স্থানের অন্তর্দৃষ্টি এবং BigQuery ব্যবহার করে সাইট নির্বাচন করুন

গুরুত্বপূর্ণ: Places Insights ডেটা কোয়েরি করার আগে, Places Insights পণ্য অ্যাক্সেস পেতে আপনাকে প্রথমে সাইন আপ করতে হবে।

ভূমিকা

এই ডকুমেন্টে বর্ণনা করা হয়েছে কিভাবে Places Insights ডেটাসেট, BigQuery-তে পাবলিক জিওস্পেশিয়াল ডেটা এবং Place Details API একত্রিত করে একটি সাইট নির্বাচন সমাধান তৈরি করা যায়।

এটি গুগল ক্লাউড নেক্সট ২০২৫-এ দেওয়া একটি ডেমোর উপর ভিত্তি করে তৈরি, যা ইউটিউবে দেখার জন্য উপলব্ধ । এছাড়াও একটি উদাহরণ কোলাব নোটবুক পাওয়া যাচ্ছে, যাতে নথিতে বর্ণিত প্রক্রিয়ার কোড রয়েছে, যা চালানোর জন্য প্রস্তুত ফর্ম্যাটে।

ব্যবসায়িক চ্যালেঞ্জ

কল্পনা করুন আপনি একটি সফল কফি শপের মালিক এবং নেভাদার মতো একটি নতুন রাজ্যে ব্যবসা সম্প্রসারণ করতে চান, যেখানে আপনার কোনও উপস্থিতি নেই। একটি নতুন অবস্থান খোলা একটি গুরুত্বপূর্ণ বিনিয়োগ, এবং সাফল্যের জন্য ডেটা-ভিত্তিক সিদ্ধান্ত নেওয়া অত্যন্ত গুরুত্বপূর্ণ। আপনি কোথা থেকে শুরু করবেন?

এই নির্দেশিকাটি আপনাকে একটি নতুন কফি শপের জন্য সর্বোত্তম অবস্থান নির্ধারণের জন্য বহু-স্তরীয় বিশ্লেষণের মধ্য দিয়ে নিয়ে যাবে। আমরা একটি রাজ্যব্যাপী দৃষ্টিভঙ্গি দিয়ে শুরু করব, ধীরে ধীরে আমাদের অনুসন্ধানকে একটি নির্দিষ্ট কাউন্টি এবং বাণিজ্যিক অঞ্চলে সংকুচিত করব এবং অবশেষে প্রতিযোগীদের ম্যাপিং করে পৃথক ক্ষেত্রগুলিকে স্কোর করার এবং বাজারের ব্যবধানগুলি সনাক্ত করার জন্য একটি হাইপার-লোকাল বিশ্লেষণ করব।

সমাধান কর্মপ্রবাহ

এই প্রক্রিয়াটি একটি যৌক্তিক ফানেল অনুসরণ করে, শুরুতে বিস্তৃত হয় এবং ক্রমশ আরও সূক্ষ্ম হয় যাতে অনুসন্ধানের ক্ষেত্রটি পরিমার্জিত হয় এবং চূড়ান্ত সাইট নির্বাচনের উপর আস্থা বৃদ্ধি পায়।

পূর্বশর্ত এবং পরিবেশ সেটআপ

বিশ্লেষণে ডুব দেওয়ার আগে, আপনার কয়েকটি মূল ক্ষমতা সহ একটি পরিবেশের প্রয়োজন। যদিও এই নির্দেশিকাটি SQL এবং Python ব্যবহার করে একটি বাস্তবায়নের মধ্য দিয়ে যাবে, সাধারণ নীতিগুলি অন্যান্য প্রযুক্তি স্ট্যাকের ক্ষেত্রে প্রয়োগ করা যেতে পারে।

পূর্বশর্ত হিসেবে, নিশ্চিত করুন যে আপনার পরিবেশ নিম্নলিখিতগুলি করতে পারে:

• BigQuery-তে কোয়েরি সম্পাদন করুন।
• আরও তথ্যের জন্য স্থানের অন্তর্দৃষ্টি অ্যাক্সেস করুন, সেটআপ স্থানের অন্তর্দৃষ্টি দেখুন
• bigquery-public-data এবং মার্কিন আদমশুমারি ব্যুরো কাউন্টি জনসংখ্যার মোট তথ্য থেকে পাবলিক ডেটাসেটগুলিতে সাবস্ক্রাইব করুন

আপনাকে মানচিত্রে ভূ-স্থানিক তথ্য কল্পনা করতেও সক্ষম হতে হবে, যা প্রতিটি বিশ্লেষণাত্মক পদক্ষেপের ফলাফল ব্যাখ্যা করার জন্য অত্যন্ত গুরুত্বপূর্ণ। এটি অর্জনের অনেক উপায় রয়েছে। আপনি লুকার স্টুডিওর মতো BI টুল ব্যবহার করতে পারেন যা সরাসরি BigQuery-এর সাথে সংযুক্ত হয়, অথবা আপনি Python-এর মতো ডেটা সায়েন্স ভাষা ব্যবহার করতে পারেন।

রাজ্য-স্তরের বিশ্লেষণ: সেরা কাউন্টি খুঁজুন

আমাদের প্রথম পদক্ষেপ হল নেভাদার সবচেয়ে সম্ভাবনাময় কাউন্টি চিহ্নিত করার জন্য একটি বিস্তৃত বিশ্লেষণ। আমরা প্রতিশ্রুতিশীলকে উচ্চ জনসংখ্যা এবং বিদ্যমান রেস্তোরাঁর উচ্চ ঘনত্বের সংমিশ্রণ হিসাবে সংজ্ঞায়িত করব, যা একটি শক্তিশালী খাদ্য ও পানীয় সংস্কৃতির ইঙ্গিত দেয়।

আমাদের BigQuery কোয়েরি Places Insights ডেটাসেটের মধ্যে উপলব্ধ বিল্ট-ইন অ্যাড্রেস কম্পোনেন্টগুলিকে কাজে লাগিয়ে এটি সম্পন্ন করে। কোয়েরিটি প্রথমে administrative_area_level_1_name ফিল্ড ব্যবহার করে নেভাডা রাজ্যের মধ্যে শুধুমাত্র স্থানগুলি অন্তর্ভুক্ত করার জন্য ডেটা ফিল্টার করে রেস্তোরাঁ গণনা করে। এরপর এটি এই সেটটিকে আরও পরিমার্জিত করে শুধুমাত্র সেই স্থানগুলি অন্তর্ভুক্ত করে যেখানে টাইপ অ্যারেতে ' restaurant ' রয়েছে। অবশেষে, এটি প্রতিটি কাউন্টির জন্য একটি গণনা তৈরি করতে কাউন্টির নাম ( administrative_area_level_2_name ) অনুসারে এই ফলাফলগুলিকে গোষ্ঠীভুক্ত করে। এই পদ্ধতিটি ডেটাসেটের বিল্ট-ইন, প্রাক-সূচক ঠিকানা কাঠামো ব্যবহার করে।

এই অংশটি দেখায় যে আমরা কীভাবে স্থান অন্তর্দৃষ্টির সাথে কাউন্টি জ্যামিতিগুলিকে যুক্ত করি এবং একটি নির্দিষ্ট স্থানের ধরণ, restaurant জন্য ফিল্টার করি:

SELECT WITH AGGREGATION_THRESHOLD
  administrative_area_level_2_name,
  COUNT(*) AS restaurant_count
FROM
  `places_insights___us.places`
WHERE
  -- Filter for the state of Nevada
  administrative_area_level_1_name = 'Nevada'
  -- Filter for places that are restaurants
  AND 'restaurant' IN UNNEST(types)
  -- Filter for operational places only
  AND business_status = 'OPERATIONAL'
  -- Exclude rows where the county name is null
  AND administrative_area_level_2_name IS NOT NULL
GROUP BY
  administrative_area_level_2_name
ORDER BY
  restaurant_count DESC

রেস্তোরাঁর সংখ্যার একটি নির্দিষ্ট সংখ্যাই যথেষ্ট নয়; বাজারের সম্পৃক্ততা এবং সুযোগ সম্পর্কে প্রকৃত ধারণা পেতে আমাদের জনসংখ্যার তথ্যের সাথে এর ভারসাম্য বজায় রাখতে হবে। আমরা মার্কিন আদমশুমারি ব্যুরো কাউন্টি জনসংখ্যা মোট থেকে জনসংখ্যার তথ্য ব্যবহার করব।

এই দুটি ভিন্ন মেট্রিক্সের (স্থান গণনা বনাম একটি বৃহৎ জনসংখ্যা সংখ্যা) তুলনা করার জন্য, আমরা ন্যূনতম-সর্বোচ্চ স্বাভাবিকীকরণ ব্যবহার করি। এই কৌশলটি উভয় মেট্রিক্সকে একটি সাধারণ পরিসরে (0 থেকে 1) স্কেল করে। তারপর আমরা তাদের একটি একক normalized_score এ একত্রিত করি, প্রতিটি মেট্রিককে একটি সুষম তুলনার জন্য 50% ওজন দেই।

এই অংশটি স্কোর গণনার মূল যুক্তি দেখায়। এটি স্বাভাবিক জনসংখ্যা এবং রেস্তোরাঁর সংখ্যা একত্রিত করে:

(
    -- Normalize restaurant count (scales to a 0-1 value) and apply 50% weight
    SAFE_DIVIDE(restaurant_count - min_restaurants, max_restaurants - min_restaurants) * 0.5
    +
    -- Normalize population (scales to a 0-1 value) and apply 50% weight
    SAFE_DIVIDE(population_2023 - min_pop, max_pop - min_pop) * 0.5
  ) AS normalized_score

সম্পূর্ণ কোয়েরি চালানোর পর, কাউন্টি, রেস্তোরাঁর সংখ্যা, জনসংখ্যা এবং স্বাভাবিক স্কোরের একটি তালিকা ফেরত পাঠানো হয়। normalized_score DESC অনুসারে অর্ডার করার ফলে ক্লার্ক কাউন্টি শীর্ষ প্রতিযোগী হিসেবে আরও তদন্তের জন্য স্পষ্ট বিজয়ী হিসেবে প্রকাশিত হয়েছে।

এই স্ক্রিনশটটি স্বাভাবিক স্কোরের ভিত্তিতে শীর্ষ ৪টি কাউন্টি দেখায়। এই উদাহরণ থেকে কাঁচা জনসংখ্যার গণনা ইচ্ছাকৃতভাবে বাদ দেওয়া হয়েছে।

কাউন্টি-স্তরের বিশ্লেষণ: ব্যস্ততম বাণিজ্যিক অঞ্চলগুলি খুঁজুন

এখন যেহেতু আমরা ক্লার্ক কাউন্টি শনাক্ত করেছি, পরবর্তী ধাপ হল সর্বোচ্চ বাণিজ্যিক কার্যকলাপ সহ জিপ কোডগুলি খুঁজে বের করার জন্য জুম ইন করা। আমাদের বিদ্যমান কফি শপগুলি থেকে প্রাপ্ত তথ্যের উপর ভিত্তি করে, আমরা জানি যে প্রধান ব্র্যান্ডগুলির উচ্চ ঘনত্বের কাছাকাছি অবস্থিত হলে কর্মক্ষমতা আরও ভাল হয়, তাই আমরা উচ্চ পায়ের ট্র্যাফিকের জন্য এটিকে প্রক্সি হিসাবে ব্যবহার করব।

এই কোয়েরিটি প্লেস ইনসাইটসের মধ্যে brands টেবিল ব্যবহার করে, যেখানে নির্দিষ্ট ব্র্যান্ড সম্পর্কে তথ্য রয়েছে। সমর্থিত ব্র্যান্ডের তালিকা আবিষ্কার করার জন্য এই টেবিলটি জিজ্ঞাসা করা যেতে পারে । আমরা প্রথমে আমাদের লক্ষ্য ব্র্যান্ডগুলির একটি তালিকা সংজ্ঞায়িত করি এবং তারপরে ক্লার্ক কাউন্টির প্রতিটি জিপ কোডের মধ্যে কতগুলি নির্দিষ্ট স্টোর পড়ে তা গণনা করার জন্য এটিকে প্রধান প্লেস ইনসাইটস ডেটাসেটের সাথে যুক্ত করি।

এটি অর্জনের সবচেয়ে কার্যকর উপায় হল দুই-পদক্ষেপ পদ্ধতি:

1. প্রথমে, আমরা প্রতিটি পোস্টাল কোডের মধ্যে ব্র্যান্ডগুলি গণনা করার জন্য একটি দ্রুত, অ-ভূ-স্থানিক সমষ্টি সম্পাদন করব।
2. দ্বিতীয়ত, আমরা ভিজ্যুয়ালাইজেশনের জন্য মানচিত্রের সীমানা পেতে সেই ফলাফলগুলিকে একটি পাবলিক ডেটাসেটে যুক্ত করব।

postal_code_names ফিল্ড ব্যবহার করে ব্র্যান্ড গণনা করুন

এই প্রথম কোয়েরিটি মূল গণনার যুক্তি সম্পাদন করে। এটি ক্লার্ক কাউন্টির স্থানগুলির জন্য ফিল্টার করে এবং তারপর পোস্টাল কোড অনুসারে ব্র্যান্ড গণনাগুলিকে গোষ্ঠীভুক্ত করার জন্য postal_code_names অ্যারেটি আননেস্ট করে।

WITH brand_names AS (
  -- First, select the chains we are interested in by name
  SELECT
    id,
    name
  FROM
    `places_insights___us.brands`
  WHERE
    name IN ('7-Eleven', 'CVS', 'Walgreens', 'Subway Restaurants', "McDonald's")
)
SELECT WITH AGGREGATION_THRESHOLD
  postal_code,
  COUNT(*) AS total_brand_count
FROM
  `places_insights___us.places` AS places_table,
  -- Unnest the built-in postal code and brand ID arrays
  UNNEST(places_table.postal_code_names) AS postal_code,
  UNNEST(places_table.brand_ids) AS brand_id
JOIN
  brand_names
  ON brand_names.id = brand_id
WHERE
  -- Filter directly on the administrative area fields in the places table
  places_table.administrative_area_level_2_name = 'Clark County'
  AND places_table.administrative_area_level_1_name = 'Nevada'
GROUP BY
  postal_code
ORDER BY
  total_brand_count DESC

আউটপুট হল পোস্টাল কোড এবং তাদের সংশ্লিষ্ট ব্র্যান্ড গণনার একটি টেবিল।

ম্যাপিংয়ের জন্য জিপ কোড জ্যামিতি সংযুক্ত করুন

এখন যেহেতু আমাদের কাছে গণনা আছে, আমরা ভিজ্যুয়ালাইজেশনের জন্য প্রয়োজনীয় বহুভুজ আকারগুলি পেতে পারি। এই দ্বিতীয় কোয়েরিটি আমাদের প্রথম কোয়েরিটি নেয়, এটিকে brand_counts_by_zip নামক একটি কমন টেবিল এক্সপ্রেশন (CTE) এ মোড়ানো হয় এবং এর ফলাফলগুলিকে পাবলিক geo_us_boundaries.zip_codes table সাথে যুক্ত করে। এটি দক্ষতার সাথে জ্যামিতিটিকে আমাদের পূর্ব-গণনা করা গণনার সাথে সংযুক্ত করে।

WITH brand_counts_by_zip AS (
  -- This will be the entire query from the previous step, without the final ORDER BY (excluded for brevity).
  . . .
)
-- Now, join the aggregated results to the boundaries table
SELECT
  counts.postal_code,
  counts.total_brand_count,
  -- Simplify the geometry for faster rendering in maps
  ST_SIMPLIFY(zip_boundaries.zip_code_geom, 100) AS geography
FROM
  brand_counts_by_zip AS counts
JOIN
  `bigquery-public-data.geo_us_boundaries.zip_codes` AS zip_boundaries
  ON counts.postal_code = zip_boundaries.zip_code
ORDER BY
  counts.total_brand_count DESC

আউটপুট হল পোস্টাল কোড, তাদের সংশ্লিষ্ট ব্র্যান্ড গণনা এবং পোস্টাল কোড জ্যামিতির একটি টেবিল।

আমরা এই তথ্যটিকে একটি হিটম্যাপ হিসেবে কল্পনা করতে পারি। গাঢ় লাল অঞ্চলগুলি আমাদের লক্ষ্য ব্র্যান্ডগুলির উচ্চ ঘনত্ব নির্দেশ করে, যা আমাদের লাস ভেগাসের মধ্যে সবচেয়ে বাণিজ্যিকভাবে ঘন অঞ্চলের দিকে নির্দেশ করে।

হাইপার-লোকাল বিশ্লেষণ: পৃথক গ্রিড এলাকা স্কোর করুন

লাস ভেগাসের সাধারণ এলাকা চিহ্নিত করার পর, এখন একটি সূক্ষ্ম বিশ্লেষণের সময়। এখানেই আমরা আমাদের নির্দিষ্ট ব্যবসায়িক জ্ঞানের স্তর নির্ধারণ করি। আমরা জানি যে আমাদের ব্যস্ত সময়ে, যেমন দেরী-সকাল এবং মধ্যাহ্নভোজের সময়, ব্যস্ততম অন্যান্য ব্যবসার কাছাকাছি একটি দুর্দান্ত কফি শপ গড়ে ওঠে।

আমাদের পরবর্তী প্রশ্নটি সত্যিই সুনির্দিষ্ট। এটি লাস ভেগাস মেট্রোপলিটন এলাকার উপর একটি সূক্ষ্ম ষড়ভুজাকার গ্রিড তৈরি করে শুরু হয় স্ট্যান্ডার্ড H3 জিওস্পেশিয়াল ইনডেক্স (রেজোলিউশন 8 এ) ব্যবহার করে একটি ক্ষুদ্র-স্তরে এলাকা বিশ্লেষণ করার মাধ্যমে। প্রশ্নটি প্রথমে আমাদের পিক উইন্ডো (সোমবার, সকাল 10 টা থেকে দুপুর 2 টা) চলাকালীন খোলা সমস্ত পরিপূরক ব্যবসা চিহ্নিত করে।

এরপর আমরা প্রতিটি স্থানের ধরণ অনুসারে একটি ওজনযুক্ত স্কোর প্রয়োগ করি। কাছাকাছি একটি রেস্তোরাঁ আমাদের কাছে একটি সুবিধাজনক দোকানের চেয়ে বেশি মূল্যবান, তাই এটি একটি উচ্চ গুণক পায়। এটি আমাদের প্রতিটি ছোট এলাকার জন্য একটি কাস্টম suitability_score দেয়।

এই অংশটি ওয়েটেড স্কোরিং লজিককে তুলে ধরে, যা খোলার সময় চেকের জন্য একটি পূর্ব-গণনা করা পতাকা ( is_open_monday_window ) উল্লেখ করে:

. . .
(
  COUNTIF('restaurant' IN UNNEST(types) AND is_open_monday_window) * 8 +
  COUNTIF('convenience_store' IN UNNEST(types) AND is_open_monday_window) * 3 +
  COUNTIF('bar' IN UNNEST(types) AND is_open_monday_window) * 7 +
  COUNTIF('tourist_attraction' IN UNNEST(types) AND is_open_monday_window) * 6 +
  COUNTIF('casino' IN UNNEST(types) AND is_open_monday_window) * 7
) AS suitability_score
. . .

সম্পূর্ণ প্রশ্নের জন্য প্রসারিত করুন

    -- This query calculates a custom 'suitability score' for different areas in the Las Vegas
-- metropolitan area to identify prime commercial zones. It uses a weighted model based
-- on the density of specific business types that are open during a target time window.

-- Step 1: Pre-filter the dataset to only include relevant places.
-- This CTE finds all places in our target localities (Las Vegas, Spring Valley, etc.) and
-- adds a boolean flag 'is_open_monday_window' for those open during the target time.
WITH PlacesInTargetAreaWithOpenFlag AS (
  SELECT
    point,
    types,
    EXISTS(
      SELECT 1
      FROM UNNEST(regular_opening_hours.monday) AS monday_hours
      WHERE
        monday_hours.start_time <= TIME '10:00:00'
        AND monday_hours.end_time >= TIME '14:00:00'
    ) AS is_open_monday_window
  FROM
    `places_insights___us.places`
  WHERE
    EXISTS (
        SELECT 1 FROM UNNEST(locality_names) AS locality
        WHERE locality IN ('Las Vegas', 'Spring Valley', 'Paradise', 'North Las Vegas', 'Winchester')
    )
    AND administrative_area_level_1_name = 'Nevada'
),
-- Step 2: Aggregate the filtered places into H3 cells and calculate the suitability score.
-- Each place's location is converted to an H3 index (at resolution 8). The query then
-- calculates a weighted 'suitability_score' and individual counts for each business type
-- within that cell.
TileScores AS (
  SELECT WITH AGGREGATION_THRESHOLD
    -- Convert each place's geographic point into an H3 cell index.
    `carto-os.carto.H3_FROMGEOGPOINT`(point, 8) AS h3_index,

    -- Calculate the weighted score based on the count of places of each type
    -- that are open during the target window.
    (
      COUNTIF('restaurant' IN UNNEST(types) AND is_open_monday_window) * 8 +
      COUNTIF('convenience_store' IN UNNEST(types) AND is_open_monday_window) * 3 +
      COUNTIF('bar' IN UNNEST(types) AND is_open_monday_window) * 7 +
      COUNTIF('tourist_attraction' IN UNNEST(types) AND is_open_monday_window) * 6 +
      COUNTIF('casino' IN UNNEST(types) AND is_open_monday_window) * 7
    ) AS suitability_score,

    -- Also return the individual counts for each category for detailed analysis.
    COUNTIF('restaurant' IN UNNEST(types) AND is_open_monday_window) AS restaurant_count,
    COUNTIF('convenience_store' IN UNNEST(types) AND is_open_monday_window) AS convenience_store_count,
    COUNTIF('bar' IN UNNEST(types) AND is_open_monday_window) AS bar_count,
    COUNTIF('tourist_attraction' IN UNNEST(types) AND is_open_monday_window) AS tourist_attraction_count,
    COUNTIF('casino' IN UNNEST(types) AND is_open_monday_window) AS casino_count
  FROM
    -- CHANGED: This now references the CTE with the expanded area.
    PlacesInTargetAreaWithOpenFlag
  -- Group by the H3 index to ensure all calculations are per-cell.
  GROUP BY
    h3_index
),
-- Step 3: Find the maximum suitability score across all cells.
-- This value is used in the next step to normalize the scores to a consistent scale (e.g., 0-10).
MaxScore AS (
  SELECT MAX(suitability_score) AS max_score FROM TileScores
)
-- Step 4: Assemble the final results.
-- This joins the scored tiles with the max score, calculates the normalized score,
-- generates the H3 cell's polygon geometry for mapping, and orders the results.
SELECT
  ts.h3_index,
  -- Generate the hexagonal polygon for the H3 cell for visualization.
  `carto-os.carto.H3_BOUNDARY`(ts.h3_index) AS h3_geography,
  ts.restaurant_count,
  ts.convenience_store_count,
  ts.bar_count,
  ts.tourist_attraction_count,
  ts.casino_count,
  ts.suitability_score,
  -- Normalize the score to a 0-10 scale for easier interpretation.
  ROUND(
    CASE
      WHEN ms.max_score = 0 THEN 0
      ELSE (ts.suitability_score / ms.max_score) * 10
    END,
    2
  ) AS normalized_suitability_score
FROM
  -- A cross join is efficient here as MaxScore contains only one row.
  TileScores ts, MaxScore ms
-- Display the highest-scoring locations first.
ORDER BY
  normalized_suitability_score DESC;
    

মানচিত্রে এই স্কোরগুলি কল্পনা করলে স্পষ্ট বিজয়ী স্থানগুলি দেখা যাবে। গাঢ় বেগুনি রঙের টাইলস, মূলত লাস ভেগাস স্ট্রিপ এবং ডাউনটাউনের কাছে, আমাদের নতুন কফি শপের জন্য সর্বাধিক সম্ভাবনাময় এলাকা।

প্রতিযোগী বিশ্লেষণ: বিদ্যমান কফি শপগুলি চিহ্নিত করুন

আমাদের উপযুক্ততা মডেল সফলভাবে সবচেয়ে সম্ভাবনাময় অঞ্চলগুলি চিহ্নিত করতে পেরেছে, কিন্তু শুধুমাত্র উচ্চ স্কোর সাফল্যের নিশ্চয়তা দেয় না। আমাদের এখন প্রতিযোগীদের তথ্য দিয়ে এটিকে ঢেকে রাখতে হবে। আদর্শ অবস্থান হল একটি উচ্চ-সম্ভাব্য এলাকা যেখানে বিদ্যমান কফি শপের ঘনত্ব কম, কারণ আমরা একটি স্পষ্ট বাজার ব্যবধান খুঁজছি।

এটি অর্জনের জন্য, আমরা PLACES_COUNT_PER_H3 ফাংশন ব্যবহার করি। এই ফাংশনটি H3 কোষ দ্বারা একটি নির্দিষ্ট ভূগোলের মধ্যে স্থান গণনা দক্ষতার সাথে ফেরত দেওয়ার জন্য ডিজাইন করা হয়েছে।

প্রথমে, আমরা সমগ্র লাস ভেগাস মেট্রো এলাকার ভৌগোলিক অবস্থান গতিশীলভাবে সংজ্ঞায়িত করি। একটি একক এলাকার উপর নির্ভর করার পরিবর্তে, আমরা পাবলিক ওভারচার ম্যাপস ডেটাসেট অনুসন্ধান করি যাতে লাস ভেগাস এবং এর আশেপাশের গুরুত্বপূর্ণ এলাকাগুলির সীমানা পাওয়া যায়, ST_UNION_AGG দিয়ে একটি একক বহুভুজে একত্রিত করা যায়। তারপর আমরা এই এলাকাটিকে ফাংশনে স্থানান্তর করি, এটিকে সমস্ত কার্যকরী কফি শপ গণনা করতে বলি।

এই কোয়েরিটি মেট্রো এলাকা নির্ধারণ করে এবং H3 কোষে কফি শপের সংখ্যা পেতে ফাংশনটিকে কল করে:

-- Define a variable to hold the combined geography for the Las Vegas metro area.
DECLARE las_vegas_metro_area GEOGRAPHY;

-- Set the variable by fetching the shapes for the five localities from Overture Maps
-- and merging them into a single polygon using ST_UNION_AGG.
SET las_vegas_metro_area = (
  SELECT
    ST_UNION_AGG(geometry)
  FROM
    `bigquery-public-data.overture_maps.division_area`
  WHERE
    country = 'US'
    AND region = 'US-NV'
    AND names.primary IN ('Las Vegas', 'Spring Valley', 'Paradise', 'North Las Vegas', 'Winchester')
);

-- Call the PLACES_COUNT_PER_H3 function with our defined area and parameters.
SELECT
  *
FROM
  `places_insights___us.PLACES_COUNT_PER_H3`(
    JSON_OBJECT(
      -- Use the metro area geography we just created.
      'geography', las_vegas_metro_area,
      -- Specify 'coffee_shop' as the place type to count.
      'types', ["coffee_shop"],
      -- Best practice: Only count places that are currently operational.
      'business_status', ['OPERATIONAL'],
      -- Set the H3 grid resolution to 8.
      'h3_resolution', 8
    )
  );

ফাংশনটি একটি টেবিল প্রদান করে যাতে H3 সেল ইনডেক্স, এর জ্যামিতি, কফি শপের মোট সংখ্যা এবং তাদের প্লেস আইডির একটি নমুনা অন্তর্ভুক্ত থাকে:

সমষ্টিগত গণনা কার্যকর হলেও, প্রকৃত প্রতিযোগীদের দেখা অপরিহার্য। এখানেই আমরা Places Insights ডেটাসেট থেকে Places API- তে স্থানান্তর করি। সর্বোচ্চ স্বাভাবিক উপযুক্ততা স্কোরের কোষ থেকে sample_place_ids বের করে, আমরা প্রতিটি প্রতিযোগীর জন্য সমৃদ্ধ বিবরণ, যেমন তাদের নাম, ঠিকানা, রেটিং এবং অবস্থান পুনরুদ্ধার করতে Place Details API কল করতে পারি।

এর জন্য পূর্ববর্তী কোয়েরির ফলাফল, যেখানে উপযুক্ততা স্কোর তৈরি করা হয়েছিল, এবং PLACES_COUNT_PER_H3 কোয়েরির তুলনা করতে হবে। সর্বোচ্চ স্বাভাবিক উপযুক্ততা স্কোর সহ কোষগুলি থেকে কফি শপের সংখ্যা এবং আইডি পেতে H3 সেল সূচক ব্যবহার করা যেতে পারে।

এই পাইথন কোডটি দেখায় যে কীভাবে এই তুলনা করা যেতে পারে।

    # Isolate the Top 5 Most Suitable H3 Cells
    top_suitability_cells = gdf_suitability.head(5)

    # Extract the 'h3_index' values from these top 5 cells into a list.
    top_h3_indexes = top_suitability_cells['h3_index'].tolist()
    print(f"The top 5 H3 indexes are: {top_h3_indexes}")

    # Now, we find the rows in our DataFrame where the
    # 'h3_cell_index' matches one of the indexes from our top 5 list.

    coffee_counts_in_top_zones = gdf_coffee_shops[
        gdf_coffee_shops['h3_cell_index'].isin(top_h3_indexes)
    ]

এখন আমাদের কাছে সর্বোচ্চ উপযুক্ততা স্কোরের সাথে H3 কোষের মধ্যে বিদ্যমান কফি শপগুলির জন্য স্থান আইডির তালিকা রয়েছে, প্রতিটি স্থান সম্পর্কে আরও বিশদ অনুরোধ করা যেতে পারে।

এটি প্রতিটি প্লেস আইডির জন্য সরাসরি প্লেস ডিটেইলস API- তে একটি অনুরোধ পাঠিয়ে অথবা ক্লায়েন্ট লাইব্রেরি ব্যবহার করে করা যেতে পারে। FieldMask প্যারামিটারটি শুধুমাত্র আপনার প্রয়োজনীয় ডেটা অনুরোধ করার জন্য সেট করতে ভুলবেন না।

অবশেষে, আমরা সবকিছুকে একটি একক, শক্তিশালী ভিজ্যুয়ালাইজেশনে একত্রিত করি। আমরা আমাদের বেগুনি রঙের উপযুক্ততা কোরোপ্লেথ মানচিত্রটিকে বেস লেয়ার হিসাবে প্লট করি এবং তারপর প্লেসস এপিআই থেকে প্রাপ্ত প্রতিটি কফি শপের জন্য পিন যুক্ত করি। এই চূড়ান্ত মানচিত্রটি এক নজরে দৃশ্য প্রদান করে যা আমাদের সম্পূর্ণ বিশ্লেষণকে সংশ্লেষিত করে: গাঢ় বেগুনি অঞ্চলগুলি সম্ভাবনা দেখায় এবং সবুজ পিনগুলি বর্তমান বাজারের বাস্তবতা দেখায়।

খুব কম বা কোনও পিন নেই এমন গাঢ় বেগুনি রঙের কোষগুলি অনুসন্ধান করে, আমরা আত্মবিশ্বাসের সাথে আমাদের নতুন অবস্থানের জন্য সেরা সুযোগের প্রতিনিধিত্বকারী সঠিক ক্ষেত্রগুলি চিহ্নিত করতে পারি।

উপরের দুটি কক্ষের উপযুক্ততার স্কোর বেশি, তবে কিছু স্পষ্ট ফাঁক রয়েছে যা আমাদের নতুন কফি শপের জন্য সম্ভাব্য স্থান হতে পারে।

উপসংহার

এই ডকুমেন্টে, আমরা রাজ্যব্যাপী প্রশ্ন " কোথায় সম্প্রসারণ করতে হবে?" থেকে ডেটা-সমর্থিত, স্থানীয় উত্তরে চলে এসেছি। বিভিন্ন ডেটাসেট স্তরে স্তরে স্থাপন করে এবং কাস্টম ব্যবসায়িক যুক্তি প্রয়োগ করে, আপনি একটি বড় ব্যবসায়িক সিদ্ধান্তের সাথে সম্পর্কিত ঝুঁকি পদ্ধতিগতভাবে হ্রাস করতে পারেন। BigQuery এর স্কেল, Places Insights এর সমৃদ্ধি এবং Places API এর রিয়েল-টাইম বিশদ একত্রিত করে এই কর্মপ্রবাহ, কৌশলগত বৃদ্ধির জন্য অবস্থান বুদ্ধিমত্তা ব্যবহার করতে চাওয়া যেকোনো সংস্থার জন্য একটি শক্তিশালী টেমপ্লেট প্রদান করে।

পরবর্তী পদক্ষেপ

• আপনার নিজস্ব ব্যবসায়িক যুক্তি, লক্ষ্য ভৌগোলিক অঞ্চল এবং মালিকানাধীন ডেটাসেটের সাথে এই কর্মপ্রবাহকে মানিয়ে নিন।
• আপনার মডেলকে আরও সমৃদ্ধ করতে প্লেসেস ইনসাইটস ডেটাসেটের অন্যান্য ডেটা ক্ষেত্রগুলি, যেমন পর্যালোচনা গণনা, মূল্য স্তর এবং ব্যবহারকারীর রেটিংগুলি অন্বেষণ করুন।
• এই প্রক্রিয়াটি স্বয়ংক্রিয় করে একটি অভ্যন্তরীণ সাইট নির্বাচন ড্যাশবোর্ড তৈরি করুন যা নতুন বাজারগুলিকে গতিশীলভাবে মূল্যায়ন করতে ব্যবহার করা যেতে পারে।

ডকুমেন্টেশনের আরও গভীরে প্রবেশ করুন:

• স্থানের অন্তর্দৃষ্টিগুলির ওভারভিউ
• স্থান অন্তর্দৃষ্টি ফাংশন
• বিগকুয়েরি জিওস্পেশিয়াল অ্যানালিটিক্স
• স্থান API

অবদানকারীরা

হেনরিক ভালভ | ডেভএক্স ইঞ্জিনিয়ার