Places Insights ve BigQuery kullanarak site seçimi yapma

Giriş

Bu belgede, Places Insights veri kümesi, BigQuery'deki herkese açık coğrafi veriler ve Place Details API'yi birleştirerek nasıl site seçimi çözümü oluşturulacağı açıklanmaktadır.

Bu makale, Google Cloud Next 2025'te verilen ve YouTube'da izlenebilen bir demoya dayanmaktadır.

İşletmeyle İlgili Sorun

Başarılı bir kahve dükkanları zinciriniz olduğunu ve Nevada gibi varlığınızın olmadığı yeni bir eyalete açılmak istediğinizi düşünün. Yeni bir konum açmak önemli bir yatırımdır ve başarı için veriye dayalı kararlar almak kritik öneme sahiptir. Nereden başlayacağınızı bilemiyor musunuz?

Bu kılavuz, yeni bir kahve dükkanı için en uygun konumu belirlemek üzere çok katmanlı bir analiz sürecinde size yol gösterir. Öncelikle eyalet genelinde bir görünümle başlayacak, aramayı kademeli olarak belirli bir ilçeye ve ticari bölgeye daraltacak, son olarak da rakipleri haritalandırarak tek tek alanları puanlamak ve pazar boşluklarını belirlemek için hiper yerel bir analiz yapacağız.

Çözüm İş Akışı

Bu süreç, geniş bir alanla başlayıp arama alanını daraltmak ve nihai site seçiminde güveni artırmak için giderek daha ayrıntılı hale gelen mantıksal bir dönüşüm hunisini takip eder.

Ön koşullar ve ortam kurulumu

Analize başlamadan önce, birkaç temel özelliğe sahip bir ortamınızın olması gerekir. Bu kılavuzda SQL ve Python kullanılarak yapılan bir uygulama açıklanacak olsa da genel ilkeler diğer teknoloji yığınlarına da uygulanabilir.

Ön koşul olarak, ortamınızın aşağıdaki işlemleri yapabildiğinden emin olun:

• BigQuery'de sorgu yürütme
• Places Insights'a erişme. Daha fazla bilgi için Places Insights'ı ayarlama bölümüne bakın.
• bigquery-public-data ve ABD Nüfus Sayım Bürosu İlçe Nüfus Toplamları'ndan herkese açık veri kümelerine abone olma

Ayrıca, her analiz adımının sonuçlarını yorumlamak için çok önemli olan coğrafi verileri harita üzerinde görselleştirebilmeniz gerekir. Bunu sağlamanın birçok yolu vardır. Doğrudan BigQuery'ye bağlanan Looker Studio gibi iş zekası araçlarını veya Python gibi veri bilimi dillerini kullanabilirsiniz.

Eyalet Düzeyinde Analiz: En İyi Bölgeyi Bulma

İlk adımımız, Nevada'daki en umut verici ilçeyi belirlemek için geniş kapsamlı bir analiz yapmaktır. Umut vadeden bölgeleri, yüksek nüfus ve mevcut restoranların yüksek yoğunluğu şeklinde tanımlayacağız. Bu, güçlü bir yiyecek ve içecek kültürüne işaret eder.

BigQuery sorgumuz, Places Insights veri kümesinde bulunan yerleşik adres bileşenlerinden yararlanarak bu işlemi gerçekleştirir. Sorgu, administrative_area_level_1_name alanı kullanılarak veriler yalnızca Nevada eyaletindeki yerleri içerecek şekilde filtrelendikten sonra restoranları sayar. Ardından, bu grubu yalnızca türler dizisinin "restaurant" içerdiği yerleri dahil edecek şekilde daha da daraltır. Son olarak, her il için bir sayı oluşturmak üzere bu sonuçları il adına (administrative_area_level_2_name) göre gruplandırır. Bu yaklaşımda, veri kümesinin yerleşik ve önceden dizine eklenmiş adres yapısı kullanılır.

Bu alıntı, ilçe geometrilerini Places Insights ile nasıl birleştirdiğimizi ve belirli bir yer türü için nasıl filtrelediğimizi gösterir, 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

Restoranların ham sayısı yeterli değildir. Pazar doygunluğu ve fırsatları doğru şekilde anlamak için bu sayıyı nüfus verileriyle dengelememiz gerekir. ABD Nüfus Sayımı Bürosu İlçe Nüfusu Toplamları'ndan alınan nüfus verilerini kullanacağız.

Bu iki çok farklı metriği (bir yer sayısı ile büyük bir nüfus sayısı) karşılaştırmak için min-maks normalleştirme kullanırız. Bu teknik, her iki metriği de ortak bir aralığa (0-1) göre ölçeklendirir. Ardından bunları tek bir normalized_score içinde birleştiririz ve dengeli bir karşılaştırma için her metriğe% 50 ağırlık veririz.

Bu alıntıda, puanın hesaplanmasıyla ilgili temel mantık gösterilmektedir. Bu katman, normalleştirilmiş nüfus ve restoran sayılarını birleştirir:

(
    -- 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

Tam sorgu çalıştırıldıktan sonra ilçelerin listesi, restoran sayısı, nüfus ve normalleştirilmiş puan döndürülür. normalized_score DESC ölçütüne göre sıralama yapıldığında, en iyi aday olarak Clark County'nin daha ayrıntılı incelenmesi gerektiği açıkça görülüyor.

Bu ekran görüntüsünde, normalleştirilmiş puana göre ilk 4 ilçe gösterilmektedir. Bu örnekte, ham nüfus sayısı kasıtlı olarak çıkarılmıştır.

İlçe Düzeyinde Analiz: En Yoğun Ticari Bölgeleri Bulma

Clark County'yi belirlediğimize göre, bir sonraki adım en yüksek ticari etkinliğe sahip posta kodlarını bulmak için yakınlaştırmaktır. Mevcut kahve dükkanlarımızdan elde edilen verilere göre, büyük markaların yoğun olduğu yerlerde performansın daha iyi olduğunu biliyoruz. Bu nedenle, bu bilgiyi yüksek yaya trafiği için bir vekil olarak kullanacağız.

Bu sorgu, belirli markalarla ilgili bilgileri içeren Places Insights'taki brands tablosunu kullanır. Desteklenen markaların listesini öğrenmek için bu tabloya sorgu gönderilebilir. Öncelikle hedef markalarımızın bir listesini tanımlıyoruz. Ardından, bu listeyi ana Yer İşletmeleri Analizleri veri kümesiyle birleştirerek Clark County'deki her posta kodunda bu belirli mağazalardan kaç tane olduğunu sayıyoruz.

Bunu başarmanın en etkili yolu iki adımlı bir yaklaşımdır:

1. İlk olarak, her posta kodundaki markaları saymak için hızlı ve coğrafi olmayan bir toplama işlemi gerçekleştiririz.
2. İkinci olarak, görselleştirme için harita sınırlarını elde etmek üzere bu sonuçları bir herkese açık veri kümesiyle birleştiririz.

postal_code_names alanını kullanarak markaları sayma

Bu ilk sorgu, temel sayma mantığını uygular. Bu işlev, Clark County'deki yerleri filtreler ve ardından posta kodu adları dizisini iç içe yerleştirilmiş öğelerden çıkararak marka sayılarını posta koduna göre gruplandırır.

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

Çıktı, posta kodlarının ve bunlara karşılık gelen marka sayılarının yer aldığı bir tablodur.

Haritalama için Posta Kodu Geometrileri Ekleme

Artık sayıları bildiğimize göre görselleştirme için gereken poligon şekillerini elde edebiliriz. Bu ikinci sorgu, ilk sorgumuzu alır, brand_counts_by_zip adlı bir Ortak Tablo İfadesi (CTE) içine sarar ve sonuçlarını herkese açık geo_us_boundaries.zip_codes table ile birleştirir. Bu işlem, geometriyi önceden hesaplanmış sayılarımıza verimli bir şekilde ekler.

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

Çıktı, posta kodlarının, ilgili marka sayılarının ve posta kodu geometrisinin yer aldığı bir tablodur.

Bu verileri ısı haritası olarak görselleştirebiliriz. Daha koyu kırmızı alanlar, hedef markalarımızın daha yoğun olduğu yerleri göstererek bizi Las Vegas'taki ticari açıdan en yoğun bölgelere yönlendiriyor.

Çok Yerel Analiz: Ayrı Ayrı Izgara Alanlarını Puanlama

Las Vegas'ın genel alanını belirledikten sonra ayrıntılı bir analiz yapmanın zamanı geldi. Bu noktada, işletmeye özel bilgilerimizi ekliyoruz. Harika bir kafenin, yoğun saatlerimizde (ör. öğleden önce ve öğle yemeği saatlerinde) kalabalık olan diğer işletmelerin yakınında başarılı olduğunu biliyoruz.

Bir sonraki sorgumuz oldukça spesifik. Bu işlem, alanı mikro düzeyde analiz etmek için standart H3 coğrafi indeksini (8. çözünürlükte) kullanarak Las Vegas metropol alanı üzerinde ayrıntılı bir altıgen ızgara oluşturarak başlar. Sorgu, önce en yoğun olduğumuz saatlerde (Pazartesi, 10:00-14:00) açık olan tüm tamamlayıcı işletmeleri belirler.

Ardından, her yer türüne ağırlıklı bir puan uygularız. Yakındaki bir restoran, marketten daha değerli olduğundan daha yüksek bir çarpan alır. Bu sayede her küçük alan için özel bir suitability_score elde ederiz.

Bu alıntıda, çalışma saatleri kontrolü için önceden hesaplanmış bir işarete (is_open_monday_window) referans veren ağırlıklı puanlama mantığı vurgulanmaktadır:

. . .
(
  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
. . .

Tam sorgu için genişlet

    -- 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;
    

Bu puanları haritada görselleştirdiğinizde kazanan konumlar net bir şekilde ortaya çıkar. Özellikle Las Vegas Strip ve şehir merkezinin yakınında bulunan en koyu mor renkli kutular, yeni kafemiz için en yüksek potansiyele sahip alanlardır.

Rakip Analizi: Mevcut Kahve Dükkanlarını Belirleme

Uygunluk modelimiz en umut verici bölgeleri başarıyla belirledi ancak tek başına yüksek bir puan başarıyı garanti etmez. Şimdi bu verileri rakip verileriyle birlikte kullanmamız gerekiyor. Net bir pazar açığı aradığımız için ideal konum, mevcut kafelerin yoğunluğunun düşük olduğu, yüksek potansiyelli bir bölgedir.

Bunu başarmak için PLACES_COUNT_PER_H3 işlevini kullanırız. Bu işlev, belirtilen bir coğrafyadaki yer sayımlarını H3 hücresine göre verimli bir şekilde döndürmek için tasarlanmıştır.

İlk olarak, tüm Las Vegas metropol alanı için coğrafi bölgeyi dinamik olarak tanımlarız. Tek bir yerleşim birimine güvenmek yerine, Las Vegas ve çevresindeki önemli yerleşim birimlerinin sınırlarını almak için herkese açık Overture Maps veri kümesini sorguluyoruz ve bunları ST_UNION_AGG ile tek bir çokgende birleştiriyoruz. Ardından, bu alanı işleve aktararak tüm faal kahve dükkanlarını saymasını isteriz.

Bu sorgu, metropol alanını tanımlar ve H3 hücrelerindeki kahve dükkanı sayısını almak için işlevi çağırır:

-- 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
    )
  );

İşlev, H3 hücresinin dizinini, geometrisini, toplam kahve dükkanı sayısını ve yer kimliklerinin bir örneğini içeren bir tablo döndürür:

Toplam sayı faydalı olsa da gerçek rakipleri görmek önemlidir. Bu noktada, Places Insights veri kümesinden Places API'ye geçiş yapıyoruz. En yüksek normalleştirilmiş uygunluk puanına sahip hücrelerden sample_place_ids çıkararak her rakip için ad, adres, puan ve konum gibi zengin ayrıntıları almak üzere Yer Ayrıntıları API'sini çağırabiliriz.

Bunun için uygunluk puanının oluşturulduğu önceki sorgunun sonuçları ile PLACES_COUNT_PER_H3 sorgusunun sonuçlarının karşılaştırılması gerekir. H3 hücre dizini, en yüksek normalleştirilmiş uygunluk puanına sahip hücrelerden kahve dükkanı sayılarını ve kimliklerini almak için kullanılabilir.

Bu Python kodu, karşılaştırmanın nasıl yapılabileceğini gösterir.

    # 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)
    ]

Artık en yüksek uygunluk puanına sahip H3 hücrelerinde bulunan kahve dükkanlarının yer kimliklerinin listesi elimizde. Her yerle ilgili daha fazla ayrıntı istenebilir.

Bu işlem, her bir yer kimliği için doğrudan Yer Ayrıntıları API'sine istek göndererek veya aramayı gerçekleştirmek için istemci kitaplığı kullanılarak yapılabilir. Yalnızca ihtiyacınız olan verileri istemek için FieldMask parametresini ayarlamayı unutmayın.

Son olarak, her şeyi tek ve güçlü bir görselleştirme olarak birleştiririz. Mor uygunluk tematik haritamızı temel katman olarak çizip Yerler API'sinden alınan her bir kahve dükkanı için raptiyeler ekliyoruz. Bu son harita, tüm analizimizi özetleyen bir bakışta görünüm sunar: Koyu mor alanlar potansiyeli, yeşil işaretler ise mevcut pazarın gerçekliğini gösterir.

Az sayıda veya hiç raptiye içermeyen koyu mor hücreleri arayarak yeni konumumuz için en iyi fırsatı sunan alanları kesin olarak belirleyebiliriz.

Yukarıdaki iki hücrenin uygunluk puanı yüksek olsa da yeni kahve dükkanımız için potansiyel konumlar olabilecek bazı belirgin boşluklar var.

Sonuç

Bu belgede, nerede genişlemeli? sorusuna eyalet genelinde verilen yanıttan, verilerle desteklenen yerel bir yanıta geçtik. Farklı veri kümelerini katmanlayarak ve özel iş mantığı uygulayarak büyük bir iş kararıyla ilişkili riski sistematik olarak azaltabilirsiniz. BigQuery'nin ölçeğini, Places Insights'ın zenginliğini ve Places API'nin gerçek zamanlı ayrıntılarını bir araya getiren bu iş akışı, stratejik büyüme için konum analizlerinden yararlanmak isteyen tüm kuruluşlara yönelik güçlü bir şablon sunar.

Sonraki adımlar

• Bu iş akışını kendi iş mantığınıza, hedef coğrafi bölgelerinize ve tescilli veri kümelerinize göre uyarlayın.
• Modelinizi daha da zenginleştirmek için Places Insights veri kümesindeki yorum sayısı, fiyat seviyeleri ve kullanıcı puanları gibi diğer veri alanlarını inceleyin.
• Yeni pazarları dinamik olarak değerlendirmek için kullanılabilecek bir dahili site seçimi kontrol paneli oluşturmak üzere bu süreci otomatikleştirin.

Belgeleri daha ayrıntılı inceleyin:

• Yer Analizlerine Genel Bakış
• Places Insights İşlevleri
• BigQuery Geospatial Analytics
• Places API

Katkıda bulunanlar

Henrik Valve | DevX Engineer