Places Insights と BigQuery を使用してサイト選択を行う

はじめに

このドキュメントでは、Places Insights データセット、BigQuery の一般公開地理空間データ、Place Details API を組み合わせて、サイト選択ソリューションを構築する方法について説明します。

これは、Google Cloud Next 2025 で行われたデモに基づいており、YouTube で視聴できます。

ビジネス上の課題

コーヒー ショップのチェーンを経営しており、ネバダ州など、まだ進出していない新しい州に拡大したいと考えているとします。新しい店舗の開設は大きな投資であり、成功にはデータドリブンな意思決定が不可欠です。どこから着手するのか？

このガイドでは、新しいコーヒー ショップの最適な場所を特定するための多層分析について説明します。まず州全体のビューから始め、特定の郡と商業地区に検索範囲を徐々に絞り込み、最後に超ローカルな分析を行って、個々のエリアをスコアリングし、競合他社をマッピングして市場のギャップを特定します。

ソリューションのワークフロー

このプロセスは、広範囲から始まり、徐々に粒度を上げて検索範囲を絞り込み、最終的なサイト選択の信頼性を高める論理的なファネルに従います。

前提条件と環境設定

分析を行う前に、いくつかの重要な機能を備えた環境が必要です。このガイドでは SQL と Python を使用した実装について説明しますが、一般的な原則は他のテクノロジー スタックにも適用できます。

前提条件として、環境で次のことができることを確認します。

• BigQuery でクエリを実行します。
• Places Insights にアクセスします。詳しくは、Places Insights を設定するをご覧ください。
• bigquery-public-data と US Census Bureau County Population Totals の一般公開データセットをサブスクライブする

また、地図上で地理空間データを可視化することも必要です。これは、各分析ステップの結果を解釈するうえで重要です。これにはさまざまな方法があります。BigQuery に直接接続する Looker Studio などの BI ツールを使用することも、Python などのデータ サイエンス言語を使用することもできます。

州レベルの分析: 最適な郡を見つける

最初の手順は、ネバダ州で最も有望な郡を特定するための広範な分析です。有望な地域とは、人口が多く、既存のレストランの密度が高い地域を指します。これは、食文化が根強いことを示しています。

BigQuery クエリは、Places Insights データセット内で利用可能な組み込みのアドレス コンポーネントを活用することで、これを実現します。このクエリでは、まず administrative_area_level_1_name フィールドを使用してネバダ州内の場所のみを含むようにデータをフィルタし、レストランの数をカウントします。次に、このセットを絞り込み、タイプ配列に「restaurant」が含まれる場所のみを含めます。最後に、これらの結果を郡名（administrative_area_level_2_name）でグループ化して、各郡のカウントを生成します。このアプローチでは、データセットの組み込みの事前インデックス登録済みアドレス構造を利用します。

次の抜粋は、郡のジオメトリを Places Insights と結合し、特定の場所タイプ restaurant でフィルタする方法を示しています。

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

レストランの単純な数だけでは不十分です。市場の飽和度と機会を正確に把握するには、人口データとのバランスを取る必要があります。ここでは、米国国勢調査局の郡別人口総数の人口データを使用します。

この 2 つのまったく異なる指標（場所の数と人口の数）を比較するために、最小値と最大値の正規化を使用します。この手法では、両方の指標を共通の範囲（0 ～ 1）にスケーリングします。次に、それらを 1 つの normalized_score に結合し、バランスの取れた比較を行うために各指標に 50% の重みを付けます。

この抜粋は、スコアを計算するためのコアロジックを示しています。正規化された人口とレストランの数を組み合わせたものです。

(
    -- 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

完全なクエリを実行すると、郡のリスト、レストランの数、人口、正規化されたスコアが返されます。normalized_score DESC で並べ替えると、クラーク郡が上位候補として明確に示されます。

このスクリーンショットは、正規化されたスコアの上位 4 つの郡を示しています。この例では、元の人口数を意図的に省略しています。

郡レベルの分析: 最も賑やかな商業地域を見つける

クラーク郡を特定したので、次は、最も商業活動が活発な郵便番号を見つけるためにズームインします。既存のコーヒー ショップのデータに基づいて、主要ブランドの密度が高い場所のほうがパフォーマンスが高いことがわかっているため、これを人通りの多さの代理変数として使用します。

このクエリでは、特定のブランドに関する情報を含む Places Insights 内の brands テーブルを使用します。この表をクエリして、サポートされているブランドのリストを確認できます。まず、ターゲット ブランドのリストを定義し、これをメインの Places Insights データセットと結合して、クラーク郡の各郵便番号に該当する特定の店舗の数をカウントします。

これを実現する最も効率的な方法は、次の 2 段階のアプローチです。

1. まず、高速な非空間集計を実行して、郵便番号ごとのブランド数をカウントします。
2. 次に、これらの結果を一般公開データセットに結合して、可視化用の地図の境界を取得します。

postal_code_names フィールドを使用してブランドをカウントする

この最初のクエリは、コアのカウント ロジックを実行します。クラーク郡の場所をフィルタし、postal_code_names 配列をネスト解除して、郵便番号ごとにブランド数をグループ化します。

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

出力は、郵便番号と対応するブランド数のテーブルです。

マッピング用の郵便番号ジオメトリを添付する

カウントを取得したので、可視化に必要なポリゴン形状を取得できます。この 2 番目のクエリは、最初のクエリを取得し、brand_counts_by_zip という名前の共通テーブル式（CTE）でラップして、その結果を公開 geo_us_boundaries.zip_codes table に結合します。これにより、事前に計算されたカウントにジオメトリが効率的に関連付けられます。

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

出力は、郵便番号、対応するブランド数、郵便番号のジオメトリのテーブルです。

このデータをヒートマップとして可視化できます。赤色が濃い地域ほど、ターゲット ブランドの密度が高く、ラスベガスで最も商業密度の高い地域を示しています。

ハイパーローカル分析: 個々のグリッド エリアのスコア

ラスベガスの大まかなエリアを特定したら、次は詳細な分析を行います。ここで、Google のビジネスに関する具体的な知識を重ね合わせます。午前中やランチタイムなど、ピーク時に賑わう他のビジネスの近くに、優れたコーヒー ショップが繁盛していることを Google は把握しています。

次のクエリは、非常に具体的なものになります。まず、標準の H3 地理空間インデックス（解像度 8）を使用して、ラスベガス都市圏にきめ細かい六角形グリッドを作成し、エリアをミクロレベルで分析します。このクエリは、まずピーク時間帯（月曜日の午前 10 時から午後 2 時）に営業しているすべての補完的なビジネスを特定します。

次に、各スポットタイプに重み付けスコアを適用します。コンビニエンス ストアよりも近くのレストランの方が価値が高いため、乗数が大きくなります。これにより、各小領域にカスタム suitability_score が与えられます。

次の抜粋は、営業時間のチェック用に事前に計算されたフラグ（is_open_monday_window）を参照する、重み付けされたスコアリング ロジックを示しています。

. . .
(
  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
. . .

クエリ全体を開く

    -- 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;
    

これらのスコアを地図上に可視化すると、最適な場所が明確になります。最も濃い紫色のタイルは、主にラスベガス ストリップとダウンタウンの近くにあり、新しいコーヒー ショップの可能性が最も高いエリアです。

競合分析: 既存のコーヒー ショップを特定する

適合性モデルは最も有望なゾーンを特定しましたが、スコアが高いだけでは成功が保証されるわけではありません。ここで、競合他社のデータを重ね合わせる必要があります。理想的な場所は、既存のコーヒー ショップの密度が低く、市場のギャップが明確な、潜在力の高いエリアです。

これを行うには、PLACES_COUNT_PER_H3 関数を使用します。この関数は、指定された地域内の場所の数を H3 セル別に効率的に返すように設計されています。

まず、ラスベガス都市圏全体の地域を動的に定義します。単一の地域に依存するのではなく、公開されている Overture Maps データセットにクエリを実行して、ラスベガスとその周辺の主要な地域の境界を取得し、ST_UNION_AGG を使用して 1 つのポリゴンに統合します。次に、このエリアを関数に渡し、営業中のコーヒー ショップの数をカウントするように指示します。

このクエリでは、都市圏を定義し、関数を呼び出して H3 セルのコーヒー ショップの数を取得します。

-- 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
    )
  );

この関数は、H3 セルインデックス、そのジオメトリ、コーヒー ショップの総数、場所 ID のサンプルを含むテーブルを返します。

合計数も有用ですが、実際の競合他社を確認することが不可欠です。ここでは、Places Insights データセットから Places API に移行します。正規化された適合性スコアが最も高いセルから sample_place_ids を抽出することで、Place Details API を呼び出して、各競合他社の名前、住所、評価、所在地などの詳細情報を取得できます。

これには、適合性スコアが生成された前のクエリの結果と PLACES_COUNT_PER_H3 クエリの結果を比較する必要があります。H3 セル インデックスを使用すると、正規化された適合性スコアが最も高いセルからカフェの数と ID を取得できます。

次の Python コードは、この比較を実行する方法を示しています。

    # 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)
    ]

これで、適合性スコアが最も高い H3 セル内にすでに存在するコーヒー ショップのプレイス ID のリストが作成されました。各場所の詳細情報をリクエストできます。

これを行うには、各プレイス ID に対して Place Details API にリクエストを直接送信するか、クライアント ライブラリを使用して呼び出しを実行します。必要なデータのみをリクエストするように、FieldMask パラメータを設定してください。

最後に、すべてを組み合わせて 1 つの強力な可視化にします。紫色の適合性コロプレスマップをベースレイヤとしてプロットし、Places API から取得した個々のコーヒー ショップのピンを追加します。この最終的な地図は、分析全体を統合した概要を示しています。濃い紫色のエリアは潜在的な市場を示し、緑色のピンは現在の市場の現実を示しています。

ピンがほとんどないか、まったくない濃い紫色のセルを探すことで、新しい店舗の最適な候補地を正確に特定できます。

上記の 2 つのセルは適合スコアが高いものの、新しいコーヒー ショップの候補地となる可能性のある明確なギャップがいくつかあります。

まとめ

このドキュメントでは、どこに拡大すべきか？ という州全体の質問から、データに基づいたローカルな回答に移行しました。さまざまなデータセットをレイヤリングし、カスタム ビジネス ロジックを適用することで、主要なビジネス上の意思決定に関連するリスクを体系的に軽減できます。このワークフローは、BigQuery のスケーラビリティ、Places Insights の豊富な情報、Places API のリアルタイムの詳細情報を組み合わせたもので、位置情報インテリジェンスを戦略的な成長に活用しようとしている組織にとって強力なテンプレートとなります。

次のステップ

• このワークフローは、独自のビジネス ロジック、対象地域、独自のデータセットに合わせて調整してください。
• クチコミ数、価格帯、ユーザー評価など、Places Insights データセットの他のデータ フィールドを調べて、モデルをさらに充実させます。
• このプロセスを自動化して、新しい市場を動的に評価するために使用できる内部サイト選択ダッシュボードを作成します。

ドキュメントで詳細をご確認ください。

• Places Insights の概要
• Places Insights 関数
• BigQuery 地理空間分析
• Places API

寄稿者

DevX エンジニア | Henrik Valve