Valida los datos de Places Insights con IDs de lugar de muestra

En este documento, aprenderás a usar datos de ejemplo de IDs de lugar de Places Insights con funciones de recuento de lugares, junto con búsquedas específicas de Place Details para generar confianza en tus resultados.

El patrón arquitectónico

Este patrón arquitectónico te brinda un flujo de trabajo repetible para cerrar la brecha entre el análisis estadístico de alto nivel y la verificación de la verdad fundamental. Si combinas la escala de BigQuery con la precisión de la API de Places, puedes validar con confianza tus hallazgos analíticos. Esto es particularmente útil para la selección de sitios, el análisis de la competencia y la investigación de mercado, en los que la confianza en los datos es fundamental.

El núcleo de este patrón implica cuatro pasos clave:

1. Realiza análisis a gran escala: Usa una función de recuento de lugares de Places Insights en BigQuery para analizar datos de lugares en una gran área geográfica, como una ciudad o región entera.
2. Aislamiento y extracción de muestras: Identifica áreas de interés (p.ej., "puntos críticos" con alta densidad) de los resultados agregados y extraer el sample_place_ids proporcionado por la función.
3. Recupera detalles de la verdad fundamental: Usa los IDs de lugar extraídos para realizar llamadas segmentadas a la API de Place Details y recuperar detalles enriquecidos y del mundo real para cada lugar.
4. Crea una visualización combinada: Superpón los datos detallados del lugar sobre el mapa estadístico inicial de alto nivel para validar visualmente que los recuentos agregados reflejan la realidad en el terreno.

Flujo de trabajo de la solución

Este flujo de trabajo te permite cerrar la brecha entre las tendencias a nivel macro y los hechos a nivel micro. Comienzas con una vista estadística amplia y, luego, profundizas estratégicamente para verificar los datos con ejemplos específicos del mundo real.

Analiza la densidad de lugares a gran escala con Estadísticas de Places

El primer paso es comprender el panorama general. En lugar de recuperar miles de puntos de interés (PDI) individuales, puedes ejecutar una sola consulta para obtener un resumen estadístico.

La función PLACES_COUNT_PER_H3 de Places Insights es ideal para esto. Agrega los recuentos de POI en un sistema de cuadrícula hexagonal (H3), lo que te permite identificar rápidamente las áreas de alta o baja densidad según tus criterios específicos (p.ej., restaurantes con una calificación alta que estén operativos).

A continuación, se muestra un ejemplo de consulta. Ten en cuenta que deberás proporcionar la ubicación geográfica de tu área de búsqueda. Se puede usar un conjunto de datos abierto, como el conjunto de datos públicos de BigQuery de Overture Maps Data, para recuperar datos de límites geográficos.

Para los límites de conjuntos de datos abiertos que se usan con frecuencia, recomendamos materializarlos en una tabla de tu propio proyecto. Esto reduce significativamente los costos de BigQuery y mejora el rendimiento de las consultas.

-- This query counts all highly-rated, operational restaurants
-- across a large geography, grouping them into H3 cells.
SELECT *
FROM
  `places_insights___gb.PLACES_COUNT_PER_H3`(
    JSON_OBJECT(
      'geography', your_defined_geography,
      'h3_resolution', 8,
      'types', ['restaurant'],
      'business_status', ['OPERATIONAL'],
      'min_rating', 3.5
    )
  );

El resultado de esta consulta te proporciona una tabla de celdas H3 y el recuento de lugares dentro de cada una, lo que constituye la base para un mapa de calor de densidad.

Aísla las ubicaciones con grandes cantidades de casos confirmados y extrae los IDs de lugar de muestra

El resultado de la función PLACES_COUNT_PER_H3 también devuelve un array de sample_place_ids, con hasta 250 IDs de lugar por elemento de la respuesta. Estos IDs son el vínculo entre la estadística agregada y los lugares individuales que contribuyen a ella.

Primero, tu sistema podría identificar las celdas más relevantes de la búsqueda inicial. Por ejemplo, puedes seleccionar las 20 celdas principales con los recuentos más altos. Luego, a partir de estos puntos de interés, consolida los sample_place_ids en una sola lista. Esta lista representa una muestra seleccionada de los PDI más interesantes de las áreas más relevantes, lo que te prepara para la verificación segmentada.

Si procesas tus resultados de BigQuery en Python con un DataFrame de Pandas, la lógica para extraer estos IDs es sencilla:

# Assume 'results_df' is a pandas DataFrame from your BigQuery query.

# 1. Identify the 20 busiest H3 cells by sorting and taking the top results.
top_hotspots_df = results_df.sort_values(by='count', ascending=False).head(20)

# 2. Extract and flatten the lists of sample_place_ids from these hotspots.
# The .explode() function creates a new row for each ID in the lists.
all_sample_ids = top_hotspots_df['sample_place_ids'].explode()

# 3. Create a final list of unique Place IDs to verify.
place_ids_to_verify = all_sample_ids.unique().tolist()

print(f"Consolidated {len(place_ids_to_verify)} unique Place IDs for spot-checking.")

Se puede aplicar una lógica similar si se usan otros lenguajes de programación.

Cómo recuperar detalles de la verdad fundamental con la API de Places

Nota: La API de Geocoding también admite el uso de IDs de lugar para recuperar información sobre lugares.

Con tu lista consolidada de IDs de lugar, ahora puedes pasar de las estadísticas a gran escala a la recuperación de datos específicos. Usarás estos IDs para consultar la API de Place Details y obtener información detallada sobre cada ubicación de muestra.

Este es un paso de validación fundamental. Mientras que Places Insights te indicaba cuántos restaurantes había en un área, la API de Places te indica cuáles son, y te proporciona su nombre, dirección exacta, latitud y longitud, calificación de los usuarios y hasta un vínculo directo a su ubicación en Google Maps. Esto enriquece tus datos de muestra, ya que convierte los IDs abstractos en lugares concretos y verificables.

Para obtener la lista completa de los datos disponibles en la API de Place Details y el costo asociado a la recuperación, consulta la documentación de la API. El parámetro FieldMask se establece en la solicitud para controlar los datos que devuelve la API.

Una solicitud a la API de Places para un ID específico con la biblioteca cliente de Python se vería de la siguiente manera:

# A request to fetch details for a single Place ID.
request = {"name": f"places/{place_id}"}

# Define the fields you want returned in the response as a comma-separated string.
fields_to_request = "displayName,formattedAddress,location,googleMapsUri"

# The response contains ground truth data.
response = places_client.get_place(
    request=request,
    metadata=[("x-goog-fieldmask", fields_to_request)]
)

Consulta los ejemplos de la biblioteca cliente de la API de Places (nueva) para obtener más detalles.

Crea una visualización combinada para la validación

Sugerencia: El kit de IU de Places también se puede usar para visualizar resultados con IDs de lugar.

El paso final es reunir ambos conjuntos de datos en una sola vista. Esto proporciona una forma inmediata e intuitiva de verificar tu análisis inicial. Tu visualización debe tener dos capas:

1. Capa base: Es un mapa coropletas o de calor generado a partir de los resultados iniciales de PLACES_COUNT_PER_H3, que muestra la densidad general de lugares en tu ubicación geográfica.
2. Capa superior: Es un conjunto de marcadores individuales para cada PDI de muestra, trazados con las coordenadas precisas recuperadas de la API de Places en el paso anterior.

La lógica para compilar esta vista combinada se expresa en el siguiente ejemplo de seudocódigo:

# Assume 'h3_density_data' is your aggregated data from Step 1.
# Assume 'detailed_places_data' is your list of place objects from Step 3.

# Create the base choropleth map from the H3 density data.
# The 'count' column determines the color of each hexagon.
combined_map = create_choropleth_map(
    data=h3_density_data,
    color_by_column='count'
)

# Iterate through the detailed place data to add individual markers.
for place in detailed_places_data:
    # Construct the popup information with key details and a link.
    popup_html = f"""
    <b>{place.name}</b><br>
    Address: {place.address}<br>
    <a href="{place.google_maps_uri}" target="_blank">View on Maps</a>
    """

    # Add a marker for the current place to the base map.
    combined_map.add_marker(
        location=[place.latitude, place.longitude],
        popup=popup_html,
        tooltip=place.name
    )

# Display the final map with both layers.
display(combined_map)

Al superponer los marcadores específicos y verificados en el mapa de densidad de alto nivel, puedes confirmar de inmediato que las áreas identificadas como puntos de interés contienen, de hecho, una alta concentración de los lugares que estás analizando. Esta confirmación visual genera una gran confianza en tus conclusiones basadas en datos.

Conclusión

Este patrón arquitectónico proporciona un método sólido y eficiente para validar estadísticas geoespaciales a gran escala. Si aprovechas Places Insights para realizar análisis amplios y escalables, y la API de Place Details para la verificación de la verdad fundamental segmentada, crearás un potente circuito de retroalimentación. Esto garantiza que tus decisiones estratégicas, ya sea en la selección de sitios minoristas o en la planificación logística, se basen en datos que no solo son estadísticamente significativos, sino también verificablemente precisos.

Próximos pasos

• Explora otras funciones de recuento de lugares para ver cómo pueden responder diferentes preguntas analíticas.
• Revisa la documentación de la API de Places para descubrir otros campos que puedes solicitar y enriquecer aún más tu análisis.

Colaboradores

Henrik Valve | Ingeniero de DevX