Fazer a seleção de locais usando o Places Insights e o BigQuery

Introdução

Este documento descreve como criar uma solução de seleção de locais combinando o conjunto de dados do Places Insights, os dados geoespaciais públicos no BigQuery e a API Place Details.

Ele é baseado em uma demonstração feita no Google Cloud Next 2025, que está disponível para assistir no YouTube.

O desafio das empresas

Imagine que você tem uma rede de cafeterias de sucesso e quer expandir para um novo estado, como Nevada, onde não tem presença. Abrir um novo local é um investimento significativo, e tomar uma decisão baseada em dados é fundamental para o sucesso. Por onde começar?

Este guia mostra uma análise de várias camadas para identificar o local ideal para uma nova cafeteria. Vamos começar com uma visão geral do estado, restringir progressivamente nossa pesquisa a um condado e uma zona comercial específicos e, por fim, realizar uma análise hiperlocal para classificar áreas individuais e identificar lacunas de mercado mapeando os concorrentes.

Fluxo de trabalho da solução

Esse processo segue um funil lógico, começando de forma ampla e ficando progressivamente mais granular para refinar a área de pesquisa e aumentar a confiança na seleção final do site.

Pré-requisitos e configuração do ambiente

Antes de começar a análise, você precisa de um ambiente com alguns recursos principais. Embora este guia mostre uma implementação usando SQL e Python, os princípios gerais podem ser aplicados a outras stacks de tecnologia.

Como pré-requisito, verifique se o ambiente pode:

• Executar consultas no BigQuery.
• Acesse o Places Insights. Consulte Configurar o Places Insights para mais informações.
• Inscreva-se em conjuntos de dados públicos do bigquery-public-data e do US Census Bureau County Population Totals (link em inglês).

Você também precisa conseguir visualizar dados geoespaciais em um mapa, o que é essencial para interpretar os resultados de cada etapa analítica. Há muitas maneiras de fazer isso. Você pode usar ferramentas de BI, como o Looker Studio, que se conecta diretamente ao BigQuery, ou linguagens de ciência de dados, como Python.

Análise no nível do estado: encontre o melhor município

A primeira etapa é uma análise ampla para identificar o condado mais promissor em Nevada. Vamos definir promissor como uma combinação de alta população e alta densidade de restaurantes existentes, o que indica uma forte cultura de alimentos e bebidas.

Nossa consulta do BigQuery faz isso usando os componentes de endereço integrados disponíveis no conjunto de dados do Places Insights. A consulta conta os restaurantes filtrando primeiro os dados para incluir apenas lugares no estado de Nevada, usando o campo administrative_area_level_1_name. Em seguida, ele refina ainda mais esse conjunto para incluir apenas lugares em que a matriz de tipos contém "restaurant". Por fim, ele agrupa esses resultados por nome do município (administrative_area_level_2_name) para produzir uma contagem de cada município. Essa abordagem usa a estrutura de endereço integrada e pré-indexada do conjunto de dados.

Este trecho mostra como combinamos geometrias de condado com o Places Insights e filtramos um tipo de lugar específico, restaurant:

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

Uma contagem bruta de restaurantes não é suficiente. Precisamos equilibrá-la com dados populacionais para ter uma noção real da saturação e das oportunidades do mercado. Vamos usar dados de população dos totais de população por condado do US Census Bureau (link em inglês).

Para comparar essas duas métricas muito diferentes (uma contagem de lugares e um número grande de população), usamos a normalização min-max. Essa técnica dimensiona as duas métricas para um intervalo comum (0 a 1). Em seguida, combinamos em um único normalized_score, a cada métrica um peso de 50% para uma comparação equilibrada.

Este trecho mostra a lógica principal para calcular a pontuação. Ele combina a população normalizada e as contagens de restaurantes:

(
    -- 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

Depois de executar a consulta completa, uma lista dos condados, a contagem de restaurantes, a população e a pontuação normalizada são retornadas. Ordenar por normalized_score DESC revela o Condado de Clark como o vencedor claro para uma investigação mais aprofundada como o principal concorrente.

Esta captura de tela mostra os quatro principais municípios por pontuação normalizada. A contagem bruta da população foi omitida propositalmente deste exemplo.

Análise no nível do município: encontre as zonas comerciais mais movimentadas

Agora que identificamos o condado de Clark, a próxima etapa é aumentar o zoom para encontrar os CEPs com a maior atividade comercial. Com base nos dados das nossas cafeterias atuais, sabemos que a performance é melhor quando elas estão localizadas perto de uma alta densidade de grandes marcas. Por isso, vamos usar isso como um indicador de alto fluxo de pedestres.

Essa consulta usa a tabela brands no Places Insights, que contém informações sobre marcas específicas. Essa tabela pode ser consultada para descobrir a lista de marcas aceitas. Primeiro, definimos uma lista das nossas marcas de destino e a combinamos com o conjunto de dados principal do Places Insights para contar quantas dessas lojas específicas estão em cada CEP do condado de Clark.

A maneira mais eficiente de fazer isso é com uma abordagem de duas etapas:

1. Primeiro, vamos fazer uma agregação rápida e não geoespacial para contar as marcas em cada CEP.
2. Em seguida, vamos juntar esses resultados a um conjunto de dados público para conseguir os limites do mapa para visualização.

Contar marcas usando o campo "postal_code_names"

Essa primeira consulta realiza a lógica principal de contagem. Ele filtra lugares no condado de Clark e descompacta a matriz postal_code_names para agrupar as contagens de marcas por código postal.

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

A saída é uma tabela de códigos postais e as contagens de marcas correspondentes.

Anexar geometrias de CEP para mapeamento

Agora que temos as contagens, podemos extrair os formatos de polígonos necessários para a visualização. Essa segunda consulta usa a primeira, envolve ela em uma expressão de tabela comum (CTE) chamada brand_counts_by_zip e une os resultados ao geo_us_boundaries.zip_codes table público. Isso anexa a geometria às contagens pré-calculadas de maneira eficiente.

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

A saída é uma tabela de códigos postais, as contagens de marcas correspondentes e a geometria do código postal.

Podemos visualizar esses dados como um mapa de calor. As áreas em vermelho mais escuro indicam uma concentração maior das marcas de destino, apontando para as zonas mais densas comercialmente em Las Vegas.

Análise hiperlocal: pontuar áreas de grade individuais

Depois de identificar a área geral de Las Vegas, é hora de fazer uma análise granular. É aqui que adicionamos nosso conhecimento específico sobre negócios. Sabemos que um ótimo café prospera perto de outras empresas que ficam movimentadas durante nossos horários de pico, como o final da manhã e o horário de almoço.

Nossa próxima consulta é bem específica. Ele começa criando uma grade hexagonal refinada na área metropolitana de Las Vegas usando o índice geoespacial H3 padrão (na resolução 8) para analisar a área em um nível micro. A consulta primeiro identifica todas as empresas complementares que estão abertas durante nossa janela de pico (segunda-feira, das 10h às 14h).

Em seguida, aplicamos uma pontuação ponderada a cada tipo de lugar. Um restaurante próximo é mais valioso para nós do que uma loja de conveniência, então ele recebe um multiplicador maior. Isso nos dá um suitability_score personalizado para cada pequena área.

Este trecho destaca a lógica de pontuação ponderada, que faz referência a uma flag pré-calculada (is_open_monday_window) para a verificação do horário de funcionamento:

. . .
(
  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
. . .

Abrir a consulta completa

    -- 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;
    

Ao visualizar essas pontuações em um mapa, é possível identificar os locais vencedores. Os blocos roxos mais escuros, principalmente perto da Las Vegas Strip e do centro da cidade, são as áreas com maior potencial para nossa nova cafeteria.

Análise da concorrência: identificar cafeterias

Nosso modelo de adequação identificou as zonas mais promissoras, mas uma pontuação alta por si só não garante o sucesso. Agora precisamos sobrepor isso com dados de concorrentes. O local ideal é uma área de alto potencial com baixa densidade de cafeterias, já que estamos procurando uma lacuna clara no mercado.

Para isso, usamos a função PLACES_COUNT_PER_H3. Essa função foi criada para retornar de maneira eficiente as contagens de lugares em uma geografia especificada por célula H3.

Primeiro, definimos dinamicamente a geografia de toda a região metropolitana de Las Vegas. Em vez de depender de uma única localidade, consultamos o conjunto de dados público do Overture Maps para extrair os limites de Las Vegas e das principais localidades ao redor, mesclando-os em um único polígono com ST_UNION_AGG. Em seguida, transmitimos essa área para a função, pedindo que ela conte todas as cafeterias em operação.

Essa consulta define a região metropolitana e chama a função para receber contagens de cafeterias em células H3:

-- 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
    )
  );

A função retorna uma tabela que inclui o índice da célula H3, a geometria dela, a contagem total de cafeterias e uma amostra dos IDs de lugar:

Embora a contagem agregada seja útil, é essencial conhecer os concorrentes reais. É aqui que fazemos a transição do conjunto de dados do Places Insights para a API Places. Ao extrair o sample_place_ids das células com a maior pontuação de adequação normalizada, podemos chamar a API Place Details para recuperar detalhes avançados de cada concorrente, como nome, endereço, classificação e local.

Isso exige comparar os resultados da consulta anterior, em que a pontuação de adequação foi gerada, e a consulta PLACES_COUNT_PER_H3. O índice de célula H3 pode ser usado para receber as contagens e os IDs das células com a maior pontuação de adequação normalizada.

Este código Python demonstra como essa comparação pode ser feita.

    # 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)
    ]

Agora temos a lista de IDs de lugares para cafeterias que já existem nas células H3 com a pontuação de adequação mais alta. Mais detalhes sobre cada lugar podem ser solicitados.

Isso pode ser feito enviando uma solicitação diretamente à API Place Details para cada ID de lugar ou usando uma biblioteca de cliente para fazer a chamada. Não se esqueça de definir o parâmetro FieldMask para solicitar apenas os dados necessários.

Por fim, combinamos tudo em uma visualização única e eficiente. Plotamos nosso mapa coroplético roxo de adequação como a camada de base e adicionamos marcadores para cada cafeteria individual recuperada da API Places. O mapa final oferece uma visão geral que sintetiza toda a nossa análise: as áreas roxas escuras mostram o potencial, e os marcadores verdes mostram a realidade do mercado atual.

Ao procurar células roxo-escuras com poucos ou nenhum alfinete, podemos identificar com confiança as áreas exatas que representam a melhor oportunidade para nossa nova unidade.

As duas células acima têm uma pontuação de adequação alta, mas algumas lacunas claras que podem ser locais em potencial para nossa nova cafeteria.

Conclusão

Neste documento, passamos de uma pergunta estadual de onde expandir? para uma resposta local baseada em dados. Ao combinar diferentes conjuntos de dados e aplicar uma lógica de negócios personalizada, é possível reduzir sistematicamente o risco associado a uma decisão comercial importante. Esse fluxo de trabalho, que combina a escala do BigQuery, a riqueza dos insights do Google Maps e o detalhe em tempo real da API Places, oferece um modelo eficiente para qualquer organização que queira usar a inteligência de localização para crescimento estratégico.

Próximas etapas

• Adapte esse fluxo de trabalho com sua própria lógica de negócios, regiões geográficas segmentadas e conjuntos de dados proprietários.
• Analise outros campos de dados no conjunto de dados do Places Insights, como contagens de avaliações, níveis de preços e classificações dos usuários, para enriquecer ainda mais seu modelo.
• Automatize esse processo para criar um painel interno de seleção de sites que pode ser usado para avaliar novos mercados de forma dinâmica.

Saiba mais na documentação:

• Visão geral dos Insights sobre lugares
• Funções do Places Insights
• Análise geoespacial do BigQuery
• API Places

Colaboradores

Henrik Valve | Engenheiro de DevX