जगहों के बारे में अहम जानकारी देने वाली सुविधा की मदद से, कस्टम लोकेशन स्कोर बनाना

खास जानकारी

जगह की जानकारी के स्टैंडर्ड डेटा से, आपको यह पता चल सकता है कि आस-पास क्या-क्या है. हालांकि, इससे अक्सर इस ज़्यादा ज़रूरी सवाल का जवाब नहीं मिलता: "यह इलाका मेरे लिए कैसा है?" आपके उपयोगकर्ताओं की ज़रूरतें अलग-अलग हैं. छोटे बच्चों वाले परिवार की प्राथमिकताएं, कुत्ते के साथ रहने वाले युवा पेशेवर की प्राथमिकताओं से अलग होती हैं. उन्हें भरोसे के साथ फ़ैसले लेने में मदद करने के लिए, आपको ऐसी अहम जानकारी देनी होगी जिससे उनकी इन खास ज़रूरतों के बारे में पता चले. कस्टम लोकेशन स्कोर, इस वैल्यू को डिलीवर करने और उपयोगकर्ताओं को अलग अनुभव देने का एक असरदार टूल है.

इस दस्तावेज़ में, BigQuery में Places Insights डेटासेट का इस्तेमाल करके, कस्टम और कई पहलुओं वाले लोकेशन स्कोर बनाने का तरीका बताया गया है. पीओआई डेटा को काम की मेट्रिक में बदलकर, अपने रियल एस्टेट, खुदरा, या यात्रा से जुड़े ऐप्लिकेशन को बेहतर बनाया जा सकता है. साथ ही, उपयोगकर्ताओं को उनकी ज़रूरत के हिसाब से काम की जानकारी दी जा सकती है. हम आपको Gemini Developer API का इस्तेमाल करने का विकल्प भी देते हैं. यह आपकी जगह के स्कोर का हिसाब लगाने का एक असरदार तरीका है.

ज़रूरत के मुताबिक बनाए गए स्कोर की मदद से, कारोबार को आगे बढ़ाना

यहां दिए गए उदाहरणों में बताया गया है कि अपने ऐप्लिकेशन को बेहतर बनाने के लिए, जगह की जानकारी के रॉ डेटा को उपयोगकर्ता के हिसाब से काम की मेट्रिक में कैसे बदला जा सकता है.

• रियल एस्टेट डेवलपर, "परिवार के हिसाब से सही स्कोर" या "कम्यूट करने वालों के लिए सबसे अच्छा स्कोर" बना सकते हैं. इससे खरीदारों और किराएदारों को अपनी लाइफ़स्टाइल के हिसाब से सही इलाका चुनने में मदद मिलती है. इससे यूज़र ऐक्टिविटी बढ़ती है, बेहतर क्वालिटी वाली लीड मिलती हैं, और कन्वर्ज़न तेज़ी से होते हैं.
• यात्रा और होटल इंडस्ट्री के इंजीनियर, "नाइटलाइफ़ स्कोर" या "घूमने-फिरने के शौकीन लोगों के लिए सबसे अच्छी जगह का स्कोर" बना सकते हैं. इससे यात्रियों को उनकी छुट्टियों के हिसाब से होटल चुनने में मदद मिलती है. साथ ही, बुकिंग की दरें बढ़ती हैं और ग्राहक संतुष्ट होते हैं
• खुदरा विश्लेषक, "फ़िटनेस और वेलनेस स्कोर" जनरेट कर सकते हैं. इससे उन्हें यह पता लगाने में मदद मिलती है कि आस-पास के पूरक कारोबारों के आधार पर, नए जिम या सेहतमंद खाने के स्टोर के लिए सबसे अच्छी जगह कौनसी है. साथ ही, इससे उन्हें सही उपयोगकर्ता डेमोग्राफ़िक को टारगेट करने की ज़्यादा से ज़्यादा संभावना मिलती है.

इस गाइड में, आपको तीन हिस्सों वाली एक ऐसी आसान कार्यप्रणाली के बारे में बताया जाएगा जिसकी मदद से, BigQuery में सीधे तौर पर जगहों के डेटा का इस्तेमाल करके, किसी भी तरह का कस्टम लोकेशन स्कोर बनाया जा सकता है. हम इस पैटर्न को दो अलग-अलग उदाहरण स्कोर बनाकर दिखाएंगे: परिवार के लिए सही होने का स्कोर और पालतू जानवरों के मालिकों के लिए सबसे अच्छी जगह होने का स्कोर. इस तरीके से, जगहों की संख्या से आगे बढ़कर, जगहों की अहम जानकारी वाले डेटासेट में मौजूद ज़्यादा जानकारी वाले एट्रिब्यूट का फ़ायदा लिया जा सकता है. अपने उपयोगकर्ताओं के लिए बेहतर और काम की मेट्रिक बनाने के लिए, इस तरह की जानकारी का इस्तेमाल किया जा सकता है: कारोबार के खुलने और बंद होने का समय, किसी जगह पर बच्चों को ले जाने की अनुमति है या नहीं या वहां कुत्तों को ले जाने की अनुमति है या नहीं.

समस्या हल करने से जुड़ा वर्कफ़्लो

इस ट्यूटोरियल में, कस्टम स्कोर बनाने के लिए एक ही एसक्यूएल क्वेरी का इस्तेमाल किया गया है. इसे किसी भी इस्तेमाल के उदाहरण के हिसाब से बदला जा सकता है. हम इस प्रोसेस को समझने के लिए, अपार्टमेंट की लिस्टिंग के एक काल्पनिक सेट के लिए दो उदाहरण स्कोर बनाएंगे.

ज़रूरी शर्तें

शुरू करने से पहले, Places Insights को सेट अप करने के लिए इन निर्देशों का पालन करें.

1. बुनियाद बनाना: दिलचस्पी वाली जगहें

स्कोर बनाने से पहले, आपको उन जगहों की सूची चाहिए जिनका आपको विश्लेषण करना है. सबसे पहले, यह पक्का करें कि यह डेटा, BigQuery में टेबल के तौर पर मौजूद हो. हर जगह के लिए एक यूनीक आइडेंटिफ़ायर और एक GEOGRAPHY कॉलम होना ज़रूरी है, जिसमें उसके निर्देशांक सेव किए जाते हैं.

जगहों की टेबल बनाई जा सकती है और उसमें डेटा भरा जा सकता है. इसके बाद, इस तरह की क्वेरी से स्कोर किया जा सकता है:

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
  . . . ;

जगह की जानकारी के डेटा पर SELECT * करने पर, आपको कुछ ऐसा दिखेगा.

2. कोर लॉजिक डेवलप करना: स्कोरिंग क्वेरी

जगहें तय करने के बाद, अगला चरण यह है कि आस-पास की उन जगहों को खोजें, फ़िल्टर करें, और उनकी गिनती करें जो आपके कस्टम स्कोर के हिसाब से काम की हैं. यह सब एक ही SELECT स्टेटमेंट में किया जाता है.

जियोस्पेशल सर्च की मदद से, आस-पास की जगहें ढूंढना

सबसे पहले, आपको Places Insights डेटासेट में मौजूद उन सभी जगहों का पता लगाना होगा जो आपकी हर जगह से एक तय दूरी पर हैं. इसके लिए, BigQuery का ST_DWITHIN फ़ंक्शन सबसे सही है. हम 800 मीटर के दायरे में मौजूद सभी जगहों का पता लगाने के लिए, अपनी apartment_listings टेबल और places_insights टेबल के बीच JOIN करेंगे. LEFT JOIN से यह पक्का किया जाता है कि खोज के नतीजों में आपकी सभी मूल जगहें शामिल हों. भले ही, आस-पास कोई मिलती-जुलती जगह न मिली हो.

ऐडवांस एट्रिब्यूट की मदद से, काम के प्रॉडक्ट फ़िल्टर करना

यहां आपको स्कोर के अमूर्त कॉन्सेप्ट को डेटा फ़िल्टर में बदलना होता है. उदाहरण के तौर पर दिए गए दो स्कोर के लिए, मानदंड अलग-अलग हैं:

• "परिवार के साथ घूमने के लिए सही जगह का स्कोर" के लिए, हम उन पार्कों, म्यूज़ियम, और रेस्टोरेंट को ध्यान में रखते हैं जो खास तौर पर बच्चों के लिए अच्छे होते हैं.
• "पालतू जानवरों के मालिकों के लिए बेहतरीन जगह का स्कोर" के लिए, हम पार्कों, पशु चिकित्सालयों, पालतू जानवरों के स्टोर, और ऐसे किसी भी रेस्टोरेंट या कैफ़े पर ध्यान देते हैं जहां कुत्तों को अनुमति है.

इन एट्रिब्यूट को सीधे तौर पर, अपनी क्वेरी के WHERE क्लॉज़ में फ़िल्टर किया जा सकता है.

हर जगह के लिए अहम जानकारी इकट्ठा करना

आखिर में, आपको यह गिनना होगा कि हर अपार्टमेंट के लिए, आपको कितनी काम की जगहें मिलीं. GROUP BY क्लॉज़, नतीजों को इकट्ठा करता है. साथ ही, COUNTIF फ़ंक्शन, उन जगहों की गिनती करता है जो हमारे हर स्कोर के लिए तय की गई शर्तों को पूरा करती हैं.

नीचे दी गई क्वेरी में, इन तीनों चरणों को एक साथ इस्तेमाल किया गया है. इससे एक ही बार में, दोनों स्कोर की रॉ गिनती का पता चलता है:

-- 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;

इस क्वेरी का नतीजा कुछ ऐसा होगा.

हम अगले सेक्शन में इन नतीजों के बारे में ज़्यादा जानकारी देंगे.

3. स्कोर बनाना

अब आपके पास हर जगह के टाइप के लिए, जगहों की संख्या और वेटिंग की जानकारी है. साथ ही, हर जगह के लिए कस्टम लोकेशन स्कोर जनरेट किया जा सकता है. इस सेक्शन में, हम दो विकल्पों के बारे में बात करेंगे: BigQuery में अपनी कस्टम कैलकुलेशन का इस्तेमाल करना या Gemini Developer API का इस्तेमाल करना.

पहला विकल्प: BigQuery में अपनी कस्टम कैलकुलेशन का इस्तेमाल करना

पिछले चरण की रॉ गिनती से अहम जानकारी मिलती है. हालांकि, हमारा लक्ष्य एक ऐसा स्कोर तैयार करना है जो उपयोगकर्ता के लिए आसान हो. आखिरी चरण में, इन संख्याओं को वेट का इस्तेमाल करके जोड़ा जाता है. इसके बाद, नतीजे को 0 से 10 के स्केल पर सामान्य किया जाता है.

कस्टम वेटेज (महत्व) लागू करना वेटेज (महत्व) चुनना एक कला और विज्ञान, दोनों है. ये मेट्रिक, आपके कारोबार की प्राथमिकताओं या आपके हिसाब से उपयोगकर्ताओं के लिए सबसे अहम चीज़ों को दिखाती हैं. "परिवार के लिए सही" स्कोर के लिए, यह तय किया जा सकता है कि पार्क, म्यूज़ियम से दोगुना ज़रूरी है. सबसे पहले, अपने सबसे अच्छे अनुमानों के आधार पर काम शुरू करें. इसके बाद, उपयोगकर्ताओं के सुझावों के आधार पर इसमें बदलाव करें.

स्कोर को सामान्य बनाना यहां दी गई क्वेरी में दो कॉमन टेबल एक्सप्रेशन (सीटीई) का इस्तेमाल किया गया है: पहला सीटीई, पहले की तरह रॉ काउंट का हिसाब लगाता है. वहीं, दूसरा सीटीई, वेटेज वाले स्कोर का हिसाब लगाता है. इसके बाद, फ़ाइनल SELECT स्टेटमेंट, वज़न के हिसाब से मिले स्कोर पर कम से कम और ज़्यादा से ज़्यादा वैल्यू के बीच के अंतर को सामान्य करता है. उदाहरण के तौर पर दी गई location टेबल का apartment_listings कॉलम, आउटपुट के तौर पर दिखाया गया है, ताकि मैप पर डेटा विज़ुअलाइज़ेशन को चालू किया जा सके.

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;

क्वेरी के नतीजे, यहां दिए गए नतीजों से मिलते-जुलते होंगे. आखिरी दो कॉलम, सामान्य किए गए स्कोर हैं.

सामान्य किए गए स्कोर के बारे में जानकारी

यह समझना ज़रूरी है कि सामान्य बनाने का यह आखिरी चरण इतना अहम क्यों है. वज़न के हिसाब से मिले रॉ स्कोर, 0 से लेकर बहुत ज़्यादा तक हो सकते हैं. यह इस बात पर निर्भर करता है कि आपकी जगहों पर शहरी घनत्व कितना है. किसी उपयोगकर्ता के लिए, कॉन्टेक्स्ट के बिना 500 स्कोर का कोई मतलब नहीं है.

सामान्य बनाने की प्रोसेस, इन ऐब्स्ट्रैक्ट नंबर को रिलेटिव रैंकिंग में बदल देती है. नतीजों को 0 से 10 तक स्केल करके, स्कोर से साफ़ तौर पर पता चलता है कि आपके डेटासेट में मौजूद हर जगह की तुलना, दूसरी जगहों से कैसे की जाती है:

• सबसे ज़्यादा रॉ स्कोर वाली जगह को 10 का स्कोर असाइन किया जाता है. इससे यह पता चलता है कि मौजूदा सेट में यह सबसे अच्छा विकल्प है.
• सबसे कम रॉ स्कोर वाली जगह को 0 का स्कोर असाइन किया जाता है. इससे तुलना करने के लिए बेसलाइन तय होती है. इसका मतलब यह नहीं है कि जगह पर कोई सुविधा नहीं है. इसका मतलब यह है कि यह जगह, अन्य विकल्पों की तुलना में सबसे कम सही है.
• बाकी सभी स्कोर, इनके बीच में होते हैं. इससे उपयोगकर्ताओं को एक नज़र में अपने विकल्पों की तुलना करने का आसान और बेहतर तरीका मिलता है.

दूसरा विकल्प: Gemini Developer API का इस्तेमाल करना

BigQuery में तय किए गए गणित के फ़ॉर्मूले का इस्तेमाल करने के बजाय, Gemini Developer API की मदद से, कस्टम लोकेशन के स्कोर का सटीक अनुमान लगाया जा सकता है.

पहला विकल्प, सुविधाओं की संख्या के आधार पर सिर्फ़ मात्रात्मक स्कोरिंग के लिए सबसे अच्छा है. हालांकि, इसमें गुणात्मक डेटा को आसानी से शामिल नहीं किया जा सकता. Gemini का इस्तेमाल करके, जगहों की अहम जानकारी से जुड़ी क्वेरी के नंबर को बिना किसी स्ट्रक्चर वाले डेटा के साथ जोड़ा जा सकता है. जैसे, अपार्टमेंट की लिस्टिंग का टेक्स्ट ब्यौरा (उदाहरण के लिए, "यह जगह परिवारों के लिए सही है और यहां रात में शांति रहती है") या उपयोगकर्ता प्रोफ़ाइल की खास प्राथमिकताओं (जैसे, "यह उपयोगकर्ता अपने परिवार के लिए बुकिंग कर रहा है और इसे ऐसी जगह चाहिए जो शांत हो और शहर के बीच में हो"), ताकि ज़्यादा सटीक स्कोर जनरेट किया जा सके.

Gemini के लिए डेटा तैयार करना

इस तरीके का इस्तेमाल करने के लिए, BigQuery एग्रीगेशन (दूसरे चरण में) के नतीजों को Markdown फ़ॉर्मैट में बदलें. इसके बाद, इसे अपने क्वालिटी डेटा के साथ मिलाएं. जैसे, Listing Description.

इस उदाहरण में, हमने दो ऐसी लिस्टिंग दिखाई हैं जिनकी विशेषताएं काफ़ी अलग हैं. हम Target User Profile भी शामिल करते हैं, ताकि Gemini को पता चल सके कि हम किसके लिए स्कोर कर रहे हैं:

## 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.

सिस्टम के निर्देश

Gemini को सिस्टम के निर्देशों की ज़रूरत होती है, ताकि वह इन अलग-अलग डेटा पॉइंट का आकलन कर सके. मॉडल को साफ़ तौर पर बताया जा सकता है कि कुछ सुविधाएं कितनी ज़रूरी हैं. साथ ही, उसे टेक्स्ट के ब्यौरे में मौजूद भावनाओं को ध्यान में रखने के लिए भी कहा जा सकता है.

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.

स्ट्रक्चर्ड आउटपुट

अपने ऐप्लिकेशन में एआई को इंटिग्रेट करते समय, भरोसेमंद नतीजे पाने के लिए, आपको आउटपुट फ़ॉर्मैट के लिए सिर्फ़ प्रॉम्प्ट पर भरोसा नहीं करना चाहिए. इसके बजाय, Gemini की स्ट्रक्चर्ड आउटपुट सुविधा का इस्तेमाल करें. responseSchema उपलब्ध कराने से, यह गारंटी मिलती है कि मॉडल एक साफ़-सुथरा और पार्स किया जा सकने वाला JSON ऐरे देगा. यह ऐरे, सिस्टम की आपकी ज़रूरी शर्तों से मेल खाएगा.

उदाहरण के लिए, हम यहां दिए गए स्कीमा को लागू कर सकते हैं:

{
  "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"
      }
    }
  }
}

आउटपुट का उदाहरण

responseSchema के साथ प्रॉम्प्ट भेजने पर, Gemini एक स्ट्रक्चर्ड JSON ऐरे दिखाता है. इसे सीधे तौर पर आपके ऐप्लिकेशन में इस्तेमाल किया जा सकता है.

आउटपुट में देखें कि Gemini, फ़ायदे और नुकसान के बीच कैसे समझौता करता है. "द डाउनटाउनर" में बहुत सारे पार्क हैं, लेकिन Gemini ने "सप्ताहांत में शोरगुल" वाली जानकारी को छोटे बच्चे के लिए एक बड़ी समस्या के तौर पर पहचाना है. वहीं, "शहर से दूर शांत इलाका" को लगभग पूरे अंक मिले हैं. ऐसा इसलिए, क्योंकि इसमें सुविधाओं की उपलब्धता के साथ-साथ, "शांत, पेड़ों वाली सड़क" जैसी ज़रूरी क्वालिटी वाली सुविधाएं भी शामिल हैं.

[
  {
    "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
  }
]

इस तरीके से, हर उपयोगकर्ता को उसकी पसंद के हिसाब से स्कोरिंग की जा सकती है. साथ ही, यह स्कोरिंग हर उपयोगकर्ता के लिए समझने में आसान होती है.

4. मैप पर अपने स्कोर देखना

BigQuery Studio में, GEOGRAPHY कॉलम वाले क्वेरी के किसी भी नतीजे के लिए, इंटिग्रेटेड मैप विज़ुअलाइज़ेशन शामिल होता है. हमारी क्वेरी से location कॉलम का आउटपुट मिलता है. इसलिए, आपको अपने स्कोर तुरंत दिख सकते हैं.

Visualization टैब पर क्लिक करने से मैप खुल जाएगा. साथ ही, Data Column ड्रॉप-डाउन से, जगह की जानकारी के स्कोर को विज़ुअलाइज़ किया जा सकेगा. इस उदाहरण में, पहले विकल्प के उदाहरण से normalized_pet_score को विज़ुअलाइज़ किया गया है. ध्यान दें कि इस उदाहरण के लिए, apartment_listings टेबल में ज़्यादा जगहें जोड़ी गई हैं.

डेटा को विज़ुअलाइज़ करने से, बनाए गए स्कोर के लिए सबसे सही जगहों के बारे में एक नज़र में पता चलता है. गहरे हरे रंग के सर्कल से उन जगहों के बारे में पता चलता है जहां normalized_pet_score ज़्यादा है. जगह की अहम जानकारी वाले डेटा को विज़ुअलाइज़ करने के अन्य विकल्पों के लिए, क्वेरी के नतीजों को विज़ुअलाइज़ करना लेख पढ़ें.

नतीजा

अब आपके पास, सटीक लोकेशन स्कोर बनाने के लिए एक असरदार और बार-बार इस्तेमाल की जा सकने वाली कार्यप्रणाली है. आपने अपनी जगहों के हिसाब से, BigQuery में एक एसक्यूएल क्वेरी बनाई. इससे आस-पास की जगहों का पता चलता है. साथ ही, ST_DWITHIN जैसे ऐडवांस एट्रिब्यूट के हिसाब से फ़िल्टर किया जाता है और good_for_children और allows_dogs जैसे एट्रिब्यूट के हिसाब से एग्रीगेट किया जाता है.COUNTIF आपने कस्टम वेट लागू करके और नतीजे को सामान्य करके, उपयोगकर्ता के लिए आसान स्कोर जनरेट किया. इससे काम की अहम जानकारी मिलती है. इस पैटर्न को सीधे तौर पर लागू करके, जगह की जानकारी के रॉ डेटा को एक अहम कॉम्पटिटिव फ़ायदे में बदला जा सकता है.

अगली कार्रवाइयां

अब आपकी बारी है. इस ट्यूटोरियल में एक टेंप्लेट दिया गया है. Places Insights स्कीमा में उपलब्ध रिच डेटा का इस्तेमाल करके, ऐसे स्कोर बनाए जा सकते हैं जो आपके इस्तेमाल के उदाहरण के लिए सबसे ज़रूरी हैं. इन अन्य स्कोर को भी बनाया जा सकता है:

• "नाइटलाइफ़ स्कोर": primary_type (bar, night_club), price_level, और देर रात तक खुले रहने वाले रेस्टोरेंट के फ़िल्टर को एक साथ इस्तेमाल करें. इससे आपको रात के समय सबसे ज़्यादा चहल-पहल वाले इलाके ढूंढने में मदद मिलेगी.
• "फ़िटनेस और वेलनेस स्कोर": आस-पास मौजूद gyms, parks, और health_food_stores की संख्या गिनें. साथ ही, सेहत के बारे में जागरूक लोगों के लिए, serves_vegetarian_food वाले रेस्टोरेंट को फ़िल्टर करें, ताकि जगहों को स्कोर किया जा सके.
• "कम्यूटर का ड्रीम स्कोर": ऐसी जगहों का पता लगाएं जहां आस-पास transit_station और parking की संख्या ज़्यादा हो. इससे उन लोगों की मदद की जा सकती है जो परिवहन के साधनों को अहमियत देते हैं.

योगदानकर्ता

हेनरिक वाल्व | DevX इंजीनियर