סקירה כללית על התובנות לגבי מקומות

התובנות לגבי מקומות מאפשרות לכם לבצע ניתוח סטטיסטי מתקדם של נתוני המקומות העשירים במפות Google. הוא מספק ספירות מצטברות ומידע על צפיפות של מיליוני נקודות נתונים של נקודות עניין, ומאפשר ניתוח גיאוגרפי רב עוצמה.

יכולות עיקריות:

  • מודיעין גיאוספציאלי: קבלת תצוגה ממעוף הציפור של הצפיפות וההתפלגות של קטגוריות שונות של נקודות עניין (למשל, קמעונאות, מסעדות, שירותים) באזורים גיאוגרפיים ספציפיים.
  • גישה מאובטחת לנתונים: הנתונים נפרסים באמצעות רשימות של BigQuery Data Exchange עם אמצעי הגנה על הנתונים, וכך מתאפשרת סביבה מאובטחת ומוגנת לשיתוף ולניתוח נתונים.
  • פרטים שניתן לפעול לפיהם: למרות שהתובנות לגבי מקומות מתמקדות במגמות מצטברות, אתם יכולים להשתמש במזהי המקומות שמוצגים כדי להתעמק בנתונים ולשלוף מידע על מקומות ספציפיים באמצעות ממשקי API אחרים של הפלטפורמה של מפות Google. כך תוכלו להפוך תובנות סטטיסטיות לפעולות מפורטות.

מידע על נתוני מקומות

מפות Google אוספת נתונים על מיליוני עסקים ברחבי העולם. התובנות לגבי מקומות מאפשרות לכם לגשת לנתונים המקיפים האלה ב-BigQuery, כדי להפיק תובנות מצטברות לגבי נתוני המקומות במפות Google על סמך מגוון מאפיינים כמו סוגי מקומות, דירוגים, שעות פתיחה, נגישות לכיסא גלגלים ועוד.

כדי להשתמש ב-Places Insights, צריך לכתוב שאילתות SQL ב-BigQuery שמחזירות תובנות סטטיסטיות לגבי נתוני מקומות. התובנות האלה מאפשרות לכם לענות על שאלות כמו:

  • כמה עסקים דומים פועלים בקרבת מיקום פוטנציאלי לחנות חדשה?
  • אילו סוגי עסקים נפוצים בקרבת החנויות הכי מצליחות שלי?
  • באילו אזורים יש ריכוז גבוה של עסקים משלימים שיכולים למשוך את לקוחות היעד שלי?
  • כמה מסעדות סושי בדירוג 5 כוכבים פתוחות בשעה 20:00 במדריד, יש להן חנייה נגישה לכיסא גלגלים והן מציעות שירות טייק אוויי?
  • באילו מיקודים בקליפורניה יש את הריכוז הכי גבוה של תחנות טעינה לרכבים חשמליים?

התובנות לגבי מקומות תומכות בכמה תרחישי שימוש, למשל:

  • בחירת אתר: הערכה ובחירה של המיקומים המתאימים ביותר לעסק חדש או למיקום של נכס פיזי. ניתוח הצפיפות והשילוב של נקודות העניין בסביבה מאפשר לוודא שהמיקום הפוטנציאלי של האתר הוא אופטימלי בסביבה העסקית התחרותית והמשלימה שלו. הגישה הזו מבוססת על נתונים ויכולה לצמצם את הסיכון שקשור להשקעה במיקומים חדשים.
  • הערכת הביצועים לפי מיקום: קביעה של משתנים גיאוספציאליים, כמו קרבה לסוגים מסוימים של נקודות עניין (POI), למשל סופרמרקטים או מקומות לאירועים, שקשורים לביצועים חיוביים או שליליים במיקומים הקיימים. הנתונים האלה מאפשרים לכם לזהות אתרים פוטנציאליים שכוללים את השילוב הטוב ביותר של מאפיינים גיאוגרפיים לתרחיש לדוגמה שלכם. אפשר גם להשתמש במידע הזה כדי לפרוס מודלים לחיזוי שמנבאים את הביצועים העתידיים של מיקומים חדשים על סמך ההקשר של נקודות העניין שמסביב.
  • שיווק גיאוגרפי: קובעים אילו סוגים של קמפיינים שיווקיים או מודעות יניבו תוצאות טובות באזור מסוים. התובנות לגבי מקומות מספקות את ההקשר שנדרש כדי להבין את הפעילות המסחרית, וכך מאפשרות לכם להתאים את המסרים על סמך ריכוז של עסקים או פעילויות רלוונטיים.
  • תחזית מכירות: חיזוי של ערך המכירות הצפוי במיקום פוטנציאלי. מודלים של השפעת המאפיינים הגיאו-מרחביים בסביבה מאפשרים ליצור מודלים חזקים לחיזוי, שיעזרו לכם לקבל החלטות לגבי השקעות.
  • מחקר שוק: עוזר לכם להחליט לאילו אזורים גיאוגרפיים כדאי להרחיב את העסק או את השירות שלכם. כדאי לנתח את רמת הרוויה הנוכחית בשוק ואת צפיפות הנקודות של מקומות מעניינים כדי לזהות שווקי יעד שאין בהם מספיק שירותים או שבהם יש ריכוז גבוה של עסקים, ושמציעים את ההזדמנות הכי טובה. הניתוח הזה מספק ראיות לתמיכה ביוזמות אסטרטגיות לצמיחה ולהתרחבות.

אפשר להריץ שאילתות על מערכי נתונים של Places Insights ישירות או להשתמש בפונקציות של Places Count.

לעיון בהפניה לסכימה

מידע על נתוני מותגים

בנוסף לנתוני המקומות, התובנות לגבי מקומות כוללות נתונים על מותגים או על חנויות עם כמה מיקומים שפועלות תחת אותו שם מותג.

אפשר להשתמש במותגים כדי לענות על שאלות כמו:

  • מה מספר החנויות הכולל לפי מותג באזור מסוים?
  • מהו מספר המשתמשים שמתעניינים בשלושת המותגים המתחרים המובילים באזור?
  • כמה בתי קפה יש באזור הזה, לא כולל המותגים האלה?

מידע על BigQuery

הנתונים שזמינים בכרטיסי המוצר ב-BigQuery מאפשרים לכם:

  • שילוב מאובטח של הנתונים עם נתוני 'תובנות לגבי מקומות'.
  • לכתוב שאילתות SQL גמישות כדי לחשוף תובנות מצטברות לצרכים העסקיים הספציפיים שלכם.
  • להשתמש באותם כלים של BigQuery שבהם אתם כבר משתמשים עם הנתונים הפרטיים ועם תהליכי העבודה שלכם.
  • אתם יכולים לנצל את העוצמה של BigQuery מבחינת קנה מידה וביצועים כדי לנתח בקלות מערכי נתונים עצומים.

תרחיש שימוש לדוגמה

בדוגמה הזו, הנתונים שלכם מצורפים לנתונים של Places Insights ב-BigQuery כדי להפיק מידע מצטבר. בדוגמה הזו, אתם בעלי מלון בניו יורק עם כמה מיקומים. עכשיו אתם רוצים לצרף את נתוני המיקום של המלון לנתוני התובנות לגבי מקומות, כדי לגלות את הריכוז של סוגי עסקים מוגדרים מראש ליד המלונות שלכם.

דרישות מוקדמות

בדוגמה הזו, נרשמים לקבוצת הנתונים Places Insights בארצות הברית.

מערך הנתונים של המלונות נקרא mydata והוא מגדיר את המיקומים של שני המלונות בניו יורק. ה-SQL הבא יוצר את מערך הנתונים הזה:

CREATE OR REPLACE TABLE `mydata.hotels` ( name STRING, location GEOGRAPHY );
INSERT INTO `mydata.hotels` VALUES( 'Hotel 1', ST_GEOGPOINT(-73.9933, 40.75866) );
INSERT INTO `mydata.hotels` VALUES( 'Hotel 2', ST_GEOGPOINT(-73.977713, 40.752124) );

קבלת מספר המסעדות באזור

כדי לספק ללקוחות מושג לגבי צפיפות המסעדות הפעילות בקרבת המלונות, כותבים שאילתת SQL שתחזיר את מספר המסעדות ברדיוס של 1,000 מטרים מכל מלון:

SELECT WITH AGGREGATION_THRESHOLD h.name, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` AS r, `mydata.hotels` AS h
WHERE
ST_DWITHIN(h.location, r.point, 1000)
AND r.primary_type = 'restaurant'
AND business_status = "OPERATIONAL"
GROUP BY 1

בתמונה הזו מוצג פלט לדוגמה של השאילתה הזו:

תוצאות של שאילתות לספירת מסעדות ברדיוס של 1,000 מטרים מכל מלון.

שימוש בפונקציית ספירה של מקומות כדי לקבל את הספירה ואת מזהי המקומות של מסעדות באזור

אפשר גם להשתמש בפונקציית ספירת מקומות

כדי לראות כמה מסעדות יש בקרבת מיקום מסוים. פונקציות של ספירת מקומות מאפשרות לאחזר רשימה של מזהי מקומות, שאפשר להשתמש בהם כדי לחפש פרטים על המקומות הספציפיים:

DECLARE geo GEOGRAPHY;
SET geo = ST_GEOGPOINT(-73.9933, 40.75866); -- Location of hotel 1

SELECT * FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_PER_TYPE`(
  JSON_OBJECT(
      'types', ["restaurant", "cafe", "bar"],
      'geography', geo,
      'geography_radius', 1000 -- Radius in meters
      )
);

בתמונה הזו מוצג פלט לדוגמה של השאילתה הזו:

תוצאות של שאילתות לגבי מסעדות ברדיוס של 1,000 מטרים מכל מלון, כולל מזהי מקומות.

קבלת מספר המסעדות והברים באזור

משנים את השאילתה כך שתכלול ברים ומסעדות ברדיוס של 1,000 מטרים מכל מלון:

SELECT WITH AGGREGATION_THRESHOLD h.name, r.primary_type, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` AS r, `mydata.hotels` AS h
WHERE
ST_DWITHIN(h.location, r.point, 1000)
AND r.primary_type IN UNNEST(['restaurant','bar'])
AND business_status = "OPERATIONAL"
GROUP BY 1, 2

בתמונה הזו מוצג פלט לדוגמה של השאילתה הזו:

תוצאות של שאילתות לספירת מסעדות וברים ברדיוס של 1,000 מטרים מכל מלון.

קבלת מספר המסעדות והברים באזור עם מחירים בינוניים

לאחר מכן, אתם רוצים לדעת איזו קבוצה דמוגרפית של לקוחות נהנית מהשירותים של הברים והמסעדות. מכיוון שהמלונות שלכם ממוקמים ברמת מחיר בינונית, אתם רוצים לפרסם רק את קיומם של בתי עסק סמוכים שנמצאים ברמת המחיר הזו וקיבלו ביקורות טובות.

הגבלת השאילתה כך שתחזיר רק ברים ומסעדות אם הם בנקודת המחיר PRICE_LEVEL_MODERATE וקיבלו דירוג של 4 כוכבים ומעלה. השאילתה הזו גם מרחיבה את הרדיוס ל-1,500 מטרים סביב כל מלון:

SELECT WITH AGGREGATION_THRESHOLD h.name, r.primary_type, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` AS r, `mydata.hotels` AS h
WHERE
ST_DWITHIN(h.location, r.point, 1500)
AND r.primary_type IN UNNEST(['restaurant', 'bar'])
AND rating >= 4
AND business_status = "OPERATIONAL"
AND price_level = 'PRICE_LEVEL_MODERATE'
GROUP BY 1, 2

בתמונה הזו מוצג פלט לדוגמה של השאילתה הזו:

תוצאות של שאילתות לגבי ברים ומסעדות במחירים בינוניים במרחק של עד 1,500 מטר מכל מלון.

המאמרים הבאים