัฐนิวยอร์กมีร้านค้าที่ตรงกันเป็น 0 ระบบจะยังแสดงแถวที่มีจำนวนเป็น 0 ซึ่งเป็นสิ่งสำคัญอย่างยิ่งในการระบุพื้นที่ที่ไม่มีบริการเชิงพาณิชย์หรือบริการ
  • การแมปภาพโดยตรง: เนื่องจากเอาต์พุตมีGEOGRAPHY รูปหลายเหลี่ยม คุณจึงแสดงผลฮีตแมปได้โดยตรงภายใน BigQuery Studio หรือ Looker Studio

เรียกข้อมูลรหัสสถานที่เพื่อตรวจสอบรายละเอียดสถานที่

แม้ว่าข้อมูลเชิงลึกเกี่ยวกับสถานที่สร้างขึ้นเพื่อสถิติอัจฉริยะ แต่คุณก็สามารถเปลี่ยนจากข้อมูลเชิงลึกแบบรวมไปเป็นการกระทําแบบละเอียดได้

ฟังก์ชัน Places Count หลักทั้งหมด รวมถึง PLACES_COUNT_PER_H3, PLACES_COUNT_V2 และ PLACES_COUNT_PER_TYPE_V2 (ยกเว้นฟังก์ชัน PLACES_COUNT รุ่นเดิม) จะแสดงผลอาร์เรย์ที่มีรหัสสถานที่สูงสุด 250 รายการต่อแถว ซึ่งตรงกับเกณฑ์การค้นหาของคุณ

รหัสสถานที่เหล่านี้ทำหน้าที่เป็นสะพานเชื่อมเพื่อให้คุณใช้ Google Maps Platform API อื่นๆ ได้ เช่น Place Details API เพื่อดึงรายละเอียดที่เฉพาะเจาะจง เช่น ชื่อร้าน รีวิว หมายเลขโทรศัพท์ และที่อยู่

วิเคราะห์การแสดงแบรนด์ที่มีหลายสาขา

นอกจากข้อมูลสถานที่แล้ว ข้อมูลเชิงลึกเกี่ยวกับสถานที่ยังมีข้อมูลเกี่ยวกับแบรนด์หรือร้านค้าที่มีหลายสาขาซึ่งดำเนินการภายใต้ชื่อแบรนด์เดียวกัน

คุณค้นหาข้อมูลแบรนด์เพื่อทำสิ่งต่อไปนี้ได้

  • ระบุความหนาแน่นของแบรนด์คู่แข่งในตลาดเป้าหมาย
  • กรองจำนวนจุดที่น่าสนใจตามรหัสแบรนด์โดยเฉพาะ
  • ตรวจสอบการเจาะตลาดโดยเปรียบเทียบสถานประกอบการที่มีแบรนด์กับสถานประกอบการอิสระ

ขั้นตอนถัดไป