Omówienie statystyk miejsc

Statystyki miejsc umożliwiają przeprowadzanie zaawansowanych analiz statystycznych na podstawie szczegółowych danych o miejscach w Mapach Google. Dostarcza zagregowane dane o liczbie i gęstości milionów punktów danych dotyczących ciekawych miejsc, co umożliwia zaawansowaną analizę geoprzestrzenną.

Najważniejsze funkcje

  • Analiza geoprzestrzenna: uzyskaj „widok z lotu ptaka” na gęstość i rozmieszczenie różnych kategorii ważnych miejsc (np. sklepów, restauracji i usług) na określonych obszarach geograficznych.
  • Bezpieczny dostęp do danych: dane są wdrażane za pomocą list wymiany danych BigQuery z zastosowaniem ochrony danych, co umożliwia bezpieczne i chronione środowisko do udostępniania danych i analizowania danych.
  • Szczegółowe informacje, na podstawie których można podjąć działania: usługa Statystyki miejsc koncentruje się na trendach zbiorczych, ale możesz użyć wygenerowanych identyfikatorów miejsc, aby uzyskać szczegółowe informacje o poszczególnych miejscach za pomocą innych interfejsów API Google Maps Platform. Dzięki temu możesz przejść od statystyk do szczegółowych działań.

Informacje o danych o miejscach i przypadkach użycia

Mapy Google gromadzą dane o miejscach dotyczące milionów firm na całym świecie. Statystyki miejsc udostępniają te kompleksowe dane o miejscach w BigQuery, dzięki czemu możesz uzyskiwać zagregowane statystyki na podstawie danych o miejscach w Mapach Google, uwzględniające różne atrybuty, takie jak typy miejsc, oceny, godziny otwarcia, dostępność dla osób na wózkach i inne.

Aby korzystać ze Statystyk miejsc, musisz napisać w BigQuery zapytania SQL, które zwracają statystyki dotyczące danych o miejscach. Dzięki tym statystykom możesz uzyskać odpowiedzi na takie pytania:

  • Ile podobnych firm działa w pobliżu potencjalnej nowej lokalizacji sklepu?
  • Jakie rodzaje firm najczęściej znajdują się w pobliżu moich sklepów, które osiągają najlepsze wyniki?
  • W których obszarach występuje duże zagęszczenie firm o komplementarnej ofercie, które mogą przyciągać moich docelowych klientów?
  • Ile 5-gwiazdkowych restauracji sushi jest otwartych o 20:00 w Madrycie, ma parking dostępny dla osób na wózkach i oferuje dania na wynos?
  • W których kodach pocztowych w Kalifornii jest największe zagęszczenie stacji ładowania EV?

Obsługiwane zastosowania

  • Wybór lokalizacji: ocena i wybór najbardziej odpowiednich lokalizacji dla nowej firmy lub umieszczenia zasobu fizycznego. Analizując gęstość i rodzaje otaczających ciekawych miejsc, możesz upewnić się, że potencjalna lokalizacja jest optymalnie usytuowana w konkurencyjnym i uzupełniającym się środowisku biznesowym. Takie podejście oparte na danych może zmniejszyć ryzyko związane z inwestowaniem w nowe lokalizacje.
  • Ocena skuteczności lokalizacji: określ, jakie zmienne geoprzestrzenne, takie jak bliskość określonych typów ważnych miejsc, np. supermarketów lub miejsc wydarzeń, korelują z pozytywnymi lub negatywnymi wynikami w Twoich obecnych lokalizacjach. Te dane pozwalają zidentyfikować potencjalne lokalizacje, które mają najlepszą kombinację cech geoprzestrzennych w Twoim przypadku użycia. Możesz też użyć tych informacji do wdrożenia modeli predykcyjnych, które prognozują przyszłą skuteczność nowych lokalizacji na podstawie otaczających je ciekawych miejsc.
  • Marketing kierowany geograficznie: określanie, jakie rodzaje kampanii marketingowych lub reklam będą skuteczne na danym obszarze. Statystyki miejsc dostarczają kontekstu potrzebnego do zrozumienia działalności komercyjnej, co pozwala dostosowywać przekaz na podstawie koncentracji odpowiednich firm lub działań.
  • Prognozowanie sprzedaży: prognozowanie przyszłej sprzedaży w potencjalnej lokalizacji. Modelowanie wpływu otaczających cech geoprzestrzennych pozwala tworzyć solidne modele predykcyjne, które ułatwiają podejmowanie decyzji inwestycyjnych.
  • Badania rynku: dowiedz się, na jakie regiony warto rozszerzyć działalność lub usługi. Analizuj istniejące nasycenie rynku i gęstość ciekawych miejsc, aby identyfikować rynki docelowe o niskim nasyceniu lub wysokiej koncentracji, które oferują największe możliwości. Ta analiza dostarcza dowodów na poparcie strategicznych inicjatyw związanych ze wzrostem i rozwojem.
  • Analiza trendów: badanie zmian, które zachodzą w określonym czasie. Porównuj liczbę miejsc, w tym dodanych i usuniętych, miesiąc do miesiąca, od stycznia 2024 r.

Zbiory danych Statystyk miejsc możesz odpytywać za pomocą funkcji Places Count lub bezpośrednich zapytań SQL.

Zobacz dokumentację schematu

Chociaż Statystyki miejsc dostarczają zagregowane dane o liczbie ciekawych miejsc i gęstości marek, decyzje dotyczące lokalizacji często zależą od zrozumienia zachowań ludzi i lokalnego otoczenia. Aby wzbogacić dane o ciekawych miejscach w BigQuery o wektory dystrybucyjne uczenia maszynowego, które rejestrują trendy wyszukiwania w wyszukiwarce Google, środowisko zabudowane i wzorce aktywności człowieka oraz kontekst środowiskowy (np. pogodę i jakość powietrza), połącz Statystyki miejsc ze Statystykami dynamiki populacji (wersja testowa).

Wybieranie metody wysyłania zapytań: funkcje Places Count a bezpośrednie zapytania SQL

Aby dostosować się do różnych skal analizy i wymagań dotyczących ochrony prywatności, Statystyki miejsc oferują 2 sposoby wysyłania zapytań: funkcje zliczania miejsc (natywne funkcje BigQuery) i bezpośrednie zapytania SQL (łączenia tabel).

Skorzystaj z tej macierzy decyzyjnej, aby określić prawidłową ścieżkę zapytania dla swojej implementacji:

Twój cel analizy Zalecana metoda wysyłania zapytań Zwracane dane i wyniki Prywatność i kwestie przestrzenne
Analizowanie gęstości ciekawych miejsc w regionie i tworzenie map termicznych PLACES_COUNT_PER_H3
  • Zwraca wielokąty sześciokątne H3 z dokładną liczbą (w tym 0)
  • Zwraca do 250 wartości place_id na komórkę
  • Specjalnie zaprojektowane do modeli ML i inżynierii cech przestrzennych
  • Minimalny obszar wyszukiwania: 40 m × 40 m (1600 m²).
  • Zoptymalizowany pod kątem wydajności i niskich kosztów przetwarzania
  • Weryfikuje parametry wejściowe i zwraca zrozumiałe błędy, co ułatwia debugowanie.
Uzyskiwanie liczby konkretnych miejsc i pobieranie identyfikatorów miejsc w celu sprawdzenia szczegółów PLACES_COUNT_V2 lub PLACES_COUNT_PER_TYPE_V2
  • Zwraca dokładne liczby (w tym 0) w przypadku niestandardowych geometrii.
  • Zwraca maksymalnie 250 wartości place_id na wiersz
  • Minimalny obszar wyszukiwania: 40 m × 40 m (1600 m²).
  • Możliwość skalowania do tysięcy lokalizacji za pomocą parametrów TABLE
  • Zoptymalizowany pod kątem wydajności i niskich kosztów przetwarzania
  • Weryfikuje parametry wejściowe i zwraca zrozumiałe błędy, co ułatwia debugowanie.
Śledzenie zmian i trendów wzrostu dotyczących ciekawych miejsc na przestrzeni 2 miesięcy PLACES_COUNT_CHANGE
  • Zwroty: start_count, end_count, net_change, percentage_change i compound_monthly_growth_rate
  • Zwraca tablice nowo dodanych (sample_added_place_ids) i usuniętych (sample_removed_place_ids) identyfikatorów miejsc.
  • Wymaga parametrów month1 i month2 w formacie YYYY-MM
  • Minimalny obszar wyszukiwania: 40 m × 40 m (1600 m²).
  • Możliwość skalowania do tysięcy lokalizacji niestandardowych za pomocą parametrów TABLE
Wykonywanie zaawansowanej logiki niestandardowej, obliczanie średnich lub łączenie z danymi Bezpośrednie zapytania SQL
  • Pełna elastyczność SQL w przypadku nieprzetworzonych tabel
  • Włącza niestandardowe wskaźniki SQL (AVG, SUM itp.)
  • Nie zwraca identyfikatorów miejsc.
  • Próg prywatności: liczby od 0 do 4 są całkowicie pomijane.
  • Brak ograniczenia minimalnego obszaru wyszukiwania

Statystyki miejsc umożliwiają przeprowadzanie analizy historycznej przez wysyłanie zapytań o miesięczne zrzuty danych o miejscach od stycznia 2024 r. Dzięki temu możesz ocenić, jak na przestrzeni czasu zmieniały się gęstość firm, aktywność komercyjna i konkurencja.

Aby wysłać zapytanie o dane historyczne za pomocą funkcji liczby miejsc, przekaż opcjonalny parametr filtra snapshot_date w funkcji JSON_OBJECT. Wartość musi być sformatowana jako YYYY-MM (np. '2026-01').

Przykład: zapytanie o historyczną liczbę restauracji w Nowym Jorku za pomocą PLACES_COUNT_V2

W tym przykładzie używamy PLACES_COUNT_V2 do analizy liczby działających restauracji wokół Empire State Building i Times Square w Nowym Jorku w styczniu 2026 r.:

-- 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'
  )
);

Analizowanie danych historycznych

Zwrócona tabela BigQuery zawiera geo_id, wejściowy wielokąt geograficzny, liczbę miejsc i przykładowe identyfikatory miejsc zarejestrowane w określonym miesiącu (2026-01). Możesz uruchamiać identyczne zapytania w ciągu kilku miesięcy, aby obliczać trendy wzrostu, otwarcia sklepów lub kurczenie się rynku.

Agregowanie regionalnej gęstości ciekawych miejsc za pomocą PLACES_COUNT_PER_H3

Funkcja PLACES_COUNT_PER_H3 jest zalecanym sposobem analizowania gęstości ciekawych miejsc na dużych obszarach. Dzięki podziałowi regionu docelowego na standardowe komórki siatki sześciokątnej H3 nie musisz rysować niestandardowych granic i możesz przekazywać wyniki bezpośrednio do narzędzi do mapowania wizualnego, takich jak Looker Studio.

Przykład: policz sklepy spożywcze i osiedlowe w stanie Nowy Jork, które są dostępne dla osób na wózkach.

Poniższe zapytanie agreguje sklepy spożywcze i osiedlowe dostępne dla osób na wózkach w stanie Nowy Jork w komórkach H3 na poziomie rozdzielczości 8. Używa geometrii granic pobieranej dynamicznie z publicznego zbioru danych bigquery-public-data.geo_us_boundaries.states.

-- 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;

Analizowanie danych wyjściowych

To zapytanie zwraca tabelę strukturalną, która mapuje każdy odrębny indeks H3 (h3_cell_index) na jego wielokąt graniczny (geography), liczbę ciekawych miejsc (count) i maksymalnie 250 reprezentatywnych sample_place_ids.

  • Uwzględnianie zerowych wartości: jeśli komórka w siatce stanu Nowy Jork nie zawiera pasujących sklepów, nadal zwraca wiersz z liczbą 0. Jest to kluczowe dla lokalizowania obszarów, na których brakuje usług i sklepów.
  • Bezpośrednie mapowanie wizualne: ponieważ dane wyjściowe zawierają wielokąt GEOGRAPHY, możesz renderować mapy termiczne bezpośrednio w BigQuery Studio lub Looker Studio.

Pobieranie identyfikatorów miejsc w celu sprawdzenia informacji o miejscu

Chociaż usługa Statystyki miejsc została stworzona z myślą o analizie statystycznej, możesz przejść od statystyk zbiorczych do szczegółowych działań.

Wszystkie podstawowe funkcje Places Count, w tym PLACES_COUNT_PER_H3, PLACES_COUNT_V2 i PLACES_COUNT_PER_TYPE_V2 (z wyjątkiem starszej funkcji PLACES_COUNT), zwracają tablicę zawierającą maksymalnie 250 identyfikatorów miejsc na wiersz, które spełniają kryteria zapytania.

Te identyfikatory miejsc działają jak most, umożliwiając korzystanie z innych interfejsów API Google Maps Platform, takich jak Place Details API, do pobierania konkretnych informacji o miejscu, takich jak nazwy sklepów, opinie, numery telefonów i adresy.

Analizowanie obecności marki w wielu lokalizacjach

Oprócz danych o miejscach Statystyki miejsc zawierają dane o markach lub sklepach, które mają wiele lokalizacji działających pod tą samą nazwą marki.

Możesz wysyłać zapytania o dane dotyczące marki, aby:

  • Określ gęstość marek konkurencyjnych na rynku docelowym.
  • Filtrowanie liczby ciekawych miejsc według identyfikatorów marek.
  • Zbadaj penetrację rynku, porównując placówki markowe i niezależne.

Co dalej?