Créer des scores de localisation personnalisés avec Places Insights

Présentation

Les données de localisation standards peuvent vous indiquer ce qui se trouve à proximité, mais elles ne répondent souvent pas à la question la plus importante : "Cette zone est-elle intéressante pour moi ?" Les besoins de vos utilisateurs sont nuancés. Les priorités d'une famille avec de jeunes enfants sont différentes de celles d'un jeune professionnel avec un chien. Pour les aider à prendre des décisions éclairées, vous devez leur fournir des insights qui reflètent ces besoins spécifiques. Un score de localisation personnalisé est un outil puissant pour offrir cette valeur et créer une expérience utilisateur différenciée significative.

Ce document explique comment créer des scores de localisation personnalisés et multifacettes à l'aide de l'ensemble de données Places Insights dans BigQuery. En transformant les données de points d'intérêt en métriques pertinentes, vous pouvez enrichir vos applications immobilières, commerciales ou de voyage, et fournir à vos utilisateurs les informations dont ils ont besoin. Nous vous proposons également d'utiliser l'API Gemini Developer, un outil puissant pour calculer vos scores de localisation.

Générer de la valeur commerciale grâce à des scores personnalisés

Les exemples suivants illustrent comment traduire des données brutes de localisation en métriques puissantes axées sur l'utilisateur pour améliorer votre application.

• Les promoteurs immobiliers peuvent créer un "score de convivialité pour les familles" ou un "score de rêve pour les navetteurs" afin d'aider les acheteurs et les locataires à choisir le quartier idéal correspondant à leur style de vie. Cela permet d'accroître l'engagement des utilisateurs, d'obtenir des prospects de meilleure qualité et d'accélérer les conversions.
• Les ingénieurs du secteur du voyage et de l'hôtellerie peuvent créer un "score de vie nocturne" ou un "score de paradis des touristes" pour aider les voyageurs à choisir un hôtel qui correspond à leur style de vacances, ce qui augmente les taux de réservation et la satisfaction des clients.
• Les analystes du secteur de la vente au détail peuvent générer un "score de forme et de bien-être" pour identifier l'emplacement optimal d'une nouvelle salle de sport ou d'un nouveau magasin d'aliments diététiques en fonction des établissements complémentaires à proximité. Ils peuvent ainsi maximiser le potentiel de ciblage de la bonne tranche d'âge.

Dans ce guide, vous allez découvrir une méthodologie flexible en trois parties pour créer n'importe quel type de score de localisation personnalisé à l'aide des données Places directement dans BigQuery. Nous allons illustrer ce modèle en créant deux exemples de scores distincts : un score de convivialité pour les familles et un score de paradis pour les propriétaires d'animaux de compagnie. Cette approche vous permet d'aller au-delà du nombre de lieux et de profiter des attributs riches et détaillés de l'ensemble de données Places Insights. Vous pouvez utiliser des informations telles que les horaires d'ouverture, si un lieu est adapté aux enfants ou s'il autorise les chiens pour créer des métriques sophistiquées et pertinentes pour vos utilisateurs.

Solution workflow

Ce tutoriel utilise une requête SQL unique et puissante pour créer un score personnalisé que vous pouvez adapter à n'importe quel cas d'utilisation. Nous allons passer en revue ce processus en créant nos deux exemples de scores pour un ensemble hypothétique d'annonces d'appartements.

Prérequis

Avant de commencer, suivez ces instructions pour configurer Places Insights.

1. Établir une base : vos lieux d'intérêt

Avant de pouvoir créer des scores, vous avez besoin d'une liste des établissements que vous souhaitez analyser. La première étape consiste à s'assurer que ces données existent sous forme de tableau dans BigQuery. L'essentiel est d'avoir un identifiant unique pour chaque emplacement et une colonne GEOGRAPHY qui stocke ses coordonnées.

Vous pouvez créer et remplir une table de lieux à évaluer avec une requête comme celle-ci :

CREATE OR REPLACE TABLE `your_project.your_dataset.apartment_listings`
(
  id INT64,
  name STRING,
  location GEOGRAPHY
);

INSERT INTO `your_project.your_dataset.apartment_listings` VALUES
  (1, 'The Downtowner', ST_GEOGPOINT(-74.0077, 40.7093)),
  (2, 'Suburban Oasis', ST_GEOGPOINT(-73.9825, 40.7507)),
  (3, 'Riverside Lofts', ST_GEOGPOINT(-73.9470, 40.8079))
  -- More rows can be added here
  . . . ;

Voici à quoi ressemblerait une SELECT * sur vos données de localisation.

2. Développer la logique principale : la requête de scoring

Une fois vos établissements définis, l'étape suivante consiste à rechercher, filtrer et comptabiliser les lieux à proximité qui sont pertinents pour votre score personnalisé. Tout cela se fait dans une seule instruction SELECT.

Trouver ce qui se trouve à proximité avec une recherche géospatiale

Vous devez d'abord trouver tous les lieux du jeu de données Places Insights qui se trouvent à une certaine distance de chacun de vos établissements. La fonction BigQuery ST_DWITHIN est idéale pour cela. Nous allons effectuer une JOIN entre notre table apartment_listings et la table places_insights pour trouver tous les lieux situés dans un rayon de 800 mètres. Un LEFT JOIN garantit que tous vos lieux d'origine sont inclus dans les résultats, même si aucun lieu correspondant n'est trouvé à proximité.

Filtrer par pertinence avec des attributs avancés

C'est là que vous traduisez le concept abstrait d'un score en filtres de données concrets. Pour nos deux exemples de scores, les critères sont différents :

• Pour le "score d'aptitude pour les familles", nous nous intéressons aux parcs, musées et restaurants qui sont explicitement adaptés aux enfants.
• Pour le "score de paradis pour les propriétaires d'animaux de compagnie", nous nous intéressons aux parcs, aux cliniques vétérinaires, aux animaleries, ainsi qu'aux restaurants et cafés qui acceptent les chiens.

Vous pouvez filtrer ces attributs spécifiques directement dans la clause WHERE de votre requête.

Regrouper les insights pour chaque établissement

Enfin, vous devez compter le nombre de lieux pertinents que vous avez trouvés pour chaque appartement. La clause GROUP BY agrège les résultats, et la fonction COUNTIF compte les lieux qui correspondent aux critères spécifiques de chacun de nos scores.

La requête ci-dessous combine ces trois étapes et calcule les nombres bruts pour les deux scores en une seule passe :

-- This Common Table Expression (CTE) will hold the raw counts for each score component.
WITH insight_counts AS (
  SELECT WITH AGGREGATION_THRESHOLD -- Correctly includes the mandatory aggregation threshold
    apartments.id,
    apartments.name,
    COUNTIF(places.primary_type = 'park') AS park_count,
    COUNTIF(places.primary_type = 'museum') AS museum_count,
    COUNTIF(places.primary_type = 'restaurant' AND places.good_for_children = TRUE) AS family_restaurant_count,
    COUNTIF(places.primary_type IN ('veterinary_care', 'pet_store')) AS pet_service_count,
    COUNTIF(places.allows_dogs = TRUE) AS dog_friendly_place_count
  FROM
    `your_project.your_dataset.apartment_listings` AS apartments
  LEFT JOIN
    `your-project.places_insights___us.places` AS places -- Corrected table name for the US dataset
    ON ST_DWITHIN(apartments.location, places.point, 800) -- Find places within 800 meters
  GROUP BY
    apartments.id, apartments.name
)
SELECT * FROM insight_counts;

Le résultat de cette requête sera semblable à celui-ci.

Nous nous appuierons sur ces résultats dans la section suivante.

3. Créer le score

Maintenant que vous disposez du nombre de lieux et de la pondération pour chaque type de lieu et pour chaque emplacement, vous pouvez générer le score personnalisé de l'emplacement. Dans cette section, nous allons aborder deux options : utiliser votre propre calcul personnalisé dans BigQuery ou utiliser l'API Gemini Developer.

Option 1 : Utiliser votre propre calcul personnalisé dans BigQuery

Les nombres bruts de l'étape précédente sont intéressants, mais l'objectif est d'obtenir un score unique et convivial. La dernière étape consiste à combiner ces nombres à l'aide de pondérations, puis à normaliser le résultat sur une échelle de 0 à 10.

Appliquer des pondérations personnalisées : choisir vos pondérations est à la fois un art et une science. Elles doivent refléter les priorités de votre entreprise ou ce qui vous semble le plus important pour vos utilisateurs. Pour un score de "convivialité familiale", vous pouvez décider qu'un parc est deux fois plus important qu'un musée. Commencez par vos meilleures hypothèses et itérez en fonction des commentaires des utilisateurs.

Normaliser le score La requête ci-dessous utilise deux expressions de table communes (CTE) : la première calcule les nombres bruts comme précédemment, et la seconde calcule les scores pondérés. L'instruction SELECT finale effectue ensuite une normalisation min-max sur les scores pondérés. La colonne location du tableau apartment_listings de l'exemple est générée pour permettre la visualisation des données sur une carte.

WITH
  -- CTE 1: Count nearby amenities of interest for each apartment listing.
  insight_counts AS (
    SELECT WITH AGGREGATION_THRESHOLD
      apartments.id,
      apartments.name,
      COUNTIF(places.primary_type = 'park') AS park_count,
      COUNTIF(places.primary_type = 'museum') AS museum_count,
      COUNTIF(places.primary_type = 'restaurant' AND places.good_for_children = TRUE) AS family_restaurant_count,
      COUNTIF(places.primary_type IN ('veterinary_care', 'pet_store')) AS pet_service_count,
      COUNTIF(places.allows_dogs = TRUE) AS dog_friendly_place_count
    FROM
      `your_project.your_dataset.apartment_listings` AS apartments
    LEFT JOIN
      `your-project.places_insights___us.places` AS places
      ON ST_DWITHIN(apartments.location, places.point, 800)
    GROUP BY
      apartments.id,
      apartments.name
  ),
  -- CTE 2: Apply custom weighting to the amenity counts to generate raw scores.
  raw_scores AS (
    SELECT
      id,
      name,
      (park_count * 3.0) + (museum_count * 1.5) + (family_restaurant_count * 2.5) AS family_friendliness_score,
      (park_count * 2.0) + (pet_service_count * 3.5) + (dog_friendly_place_count * 2.5) AS pet_paradise_score
    FROM
      insight_counts
  )
-- Final Step: Normalize scores to a 0-10 scale and rejoin to retrieve the location geometry.
SELECT
  raw_scores.id,
  raw_scores.name,
  apartments.location,
  raw_scores.family_friendliness_score,
  raw_scores.pet_paradise_score,
  -- Normalize Family Score using a MIN/MAX window function.
  ROUND(
    COALESCE(
      SAFE_DIVIDE(
        (raw_scores.family_friendliness_score - MIN(raw_scores.family_friendliness_score) OVER ()),
        (MAX(raw_scores.family_friendliness_score) OVER () - MIN(raw_scores.family_friendliness_score) OVER ())
      ) * 10,
      0
    ),
    2
  ) AS normalized_family_score,
  -- Normalize Pet Score using a MIN/MAX window function.
  ROUND(
    COALESCE(
      SAFE_DIVIDE(
        (raw_scores.pet_paradise_score - MIN(raw_scores.pet_paradise_score) OVER ()),
        (MAX(raw_scores.pet_paradise_score) OVER () - MIN(raw_scores.pet_paradise_score) OVER ())
      ) * 10,
      0
    ),
    2
  ) AS normalized_pet_score
FROM
  raw_scores
JOIN
  `your_project.your_dataset.apartment_listings` AS apartments
  ON raw_scores.id = apartments.id;

Les résultats de la requête seront semblables à ceux ci-dessous. Les deux dernières colonnes correspondent aux scores normalisés.

Comprendre le score normalisé

Il est important de comprendre pourquoi cette dernière étape de normalisation est si précieuse. Les scores pondérés bruts peuvent être compris entre 0 et un nombre potentiellement très élevé, en fonction de la densité urbaine de vos établissements. Un score de 500 n'a aucun sens pour un utilisateur sans contexte.

La normalisation transforme ces nombres abstraits en classement relatif. En échelonnant les résultats de 0 à 10, le score indique clairement comment chaque établissement se compare aux autres dans votre ensemble de données spécifique :

• La note 10 est attribuée à l'établissement ayant obtenu le score brut le plus élevé, ce qui indique qu'il s'agit de la meilleure option de l'ensemble actuel.
• Un score de 0 est attribué à la zone géographique ayant obtenu le score brut le plus bas, ce qui en fait la référence pour la comparaison. Cela ne signifie pas que l'établissement ne dispose d'aucun équipement, mais plutôt qu'il est le moins adapté par rapport aux autres options évaluées.
• Tous les autres scores se situent proportionnellement entre ces deux extrêmes, ce qui permet à vos utilisateurs de comparer clairement et intuitivement leurs options en un coup d'œil.

Option 2 : Utiliser l'API Gemini Developer

Au lieu d'utiliser une formule mathématique fixe dans BigQuery, l'API Gemini Developer offre un moyen puissant de calculer des scores de localisation personnalisés nuancés.

Bien que l'option 1 soit excellente pour la notation purement quantitative basée sur le nombre de commodités, elle ne permet pas d'intégrer facilement des données qualitatives. En utilisant Gemini, vous pouvez combiner les chiffres de votre requête Places Insights avec des données non structurées, comme la description textuelle de l'annonce d'appartement (par exemple, "Cet endroit est adapté aux familles et le quartier est calme la nuit") ou des préférences spécifiques du profil utilisateur (par exemple, "Cet utilisateur réserve pour une famille et préfère un quartier calme dans un emplacement central") pour générer un score plus nuancé.

Préparer les données pour Gemini

Pour utiliser cette méthode, transformez les résultats de votre agrégation BigQuery (à partir de l'étape 2) au format Markdown et combinez-les avec vos données qualitatives, comme un Listing Description.

Dans cet exemple, nous avons deux fiches présentant des caractéristiques très différentes. Nous incluons également un Target User Profile pour indiquer à Gemini pour qui nous évaluons ces réponses :

## Listing 1: The Downtowner

*   **ID:** 1
*   **Amenity Counts:**
    *   Parks: 70
    *   Museums: 34
    *   Family-Friendly Restaurants: 141
*   **Listing Description:** A vibrant apartment in the heart of the city.
    Great for nightlife, but can be noisy on weekends. Close to several
    small playgrounds.
*   **Target User Profile:** Young family with a toddler, looking for a
    balance of activity and quiet.

---

## Listing 2: Suburban Oasis

*   **ID:** 2
*   **Amenity Counts:**
    *   Parks: 34
    *   Museums: 30
    *   Family-Friendly Restaurants: 318
*   **Listing Description:** Quiet, tree-lined street. Large backyard and easy
    walking distance to a major park and elementary school.
*   **Target User Profile:** Young family with a toddler, looking for a
    balance of activity and quiet.

Instructions système

Gemini a besoin d'instructions système pour savoir comment pondérer ces différents points de données. Vous pouvez indiquer explicitement au modèle l'importance de certains équipements, tout en lui demandant de tenir compte du sentiment des descriptions textuelles.

You are an expert real estate analyst. Your goal is to generate a
"Family-Friendliness Score" between 0.0 and 10.0 for a list of apartment
locations.

For each location, you will be given quantitative data (amenity counts)
and qualitative data (descriptions and user profiles).

Scoring Criteria:
-   High importance: Proximity to parks and a high count of family-friendly
    restaurants.
-   Medium importance: Proximity to museums.
-   Negative modifiers: Descriptions indicating excessive noise, lack of
    safe play areas, or mismatch with the user profile.
-   Positive modifiers: Descriptions indicating quiet areas, safe streets,
    or extra space (e.g., backyards).

Analyze the provided data and generate scores based on these criteria.

Sortie structurée

Pour garantir la fiabilité lors de l'intégration de l'IA dans votre application, vous ne devez pas vous fier uniquement à l'invite pour le format de sortie. Utilisez plutôt la fonctionnalité Sortie structurée de Gemini. En fournissant un responseSchema, vous garantissez que le modèle renvoie un tableau JSON propre et analysable qui correspond exactement à vos exigences système.

Dans notre exemple, nous pouvons appliquer le schéma suivant :

{
  "type": "ARRAY",
  "items": {
    "type": "OBJECT",
    "required": ["location_id", "name", "score", "reasoning"],
    "properties": {
      "location_id": {"type": "STRING"},
      "name": {"type": "STRING"},
      "score": {
        "type": "NUMBER"
      },
      "reasoning": {
        "type": "STRING"
      }
    }
  }
}

Exemple de résultat :

Lorsque vous envoyez la requête avec le responseSchema défini, Gemini renvoie un tableau JSON structuré qui peut être utilisé directement par votre application.

Notez dans la sortie comment Gemini gère les compromis. "The Downtowner" présente un nombre de parcs incroyablement élevé, mais Gemini identifie la description "bruyant le week-end" comme un inconvénient majeur pour un tout-petit. "Oasis de banlieue", quant à lui, obtient un score presque parfait en combinant une excellente densité d'équipements avec des caractéristiques qualitatives applicables telles que "rue calme et arborée".

[
  {
    "id": 1,
    "location_name": "The Downtowner",
    "analysis_notes": "Excellent amenity counts (parks, restaurants, museums), fulfilling
    quantitative metrics. However, the qualitative data indicates excessive weekend
    noise and a strong nightlife focus, conflicting directly with the target
    user's need for quiet and suitability for a toddler. This mismatch
    significantly lowers the final score.",
    "family_friendliness_score": 5.5
  },
  {
    "id": 2,
    "location_name": "Suburban Oasis",
    "analysis_notes": "Outstanding quantitative data, especially the very high count of
    family-friendly restaurants. The qualitative description (quiet, tree-lined street,
    large backyard, proximity to elementary school and major park) aligns perfectly with
    and exceeds the needs of the target family profile. High positive modifiers
    result in a near-perfect score.",
    "family_friendliness_score": 9.8
  }
]

Cette méthode vous permet de fournir une évaluation très personnalisée, compréhensible et adaptée à chaque utilisateur.

4. Visualiser vos scores sur une carte

BigQuery Studio inclut une visualisation cartographique intégrée pour tout résultat de requête contenant une colonne GEOGRAPHY. Étant donné que notre requête génère la colonne location, vous pouvez visualiser immédiatement vos scores.

Cliquez sur l'onglet Visualization pour afficher la carte. Le menu déroulant Data Column permet de sélectionner le score de localisation à visualiser. Dans cet exemple, normalized_pet_score est visualisé à partir de l'exemple de l'option 1. Notez que d'autres lieux ont été ajoutés à la table apartment_listings pour cet exemple.

La visualisation des données révèle en un coup d'œil les emplacements les plus appropriés pour le score créé, avec des cercles vert foncé représentant les emplacements avec un normalized_pet_score plus élevé dans ce cas. Pour en savoir plus sur les options de visualisation des données Places Insights, consultez Visualiser les résultats des requêtes.

Conclusion

Vous disposez désormais d'une méthodologie puissante et reproductible pour créer des scores de localisation nuancés. En partant de vos établissements, vous avez créé une requête SQL unique dans BigQuery qui trouve les lieux à proximité avec ST_DWITHIN, les filtre par attributs avancés tels que good_for_children et allows_dogs, et agrège les résultats avec COUNTIF. En appliquant des pondérations personnalisées et en normalisant le résultat, vous avez obtenu un score unique et facile à utiliser qui fournit des insights approfondis et exploitables. Vous pouvez appliquer directement ce modèle pour transformer les données brutes de localisation en un avantage concurrentiel significatif.

Actions suivantes

À vous de jouer ! Ce tutoriel fournit un modèle. Vous pouvez utiliser les données enrichies disponibles dans le schéma Places Insights pour créer les scores les plus adaptés à votre cas d'utilisation. Voici d'autres scores que vous pourriez créer :

• "Score de vie nocturne" : combinez les filtres pour primary_type (bar, night_club), price_level et les horaires d'ouverture tardifs pour trouver les quartiers les plus animés après la tombée de la nuit.
• "Score de forme et de bien-être" : compte le nombre de gyms, parks et health_food_stores à proximité, et filtre les restaurants en fonction de ceux qui proposent serves_vegetarian_food pour évaluer les établissements pour les utilisateurs soucieux de leur santé.
• "Score de rêve pour les navetteurs" : trouvez des lieux avec une forte densité de transit_station et de parking à proximité pour aider les utilisateurs qui apprécient l'accès aux transports.

Contributeurs

Henrik Valve | Ingénieur DevX