วิเคราะห์ประสิทธิภาพของเว็บไซต์ด้วยข้อมูลเชิงลึกเกี่ยวกับสถานที่และ BigQuery ML

รูปภาพ

เหตุใดเว็บไซต์หนึ่งจึงเติบโตได้ดี แต่อีกเว็บไซต์หนึ่งกลับมีประสิทธิภาพต่ำ แม้ว่าจะมี การจัดสรรบุคลากร สินคงคลัง และแนวทางปฏิบัติในการดำเนินงานที่สอดคล้องกัน ธุรกิจที่มี หลายสาขามักอธิบายความแตกต่างของประสิทธิภาพนี้ใน พอร์ตโฟลิโอได้ยาก โดยปกติแล้ว คำตอบมักจะซ่อนอยู่ในสภาพแวดล้อมภายนอก การใช้ประโยชน์จากข้อมูลจุดที่น่าสนใจ (POI) ช่วยให้เราอธิบายได้มากกว่าแค่เรื่องเล่า และระบุปริมาณได้อย่างแม่นยำว่าความหนาแน่นของการแข่งขันในพื้นที่และลักษณะของย่าน เป็นตัวกำหนดความสำเร็จของเว็บไซต์ได้อย่างไร

คู่มือนี้แสดงวิธีวัดผลกระทบของสภาพแวดล้อมในพื้นที่ต่อความสําเร็จของเว็บไซต์โดยใช้ Places Insights และ BigQuery ML คุณจะรวมข้อมูลประสิทธิภาพเว็บไซต์ที่เป็นกรรมสิทธิ์เข้ากับสัญญาณเชิงพื้นที่ภายนอก เพื่อวิเคราะห์ปัจจัยที่ขับเคลื่อนประสิทธิภาพ

เราจะใช้ชุดข้อมูลของเว็บไซต์ในลอนดอนเพื่อสร้างโมเดลการถดถอยเชิงเส้น เวิร์กโฟลว์นี้ใช้การจัดทำดัชนีเชิงพื้นที่ H3 ระบบนี้จะแบ่งเมืองออกเป็นเซลล์หกเหลี่ยมที่สม่ำเสมอ การรวบรวมข้อมูลด้านสิ่งแวดล้อมลงในเซลล์เหล่านี้ช่วยให้คุณฝึกโมเดลเพื่อคาดการณ์ศักยภาพด้านประสิทธิภาพของย่านใดก็ได้ในเมือง ไม่ใช่แค่ไซต์ที่มีอยู่

คุณจะได้เรียนรู้วิธีต่อไปนี้

ฟีเจอร์วิศวกรรม: รวบรวมจำนวนจุดที่น่าสนใจ (POI) เช่น ยิม โรงเรียน และสถานีขนส่งภายในรัศมี 500 เมตรจากเว็บไซต์ของคุณ
ฝึกโมเดล: ใช้ BigQuery ML เพื่อสร้างโมเดลการถดถอยที่ เชื่อมโยงฟีเจอร์ด้านสิ่งแวดล้อมเหล่านี้กับเมตริกประสิทธิภาพภายใน
ให้คะแนนเมือง: ใช้โมเดลที่ฝึกแล้วกับตาราง H3 ทั้งหมดของลอนดอน เพื่อระบุฮอตสปอตที่มีศักยภาพสูงสำหรับการขยายธุรกิจในอนาคต

หากเพิ่งเริ่มใช้ BigQuery ML โปรดดูข้อมูลเบื้องต้นเกี่ยวกับ BigQuery ML เพื่อเรียนรู้ เกี่ยวกับแนวคิดหลักและประเภทโมเดลที่รองรับ

รูปภาพ

หากต้องการสำรวจเวิร์กโฟลว์นี้ในสภาพแวดล้อมแบบอินเทอร์แอกทีฟ ให้เรียกใช้สมุดบันทึกต่อไปนี้ โดยจะแสดงวิธีสร้างโมเดลการคาดการณ์ด้วย BigQuery ML และ แสดงภาพโอกาสทั่วทั้งเมืองโดยใช้การจัดทำดัชนีเชิงพื้นที่ H3

เรียกใช้ใน Google Colab

ดูแหล่งที่มาใน GitHub

ข้อกำหนดเบื้องต้น

ก่อนเริ่มต้น โปรดตรวจสอบว่าคุณมีสิ่งต่อไปนี้

โปรเจ็กต์ Google Cloud:
- โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
การเข้าถึงข้อมูล:
- การสมัครใช้บริการข้อมูลเชิงลึกเกี่ยวกับสถานที่ ใน BigQuery
- ตารางสถานที่ตั้งของเว็บไซต์ของคุณเองที่มีเมตริกประสิทธิภาพ (เช่น รายได้) ชุดข้อมูลตัวอย่างอยู่ในแหล่งข้อมูล บทแนะนำ
Google Maps Platform:
- คีย์ API
- API ต่อไปนี้เปิดใช้สำหรับคีย์ของคุณ
  - Maps JavaScript API
  - Maps Tiles API

สภาพแวดล้อมและไลบรารีของ Python:

สภาพแวดล้อม Python เช่น Colab Enterprise ใน Google Cloud Console

ติดตั้งไลบรารีต่อไปนี้

คลัง	คำอธิบาย
`pandas-gbq`	การโต้ตอบกับ BigQuery
`geopandas`	การจัดการการดำเนินการข้อมูลเชิงพื้นที่
`folium`	การสร้างแผนที่แบบอินเทอร์แอกทีฟ
`shapely`	การดัดแปลงทางเรขาคณิต

สิทธิ์ IAM:
- ตรวจสอบว่าบัญชีผู้ใช้หรือบัญชีบริการมีบทบาท IAM ต่อไปนี้
  
  บทบาท รหัส
  
  ผู้แก้ไขข้อมูล BigQuery roles/bigquery.dataEditor
  
  ผู้ใช้ BigQuery roles/bigquery.user
การรับรู้ต้นทุน:
- บทแนะนำนี้ใช้คอมโพเนนต์ Google Cloud ที่เรียกเก็บเงินได้ โปรดทราบว่า ค่าใช้จ่ายที่อาจเกิดขึ้นเกี่ยวข้องกับสิ่งต่อไปนี้
  - BigQuery ML: ระบบจะเรียกเก็บเงินสำหรับสล็อตการประมวลผลที่ใช้ ดูราคาของ BigQuery ML
  - ข้อมูลเชิงลึกเกี่ยวกับสถานที่: เรียกเก็บเงินตามการใช้งานการค้นหา

บทบาท	รหัส
ผู้แก้ไขข้อมูล BigQuery	`roles/bigquery.dataEditor`
ผู้ใช้ BigQuery	`roles/bigquery.user`

Feature Engineering ด้วยข้อมูลเชิงลึกเกี่ยวกับสถานที่

หากต้องการแยกปัจจัยภายนอกที่ขับเคลื่อนประสิทธิภาพของเว็บไซต์ คุณต้องเปลี่ยนข้อมูล POI ดิบ ให้เป็นฟีเจอร์ที่วัดค่าได้ คุณจะคำนวณความหนาแน่นของสิ่งอำนวยความสะดวกหรือประเภทสถานที่ที่เฉพาะเจาะจง เช่น ยิม โรงเรียน และสถานีขนส่ง ภายในรัศมี 500 เมตรของแต่ละไซต์ สิ่งอำนวยความสะดวกที่คุณเลือกจะขึ้นอยู่กับสิ่งที่คุณเชื่อว่าอาจเกี่ยวข้องกับธุรกิจของคุณมากที่สุด

รูปภาพ

เราใช้ Python และไลบรารี pandas-gbq สำหรับขั้นตอนนี้ แนวทางนี้ช่วยให้คุณ เรียกใช้SELECT WITH AGGREGATION_THRESHOLDคำค้นหา ซึ่งจำเป็นต่อการ เข้าถึงชุดข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่ และบันทึกผลลัพธ์ลงในตารางใหม่ใน โปรเจ็กต์ ดูข้อมูลเพิ่มเติมเกี่ยวกับ การทำงานกับข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่ได้ที่ค้นหาชุดข้อมูล โดยตรง

เรียกใช้การค้นหา Feature Engineering

เรียกใช้สคริปต์ Python ต่อไปนี้ในสภาพแวดล้อมของคุณ (เช่น Colab Enterprise) สคริปต์นี้จะเชื่อมต่อข้อมูลเว็บไซต์ภายในกับชุดข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่

from google.cloud import bigquery
import pandas_gbq

# Configuration
project_id = 'your_project_id'
dataset_id = 'your_dataset_id'
features_table_id = f'{dataset_id}.site_features'

client = bigquery.Client(project=project_id)

# Define the Feature Engineering Query
# We count specific amenities within 500m of each site in London.
sql = f"""
SELECT WITH AGGREGATION_THRESHOLD
    internal.store_id,
    internal.store_performance,

    -- Feature Engineering: count nearby POIs by type
    COUNTIF('gym' IN UNNEST(places.types)) AS gym_count,
    COUNTIF('restaurant' IN UNNEST(places.types)) AS restaurant_count,
    COUNTIF('school' IN UNNEST(places.types)) AS school_count,
    COUNTIF('transit_station' IN UNNEST(places.types)) AS transit_count,
    COUNTIF('clothing_store' IN UNNEST(places.types)) AS clothing_store_count

FROM
    `{dataset_id}.site_performance` AS internal
JOIN
    `places_insights___gb.places` AS places
    ON ST_DWITHIN(internal.location, places.point, 500)
WHERE
    places.business_status = 'OPERATIONAL'
GROUP BY
    internal.store_id, internal.store_performance
"""

print("1. Running Feature Engineering Query...")

# Execute the query and download results to a Pandas DataFrame
df_features = client.query(sql).to_dataframe()

print(f"2. Saving features to: {features_table_id}...")

# Upload the engineered features to a permanent BigQuery table
pandas_gbq.to_gbq(
    dataframe=df_features,
    destination_table=features_table_id,
    project_id=project_id,
    if_exists='replace'
)

print("   Success! Training data ready.")

ทำความเข้าใจคำค้นหา

ST_DWITHIN: ฟังก์ชันเชิงพื้นที่นี้สร้างบัฟเฟอร์ 500 เมตรโดยรอบ สถานที่ตั้งแต่ละแห่ง และระบุจุดข้อมูลเชิงลึกเกี่ยวกับสถานที่ทั้งหมดที่อยู่ ภายในรัศมีนั้น
COUNTIF: ฟังก์ชันนี้จะคำนวณความหนาแน่นของสถานที่ประเภทหนึ่งๆ (เช่น "ยิม" "โรงเรียน") สำหรับแต่ละเว็บไซต์ จำนวนเหล่านี้จะกลายเป็นฟีเจอร์ อินพุต (X) สำหรับโมเดลแมชชีนเลิร์นนิง
pandas_gbq.to_gbq: ฟังก์ชันนี้จะบันทึกผลการค้นหาลงในตารางใหม่ (site_features) ตารางถาวรนี้ทำหน้าที่เป็นชุดข้อมูลการฝึกที่สะอาดสำหรับโมเดล BigQuery ML

สำหรับการใช้งานจริงที่ซับซ้อนมากขึ้น ให้ลองคำนวณฟีเจอร์ที่ ระยะทางหลายระดับ (เช่น 250 ม., 500 ม., 1 กม.) และสำรวจแอตทริบิวต์ข้อมูลเชิงลึกเกี่ยวกับสถานที่อื่นๆ เช่น rating, price_level หรือ regular_opening_hours ดูประเภทสถานที่ที่รองรับและข้อมูลอ้างอิงของสคีมาหลัก เพื่อดูรายการแอตทริบิวต์ข้อมูลเชิงลึกเกี่ยวกับสถานที่ทั้งหมด

ฝึกโมเดลด้วย BigQuery ML

เมื่อบันทึกฟีเจอร์ที่ออกแบบไว้ในตาราง site_features แล้ว คุณก็สามารถ ฝึกโมเดลการถดถอยเชิงเส้น ได้

โมเดลนี้จะเรียนรู้น้ำหนักที่เหมาะสม (β) สำหรับฟีเจอร์ด้านสิ่งแวดล้อมแต่ละรายการ (X) เพื่อคาดการณ์ประสิทธิภาพของเว็บไซต์ (Y)

รูปภาพ

จัดการค่าผิดปกติด้วยการปรับขนาดที่แข็งแกร่ง

ข้อมูลเชิงพื้นที่มักมีค่าผิดปกติที่มากเกินไปซึ่งอาจบิดเบือนโมเดลเชิงเส้นมาตรฐาน ตัวอย่างเช่น เว็บไซต์ในเวสต์เอนด์ของลอนดอนอาจมีร้านอาหาร 200 แห่ง ภายในรัศมี 500 เมตร ในขณะที่เว็บไซต์ในย่านชานเมืองมีเพียง 2 แห่ง หากคุณใช้การปรับขนาดมาตรฐาน (ค่าเฉลี่ย/ส่วนเบี่ยงเบนมาตรฐาน) ค่าผิดปกติ (200) จะทำให้การกระจายเบ้และบังคับให้โมเดลจัดลําดับความสําคัญของการปรับค่าสุดขั้วนั้น

เราจึงใช้การปรับขนาด ที่เสถียร (ML.ROBUST_SCALER) ภายในคำจำกัดความของโมเดลเพื่อแก้ปัญหานี้ เทคนิคนี้จะปรับขนาดฟีเจอร์ตามค่ามัธยฐานและช่วงควอไทล์ (IQR) ซึ่งจะช่วยให้โมเดลทนทานต่อค่าผิดปกติและมั่นใจได้ว่าโมเดลจะเรียนรู้จากการกระจายทั่วไปของเว็บไซต์

สร้างโมเดล

เรียกใช้การค้นหา SQL ต่อไปนี้ใน BigQuery เพื่อสร้างและฝึกโมเดล

เราใช้ TRANSFORM เพื่อใช้การปรับขนาดที่แข็งแกร่งกับฟีเจอร์อินพุตทั้งหมด นอกจากนี้ เรายังตั้งค่า optimize_strategy = 'NORMAL_EQUATION' เนื่องจากเป็นวิธีการฝึกที่มีประสิทธิภาพมากที่สุด สำหรับชุดข้อมูลขนาดเล็ก เช่น พอร์ตโฟลิโอทั่วไปของที่ตั้งร้านค้า สุดท้าย เราจะกรองค่าผิดปกติที่มีประสิทธิภาพสูง (store_performance < 75) เพื่อให้โมเดลมุ่งเน้นที่การคาดการณ์รูปแบบการเติบโตทั่วไป

CREATE OR REPLACE MODEL `your_project.your_dataset.site_performance_model`
TRANSFORM(
  store_performance,
  -- Feature Engineering inside the model artifact
  -- These stats are calculated on the TRAINING split only
  ML.ROBUST_SCALER(gym_count) OVER() AS scaled_gym_count,
  ML.ROBUST_SCALER(restaurant_count) OVER() AS scaled_restaurant_count,
  ML.ROBUST_SCALER(school_count) OVER() AS scaled_school_count,
  ML.ROBUST_SCALER(transit_count) OVER() AS scaled_transit_count,
  ML.ROBUST_SCALER(clothing_store_count) OVER() AS scaled_clothing_store_count
)
OPTIONS(
    model_type = 'LINEAR_REG',
    input_label_cols = ['store_performance'],

    -- OPTIMIZATION PARAMETERS
    optimize_strategy = 'NORMAL_EQUATION', -- Exact mathematical solution (fast for small data)
    data_split_method = 'AUTO_SPLIT',      -- Automatically reserves ~20% for evaluation

    -- DIAGNOSTICS
    enable_global_explain = TRUE -- Essential to see feature importance
)
AS
SELECT
    gym_count,
    restaurant_count,
    school_count,
    transit_count,
    clothing_store_count,
    store_performance
FROM
    `your_project.your_dataset.site_features`
WHERE
    store_performance < 75;

ประเมินประสิทธิภาพของโมเดล

ก่อนที่จะเชื่อมั่นในข้อมูลเชิงลึกของโมเดลเกี่ยวกับสิ่งที่ขับเคลื่อนประสิทธิภาพของเว็บไซต์ คุณต้องยืนยันว่าการคาดการณ์ของโมเดลนั้นถูกต้อง

หลังจากการฝึก ให้ใช้ฟังก์ชัน ML.EVALUATE เพื่อประเมินการคาดการณ์ของโมเดล เทียบกับชุดข้อมูล "Holdout" ที่ไม่ได้ใช้ในระหว่างการฝึก

SELECT
  *
FROM
  ML.EVALUATE(MODEL `your_project.your_dataset.site_performance_model`);

ตรวจสอบคะแนน R2 (r2_score) และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (mean_absolute_error) เพื่อดูว่าโมเดลพร้อมใช้งานจริงหรือไม่

คะแนน R2 จะวัดว่าความแปรปรวนของประสิทธิภาพที่เกิดขึ้นจริงนั้น อธิบายได้ด้วยปัจจัยด้านสภาพแวดล้อมภายนอก (จุดที่น่าสนใจใกล้เคียง) มากน้อยเพียงใด คะแนน R2 ที่ 0.70 หมายความว่าความสำเร็จของเว็บไซต์ 70% เชื่อมโยงกับสภาพแวดล้อมในพื้นที่ ยิ่งค่าเข้าใกล้ 1.0 มากเท่าใด ความสัมพันธ์ระหว่างสิ่งอำนวยความสะดวกด้านสิ่งแวดล้อมกับประสิทธิภาพของเว็บไซต์ก็จะยิ่งแข็งแกร่งมากขึ้นเท่านั้น
MAE จะบอกข้อผิดพลาดเฉลี่ยเป็นคะแนน ตัวอย่างเช่น MAE ที่ 1.5 หมายความว่าโดยปกติแล้วการคาดการณ์ของโมเดลจะอยู่ภายใน +/- 1.5 คะแนนของคะแนนประสิทธิภาพจริง

การแก้ปัญหาคะแนนต่ำ

หากคะแนน R2 ต่ำ ให้พิจารณาปรับปรุงสิ่งต่อไปนี้

ขยายประเภทฟีเจอร์: เพิ่มประเภทสถานที่ ต่างๆ ลงในคำค้นหา (เช่น tourist_attraction, subway_station)
ปรับรัศมีพื้นที่ครอบคลุม: เปลี่ยนST_DWITHINระยะทาง รัศมี 500 เมตรอาจกว้างเกินไปสำหรับร้านกาแฟ แต่เล็กเกินไปสำหรับร้านเฟอร์นิเจอร์
เพิ่มขนาดข้อมูล: ตรวจสอบว่าคุณฝึกโมเดลในสถานที่ตั้งของร้านค้ามากพอที่จะ ค้นหารูปแบบที่มีนัยสำคัญทางสถิติ

ให้คะแนนเมืองด้วยการจัดทำดัชนีเชิงพื้นที่ H3

เราใช้การจัดทำดัชนีเชิงพื้นที่ H3 เพื่อแบ่งเมืองลอนดอนออกเป็นตารางกริดสม่ำเสมอของ เซลล์หกเหลี่ยม (ความละเอียด 8 ประมาณ 0.7 กม.²) การรวบรวมข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่ ลงในเซลล์เหล่านี้ช่วยให้เราใช้โมเดลที่ฝึกแล้วกับทุก ย่านได้ ซึ่งจะระบุพื้นที่ที่มีศักยภาพสูงซึ่งตรงกับโปรไฟล์ด้านสิ่งแวดล้อมของเว็บไซต์ที่มีประสิทธิภาพสูงสุด

เรียกใช้การค้นหาการหาลูกค้าใหม่

เราใช้ฟังก์ชัน PLACES_COUNT_PER_H3 ที่ได้จากชุดข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่เพื่อสร้างตารางกริดนี้ (ดูข้อมูลเพิ่มเติมเกี่ยวกับการค้นหา ข้อมูลเชิงลึกเกี่ยวกับสถานที่โดยใช้ฟังก์ชัน Places Count) ฟังก์ชันนี้จะคำนวณจำนวนจุดที่น่าสนใจสำหรับเซลล์ตารางกริด H3 ในการดำเนินการครั้งเดียว

เรียกใช้การค้นหาด้วย SQL ต่อไปนี้เพื่อดำเนินการ 3 ขั้นตอนในการดำเนินการครั้งเดียว

การจัดทำดัชนีและการนับ H3: เราเรียกใช้ PLACES_COUNT_PER_H3 โดยใช้ออบเจ็กต์การกำหนดค่า JSON เพื่อค้นหาสถานที่ที่เปิดให้บริการทั้งหมดภายในรัศมี 25 กม. จากใจกลางลอนดอน เราจะค้นหาข้อมูลนี้แยกกันสำหรับสิ่งอำนวยความสะดวกแต่ละประเภท (ยิม โรงเรียน ฯลฯ) แล้วรวมเข้าด้วยกันโดยใช้ UNION ALL
การหมุน (การออกแบบฟีเจอร์): เนื่องจากโมเดลแมชชีนเลิร์นนิงของเรา คาดหวังคอลัมน์ฟีเจอร์ที่แตกต่างกัน (เช่น gym_count และ restaurant_count) เราจึงจัดกลุ่มเซลล์และใช้การรวมแบบมีเงื่อนไข (SUM(IF(...))) เพื่อหมุน ข้อมูลเป็นสคีมาที่ถูกต้อง
การคาดการณ์: เราป้อนฟีเจอร์ตารางที่หมุนเหล่านี้ลงในฟังก์ชัน ML.PREDICTโดยตรงเพื่อสร้างคะแนนประสิทธิภาพสำหรับทุก ย่าน

WITH combined_counts AS (
    -- Gyms
    SELECT h3_cell_index, geography, count, 'gym' AS type
    FROM `places_insights___gb.PLACES_COUNT_PER_H3`(
        JSON_OBJECT(
            'geography', ST_BUFFER(ST_GEOGPOINT(-0.1278, 51.5074), 25000), -- 25km radius around London
            'h3_resolution', 8,
            'business_status', ['OPERATIONAL'],
            'types', ['gym']
        )
    )
    UNION ALL
    -- Restaurants
    SELECT h3_cell_index, geography, count, 'restaurant' AS type
    FROM `places_insights___gb.PLACES_COUNT_PER_H3`(
        JSON_OBJECT(
            'geography', ST_BUFFER(ST_GEOGPOINT(-0.1278, 51.5074), 25000),
            'h3_resolution', 8,
            'business_status', ['OPERATIONAL'],
            'types', ['restaurant']
        )
    )
    UNION ALL
    -- Schools
    SELECT h3_cell_index, geography, count, 'school' AS type
    FROM `places_insights___gb.PLACES_COUNT_PER_H3`(
        JSON_OBJECT(
            'geography', ST_BUFFER(ST_GEOGPOINT(-0.1278, 51.5074), 25000),
            'h3_resolution', 8,
            'business_status', ['OPERATIONAL'],
            'types', ['school']
        )
    )
    UNION ALL
    -- Transit Stations
    SELECT h3_cell_index, geography, count, 'transit_station' AS type
    FROM `places_insights___gb.PLACES_COUNT_PER_H3`(
        JSON_OBJECT(
            'geography', ST_BUFFER(ST_GEOGPOINT(-0.1278, 51.5074), 25000),
            'h3_resolution', 8,
            'business_status', ['OPERATIONAL'],
            'types', ['transit_station']
        )
    )
    UNION ALL
    -- Clothing Stores
    SELECT h3_cell_index, geography, count, 'clothing_store' AS type
    FROM `places_insights___gb.PLACES_COUNT_PER_H3`(
        JSON_OBJECT(
            'geography', ST_BUFFER(ST_GEOGPOINT(-0.1278, 51.5074), 25000),
            'h3_resolution', 8,
            'business_status', ['OPERATIONAL'],
            'types', ['clothing_store']
        )
    )
),
aggregated_features AS (
    -- Pivot the stacked rows back into standard feature columns for the ML Model
    SELECT
        h3_cell_index AS h3_index,
        ANY_VALUE(geography) AS h3_geography,
        SUM(IF(type = 'gym', count, 0)) AS gym_count,
        SUM(IF(type = 'restaurant', count, 0)) AS restaurant_count,
        SUM(IF(type = 'school', count, 0)) AS school_count,
        SUM(IF(type = 'transit_station', count, 0)) AS transit_count,
        SUM(IF(type = 'clothing_store', count, 0)) AS clothing_store_count
    FROM
        combined_counts
    GROUP BY
        h3_cell_index
)

-- Feed the pivoted features into the model
SELECT
    h3_index,
    predicted_store_performance,
    h3_geography,
    gym_count,
    restaurant_count
FROM
    ML.PREDICT(MODEL `your_project.your_dataset.site_performance_model`,
      (SELECT * FROM aggregated_features)
    )
ORDER BY
    predicted_store_performance DESC;

ตีความผลลัพธ์

การค้นหาจะแสดงตารางที่แต่ละแถวแสดงพื้นที่หกเหลี่ยมในลอนดอน

h3_index: ตัวระบุที่ไม่ซ้ำกันสำหรับเซลล์หกเหลี่ยม
predicted_store_performance: คะแนนโดยประมาณของโมเดลสำหรับเว็บไซต์ ที่อยู่ในเซลล์นี้ โดยอิงตามสภาพแวดล้อมโดยรอบเท่านั้น
h3_geography: รูปเรขาคณิตของรูปหลายเหลี่ยมของเซลล์ ซึ่งเราจะใช้สำหรับการ แสดงภาพในขั้นตอนถัดไป

ค่าสูงแสดงถึงพื้นที่ที่มีความหนาแน่นของโรงเรียน ยิม และระบบขนส่ง ตรงกับรูปแบบที่พบรอบๆ สถานที่ที่มีอยู่ซึ่งประสบความสำเร็จมากที่สุด

แสดงภาพแผนที่การหาลูกค้าใหม่

หากต้องการให้ข้อมูลนำไปใช้ได้จริง ให้แสดงภาพผลลัพธ์บนแผนที่ แม้ว่าเอาต์พุตแบบตารางจะให้คะแนนดิบ แต่แผนที่จะแสดงคลัสเตอร์เชิงพื้นที่และเส้นทางที่มีศักยภาพสูงซึ่งไม่ชัดเจนในรายการ

ใน Notebook ที่มาพร้อมกันนี้ เราใช้ไลบรารี geopandas เพื่อแยกวิเคราะห์รูปเรขาคณิตของรูปหลายเหลี่ยม H3 และใช้ folium เพื่อแสดงแผนที่แบบอินเทอร์แอกทีฟ

ผลลัพธ์ที่ได้คือแผนที่ Choropleth ซึ่งเซลล์หกเหลี่ยมทุกเซลล์จะมีสีตามคะแนนที่คาดการณ์

รูปภาพ

อ่านแผนที่:

จุดที่น่าสนใจ (สีเหลือง/เขียว): พื้นที่เหล่านี้มีคะแนนประสิทธิภาพที่คาดการณ์ไว้สูง โดยมีโรงเรียน ยิม และระบบขนส่งในระดับที่เหมาะสม ซึ่ง สอดคล้องกับเว็บไซต์ที่ประสบความสำเร็จของคุณ ซึ่งเป็นตัวเลือกที่ยอดเยี่ยมสำหรับการเลือก สถานที่ใหม่
จุดที่ประสิทธิภาพต่ำ (สีม่วง): พื้นที่เหล่านี้ไม่มีฟีเจอร์ด้านสิ่งแวดล้อมที่สนับสนุน ซึ่งพบได้ในพื้นที่ที่มีประสิทธิภาพสูงสุด
การตรวจสอบแบบอินเทอร์แอกทีฟ: ในสภาพแวดล้อมของ Notebook คุณสามารถวางเมาส์เหนือเซลล์ใดก็ได้เพื่อดูจำนวนสิ่งอำนวยความสะดวกที่เฉพาะเจาะจง (เช่น "ยิม: 12") ซึ่งมีส่วนทำให้เกิดคะแนนที่เฉพาะเจาะจงนั้น

บทสรุป

คุณรวมข้อมูลการดำเนินงานภายในกับข้อมูลเชิงลึกเกี่ยวกับสถานที่เรียบร้อยแล้วเพื่อ วินิจฉัยประสิทธิภาพของเว็บไซต์ การวิเคราะห์น้ำหนักของโมเดลช่วยให้คุณระบุ ลักษณะเฉพาะของย่านที่สัมพันธ์กับเมตริกที่มีอยู่ การใช้การจัดทำดัชนีเชิงพื้นที่ H3 ช่วยให้คุณขยายการวิเคราะห์นี้จากเว็บไซต์ 2-300 แห่งเป็นย่านที่มีศักยภาพหลายพันแห่งทั่วลอนดอน

การดำเนินการถัดไป

ขยายการออกแบบฟีเจอร์: เพิ่มประเภทสถานที่ที่เฉพาะเจาะจงมากขึ้น ลงในคำค้นหา เพื่อดึงดูดผู้ที่สนใจเฉพาะกลุ่มให้มาที่ร้าน
สำรวจโมเดลขั้นสูง: แม้ว่าการถดถอยเชิงเส้นจะให้ความสามารถในการอธิบายที่ชัดเจน แต่ให้ทดลองใช้ BOOSTED_TREE_REGRESSOR ใน BigQuery ML ร่วมกับกลยุทธ์การตรวจสอบแบบไขว้ที่เหมาะสมเพื่อ บันทึกความสัมพันธ์ที่ไม่ใช่เชิงเส้น
นำแผนที่ไปใช้จริง: ส่งออกผลลัพธ์ของตาราง H3 ไปยังแดชบอร์ดที่กำหนดเอง โดยใช้ Maps JavaScript API เพื่อแชร์ ข้อมูลเชิงลึกเหล่านี้กับทีม

ผู้ร่วมให้ข้อมูล

Henrik Valve | วิศวกร DevX
Gennadii Donchyts | วิศวกรลูกค้าอาวุโส