تولید سرنخهای تجاری مرسوم اغلب برای تعریف پتانسیل منطقه، به خرید دایرکتوریهای ایستا یا فهرستهای صنعتی متکی است. با این حال، این مجموعه دادههای ایستا از نقاط مورد علاقه (POI) تقریباً بلافاصله قدیمی میشوند. از آنجا که آنها اغلب فاقد وضعیت عملیاتی بهروز یا طبقهبندی دقیق نوع مکان هستند، تیمهای فروش میدانی با دنبال کردن کسبوکارهایی که برای همیشه بسته شدهاند، دستهبندی نادرستی دارند یا به پروفایل مشتری ایدهآل آنها بیربط هستند، خطر اتلاف وقت ارزشمند را به جان میخرند.
این راهنما، گردش کاری را برای پر کردن این شکاف با استفاده از Places Insights و Places API ارائه میدهد. با نگاشت دفتر کل فعلی کسب و کار خود به Place IDها ، میتوانید از BigQuery برای جداسازی هر کسب و کار عملیاتی در منطقهای که از قبل در پایگاه داده مدیریت ارتباط با مشتری (CRM) شما وجود ندارد، استفاده کنید. این راهنما به شما نشان میدهد که چگونه آن موتور جداسازی را بسازید تا یک لیست سرنخ بسیار هدفمند و تأیید شده را به نمایندگان میدانی خود ارائه دهید.
مثال کاربردی
یک ارائهدهندهی خدمات فروش (POS) را در نظر بگیرید که قصد دارد فروش میدانی خود را در شهر نیویورک گسترش دهد. معمولاً سازمان گزارشی از کل مراکز غذا و نوشیدنی به ازای هر کد پستی تهیه میکند. این رویکرد، خطر تکیهی نمایندگان فروش بر دادههای قدیمی، مانند مکانهای همیشه بسته، یا سرنخهای نامربوط، مانند یک آشپزخانهی پذیرایی خصوصی بدون ویترین، را به همراه دارد. در عوض، یک رویکرد مدرن با استفاده از Places Insights را تصور کنید که از مقیاس جهانی نقشههای گوگل و دادههای بهروز و معتبر در منابع متعدد بهره میبرد. Places Insights از نزدیک به ۵۰۰ دسته مکان و بیش از ۷۰ ویژگی پشتیبانی میکند و به شما این امکان را میدهد که مشتریان بالقوهی خود را با دقت بالا بر اساس انواع خاص کسبوکار (مانند scandinavian_restaurant )، ساعات کاری فروشگاه و ارائه خدمات (مانند accepts_credit_cards ) اصلاح کنید. با ارجاع متقابل Places Insights به CRM داخلی خود، میتوانید لیستی بسیار هدفمند از مشتریان بالقوهی بدون تماس و با پتانسیل بالا را در اختیار تیم فروش خود قرار دهید.
گردش کار راهکار
این راهنما یک چارچوب فنی برای ایجاد یک «نقشه سرنخ» پویا ارائه میدهد که به طور خودکار فهرست فعلی کسبوکار شما را فیلتر میکند و فقط سرنخهای عملیاتی جدید و خالص را برای پیگیری توسط تیم فروش شما باقی میگذارد.
معماری چهار مرحلهای
- انواع مکانهای هدف خود را تعریف کنید: پروفایلهای مشتریان ایدهآل خود را بر اساس انواع مکانها ترسیم کنید.
- شناسایی مناطق با پتانسیل بالا: توابع شمارش مکانها را در BigQuery اجرا کنید تا نقشههای حرارتی چگالی از کسبوکارهای هدف عملیاتی ایجاد شود.
- نرمالسازی دادههای CRM برای شناسایی مکانها: رکوردهای بدون ساختار CRM را از طریق یک خط لوله پاکسازی دادهها، با استفاده از اعتبارسنجی آدرس، کدگذاری جغرافیایی و APIهای مکانها، پردازش کنید تا شناسههای مکان را برای مشتریان فعلی خود پیدا کنید.
- حذف فضای خالی را انجام دهید: شناسههای مکان CRM خود را در BigQuery با دادههای Places Insights خود ترکیب کنید تا مشتریان موجود به صورت پویا فیلتر شوند و یک لیست سرنخ خالص جدید ارائه شود.
پیشنیازها
قبل از شروع، مطمئن شوید که موارد زیر را دارید:
پروژه ابری گوگل:
- یک پروژه گوگل کلود با قابلیت پرداخت.
دسترسی به دادهها:
- اشتراک Places Insights در BigQuery.
- مجموعه دادههای CRM خودتان (مثلاً یک جدول BigQuery) که شامل نامها و آدرسهای تجاری مشتریان فعلی است تا به عنوان لیست حذف شما عمل کند.
پلتفرم نقشه گوگل:
- یک کلید API .
- API های زیر برای کلید شما فعال شده اند:
مجوزهای IAM:
- مطمئن شوید که حساب کاربری یا سرویس شما نقشهای IAM زیر را برای اجرای کوئریها و مدیریت مجموعه دادههای شما دارد:
نقش شناسه ویرایشگر داده BigQuery roles/bigquery.dataEditorکاربر بیگکوئری roles/bigquery.user
- مطمئن شوید که حساب کاربری یا سرویس شما نقشهای IAM زیر را برای اجرای کوئریها و مدیریت مجموعه دادههای شما دارد:
آگاهی از هزینهها:
- این آموزش از اجزای Google Cloud قابل پرداخت استفاده میکند. از هزینههای احتمالی مربوط به موارد زیر آگاه باشید:
- BigQuery: برای اسلاتهای محاسباتی استفاده شده یا دادههای پردازش شده در حین اجرای پرسوجو هزینه دریافت میشود.
- اطلاعات مکانها: بر اساس میزان استفاده از جستجو هزینه دریافت میشود.
- پلتفرم نقشههای گوگل: برای هر درخواست برای API اعتبارسنجی آدرس، API کدگذاری جغرافیایی و API جستجوی متن، هزینه دریافت میشود.
- این آموزش از اجزای Google Cloud قابل پرداخت استفاده میکند. از هزینههای احتمالی مربوط به موارد زیر آگاه باشید:
مرحله ۱: انواع مکانهای هدف خود را تعریف کنید
Places Insights تقریباً از ۵۰۰ دسته مکان و بیش از ۷۰ ویژگی (مانند ساعات کاری فروشگاه، انواع پرداخت و وضعیت عملیاتی) پشتیبانی میکند. جستجوی بیهدف کل مجموعه دادهها ناکارآمد و پرهزینه است.
به عنوان یک گام اساسی، از یک LLM مانند Gemini برای ترجمه پروفایلهای مشتریان داخلی خود به Place Types استفاده کنید، که هنگام ساخت یک پرسوجو برای Places Insights استفاده میشود. این تعریف طبقهبندی سطح کلان تضمین میکند که جستجوهای بعدی BigQuery شما بسیار هدفمند باشند و سربار پردازش محاسباتی را کاهش دهند.
برای مثال، اگر در حال طراحی گردش کار برای یک سیستم فروش هستید، میتوانید لیست انواع مکانها را در اختیار Gemini قرار دهید و از اعلان زیر استفاده کنید:
«به عنوان یک تحلیلگر بازار عمل کنید. از بین انواع مکانهای پشتیبانیشده در نقشههای گوگل، کدامها اهداف اصلی برای یک ارائهدهنده سیستم فروش هستند؟ تصمیم خود را توجیه کنید.»
بر اساس این اعلان، Gemini طبقهبندی را تجزیه و تحلیل میکند و یک زیرمجموعه هدفمند از انواع مکانهای مرتبط را برای استفاده در فیلتر types BigQuery شما برمیگرداند:
| دسته اصلی | توجیه | انواع مکانهای کلیدی |
|---|---|---|
| غذا و نوشیدنی | نیاز به پردازش سریع تراکنشها، مدیریت میز، ثبت سفارش و مدیریت انعام دارد. | restaurant ، bar ، cafe ، coffee_shop |
| خرید | به ردیابی موجودی قوی، اسکن بارکد، پردازش مرجوعی کالا و یکپارچهسازی با سیستمهای وفاداری نیاز دارد. | clothing_store ، grocery_store ، supermarket ، convenience_store |
| خدمات و سلامت و تندرستی | نیاز به رزرو یکپارچه قرار ملاقات، برنامهریزی، پروفایل مشتری و ردیابی کمیسیون دارد. | hair_salon ، beauty_salon ، spa ، massage |
| سرگرمی، تفریح و ورزش | نیازمند رسیدگی سریع به مشتریان در مواقع ضروری، اسکن دیجیتال بلیط و فروش سریع تخفیف است. | movie_theater ، amusement_park ، bowling_alley ، stadium |
برای اهداف این راهنما، ما قصد داریم بر روی انواع مکانهای پیشنهادی برای دسته غذا و نوشیدنی تمرکز کنیم.
مرحله ۲: استخراج تعداد کسب و کارها برای شناسایی حوزههای با پتانسیل بالا
برای مشخص کردن حوزههای فرصت، ابتدا به یک نمای کلی از تراکم کسبوکار نیاز دارید. میتوانید با اجرای توابع شمارش مکانها (مانند PLACES_COUNT_PER_H3 یا PLACES_COUNT_PER_GEO ) در BigQuery به این هدف دست یابید.
در حالی که میتوانید مستقیماً از مجموعه دادهها پرسوجو کنید، توابع شمارش مکانها، پرسوجوهای SQL از پیش تعریفشده و بهینهشدهای هستند که آستانه تجمیع استاندارد حداقل ۵ مکان را اعمال نمیکنند (پرسوجوهای مستقیم استاندارد، ردیفهایی با ۱ تا ۴ کسبوکار را حذف میکنند؛ با این حال، این توابع به شما امکان میدهند دقیقاً ببینید که حتی یک مشتری بالقوه کجا وجود دارد). نکته مهم این است که این توابع با استفاده از ستون sample_place_ids ، آرایهای از حداکثر ۲۵۰ شناسه مکان را برای هر منطقه جغرافیایی برمیگردانند. این هم نقشه حرارتی آماری را برای برنامهریزان منطقه شما و هم شناسههای اساسی مورد نیاز برای تولید سرنخ فراهم میکند.
پرسوجوی زیر نحوه بازیابی پویای یک چندضلعی پیچیده (کل مرز شهر نیویورک) را با استفاده از یک مجموعه داده عمومی و سپس ارسال آن جغرافیا به تابع Places Count نشان میدهد. با استفاده از شاخص مکانی H3 با وضوح وسیعتر ( 8 ) در سراسر شهر، میتوانید یک نقشه تراکم در سطح کلان ایجاد کنید.
علاوه بر این، با انتخاب همه ستونها ( SELECT * )، تابع، ستون geography را برمیگرداند، یک چندضلعی که سلول H3 را نشان میدهد. این به شما امکان میدهد بلافاصله نتایج BigQuery خود را به ابزارهای هوش تجاری (مانند Looker Studio ) وارد کنید تا تجسمهای نقشهای پر شده ایجاد کنید که نقاط مهم بازار را به صورت بصری نشان میدهد.
-- Illustrative logic: Extracting target business counts per H3 cell across New York City
DECLARE geo GEOGRAPHY;
-- Get the geography for New York City using the Overture Maps public dataset
SET geo = (SELECT geometry FROM `bigquery-public-data.overture_maps.division_area`
WHERE country = 'US' AND subtype = 'locality' AND names.primary = 'New York' LIMIT 1);
SELECT *
FROM `YOUR_PROJECT_NAME.places_insights___us.PLACES_COUNT_PER_H3`(
JSON_OBJECT(
'geography', geo,
'h3_resolution', 8,
'types',['restaurant', 'bar', 'cafe', 'coffee_shop'],
'business_status', ['OPERATIONAL']
)
)
ORDER BY count DESC;
همانطور که در تصویرسازی حاصل مشاهده میشود، مناطق مشخصاً با تراکم بالا از کسبوکارهای هدف در سراسر منهتن وجود دارد. در ادامه این سند، ما بر یکی از این مناطق با پتانسیل بالا تمرکز خواهیم کرد: منطقه نزدیک میدان یونیون .
مرحله ۳: دادههای CRM خود را برای شناسههای مکان، نرمالسازی کنید
برای انجام تجزیه و تحلیل حذف، ابتدا باید رکوردهای CRM خود را به شناسههای مکان (Place IDs) تبدیل کنید. از آنجایی که دادههای CRM اغلب بدون ساختار هستند، ارسال متن خام به APIهای جستجو، نرخ تطابق ضعیفی را به همراه دارد. از این خط لوله دو مرحلهای برای پاکسازی آدرسها، در نظر گرفتن پوشش API منطقهای و تضمین استخراج شناسههای مکان صحیح برای BigQuery استفاده کنید.
فرض کنید ۵ مشتری رستوران زیر در سیستم مدیریت ارتباط با مشتری (CRM) شما در شهر نیویورک وجود دارد:
| نام مکان | آدرس |
|---|---|
| میدان یونیون بوشری | ۲۲۵ خیابان پارک جنوبی، نیویورک، نیویورک ۱۰۰۰۳، ایالات متحده |
| میخانه گرامرسی | خیابان بیستم شرقی، پلاک ۴۲، نیویورک، نیویورک ۱۰۰۰۳، ایالات متحده |
| میدان اتحادیه بارن جو | 35 میدان یونیون غربی، نیویورک، نیویورک 10003، ایالات متحده |
| لس تاکوس شماره ۱ | ۲۰۰ خیابان پارک جنوبی، نیویورک، نیویورک ۱۰۰۰۳، ایالات متحده |
| کافه میدان یونیون | خیابان نوزدهم شرقی، پلاک ۱۰۱، نیویورک، نیویورک ۱۰۰۰۳، ایالات متحده |
از آنجا که این رکوردها شامل متن بدون ساختار هستند، نمیتوانید آنها را مستقیماً به دادههای Places Insights در BigQuery متصل کنید. در عوض، هر ردیف را از طریق خط لوله زیر پردازش کنید تا متن استاندارد شده و شناسه مکان استخراج شود.
مرحله ۳a: پاکسازی آدرس و تطبیق مستقیم
ابتدا دادههای آدرس خود را استاندارد کنید. API خود را بر اساس کشور هدف انتخاب کنید:
گزینه ۱: API اعتبارسنجی آدرس
برای مناطق پشتیبانیشده ، نام و آدرس کسبوکار CRM به هم پیوسته را به API ارسال کنید. آرایه result.geocode.placeTypes پاسخ را بررسی کنید:
- تطابق استقرار: اگر شامل
establishmentیاpoint_of_interest، API با موفقیت کسب و کار را حل کرده است. اینplaceIdبه مجموعه داده خود اضافه کنید و به رکورد CRM بعدی بروید. برای این ورودی نیازی به فراخوانی API دیگری نیست. - تطابق عدم تطابق با نوع کسب و کار: اگر شامل آن نوع کسب و کار نباشد، API نمیتواند به طور قطعی موجودیت کسب و کار را تأیید کند. شناسه مکان برگردانده شده نشان دهنده یک ویژگی جغرافیایی (مانند ساختمان، خیابان یا شهر) است. از این شناسه مکان برای BigQuery استفاده نکنید، زیرا باعث عدم موفقیت در اتصالهای حذف شما میشود. در عوض،
result.address.formattedAddressرا ذخیره کنید و به مرحله 3b بروید.
گزینه ۲: API کدگذاری جغرافیایی
برای مناطقی که توسط اعتبارسنجی آدرس پشتیبانی نمیشوند، فقط آدرس CRM را به API ژئوکدینگ ارسال کنید. نام کسب و کار را وارد نکنید، زیرا API ژئوکدینگ ممکن است نتایج غیرقابل پیشبینی را برگرداند. formattedAddress حاصل را استخراج کرده و به مرحله 3b بروید.
معماری پیشرفته: مدیریت دادههای بدون ساختار با LLMها
اگر دادههای CRM شما بسیار ضعیف است، مانند نامها و آدرسهای تجاری که در یک فیلد یادداشتهای متنی آزاد با هم ترکیب شدهاند، سوابق را با یک LLM مانند Gemini پیشپردازش کنید. میتوانید Gemini را وادار کنید تا قبل از وارد کردن آنها به این خط لوله، نام تجاری را از محل مورد نظر به طور کامل تجزیه کند.
مرحله 3b: حل و فصل نهاد تجاری
اگر مرحله ۳a فقط یک آدرس پاکشده را برمیگرداند، آن را با نام تجاری CRM اصلی ترکیب کنید و به API جستجوی متن ارسال کنید. استانداردسازی آدرس در ابتدا به طور قابل توجهی نرخ تطابق شما را بهبود میبخشد.
برای بهینهسازی عملکرد و هزینه، از یک Field Mask ( X-Goog-FieldMask: places.id ) استفاده کنید و "pageSize": 1 تنظیم کنید تا مطمئن شوید که فقط بالاترین Place ID مطابق بازگردانده میشود.
نمونه درخواست جستجوی متن:
curl -X POST -d '{
"textQuery" : "Gramercy Tavern 42 E 20th St, New York, NY 10003-1324, USA",
"pageSize": 1
}' \
-H 'Content-Type: application/json' -H 'X-Goog-Api-Key: YOUR_API_KEY' \
-H 'X-Goog-FieldMask: places.id' \
'https://places.googleapis.com/v1/places:searchText'
خروجی خط لوله
پس از پردازش رکوردهای CRM خود از طریق این خط لوله دو مرحلهای، چه شناسه با موفقیت در مرحله 3a استخراج شده باشد و چه با استفاده از جستجوی متن در مرحله 3b حل شده باشد، هدف نهایی شما اضافه کردن یک ستون place_id جدید به مجموعه دادههایتان است. این جدول حاصل اکنون آماده آپلود در BigQuery به عنوان لیست حذف شما است.
| نام مکان | آدرس | شناسه مکان |
|---|---|---|
| میدان یونیون بوشری | ۲۲۵ خیابان پارک جنوبی، نیویورک، نیویورک ۱۰۰۰۳، ایالات متحده | ChIJc1Vf7KFZwokR1YL2Rn9oxi8 |
| میخانه گرامرسی | خیابان بیستم شرقی، پلاک ۴۲، نیویورک، نیویورک ۱۰۰۰۳، ایالات متحده | چیجیویاسکیآیجیکیافزیوووکآروایکیبیجیدیزیسیایاس |
| میدان اتحادیه بارن جو | 35 میدان یونیون غربی، نیویورک، نیویورک 10003، ایالات متحده | ChIJQ7XpyqNZwokRQpVfvGEViWM |
| لس تاکوس شماره ۱ | ۲۰۰ خیابان پارک جنوبی، نیویورک، نیویورک ۱۰۰۰۳، ایالات متحده | ChIJFZh0PABZwokRVzoJu0o-mLY |
| کافه میدان یونیون | خیابان نوزدهم شرقی، پلاک ۱۰۱، نیویورک، نیویورک ۱۰۰۰۳، ایالات متحده | ChIJxTHke6JZwokRCLWVd99eDBw |
مرحله 4: انجام تحلیل حذف فضای خالی در BigQuery
با مشخص شدن مشتریان فعلیتان در شناسههای مکان (Place IDs)، از توابع شمارش مکانها (Places Count) برای یافتن سرنخهای جدید خالص استفاده کنید.
در این مثال، ما به دنبال کسبوکارهای هدف عملیاتی (رستورانها، بارها، کافهها و کافیشاپها) در شعاع ۸۵۰ متری میدان یونیون (۴۰.۷۳۵۹۵، -۷۳.۹۹۰۴۳) خواهیم بود. برای داشتن نمای جزئیتر از مسیریابی در سطح خیابان، تابع PLACES_COUNT_PER_H3 را به وضوح ۱۰ افزایش میدهیم.
از آنجا که تابع، شناسههای مکان (Place IDs) را به صورت آرایهای در ستون sample_place_ids برمیگرداند، باید آرایه را UNNEST تا هر کسبوکار احتمالی در ردیف خودش قرار گیرد. سپس، یک LEFT JOIN در برابر شناسههای مکان مشتری شناختهشدهمان انجام میدهیم.
برای اثبات اینکه منطق حذف برای این نمایش کار میکند، کوئری زیر از یک دستور CASE برای علامتگذاری نتایج به جای فیلتر کردن کامل آنها استفاده میکند. همچنین به صراحت مشتریان موجود را در بالای جدول نتایج مرتب میکند تا بتوانید تأیید کنید که آنها با موفقیت مطابقت داشتهاند.
پرس و جوی SQL
WITH existing_customers AS (
-- 1. Simulate the uploaded CRM table
SELECT * FROM UNNEST([
'ChIJc1Vf7KFZwokR1YL2Rn9oxi8', -- Boucherie Union Square
'ChIJvSQIgqFZwokRFYQbJdzceSs', -- Gramercy Tavern
'ChIJQ7XpyqNZwokRQpVfvGEViWM', -- Barn Joo Union Square
'ChIJFZh0PABZwokRVzoJu0o-mLY', -- LOS TACOS No.1
'ChIJxTHke6JZwokRCLWVd99eDBw' -- Union Square Cafe
]) AS place_id
),
target_area_businesses AS (
-- 2. Query Places Insights for target businesses in the radius
SELECT
h3_cell_index,
place_id
FROM `places_insights___us.PLACES_COUNT_PER_H3`(
JSON_OBJECT(
'geography', ST_GEOGPOINT(-73.99043, 40.73595),
'geography_radius', 850,
'h3_resolution', 10,
'types',['restaurant', 'bar', 'cafe', 'coffee_shop'],
'business_status', ['OPERATIONAL']
)
),
UNNEST(sample_place_ids) AS place_id
)
-- 3. The "Proof" Output: Flag them instead of filtering them out
SELECT
t.h3_cell_index,
t.place_id,
-- Flag whether the LEFT JOIN found a match in the CRM table
CASE
WHEN e.place_id IS NOT NULL THEN 'Existing Customer (To Be Excluded)'
ELSE 'Net-New Lead'
END AS lead_status,
CONCAT('https://www.google.com/maps/search/?api=1&query=Place&query_place_id=', t.place_id) AS actionable_maps_url
FROM target_area_businesses t
LEFT JOIN existing_customers e
ON t.place_id = e.place_id
ORDER BY
-- Explicitly sort the existing customers to the top (0 comes before 1)
CASE WHEN e.place_id IS NOT NULL THEN 0 ELSE 1 END ASC;
نتایج جستجو
در اینجا گزیدهای از خروجی پرسوجو آمده است که نشان میدهد چگونه مشتریان فعلی با موفقیت شناسایی و از مشتریان بالقوه جدید در همان سلولهای H3 تفکیک میشوند.
توجه کنید که چگونه کوئری از یک دستور CONCAT برای ساخت یک آدرس اینترنتی نقشه چند پلتفرمی با استفاده از place_id استفاده میکند. این کار به طور خودکار ستون actionable_maps_url را ایجاد میکند و یک لینک فوری و قابل کلیک را برای تیم فروش شما فراهم میکند تا کسب و کار دقیق را در برنامه تلفن همراه Google Maps یا مرورگر بارگذاری کنند.
h3_cell_index | place_id | lead_status | actionable_maps_url |
|---|---|---|---|
| ۸a2a100d2767fff | ChIJQ7XpyqNZwokRQpVfvGEViWM | مشتری فعلی (حذف شود) | https://www.google.com/maps/search/?api=1&query=Place&query_place_id=ChIJQ7XpyqNZwokRQpVfvGEViWM |
| ۸a2a100d20effff | چیجیویاسکیآیجیکیافزیوووکآروایکیبیجیدیزیسیایاس | مشتری فعلی (حذف شود) | https://www.google.com/maps/search/?api=1&query=Place&query_place_id=ChIJvSQIgqFZwokRFYQbJdzceSs |
| ۸a2a100d2397fff | ChIJc1Vf7KFZwokR1YL2Rn9oxi8 | مشتری فعلی (حذف شود) | https://www.google.com/maps/search/?api=1&query=Place&query_place_id=ChIJc1Vf7KFZwokR1YL2Rn9oxi8 |
| ۸a2a100d2397fff | ChIJFZh0PABZwokRVzoJu0o-mLY | مشتری فعلی (حذف شود) | https://www.google.com/maps/search/?api=1&query=Place&query_place_id=ChIJFZh0PABZwokRVzoJu0o-mLY |
| ۸a2a100d23b7fff | ChIJxTHke6JZwokRCLWVd99eDBw | مشتری فعلی (حذف شود) | https://www.google.com/maps/search/?api=1&query=Place&query_place_id=ChIJxTHke6JZwokRCLWVd99eDBw |
| ۸a2a1072c96ffff | ChIJ6atD-WRZwokRULgcZ4TWin8 | سرب جدید خالص | https://www.google.com/maps/search/?api=1&query=Place&query_place_id=ChIJ6atD-WRZwokRULgcZ4TWin8 |
| ۸a2a1072c96ffff | ChIJ09yg-llZwokRKAgp0jg6TCU | سرب جدید خالص | https://www.google.com/maps/search/?api=1&query=Place&query_place_id=ChIJ09yg-llZwokRKAgp0jg6TCU |
با استفاده از کیت رابط کاربری Places، سرنخها را تجسم کنید
به جای ارائه یک URL خام نقشه، میتوانید place_ids مستقیماً به Places UI Kit ارسال کنید تا یک داشبورد غنی و داخلی برای تولید سرنخ برای تیم فروش خود بسازید. این کیت که در پلتفرمهای مختلف موجود است، میتواند اجزای از پیش ساخته شده برای وب ، اندروید و iOS را در خود جای دهد. این اجزا به طور خودکار دادههای غنی از نقاط مورد علاقه، مانند عکسها، رتبهبندیها و ساعات کاری را نمایش میدهند، بدون اینکه نیازی به نوشتن کد رابط کاربری frontend یا مدیریت دستی پاسخهای API داشته باشید.
محدودیتهای داده
توابع Places Count حداکثر ۲۵۰ شناسه مکان را در هر سلول جغرافیایی در آرایه sample_place_ids برمیگردانند. اگر یک منطقه بسیار متراکم باشد، لیست سرنخهای تولید شده شما برای آن سلول خاص به ۲۵۰ محدود خواهد شد. برای اطمینان از اینکه همه سرنخها را در بازارهای بسیار متراکم جذب میکنید، استراتژیهای زیر را در نظر بگیرید:
- از فیلترهای پرسوجوی خاص استفاده کنید: به جای گروهبندی چندین نوع در یک پرسوجو (مانند مثال بالا)، برای هر نوع مکان، پرسوجوهای جداگانهای اجرا کنید.
- کاهش محدوده مکانی: با استفاده از یک
geography_radiusکوچکتر، ناحیه جستجوی کلی را کاهش دهید، یا با افزایش وضوح H3 (تا وضوح 11)، ناحیه را به بخشهای کوچکتر و جزئیتر تقسیم کنید. - تنظیم وضوح بر اساس تراکم: هنگام تجزیه و تحلیل مناطقی با تراکم جمعیت متفاوت، اندازه جستجوی خود را به صورت پویا تنظیم کنید تا از محدودیت ۲۵۰ شناسه مکان جلوگیری شود. در مناطق روستایی که مشاغل پراکنده هستند، از وضوح H3 وسیعتر (مثلاً ۶ یا ۷) یا
geography_radiusبزرگتر استفاده کنید. برعکس، در مناطق شهری متراکم از وضوح بسیار جزئی (مثلاً ۱۰ یا ۱۱) استفاده کنید تا مطمئن شوید که هر سرنخ احتمالی را بدون کوتاه کردن لیست خود ثبت میکنید.
پرس و جو تولید
پس از تأیید شناسایی موفقیتآمیز مشتریان موجود، میتوانید به نسخه عملیاتی پرسوجو برگردید. بلوک SELECT نهایی را با عبارت WHERE زیر جایگزین کنید تا دفتر کل کسبوکار فعلی شما بهطور دائم فیلتر شود:
SELECT
t.h3_cell_index,
t.place_id,
CONCAT('https://www.google.com/maps/search/?api=1&query=Place&query_place_id=', t.place_id) AS actionable_maps_url
FROM target_area_businesses t
LEFT JOIN existing_customers e
ON t.place_id = e.place_id
WHERE e.place_id IS NULL; -- Filters out the CRM matches
مدیریت معماری و انطباق
برای حفظ یک سیستم با عملکرد بالاتر و سازگار، به این استانداردها پایبند باشید:
- شناسههای مکان به عنوان شناسه دائمی شما: گذشته از شناسه مکان، شرایط خدمات نقشههای گوگل ذخیره یا ذخیره دادههای نقاط مورد علاقه (POI) جداگانه بازگردانده شده از API مکانها (مانند شماره تلفنها و اطلاعات تماس) را ممنوع میکند. از شناسههای مکان به عنوان شناسه دائمی خود برای تجزیه و تحلیل مکرر فضای خالی استفاده کنید.
- با فراخوانیهای API در لحظه، تازگی ویژگیها را تضمین کنید: از شناسههای مکان برای برقراری تماسهای «بهموقع» با API جزئیات مکان استفاده کنید تا مطمئن شوید که فروشنده شما بهروزترین اطلاعات تجاری و تماس را برای مکان دارد. از طرف دیگر، همانطور که در خروجی پرسوجو نشان داده شده است، میتوانید بهطور پویا URLهای نقشههای گوگل را ایجاد کنید تا لینکهای مستقیم به پروفایلهای تجاری در نقشههای گوگل را در اختیار تیم فروش خود قرار دهید.
نتیجهگیری
با استانداردسازی شناسه مکان به عنوان کلید اصلی، شما با موفقیت شکاف بین تحلیل سطح بالای بازار و عملیات فروش عملی و در سطح پایه را پر کردید. این معماری، از عدم دقت هدفگذاری مبتنی بر جمعیت مرسوم عبور میکند، از انبار دادههای بدون سرور برای اتصالات محاسباتی سنگین استفاده میکند و به شدت به بهترین شیوههای مدیریت هزینه و انطباق در لایه API پایبند است.
اقدامات بعدی
- درخواست دسترسی به مجموعه دادههای نمونه Places Insights.
- برای دسترسی به دادههای نمونه یا کل کشور، با استفاده از فهرستهای تبادل داده BigQuery در مجموعه دادههای Places Insights مشترک شوید.
- برای تنظیم دقیق کوئریهای BigQuery SQL خود بر اساس ویژگیها و انواع کسبوکار، مرجع پارامترهای فیلتر را بررسی کنید.
- جستجوی پویای Places API را در CRM یا برنامه مسیریابی فروش خود پیادهسازی کنید تا جزئیات تماس بهروز و مطابق با قوانین را برای سرنخهای جدید تولید شده نمایش دهید.
مشارکتکنندگان
- هنریک والو | مهندس DevX