สร้างคะแนนสถานที่ตั้งที่กำหนดเองด้วยข้อมูลเชิงลึกเกี่ยวกับสถานที่

สำคัญ: ก่อนที่จะค้นหาข้อมูลเชิงลึกเกี่ยวกับสถานที่ คุณต้องลงชื่อสมัครใช้ก่อน เพื่อรับสิทธิ์เข้าถึงผลิตภัณฑ์ข้อมูลเชิงลึกเกี่ยวกับสถานที่

ภาพรวม

ข้อมูลตำแหน่งมาตรฐานจะบอกคุณได้ว่ามีอะไรอยู่ใกล้ๆ แต่ก็มักจะตอบคำถามที่สำคัญกว่าไม่ได้ นั่นคือ "ย่านนี้เหมาะกับฉันไหม" ความต้องการของ ผู้ใช้มีความแตกต่างกัน ครอบครัวที่มีเด็กเล็กมีลำดับความสำคัญที่แตกต่างจาก คนหนุ่มสาวที่เพิ่งเริ่มต้นอาชีพซึ่งมีสุนัข คุณต้องให้ข้อมูลเชิงลึกที่สะท้อนความต้องการเฉพาะเหล่านี้เพื่อช่วยให้ผู้ใช้ตัดสินใจได้อย่างมั่นใจ คะแนนตำแหน่งที่กำหนดเองเป็นเครื่องมือที่มีประสิทธิภาพในการมอบมูลค่านี้และสร้างประสบการณ์ของผู้ใช้ที่แตกต่างอย่างเห็นได้ชัด

เอกสารนี้อธิบายวิธีสร้างคะแนนสถานที่ตั้งแบบหลายมิติที่กำหนดเอง โดยใช้ชุดข้อมูล ข้อมูลเชิงลึกเกี่ยวกับสถานที่ ใน BigQuery การแปลงข้อมูลจุดที่น่าสนใจให้เป็นเมตริกที่มีความหมายจะช่วยให้คุณเพิ่มคุณค่าให้กับแอปพลิเคชันอสังหาริมทรัพย์ ค้าปลีก หรือการท่องเที่ยว และให้ข้อมูลที่เกี่ยวข้องซึ่งผู้ใช้ต้องการ นอกจากนี้ เรายังมีตัวเลือกในการใช้Generative AI ใน BigQuery ซึ่งเป็นวิธีที่มีประสิทธิภาพในการคำนวณคะแนนตำแหน่ง

เพิ่มมูลค่าทางธุรกิจด้วยคะแนนที่ปรับแต่ง

ตัวอย่างต่อไปนี้แสดงให้เห็นวิธีที่คุณสามารถแปลข้อมูลตำแหน่งดิบเป็นเมตริกที่เน้นผู้ใช้เป็นหลักที่มีประสิทธิภาพเพื่อปรับปรุงแอปพลิเคชัน

• นักพัฒนาอสังหาริมทรัพย์สามารถสร้าง "คะแนนความเป็นมิตรกับครอบครัว" หรือ "คะแนนในฝันของคนเดินทาง" เพื่อช่วยให้ผู้ซื้อและผู้เช่าเลือกย่านที่สมบูรณ์แบบซึ่งตรงกับไลฟ์สไตล์ของตนได้ ซึ่งจะช่วยเพิ่มการมีส่วนร่วมของผู้ใช้ โอกาสในการขายที่มีคุณภาพสูงขึ้น และ Conversion ที่เร็วขึ้น
• วิศวกรด้านการท่องเที่ยวและโรงแรมสามารถสร้าง "คะแนนสถานบันเทิงยามค่ำคืน" หรือ "คะแนนสวรรค์ของนักท่องเที่ยว" เพื่อช่วยให้นักเดินทางเลือกโรงแรมที่ตรงกับสไตล์การพักผ่อนของตน ซึ่งจะช่วยเพิ่มอัตราการจองและความพึงพอใจของลูกค้า
• นักวิเคราะห์ค้าปลีกสามารถสร้าง "คะแนนฟิตเนสและสุขภาพ" เพื่อระบุ สถานที่ตั้งที่เหมาะสมที่สุดสำหรับยิมหรือร้านขายอาหารเพื่อสุขภาพแห่งใหม่โดยอิงตาม ธุรกิจเสริมที่อยู่ใกล้เคียง เพื่อเพิ่มศักยภาพในการกำหนดเป้าหมายไปยังกลุ่มประชากรผู้ใช้ที่เหมาะสม ให้ได้สูงสุด

ในคู่มือนี้ คุณจะได้เรียนรู้ระเบียบวิธีแบบ 3 ส่วนที่ยืดหยุ่นสำหรับการสร้างคะแนนสถานที่ที่กำหนดเองทุกประเภทโดยใช้ข้อมูล Places ใน BigQuery โดยตรง เรา จะอธิบายรูปแบบนี้โดยการสร้างคะแนนตัวอย่างที่แตกต่างกัน 2 รายการ ได้แก่ คะแนนความเป็นมิตรกับครอบครัวและคะแนนสวรรค์ของคนรักสัตว์ แนวทางนี้ ช่วยให้คุณก้าวข้ามการนับสถานที่และใช้ประโยชน์จากแอตทริบิวต์ที่สมบูรณ์และมีรายละเอียด ภายในชุดข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่ คุณใช้ข้อมูลต่างๆ เช่น เวลาทำการ สถานที่เหมาะสำหรับเด็กหรือไม่ หรืออนุญาตให้นำสุนัขเข้าไปได้หรือไม่ เพื่อ สร้างเมตริกที่ซับซ้อนและมีความหมายสำหรับผู้ใช้ได้

เวิร์กโฟลว์ของโซลูชัน

บทแนะนำนี้ใช้การค้นหา SQL ที่มีประสิทธิภาพเพียงรายการเดียวเพื่อสร้างคะแนนที่กำหนดเองซึ่งคุณ สามารถปรับให้เข้ากับกรณีการใช้งานใดก็ได้ เราจะอธิบายกระบวนการนี้โดยการสร้างคะแนนตัวอย่าง 2 รายการสำหรับชุดข้อมูลอพาร์ตเมนต์สมมติ

ข้อกำหนดเบื้องต้น

ก่อนเริ่มต้น ให้ทำตามวิธีการ เหล่านี้เพื่อตั้งค่าข้อมูลเชิงลึกเกี่ยวกับสถานที่

1. สร้างรากฐาน: สถานที่ที่สนใจ

คุณต้องมีรายชื่อสถานที่ที่ต้องการวิเคราะห์ก่อนจึงจะสร้างคะแนนได้ ขั้นตอนแรกคือการตรวจสอบว่าข้อมูลนี้มีอยู่ในรูปแบบตารางใน BigQuery สิ่งสำคัญคือต้องมีตัวระบุที่ไม่ซ้ำกันสำหรับแต่ละสถานที่และGEOGRAPHY คอลัมน์ที่จัดเก็บพิกัด

คุณสร้างและป้อนข้อมูลตารางสถานที่เพื่อจัดคะแนนด้วยการค้นหาต่อไปนี้ได้

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
  . . . ;

การดำเนินการ SELECT * ในข้อมูลตำแหน่งจะมีลักษณะคล้ายกับตัวอย่างนี้

2. พัฒนากฎหลัก: การค้นหาการให้คะแนน

เมื่อกำหนดสถานที่ตั้งแล้ว ขั้นตอนถัดไปคือการค้นหา กรอง และนับ สถานที่ใกล้เคียงที่เกี่ยวข้องกับคะแนนที่กำหนดเอง ทั้งหมดนี้ทำได้ภายในคำสั่ง SELECT เดียว

ค้นหาสิ่งที่อยู่ใกล้เคียงด้วยการค้นหาเชิงพื้นที่

ก่อนอื่น คุณต้องค้นหาสถานที่ทั้งหมดจากชุดข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่ซึ่งอยู่ ภายในระยะทางที่กำหนดจากสถานที่ตั้งแต่ละแห่ง ฟังก์ชัน BigQuery ST_DWITHIN เหมาะสำหรับกรณีนี้ เราจะทำ JOIN ระหว่างตาราง apartment_listings กับตาราง places_insights เพื่อค้นหาสถานที่ทั้งหมดภายในรัศมี 800 เมตร LEFT JOIN ช่วยให้มั่นใจได้ว่าระบบจะรวมสถานที่ตั้งเดิมทั้งหมดไว้ในผลการค้นหา แม้ว่าจะไม่พบสถานที่ที่ตรงกันในบริเวณใกล้เคียงก็ตาม

กรองความเกี่ยวข้องด้วยแอตทริบิวต์ขั้นสูง

ในขั้นตอนนี้ คุณจะแปลงแนวคิดที่เป็นนามธรรมของคะแนนให้เป็นตัวกรองข้อมูลที่เป็นรูปธรรม สำหรับคะแนนตัวอย่าง 2 รายการ เกณฑ์จะแตกต่างกันดังนี้

• สำหรับ "คะแนนความเป็นมิตรต่อครอบครัว" เราจะพิจารณาจากสวนสาธารณะ พิพิธภัณฑ์ และ ร้านอาหารที่เหมาะสำหรับเด็กโดยเฉพาะ
• สำหรับ "คะแนนสวรรค์ของเจ้าของสัตว์เลี้ยง" เราจะพิจารณาสวนสาธารณะ คลินิกสัตวแพทย์ ร้านขายสัตว์เลี้ยง รวมถึงร้านอาหารหรือคาเฟ่ที่อนุญาตให้นำสุนัขเข้าไปได้

คุณกรองแอตทริบิวต์ที่เฉพาะเจาะจงเหล่านี้ได้โดยตรงในอนุประโยค WHERE ของคำค้นหา

รวบรวมข้อมูลเชิงลึกสำหรับแต่ละสถานที่

สุดท้าย คุณต้องนับจำนวนสถานที่ที่เกี่ยวข้องซึ่งพบสำหรับอพาร์ตเมนต์แต่ละแห่ง โดยGROUP BYจะรวบรวมผลลัพธ์ และฟังก์ชัน COUNTIF จะนับสถานที่ที่ตรงกับเกณฑ์ที่เฉพาะเจาะจงสำหรับคะแนนแต่ละรายการ

คําค้นหาด้านล่างจะรวม 3 ขั้นตอนนี้เข้าด้วยกันเพื่อคํานวณจํานวนดิบสําหรับคะแนนทั้ง 2 รายการในรอบเดียว

-- 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;

ผลลัพธ์ของการค้นหานี้จะคล้ายกับผลลัพธ์ต่อไปนี้

เราจะใช้ผลลัพธ์เหล่านี้ในส่วนถัดไป

3. สร้างคะแนน

ตอนนี้คุณมีจำนวนสถานที่และการให้น้ำหนักสำหรับสถานที่แต่ละประเภทของแต่ละ สถานที่แล้ว คุณจึงสร้างคะแนนสถานที่ที่กำหนดเองได้ ในส่วนนี้ เราจะพูดถึง 2 ตัวเลือก ได้แก่ การใช้การคำนวณที่กำหนดเองใน BigQuery หรือการใช้ฟังก์ชันปัญญาประดิษฐ์ (AI) แบบ Generative ใน BigQuery

ตัวเลือกที่ 1: ใช้การคำนวณที่กำหนดเองใน BigQuery

จำนวนดิบจากขั้นตอนก่อนหน้ามีประโยชน์ แต่เป้าหมายคือคะแนนเดียวที่ใช้งานง่าย ขั้นตอนสุดท้ายคือการรวมจำนวนเหล่านี้โดยใช้ น้ำหนัก แล้วปรับผลลัพธ์ให้อยู่ในระดับ 0-10

การใช้น้ำหนักที่กำหนดเอง การเลือกน้ำหนักเป็นทั้งศาสตร์และศิลป์ โดยต้องสะท้อนถึงลำดับความสำคัญทางธุรกิจของคุณ หรือสิ่งที่คุณเชื่อว่าสำคัญที่สุดต่อผู้ใช้ สำหรับคะแนน "เหมาะสำหรับครอบครัว" คุณอาจตัดสินใจว่า สวนสาธารณะสำคัญเป็น 2 เท่าของพิพิธภัณฑ์ เริ่มต้นด้วยสมมติฐานที่ดีที่สุดและ ทำซ้ำตามความคิดเห็นของผู้ใช้

การปรับคะแนนให้เป็นมาตรฐาน การค้นหาด้านล่างใช้ Common Table Expressions (CTE) 2 รายการ โดยรายการแรกจะคำนวณจำนวนดิบเช่นเดียวกับก่อนหน้า และรายการที่ 2 จะคำนวณ คะแนนแบบถ่วงน้ำหนัก จากนั้นSELECTคำสั่งสุดท้ายจะทำการปรับค่าให้เป็นช่วงต่ำสุด-สูงสุด ในคะแนนที่มีการถ่วงน้ำหนัก ระบบจะแสดงผลคอลัมน์ location ของตารางตัวอย่าง apartment_listings เพื่อเปิดใช้การแสดงข้อมูลผ่านภาพบนแผนที่

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;

ผลลัพธ์ของคำค้นหาจะคล้ายกับด้านล่าง 2 คอลัมน์สุดท้ายคือ คะแนนที่ปรับให้เป็นค่าปกติ

ทำความเข้าใจคะแนนที่ปรับแล้ว

คุณควรเข้าใจว่าเหตุใดขั้นตอนการปรับให้เป็นมาตรฐานขั้นสุดท้ายนี้จึงมีคุณค่ามาก คะแนนถ่วงน้ำหนักดิบอาจมีตั้งแต่ 0 ไปจนถึงจำนวนที่อาจสูงมาก โดยขึ้นอยู่กับความหนาแน่นของเมืองในสถานที่ตั้งของคุณ คะแนน 500 ไม่มีความหมายสำหรับผู้ใช้ที่ไม่มีบริบท

การปรับค่าให้เป็นมาตรฐานจะเปลี่ยนตัวเลขเชิงนามธรรมเหล่านี้เป็นการจัดอันดับแบบสัมพัทธ์ การปรับขนาดผลลัพธ์จาก 0 ถึง 10 จะช่วยให้คะแนนสื่อสารได้อย่างชัดเจนว่าแต่ละสถานที่ เป็นอย่างไรเมื่อเทียบกับสถานที่อื่นๆ ในชุดข้อมูลที่เฉพาะเจาะจง

• ระบบจะกำหนดคะแนน 10 ให้กับสถานที่ตั้งที่มีคะแนนดิบสูงสุด เพื่อระบุว่าเป็นตัวเลือกที่ดีที่สุดในชุดปัจจุบัน
• ระบบจะกำหนดคะแนน 0 ให้กับสถานที่ที่มีคะแนนดิบต่ำที่สุด ซึ่งจะกลายเป็นเกณฑ์พื้นฐานสำหรับการเปรียบเทียบ ซึ่งไม่ได้หมายความว่าที่พักไม่มีสิ่งอำนวยความสะดวกเลย แต่หมายความว่าที่พักนั้นไม่เหมาะสมที่สุดเมื่อเทียบกับ ตัวเลือกอื่นๆ ที่กำลังประเมิน
• คะแนนอื่นๆ ทั้งหมดจะอยู่ระหว่างคะแนนเหล่านี้ตามสัดส่วน ซึ่งช่วยให้ผู้ใช้มีวิธีที่ชัดเจนและใช้งานง่ายในการเปรียบเทียบตัวเลือกต่างๆ ได้อย่างรวดเร็ว

ตัวเลือกที่ 2: ใช้ฟังก์ชัน AI.GENERATE (Gemini)

คุณสามารถใช้ฟังก์ชัน BigQuery AI.GENERATE แทนการใช้สูตรทางคณิตศาสตร์แบบคงที่เพื่อคำนวณคะแนนสถานที่ที่กำหนดเองได้โดยตรงภายในเวิร์กโฟลว์ SQL

หมายเหตุ: หากต้องการใช้ฟังก์ชัน AI.GENERATE ของ BigQuery ให้เปิดใช้ BigQuery, BigQuery Connection และ Vertex AI API

แม้ว่าตัวเลือกที่ 1 จะเหมาะสำหรับการให้คะแนนเชิงปริมาณโดยอิงตามจำนวนสิ่งอำนวยความสะดวก แต่ก็ไม่สามารถนำข้อมูลเชิงคุณภาพมาพิจารณาได้ง่ายๆ AI.GENERATE ฟังก์ชัน ช่วยให้คุณรวมตัวเลขจากการค้นหาข้อมูลเชิงลึกเกี่ยวกับสถานที่กับ ข้อมูลที่ไม่มีโครงสร้าง เช่น คำอธิบายข้อความของข้อมูลอพาร์ตเมนต์ (เช่น "ที่พักนี้ เหมาะสำหรับครอบครัวและย่านนี้เงียบสงบในตอนกลางคืน") หรือค่ากำหนดโปรไฟล์ผู้ใช้ที่เฉพาะเจาะจง (เช่น "ผู้ใช้รายนี้จองที่พักสำหรับครอบครัวและต้องการ พื้นที่เงียบสงบในทำเลใจกลางเมือง") ซึ่งช่วยให้คุณสร้างคะแนนที่ละเอียดกว่า ซึ่งตรวจจับความแตกต่างที่การนับอย่างเข้มงวดอาจพลาดไปได้ เช่น สถานที่ ที่มีสิ่งอำนวยความสะดวกหนาแน่นสูงแต่ก็อธิบายว่า "เสียงดังเกินไปสำหรับเด็ก"

สร้างพรอมต์

หากต้องการใช้ฟังก์ชันนี้ ระบบจะจัดรูปแบบผลลัพธ์ของการรวม (จากขั้นตอนที่ 2) เป็นพรอมต์ภาษาที่เป็นธรรมชาติ ซึ่งทำได้แบบไดนามิกใน SQL โดย เชื่อมต่อคอลัมน์ข้อมูลกับคำสั่งสำหรับโมเดล

ในคำค้นหาด้านล่าง insight_counts จะรวมกับคำอธิบายข้อความของ อพาร์ตเมนต์เพื่อสร้างพรอมต์สำหรับแต่ละแถว นอกจากนี้ ยังมีการกำหนดโปรไฟล์ผู้ใช้เป้าหมายเพื่อเป็นแนวทางในการให้คะแนนด้วย

สร้างคะแนนด้วย SQL

การค้นหาต่อไปนี้จะดำเนินการทั้งหมดใน BigQuery ได้แก่

1. รวมจำนวนสถานที่ (ตามที่อธิบายไว้ในขั้นตอนที่ 2)
2. สร้างพรอมต์สำหรับแต่ละสถานที่
3. เรียกใช้ฟังก์ชัน AI.GENERATE เพื่อวิเคราะห์พรอมต์โดยใช้โมเดล Gemini
4. แยกวิเคราะห์ผลลัพธ์เป็นรูปแบบที่มีโครงสร้างพร้อมใช้งานในแอปพลิเคชัน

WITH
  -- CTE 1: Aggregate Place counts (Same as Step 2)
  insight_counts AS (
    SELECT WITH AGGREGATION_THRESHOLD
      apartments.id,
      apartments.name,
      apartments.description, -- Assuming your table has a description column
      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
    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, apartments.description
  ),

  -- CTE 2: Construct the Prompt
  prepared_prompts AS (
    SELECT
      id,
      name,
      FORMAT("""
        You are an expert real estate analyst. Generate a 'Family-Friendliness Score' (0-10) for this location.

        Target User: Young family with a toddler, looking for a balance of activity and quiet.

        Location Data:
        - Name: %s
        - Description: %s
        - Parks nearby: %d
        - Museums nearby: %d
        - Family-friendly restaurants nearby: %d

        Scoring Rules:
        - High importance: Proximity to parks and high restaurant count.
        - Negative modifiers: Descriptions indicating excessive noise or nightlife focus.
        - Positive modifiers: Descriptions indicating quiet streets or backyards.
      """, name, description, park_count, museum_count, family_restaurant_count) AS prompt_text
    FROM insight_counts
    )

-- Final Step: Call AI.GENERATE
SELECT
  id,
  name,
  -- Access the structured fields returned by the model
  generated.family_friendliness_score,
  generated.reasoning
FROM
  prepared_prompts,
  AI.GENERATE(
    prompt_text,
    endpoint => 'gemini-flash-latest',
    output_schema => 'family_friendliness_score FLOAT64, reasoning STRING'
  ) AS generated;

ทำความเข้าใจการกำหนดค่า

• การรับรู้ต้นทุน: ฟังก์ชันนี้จะส่งอินพุตของคุณไปยังโมเดล Gemini และ จะมีการเรียกเก็บเงินใน Vertex AI ทุกครั้งที่มีการเรียกใช้ หากมีการวิเคราะห์สถานที่จำนวนมาก (เช่น ข้อมูลอพาร์ตเมนต์หลายพันรายการ) เราขอแนะนำให้กรองชุดข้อมูลไปยังผู้สมัครที่มีความเกี่ยวข้องมากที่สุดก่อน ดูรายละเอียดเพิ่มเติมเกี่ยวกับการลดต้นทุนได้ที่แนวทางปฏิบัติแนะนำ
• endpoint: มีการระบุ gemini-flash-latest สำหรับตัวอย่างนี้เพื่อ จัดลำดับความสำคัญของความเร็วและประสิทธิภาพด้านต้นทุน อย่างไรก็ตาม คุณสามารถเลือกโมเดล ที่เหมาะกับความต้องการของคุณมากที่สุดได้ ดูเอกสารประกอบโมเดล Gemini เพื่อ ทดลองใช้เวอร์ชันต่างๆ (เช่น Gemini Pro สำหรับงานให้เหตุผลที่ซับซ้อนมากขึ้น) และค้นหาโมเดลที่เหมาะกับกรณีการใช้งานของคุณมากที่สุด
• output_schema: มีการบังคับใช้สคีมาแทนการแยกวิเคราะห์ข้อความดิบ (FLOAT64 สำหรับคะแนนและ STRING สำหรับเหตุผล) ซึ่งจะช่วยให้คุณใช้เอาต์พุตในแอปพลิเคชันหรือเครื่องมือแสดงภาพได้ทันที โดยไม่ต้องประมวลผลภายหลัง

ตัวอย่างเอาต์พุต

การค้นหาจะแสดงตาราง BigQuery มาตรฐานที่มีคะแนนที่กำหนดเองและเหตุผลของโมเดล

id	ชื่อ	family_friendliness_score	การให้เหตุผล
1	The Downtowner	5.5	มีสิ่งอำนวยความสะดวกที่ยอดเยี่ยม (สวนสาธารณะ ร้านอาหาร) ซึ่งเป็นไปตามเมตริกเชิงปริมาณ อย่างไรก็ตาม ข้อมูลเชิงคุณภาพระบุว่ามีเสียงดังมากเกินไปในช่วงสุดสัปดาห์และมุ่งเน้นไปที่สถานบันเทิงยามค่ำคืน ซึ่งขัดแย้งโดยตรงกับความต้องการความเงียบของผู้ใช้เป้าหมาย
2	Suburban Oasis	9.8	ข้อมูลเชิงปริมาณที่โดดเด่นรวมกับคำอธิบาย ("ถนนที่เงียบสงบและมีต้นไม้เรียงราย") ซึ่งสอดคล้องกับโปรไฟล์ครอบครัวเป้าหมายอย่างสมบูรณ์ ตัวปรับค่าบวกสูงจะส่งผลให้ได้คะแนนที่เกือบสมบูรณ์

กระบวนการนี้ช่วยให้คุณแสดงคะแนนที่ปรับเปลี่ยนในแบบของคุณได้อย่างสูง ซึ่งดู เข้าใจง่ายและปรับให้เหมาะกับผู้ใช้แต่ละรายได้ทั้งหมดภายในคําค้นหา SQL เดียว

4. แสดงภาพคะแนนของคุณบนแผนที่

BigQuery Studio มีการแสดงภาพแผนที่แบบผสานรวม สำหรับผลการค้นหาใดๆ ที่มีคอลัมน์ GEOGRAPHY เนื่องจากเอาต์พุตการค้นหาของเรา คอลัมน์ location คุณจึงเห็นภาพคะแนนได้ทันที

การคลิกแท็บ Visualization จะแสดงแผนที่ และData Column เมนูแบบเลื่อนลงจะควบคุมคะแนนสถานที่เพื่อแสดงภาพ ในตัวอย่างนี้ normalized_pet_score จะแสดงภาพจากตัวอย่างตัวเลือกที่ 1 โปรดทราบว่าเราได้เพิ่มสถานที่ตั้งอื่นๆ ลงในตาราง apartment_listings สำหรับตัวอย่างนี้

การแสดงข้อมูลด้วยภาพจะเผยให้เห็นได้อย่างรวดเร็วว่าสถานที่ที่เหมาะสมที่สุดสำหรับคะแนนที่สร้างขึ้นคือที่ใด โดยวงกลมสีเขียวเข้มแสดงถึงสถานที่ที่มี normalized_pet_score สูงกว่าในกรณีนี้ ดูตัวเลือกการแสดงข้อมูลเชิงลึกเกี่ยวกับสถานที่เพิ่มเติมได้ที่แสดงผลลัพธ์ การค้นหา

บทสรุป

ตอนนี้คุณมีวิธีการที่มีประสิทธิภาพและทำซ้ำได้ในการสร้างคะแนนตำแหน่งที่ซับซ้อน คุณเริ่มต้นด้วยสถานที่ตั้งและสร้างการค้นหา SQL รายการเดียวใน BigQuery ซึ่งจะค้นหาสถานที่ใกล้เคียงที่มี ST_DWITHIN กรองตามแอตทริบิวต์ขั้นสูง เช่น good_for_children และ allows_dogs แล้วรวบรวมผลลัพธ์ด้วย COUNTIF การใช้การถ่วงน้ำหนักที่กำหนดเองและการปรับผลลัพธ์ให้เป็นมาตรฐาน จะทำให้คุณได้คะแนนเดียวที่ใช้งานง่ายซึ่งให้ข้อมูลเชิงลึกที่นำไปใช้ได้จริง คุณสามารถใช้รูปแบบนี้โดยตรงเพื่อเปลี่ยนข้อมูลตำแหน่งดิบให้เป็น ความได้เปรียบทางการแข่งขันที่สำคัญ

การดำเนินการถัดไป

ตอนนี้ถึงตาคุณสร้างแล้ว บทแนะนำนี้มีเทมเพลตให้ คุณสามารถใช้ ข้อมูลที่สมบูรณ์ซึ่งมีอยู่ในสคีมาข้อมูลเชิงลึกเกี่ยวกับสถานที่เพื่อสร้างคะแนนที่ จำเป็นที่สุดสำหรับกรณีการใช้งานของคุณ พิจารณาคะแนนอื่นๆ ที่คุณสร้างได้

• "คะแนนสถานบันเทิงยามค่ำคืน": รวมตัวกรองสำหรับprimary_type (bar, night_club), price_level และเวลาเปิดทำการช่วงดึกเพื่อค้นหาพื้นที่ที่มีชีวิตชีวาที่สุดหลังค่ำ
• "คะแนนการออกกำลังกายและสุขภาพ": นับ gyms, parks และ health_food_stores ที่อยู่ใกล้เคียง แล้วกรองร้านอาหารที่มี serves_vegetarian_food เพื่อให้คะแนนสถานที่ตั้งสำหรับผู้ใช้ที่ใส่ใจสุขภาพ
• "คะแนนสำหรับผู้เดินทาง": ค้นหาสถานที่ที่มีtransit_stationและparkingจำนวนมากในบริเวณใกล้เคียงเพื่อช่วยผู้ใช้ที่ให้ความสำคัญกับการเข้าถึงระบบขนส่ง

ผู้ร่วมให้ข้อมูล

Henrik Valve | DevX Engineer