Tạo Điểm số tuỳ chỉnh về địa điểm bằng Thông tin chi tiết về địa điểm

Tổng quan

Dữ liệu vị trí tiêu chuẩn có thể cho bạn biết những gì ở gần, nhưng thường không trả lời được câu hỏi quan trọng hơn: "Khu vực này có phù hợp với tôi không?" Nhu cầu của người dùng rất đa dạng. Một gia đình có trẻ nhỏ sẽ có những ưu tiên khác so với một người trẻ có thú cưng. Để giúp họ đưa ra quyết định tự tin, bạn cần cung cấp thông tin chi tiết phản ánh những nhu cầu cụ thể này. Điểm vị trí tuỳ chỉnh là một công cụ mạnh mẽ để mang lại giá trị này và tạo ra trải nghiệm khác biệt đáng kể cho người dùng.

Tài liệu này mô tả cách tạo điểm số tuỳ chỉnh, đa dạng về vị trí bằng cách sử dụng tập dữ liệu Thông tin chi tiết về địa điểm trong BigQuery. Bằng cách chuyển đổi dữ liệu về địa điểm yêu thích thành các chỉ số có ý nghĩa, bạn có thể làm phong phú thêm các ứng dụng bất động sản, bán lẻ hoặc du lịch của mình và cung cấp cho người dùng thông tin phù hợp mà họ cần. Chúng tôi cũng cung cấp lựa chọn sử dụng Gemini Developer API như một cách hiệu quả để tính toán điểm số vị trí của bạn.

Nâng cao giá trị kinh doanh bằng điểm số phù hợp

Các ví dụ sau đây minh hoạ cách bạn có thể dịch dữ liệu vị trí thô thành các chỉ số mạnh mẽ, lấy người dùng làm trung tâm để cải thiện ứng dụng của mình.

• Nhà phát triển bất động sản có thể tạo "Điểm thân thiện với gia đình" hoặc "Điểm lý tưởng cho người đi làm" để giúp người mua và người thuê chọn được khu dân cư phù hợp với lối sống của họ, từ đó tăng mức độ tương tác của người dùng, tăng số khách hàng tiềm năng chất lượng cao và tăng tốc độ chuyển đổi.
• Các kỹ sư về Du lịch và Khách sạn có thể xây dựng "Điểm số về cuộc sống về đêm" hoặc "Điểm số về thiên đường cho khách du lịch" để giúp khách du lịch chọn một khách sạn phù hợp với phong cách du lịch của họ, từ đó tăng tỷ lệ đặt phòng và mức độ hài lòng của khách hàng
• Nhà phân tích bán lẻ có thể tạo "Điểm số về thể dục và sức khoẻ" để xác định vị trí tối ưu cho một phòng tập thể dục hoặc cửa hàng thực phẩm tốt cho sức khoẻ mới dựa trên các doanh nghiệp bổ sung lân cận, tối đa hoá tiềm năng nhắm đến đúng nhóm nhân khẩu học người dùng.

Trong hướng dẫn này, bạn sẽ tìm hiểu một phương pháp linh hoạt gồm 3 phần để xây dựng mọi loại điểm số tuỳ chỉnh về vị trí bằng cách sử dụng dữ liệu về Địa điểm ngay trong BigQuery. Chúng tôi sẽ minh hoạ mẫu này bằng cách xây dựng 2 điểm số ví dụ riêng biệt: Điểm thân thiện với gia đình và Điểm thiên đường cho người nuôi thú cưng. Phương pháp này giúp bạn vượt ra ngoài số lượng địa điểm và tận dụng các thuộc tính phong phú, chi tiết trong tập dữ liệu Thông tin chi tiết về địa điểm. Bạn có thể sử dụng thông tin như giờ hoạt động, địa điểm có phù hợp với trẻ em hay không hoặc có cho phép chó hay không để tạo ra các chỉ số phức tạp và có ý nghĩa cho người dùng.

Quy trình giải pháp

Hướng dẫn này sử dụng một truy vấn SQL duy nhất và mạnh mẽ để tạo điểm số tuỳ chỉnh mà bạn có thể điều chỉnh cho phù hợp với mọi trường hợp sử dụng. Chúng ta sẽ xem xét quy trình này bằng cách xây dựng hai điểm số ví dụ cho một bộ danh sách căn hộ giả định.

Điều kiện tiên quyết

Trước khi bắt đầu, hãy làm theo các hướng dẫn này để thiết lập Thông tin chi tiết về địa điểm.

1. Xây dựng nền tảng: Vị trí ưa thích

Trước khi có thể tạo điểm số, bạn cần có danh sách các vị trí mà bạn muốn phân tích. Bước đầu tiên là đảm bảo dữ liệu này tồn tại dưới dạng một bảng trong BigQuery. Điều quan trọng là bạn phải có một giá trị nhận dạng duy nhất cho mỗi vị trí và một cột GEOGRAPHY lưu trữ toạ độ của vị trí đó.

Bạn có thể tạo và điền sẵn một bảng gồm các vị trí để tính điểm bằng một truy vấn như sau:

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
  . . . ;

Việc thực hiện một SELECT * trên dữ liệu vị trí của bạn sẽ trông giống như sau.

2. Phát triển Logic cốt lõi: Truy vấn tính điểm

Sau khi xác định được các vị trí, bước tiếp theo là tìm, lọc và đếm những địa điểm lân cận có liên quan đến điểm số tuỳ chỉnh của bạn. Tất cả những việc này đều được thực hiện trong một câu lệnh SELECT duy nhất.

Tìm thông tin về những địa điểm lân cận bằng tính năng tìm kiếm không gian địa lý

Trước tiên, bạn cần tìm tất cả những địa điểm trong tập dữ liệu Thông tin chi tiết về địa điểm nằm trong một khoảng cách nhất định so với từng địa điểm của bạn. Hàm BigQuery ST_DWITHIN là lựa chọn phù hợp cho trường hợp này. Chúng ta sẽ thực hiện một JOIN giữa bảng apartment_listings và bảng places_insights để tìm tất cả các địa điểm trong bán kính 800 mét. LEFT JOIN đảm bảo rằng tất cả vị trí ban đầu của bạn đều có trong kết quả, ngay cả khi không tìm thấy địa điểm nào phù hợp ở gần đó.

Lọc theo mức độ phù hợp bằng thuộc tính nâng cao

Đây là nơi bạn chuyển đổi khái niệm trừu tượng về điểm số thành các bộ lọc dữ liệu cụ thể. Đối với hai điểm số ví dụ của chúng tôi, các tiêu chí sẽ khác nhau:

• Đối với "Điểm thân thiện với gia đình", chúng tôi quan tâm đến những công viên, bảo tàng và nhà hàng phù hợp với trẻ em.
• Đối với "Điểm thiên đường cho người nuôi thú cưng", chúng tôi quan tâm đến công viên, phòng khám thú y, cửa hàng thú cưng và mọi nhà hàng hoặc quán cà phê cho phép chó.

Bạn có thể lọc các thuộc tính cụ thể này ngay trong mệnh đề WHERE của truy vấn.

Tổng hợp thông tin chi tiết cho từng vị trí

Cuối cùng, bạn cần đếm xem bạn tìm thấy bao nhiêu địa điểm phù hợp cho mỗi căn hộ. Mệnh đề GROUP BY tổng hợp kết quả và hàm COUNTIF đếm những địa điểm phù hợp với tiêu chí cụ thể cho từng điểm số của chúng tôi.

Truy vấn bên dưới kết hợp 3 bước này, tính toán số lượng thô cho cả hai điểm số trong một lần truyền:

-- 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;

Kết quả của truy vấn này sẽ tương tự như sau.

Chúng ta sẽ dựa vào những kết quả này trong phần tiếp theo.

3. Tạo điểm số

Giờ đây, bạn đã có số lượng địa điểm và trọng số cho từng loại địa điểm của mỗi vị trí. Giờ đây, bạn có thể tạo điểm số tuỳ chỉnh về vị trí. Trong phần này, chúng ta sẽ thảo luận về 2 lựa chọn: sử dụng phép tính tuỳ chỉnh của riêng bạn trong BigQuery hoặc sử dụng Gemini Developer API.

Cách 1: Sử dụng phép tính tuỳ chỉnh của riêng bạn trong BigQuery

Số liệu thô từ bước trước đó rất hữu ích, nhưng mục tiêu là một điểm số duy nhất, thân thiện với người dùng. Bước cuối cùng là kết hợp các số liệu này bằng cách sử dụng trọng số, sau đó chuẩn hoá kết quả theo thang điểm từ 0 đến 10.

Áp dụng trọng số tuỳ chỉnh Việc chọn trọng số vừa là nghệ thuật vừa là khoa học. Các mục tiêu này cần phản ánh mức độ ưu tiên của doanh nghiệp hoặc những gì bạn cho là quan trọng nhất đối với người dùng. Đối với Điểm "Phù hợp với gia đình", bạn có thể quyết định rằng công viên quan trọng gấp đôi so với bảo tàng. Bắt đầu bằng những giả định tốt nhất của bạn và lặp lại dựa trên ý kiến phản hồi của người dùng.

Chuẩn hoá điểm số Truy vấn bên dưới sử dụng 2 Biểu thức bảng chung (CTE): biểu thức đầu tiên tính toán số lượng thô như trước và biểu thức thứ hai tính toán điểm số có trọng số. Câu lệnh SELECT cuối cùng sẽ thực hiện một quy trình chuẩn hoá tối thiểu-tối đa trên các điểm số có trọng số. Cột location của bảng ví dụ apartment_listings được xuất ra để cho phép trực quan hoá dữ liệu trên bản đồ.

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;

Kết quả của truy vấn sẽ tương tự như kết quả dưới đây. Hai cột cuối cùng là điểm số được chuẩn hoá.

Tìm hiểu về Điểm số được chuẩn hoá

Bạn cần hiểu lý do khiến bước chuẩn hoá cuối cùng này có giá trị đến vậy. Điểm số thô có trọng số có thể dao động từ 0 đến một con số rất lớn (tuỳ thuộc vào mật độ đô thị của các vị trí của bạn). Điểm số 500 không có ý nghĩa gì đối với người dùng nếu không có bối cảnh.

Việc chuẩn hoá sẽ chuyển đổi những con số trừu tượng này thành một thứ hạng tương đối. Bằng cách mở rộng kết quả từ 0 đến 10, điểm số cho biết rõ ràng mức độ so sánh của từng vị trí với các vị trí khác trong tập dữ liệu cụ thể của bạn:

• Điểm 10 được chỉ định cho vị trí có điểm thô cao nhất, đánh dấu vị trí đó là lựa chọn tốt nhất trong nhóm hiện tại.
• Điểm số 0 được chỉ định cho vị trí có điểm số thô thấp nhất, nhờ đó, vị trí này trở thành đường cơ sở để so sánh. Điều này không có nghĩa là địa điểm đó không có tiện nghi nào, mà là địa điểm đó ít phù hợp nhất so với các lựa chọn khác đang được đánh giá.
• Tất cả các điểm số khác đều nằm ở giữa theo tỷ lệ, giúp người dùng có cách rõ ràng và trực quan để so sánh các lựa chọn của họ trong nháy mắt.

Cách 2: Sử dụng Gemini Developer API

Thay vì sử dụng một công thức toán học cố định trong BigQuery, Gemini Developer API cung cấp một cách hiệu quả để tính toán điểm số vị trí tuỳ chỉnh tinh tế.

Mặc dù Cách 1 rất phù hợp để tính điểm hoàn toàn định lượng dựa trên số lượng tiện nghi, nhưng cách này không thể dễ dàng tính đến dữ liệu định tính. Khi sử dụng Gemini, bạn có thể kết hợp các số liệu từ truy vấn Places Insights với dữ liệu không có cấu trúc, chẳng hạn như nội dung mô tả bằng văn bản về trang thông tin căn hộ (ví dụ: "Vị trí này phù hợp với gia đình và khu vực này yên tĩnh vào ban đêm") hoặc các lựa chọn ưu tiên cụ thể trong hồ sơ người dùng (ví dụ: "Người dùng này đang đặt phòng cho gia đình và thích một khu vực yên tĩnh ở vị trí trung tâm") để tạo ra điểm số chi tiết hơn.

Chuẩn bị dữ liệu cho Gemini

Để sử dụng phương pháp này, hãy chuyển đổi kết quả tổng hợp BigQuery (từ Bước 2) sang định dạng Markdown và kết hợp kết quả đó với dữ liệu định tính, chẳng hạn như Listing Description.

Trong ví dụ này, chúng ta có 2 trang thông tin có đặc điểm rất khác nhau. Chúng tôi cũng thêm Target User Profile để cho Gemini biết chúng tôi đang chấm điểm cho ai:

## 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.

Hướng dẫn về hệ thống

Gemini cần có chỉ dẫn hệ thống để biết cách cân nhắc những điểm dữ liệu khác nhau này. Bạn có thể cho mô hình biết một cách rõ ràng mức độ quan trọng của các tiện nghi cụ thể, đồng thời hướng dẫn mô hình xem xét tình cảm trong nội dung mô tả bằng văn bản.

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.

Đầu ra có cấu trúc

Để đảm bảo độ tin cậy khi tích hợp AI vào ứng dụng, bạn không nên chỉ dựa vào câu lệnh để xác định định dạng đầu ra. Thay vào đó, hãy sử dụng tính năng đầu ra có cấu trúc của Gemini. Bằng cách cung cấp một responseSchema, bạn đảm bảo rằng mô hình sẽ trả về một mảng JSON rõ ràng, có thể phân tích cú pháp và đáp ứng chính xác các yêu cầu hệ thống của bạn.

Đối với ví dụ này, chúng ta có thể thực thi giản đồ sau:

{
  "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"
      }
    }
  }
}

Kết quả ví dụ

Khi bạn gửi câu lệnh có responseSchema đã xác định, Gemini sẽ trả về một mảng JSON có cấu trúc mà ứng dụng của bạn có thể sử dụng trực tiếp.

Hãy lưu ý cách Gemini xử lý các điểm đánh đổi trong đầu ra. "The Downtowner" có số lượng công viên cực kỳ lớn, nhưng Gemini xác định rằng nội dung mô tả "ồn ào vào cuối tuần" là một điểm tiêu cực lớn đối với trẻ mới biết đi. Trong khi đó, "Suburban Oasis" (Ốc đảo ngoại ô) đạt điểm gần như hoàn hảo khi kết hợp mật độ tiện nghi tuyệt vời với các đặc điểm định tính phù hợp như "đường phố yên tĩnh, rợp bóng cây".

[
  {
    "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
  }
]

Phương thức này cho phép bạn phân phối điểm số được cá nhân hoá cao, dễ hiểu và phù hợp với từng người dùng riêng lẻ.

4. Hình dung điểm số của bạn trên bản đồ

BigQuery Studio có hình ảnh trực quan hoá bản đồ tích hợp cho mọi kết quả truy vấn có chứa cột GEOGRAPHY. Vì truy vấn của chúng ta xuất cột location, nên bạn có thể hình dung ngay điểm số của mình.

Khi bạn nhấp vào thẻ Visualization, bản đồ sẽ xuất hiện và trình đơn thả xuống Data Column sẽ kiểm soát điểm số vị trí để trực quan hoá. Trong ví dụ này, normalized_pet_score được trực quan hoá từ Ví dụ về lựa chọn 1. Xin lưu ý rằng có thêm nhiều vị trí được thêm vào bảng apartment_listings cho ví dụ này.

Việc trực quan hoá dữ liệu sẽ cho thấy ngay những vị trí phù hợp nhất cho điểm số đã tạo, với các vòng tròn màu xanh lục đậm hơn biểu thị những vị trí có normalized_pet_score cao hơn, trong trường hợp này. Để biết thêm các lựa chọn trực quan hoá dữ liệu Thông tin chi tiết về địa điểm, hãy xem phần Trực quan hoá kết quả truy vấn.

Kết luận

Giờ đây, bạn đã có một phương pháp mạnh mẽ và có thể lặp lại để tạo điểm số vị trí tinh tế. Bắt đầu với các vị trí của bạn, bạn đã tạo một truy vấn SQL duy nhất trong BigQuery để tìm những địa điểm lân cận có ST_DWITHIN, lọc những địa điểm đó theo các thuộc tính nâng cao như good_for_children và allows_dogs, đồng thời tổng hợp kết quả bằng COUNTIF. Bằng cách áp dụng trọng số tuỳ chỉnh và chuẩn hoá kết quả, bạn đã tạo ra một điểm số duy nhất, thân thiện với người dùng, mang lại thông tin chi tiết sâu sắc và hữu ích. Bạn có thể áp dụng trực tiếp mẫu này để chuyển đổi dữ liệu vị trí thô thành một lợi thế cạnh tranh đáng kể.

Hành động tiếp theo

Giờ đến lượt bạn xây dựng. Hướng dẫn này cung cấp một mẫu. Bạn có thể sử dụng dữ liệu phong phú có trong giản đồ Thông tin chi tiết về địa điểm để tạo những điểm số cần thiết nhất cho trường hợp sử dụng của mình. Hãy cân nhắc những điểm số khác mà bạn có thể xây dựng:

• "Điểm vui chơi về đêm": Kết hợp các bộ lọc cho primary_type (bar, night_club), price_level và giờ mở cửa muộn để tìm những khu vực sôi động nhất sau khi trời tối.
• "Điểm số về thể dục và sức khoẻ": Đếm số gyms, parks và health_food_stores ở gần, đồng thời lọc các nhà hàng có serves_vegetarian_food để chấm điểm các địa điểm cho người dùng quan tâm đến sức khoẻ.
• "Điểm số lý tưởng cho người đi làm": Tìm những địa điểm có mật độ cao về các địa điểm transit_station và parking ở gần để giúp những người dùng coi trọng việc tiếp cận phương tiện giao thông.

Người đóng góp

Henrik Valve | Kỹ sư DevX