ภาพรวมของ Places Insights

ข้อมูลเชิงลึกเกี่ยวกับสถานที่ช่วยให้คุณทำการวิเคราะห์ทางสถิติขั้นสูงเกี่ยวกับข้อมูลสถานที่ที่สมบูรณ์ของ Google Maps ได้ โดยจะให้ข้อมูลจำนวนรวมและความหนาแน่นของจุดข้อมูลจุดที่น่าสนใจ (POI) หลายล้านจุด ซึ่งช่วยให้สามารถข่าวกรองทางภูมิสารสนเทศที่มีประสิทธิภาพ

ความสามารถหลัก

  • การข่าวกรองทางภูมิสารสนเทศ: ดู "ภาพรวม" ของความหนาแน่นและการกระจายของ POI หมวดหมู่ต่างๆ (เช่น ร้านค้าปลีก ร้านอาหาร และบริการ) ในพื้นที่ทางภูมิศาสตร์ที่เฉพาะเจาะจง
  • การเข้าถึงข้อมูลที่ปลอดภัย: ข้อมูลจะได้รับการติดตั้งใช้งานโดยใช้ข้อมูลการแลกเปลี่ยนข้อมูล BigQuery พร้อมการคุ้มครองข้อมูล เพื่อให้มีสภาพแวดล้อมที่ปลอดภัยและได้รับการคุ้มครองสำหรับการแชร์และการวิเคราะห์ข้อมูล
  • รายละเอียดที่นำไปใช้ได้จริง: แม้ว่าข้อมูลเชิงลึกเกี่ยวกับสถานที่ (Places Insights) จะมุ่งเน้นที่แนวโน้มโดยรวม แต่คุณสามารถใช้รหัสสถานที่ที่แสดงผลเพื่อเจาะลึกและดึงข้อมูลสถานที่แต่ละแห่งโดยใช้ API อื่นๆ ของ Google Maps Platform เพื่อเปลี่ยนจากข้อมูลเชิงลึกทางสถิติเป็นการดำเนินการโดยละเอียดได้

ทำความเข้าใจข้อมูลสถานที่และกรณีการใช้งาน

Google Maps ดูแลจัดการข้อมูลสถานที่สำหรับสถานประกอบการหลายล้านแห่งทั่วโลก ข้อมูลเชิงลึกเกี่ยวกับสถานที่ทำให้ข้อมูลสถานที่ที่ครอบคลุมนี้พร้อมใช้งานใน BigQuery เพื่อให้คุณได้รับข้อมูลเชิงลึกแบบรวมเกี่ยวกับข้อมูลสถานที่ของ Google Maps โดยอิงตามแอตทริบิวต์ต่างๆ เช่น ประเภทสถานที่ คะแนน เวลาทำการ การรองรับเก้าอี้รถเข็น และอื่นๆ

หากต้องการใช้ข้อมูลเชิงลึกเกี่ยวกับสถานที่ ให้เขียนการค้นหา SQL ใน BigQuery ที่แสดงข้อมูลเชิงลึกทางสถิติเกี่ยวกับข้อมูลสถานที่ ข้อมูลเชิงลึกเหล่านี้จะช่วยตอบคำถามต่างๆ เช่น

  • มีธุรกิจที่คล้ายกันกี่แห่งที่ดำเนินกิจการอยู่ใกล้กับสถานที่ตั้งร้านค้าใหม่ที่มีศักยภาพ
  • ธุรกิจประเภทใดที่พบได้บ่อยที่สุดใกล้กับร้านค้าที่ประสบความสำเร็จมากที่สุดของฉัน
  • พื้นที่ใดมีธุรกิจที่ส่งเสริมกันจำนวนมากซึ่งอาจดึงดูดลูกค้าเป้าหมายของฉันได้
  • ร้านซูชิระดับ 5 ดาวในมาดริดที่เปิดตอน 20:00 น. มีที่จอดรถที่รองรับเก้าอี้รถเข็น และมีบริการซื้อกลับบ้านมีกี่ร้าน
  • รหัสไปรษณีย์ใดในแคลิฟอร์เนียมีสถานีชาร์จ EV หนาแน่นที่สุด

กรณีการใช้งานที่รองรับ

  • การเลือกสถานที่ตั้ง: ประเมินและเลือกสถานที่ตั้งที่เหมาะสมที่สุดสำหรับธุรกิจใหม่หรือการวางตำแหน่งของชิ้นงานที่จับต้องได้ การวิเคราะห์ความหนาแน่นและส่วนผสมของ POI โดยรอบจะช่วยให้คุณมั่นใจได้ว่าสถานที่ตั้งที่คาดหวังจะอยู่ในตำแหน่งที่เหมาะสมที่สุดภายในสภาพแวดล้อมทางธุรกิจที่มีการแข่งขันและส่งเสริมกัน แนวทางที่อิงตามข้อมูลนี้จะช่วยลดความเสี่ยงที่เกี่ยวข้องกับการลงทุนในสถานที่ตั้งใหม่ๆ ได้
  • การประเมินประสิทธิภาพของสถานที่ตั้ง: ระบุตัวแปรเชิงพื้นที่ทางภูมิศาสตร์ เช่น ความใกล้ชิดกับจุดที่น่าสนใจบางประเภท เช่น ซูเปอร์มาร์เก็ตหรือสถานที่จัดกิจกรรม ซึ่งสัมพันธ์กับประสิทธิภาพเชิงบวกหรือเชิงลบในสถานที่ตั้งที่มีอยู่ ข้อมูลนี้ช่วยให้คุณระบุสถานที่ที่คาดหวังซึ่งมีลักษณะทางภูมิศาสตร์ที่เหมาะสมที่สุดสำหรับกรณีการใช้งานของคุณ นอกจากนี้ คุณยังใช้ข้อมูลนี้เพื่อปรับใช้โมเดลการคาดการณ์ที่คาดการณ์ประสิทธิภาพในอนาคตของสถานที่ตั้งใหม่ๆ โดยอิงตามบริบทของจุดที่น่าสนใจโดยรอบได้ด้วย
  • การตลาดที่กำหนดเป้าหมายตามภูมิศาสตร์: พิจารณาว่าแคมเปญการตลาดหรือโฆษณาประเภทใดจะประสบความสำเร็จในพื้นที่หนึ่งๆ ข้อมูลเชิงลึกเกี่ยวกับสถานที่ให้บริบทที่จำเป็นต่อการทำความเข้าใจกิจกรรมเชิงพาณิชย์ ซึ่งช่วยให้คุณปรับแต่งข้อความตามความหนาแน่นของธุรกิจหรือกิจกรรมที่เกี่ยวข้องได้
  • การคาดการณ์ยอดขาย: คาดการณ์ยอดขายในอนาคตที่สถานที่ตั้งที่คาดหวัง การสร้างโมเดลผลกระทบของลักษณะทางภูมิสารสนเทศโดยรอบช่วยให้คุณสร้างโมเดลการคาดการณ์ที่มีประสิทธิภาพเพื่อขับเคลื่อนการตัดสินใจลงทุนได้
  • การวิจัยตลาด: ระบุภูมิศาสตร์ที่จะขยายธุรกิจหรือบริการในลำดับถัดไป วิเคราะห์ความอิ่มตัวของตลาดที่มีอยู่และความหนาแน่นของ POI เพื่อระบุตลาดเป้าหมายที่ยังไม่ได้รับการตอบสนองหรือมีความหนาแน่นสูงซึ่งมีโอกาสมากที่สุด การวิเคราะห์นี้ให้หลักฐานเพื่อสนับสนุนโครงการริเริ่มด้านการเติบโตและการขยายธุรกิจเชิงกลยุทธ์
  • การวิเคราะห์แนวโน้ม: สำรวจการเปลี่ยนแปลงที่เกิดขึ้นในช่วงระยะเวลาหนึ่ง เปรียบเทียบจำนวนสถานที่ รวมถึงสถานที่ที่เพิ่มและนำออก แบบเดือนต่อเดือนย้อนหลังไปถึงเดือนมกราคม 2024

คุณสามารถค้นหาชุดข้อมูลข้อมูลเชิงลึกเกี่ยวกับสถานที่โดยใช้ฟังก์ชัน Places Count หรือการค้นหา SQL โดยตรง

ดูข้อมูลอ้างอิงสคีมา

แม้ว่าข้อมูลเชิงลึกเกี่ยวกับสถานที่ (Places Insights) จะแสดงจำนวนจุดที่น่าสนใจ (POI) และความหนาแน่นของแบรนด์แบบรวม แต่การตัดสินใจเกี่ยวกับสถานที่ตั้งมักขึ้นอยู่กับการทำความเข้าใจพฤติกรรมของมนุษย์และสภาพแวดล้อมในท้องถิ่น หากต้องการเพิ่มข้อมูล POI ใน BigQuery ด้วยการฝังแมชชีนเลิร์นนิงที่บันทึกเทรนด์การค้นหาของ Google Search, สิ่งแวดล้อมที่มนุษย์สร้างขึ้นและรูปแบบกิจกรรมของมนุษย์ รวมถึงบริบทด้านสิ่งแวดล้อม (เช่น สภาพอากาศและคุณภาพอากาศ) ให้จับคู่ข้อมูลเชิงลึกเกี่ยวกับสถานที่กับข้อมูลเชิงลึกเกี่ยวกับพลวัตของประชากร (PDI) (เวอร์ชันตัวอย่าง)

เลือกวิธีการค้นหา: ฟังก์ชัน Places Count เทียบกับ SQL โดยตรง

ข้อมูลเชิงลึกเกี่ยวกับสถานที่รองรับการวิเคราะห์ในระดับต่างๆ และข้อกำหนดด้านความเป็นส่วนตัว โดยมีเส้นทางการค้นหา 2 เส้นทาง ได้แก่ ฟังก์ชัน Places Count (ฟังก์ชัน BigQuery แบบเนทีฟ) และการค้นหา SQL โดยตรง (การรวมตาราง)

ใช้เมทริกซ์การตัดสินใจนี้เพื่อกำหนดเส้นทางการค้นหาที่ถูกต้องสำหรับการใช้งานของคุณ

เป้าหมายการวิเคราะห์ของคุณ วิธีการค้นหาที่แนะนำ ข้อมูลและเอาต์พุตที่แสดงผล ข้อควรพิจารณาด้านความเป็นส่วนตัวและพื้นที่ทำงาน
วิเคราะห์ความหนาแน่นของ POI ในภูมิภาคและสร้างแผนที่ความหนาแน่น PLACES_COUNT_PER_H3
  • แสดงผลรูปหลายเหลี่ยมหกเหลี่ยม H3 ที่มีจำนวนที่แน่นอน (รวมถึง 0)
  • แสดงผลค่า place_id สูงสุด 250 ค่าต่อเซลล์
  • สร้างขึ้นเพื่อโมเดล ML เชิงพื้นที่และ Feature Engineering โดยเฉพาะ
  • พื้นที่ค้นหาขั้นต่ำ 40 ม. × 40 ม. (1,600 ตร.ม.)
  • เพิ่มประสิทธิภาพและลดต้นทุนการประมวลผล
  • ตรวจสอบพารามิเตอร์อินพุตและแสดงข้อผิดพลาดที่ชัดเจนเพื่อให้แก้ไขข้อบกพร่องได้ง่ายขึ้น
ดูจำนวนสำหรับเว็บไซต์ที่เฉพาะเจาะจงและดึงข้อมูลรหัสสถานที่เพื่อค้นหารายละเอียด PLACES_COUNT_V2 หรือ PLACES_COUNT_PER_TYPE_V2
  • แสดงจำนวนที่แน่นอน (รวมถึง 0) สำหรับเรขาคณิตที่กำหนดเอง
  • แสดงผลค่า place_id สูงสุด 250 ค่าต่อแถว
  • พื้นที่ค้นหาขั้นต่ำ 40 ม. × 40 ม. (1,600 ตร.ม.)
  • ปรับขนาดให้รองรับสถานที่ตั้งหลายพันแห่งได้โดยใช้พารามิเตอร์ TABLE รายการ
  • เพิ่มประสิทธิภาพและลดต้นทุนการประมวลผล
  • ตรวจสอบพารามิเตอร์อินพุตและแสดงข้อผิดพลาดที่ชัดเจนเพื่อให้แก้ไขข้อบกพร่องได้ง่ายขึ้น
ติดตามการเปลี่ยนแปลงของ POI และแนวโน้มการเติบโตเมื่อเวลาผ่านไประหว่าง 2 เดือน PLACES_COUNT_CHANGE
  • ผลตอบแทน start_count, end_count, net_change, percentage_change และ compound_monthly_growth_rate
  • แสดงผลอาร์เรย์ของรหัสสถานที่ที่เพิ่มใหม่ (sample_added_place_ids) และนำออก (sample_removed_place_ids)
  • ต้องใช้พารามิเตอร์ month1 และ month2 ในรูปแบบ YYYY-MM
  • พื้นที่ค้นหาขั้นต่ำ 40 ม. × 40 ม. (1,600 ตร.ม.)
  • ปรับขนาดเป็นสถานที่ตั้งที่กำหนดเองได้หลายพันแห่งโดยใช้พารามิเตอร์ TABLE
ใช้ตรรกะที่กำหนดเองขั้นสูง ค่าเฉลี่ย หรือรวมเข้ากับข้อมูลของคุณ การค้นหา SQL โดยตรง
  • ความยืดหยุ่นของ SQL เต็มรูปแบบในตารางข้อมูลดิบ
  • เปิดใช้เมตริก SQL ที่กำหนดเอง (AVG, SUM ฯลฯ)
  • ไม่แสดงรหัสสถานที่
  • เกณฑ์ความเป็นส่วนตัว: ระบบจะละเว้นจำนวน 0 ถึง 4 รายการโดยสิ้นเชิง
  • ไม่มีข้อจำกัดพื้นที่ค้นหาขั้นต่ำ

ข้อมูลเชิงลึกเกี่ยวกับสถานที่ช่วยให้คุณทำการวิเคราะห์ข้อมูลย้อนหลังได้โดยการค้นหาภาพรวมรายเดือนของข้อมูล Places ย้อนหลังไปถึงเดือนมกราคม 2024 ซึ่งจะช่วยให้คุณประเมินได้ว่าความหนาแน่นของธุรกิจ กิจกรรมเชิงพาณิชย์ และภาพรวมการแข่งขันมีการเปลี่ยนแปลงไปอย่างไรเมื่อเวลาผ่านไป

หากต้องการค้นหาข้อมูลย้อนหลังโดยใช้ฟังก์ชัน Places Count ให้ส่งพารามิเตอร์ตัวกรอง snapshot_date ที่ไม่บังคับภายใน JSON_OBJECT ค่าต้องอยู่ในรูปแบบ YYYY-MM (เช่น '2026-01')

ตัวอย่าง: ค้นหาจำนวนร้านอาหารที่ผ่านมาในนิวยอร์กซิตี้ด้วย PLACES_COUNT_V2

ตัวอย่างต่อไปนี้ใช้ PLACES_COUNT_V2 เพื่อวิเคราะห์จำนวนร้านอาหารที่เปิดให้บริการรอบๆ ตึกเอ็มไพร์สเตตและไทม์สแควร์ในนครนิวยอร์ก ณ เดือนมกราคม 2026

-- Create a table for the input search geographies
WITH my_search_areas AS (
  SELECT
    'Empire State Building' AS geo_id,
    ST_GEOGPOINT(-73.9857, 40.7484) AS geo
  UNION ALL
  SELECT
    'Times Square' AS geo_id,
    ST_GEOGPOINT(-73.9851, 40.7580) AS geo
)

-- Query restaurant counts for the January 2026 snapshot
SELECT *
FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_V2`(
  TABLE my_search_areas,
  JSON_OBJECT(
      'geography_radius', 1000, -- Radius in meters around each point
      'business_status', ['OPERATIONAL'],
      'types', ['restaurant'],
      'snapshot_date', '2026-01'
  )
);

กำลังวิเคราะห์เอาต์พุตที่ผ่านมา

ตาราง BigQuery ที่แสดงผลจะมี geo_id, รูปหลายเหลี่ยมทางภูมิศาสตร์ที่ป้อน, จำนวนสถานที่ และรหัสสถานที่ตัวอย่างตามที่บันทึกไว้ในช่วงเดือนของภาพรวมที่ระบุ (2026-01) คุณสามารถเรียกใช้การค้นหาที่เหมือนกันในสแนปชอตหลายเดือนเพื่อคำนวณแนวโน้มการเติบโต การเปิดร้านค้า หรือการหดตัวของตลาด

รวบรวมความหนาแน่นของจุดที่น่าสนใจระดับภูมิภาคโดยใช้ PLACES_COUNT_PER_H3

ฟังก์ชัน PLACES_COUNT_PER_H3 เป็นวิธีที่แนะนำสำหรับการวิเคราะห์ความหนาแน่นของจุดที่น่าสนใจในพื้นที่ขนาดใหญ่ การแบ่งภูมิภาคเป้าหมายออกเป็นเซลล์ตารางกริดหกเหลี่ยม H3 ที่ได้มาตรฐานจะช่วยลดความจำเป็นในการวาดขอบเขตที่กำหนดเอง และสามารถป้อนผลลัพธ์ลงในเครื่องมือการแมปภาพโดยตรง เช่น Looker Studio

ตัวอย่าง: นับจำนวนร้านขายของชำและร้านสะดวกซื้อที่รองรับเก้าอี้รถเข็นในรัฐนิวยอร์ก

การค้นหาต่อไปนี้จะรวมร้านขายของชำและร้านสะดวกซื้อที่รองรับเก้าอี้รถเข็นในรัฐนิวยอร์กไว้ในเซลล์ H3 ที่ความละเอียดระดับ 8 โดยจะใช้เรขาคณิตของขอบเขตที่ดึงมาจากชุดข้อมูลสาธารณะ bigquery-public-data.geo_us_boundaries.states แบบไดนามิก

-- Query POI count per H3 cell intersecting the New York State polygon boundary
SELECT *
FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_PER_H3`(
  JSON_OBJECT(
      'geography', (
        -- Dynamically retrieve the boundary geography for New York State
        SELECT state_geom
        FROM `bigquery-public-data.geo_us_boundaries.states`
        WHERE state = 'NY'
        LIMIT 1
      ),
      'types', ['grocery_store', 'convenience_store'],
      'business_status', ['OPERATIONAL'],
      'h3_resolution', 8,
      'wheelchair_accessible_entrance', TRUE
  )
)
ORDER BY count DESC;

กำลังวิเคราะห์เอาต์พุต

การค้นหานี้จะแสดงผลตารางที่มีโครงสร้างซึ่งแมปดัชนี H3 (h3_cell_index) ที่ไม่ซ้ำกันแต่ละรายการกับรูปหลายเหลี่ยมขอบเขต (geography), จำนวน POI (count) และ sample_place_ids ที่เป็นตัวแทนสูงสุด 250 รายการ

  • รวมจำนวนที่เป็นศูนย์: หากเซลล์ในตารางกริดของรัฐนิวยอร์กมีร้านค้าที่ตรงกันเป็นศูนย์ ระบบจะยังคงแสดงแถวที่มีจำนวนเป็น 0 ซึ่งเป็นสิ่งสำคัญในการระบุพื้นที่ที่ขาดแคลนบริการหรือธุรกิจเชิงพาณิชย์
  • การแมปภาพโดยตรง: เนื่องจากเอาต์พุตมีGEOGRAPHY รูปหลายเหลี่ยม คุณจึงแสดงผลแผนที่ความหนาแน่นได้โดยตรงภายใน BigQuery Studio หรือ Looker Studio

ดึงรหัสสถานที่เพื่อตรวจสอบรายละเอียดสถานที่

แม้ว่าข้อมูลเชิงลึกเกี่ยวกับสถานที่สร้างขึ้นเพื่อการวิเคราะห์ทางสถิติ แต่คุณสามารถเปลี่ยนจากข้อมูลเชิงลึกแบบรวมเป็นการดำเนินการแบบละเอียดได้

ฟังก์ชัน Places Count หลักทั้งหมด ซึ่งรวมถึง PLACES_COUNT_PER_H3, PLACES_COUNT_V2 และ PLACES_COUNT_PER_TYPE_V2 (ยกเว้นฟังก์ชัน PLACES_COUNT เดิม) จะแสดงผลอาร์เรย์ของรหัสสถานที่สูงสุด 250 รายการต่อแถวที่ตรงกับเกณฑ์การค้นหา

รหัสสถานที่เหล่านี้ทำหน้าที่เป็นสะพานเชื่อม ช่วยให้คุณใช้ API อื่นๆ ของ Google Maps Platform เช่น Place Details API เพื่อดึงรายละเอียดที่เฉพาะเจาะจง เช่น ชื่อร้านค้า รีวิว หมายเลขโทรศัพท์ และที่อยู่ได้

วิเคราะห์การแสดงข้อมูลของแบรนด์ที่มีหลายสาขา

นอกจากข้อมูลสถานที่แล้ว ข้อมูลเชิงลึกเกี่ยวกับสถานที่ยังมีข้อมูลเกี่ยวกับแบรนด์หรือร้านค้าที่มีสถานที่ตั้งหลายแห่งซึ่งดำเนินธุรกิจภายใต้ชื่อแบรนด์เดียวกันด้วย

คุณสามารถค้นหาข้อมูลแบรนด์เพื่อทำสิ่งต่อไปนี้ได้

  • ระบุความหนาแน่นของแบรนด์คู่แข่งในตลาดเป้าหมาย
  • กรองจำนวน POI ตามรหัสแบรนด์โดยเฉพาะ
  • ตรวจสอบการเจาะตลาดเดิมโดยเปรียบเทียบสถานประกอบการที่มีแบรนด์กับสถานประกอบการอิสระ

ขั้นตอนถัดไป