장소 통계 개요

중요: 장소 통계 데이터를 쿼리하려면 먼저 가입하여 장소 통계 제품에 액세스해야 합니다.

장소 통계를 사용하면 Google 지도의 풍부한 장소 데이터에 대한 고급 통계 분석을 수행할 수 있습니다. 수백만 개의 관심 장소 (POI) 데이터 포인트에 대한 집계 수와 밀도 정보를 제공하여 강력한 지리 공간 인텔리전스를 지원합니다.

주요 기능

• 지리 공간 인텔리전스: 특정 지리적 영역에서 다양한 카테고리의 관심 장소 (예: 소매업, 음식점, 서비스)의 밀도와 분포를 '조감도'로 확인합니다.
• 안전한 데이터 액세스: 데이터는 데이터 보호 기능이 적용된 BigQuery 데이터 교환 목록을 사용하여 배포되므로 데이터 공유 및 분석을 위한 안전하고 보호된 환경을 제공합니다.
• 실행 가능한 세부정보: Places Insights는 집계된 트렌드에 중점을 두지만, 출력된 장소 ID를 사용하여 다른 Google Maps Platform API를 통해 개별 장소 정보를 상세히 살펴보고 검색하여 통계적 인사이트에서 세부적인 작업으로 전환할 수 있습니다.

장소 데이터 및 사용 사례 이해

Google 지도는 전 세계 수백만 개 시설의 장소 데이터를 선별합니다. Places Insights는 이 포괄적인 장소 데이터를 BigQuery에서 사용할 수 있도록 하므로 장소 유형, 평점, 영업시간, 휠체어 접근성 등 다양한 속성을 기반으로 Google 지도 장소 데이터에 대한 집계된 유용한 정보를 도출할 수 있습니다.

Places Insights를 사용하려면 BigQuery에서 장소 데이터에 대한 통계적 인사이트를 반환하는 SQL 쿼리를 작성합니다. 이러한 통계를 통해 다음과 같은 질문에 답할 수 있습니다.

• 잠재적인 새 매장 위치 근처에서 운영 중인 유사한 비즈니스는 몇 개인가요?
• 가장 성공적인 매장 근처에서 가장 흔하게 발견되는 비즈니스 유형은 무엇인가요?
• 타겟 고객을 유치할 수 있는 보완 비즈니스가 밀집된 지역은 어디인가요?
• 마드리드에서 오후 8시에 영업하고 휠체어 이용이 가능한 주차장이 있으며 테이크아웃을 제공하는 별 5개짜리 초밥집은 몇 개인가요?
• 캘리포니아에서 전기자동차 충전소가 가장 많이 밀집된 우편번호는 어디인가요?

지원되는 사용 사례

• 사이트 선택: 새로운 비즈니스 또는 실물 자산 배치에 가장 적합한 위치를 평가하고 선택합니다. 주변 관심 장소의 밀도와 조합을 분석하여 잠재적인 사이트가 경쟁 및 보완 비즈니스 환경 내에서 최적의 위치에 있는지 확인할 수 있습니다. 이러한 데이터 기반 접근 방식은 새로운 위치에 대한 투자와 관련된 위험을 줄일 수 있습니다.
• 위치 실적 평가: 슈퍼마켓이나 이벤트 장소와 같은 특정 유형의 관심 장소(POI)와의 근접성과 같은 지리 공간 변수가 기존 위치 전반에서 긍정적 또는 부정적 실적과 어떻게 연관되는지 확인합니다. 이 데이터를 사용하면 사용 사례에 가장 적합한 지리 공간적 특성을 공유하는 잠재적 사이트를 식별할 수 있습니다. 이 정보를 사용하여 주변 관심 장소 컨텍스트를 기반으로 새로운 위치의 향후 실적을 예측하는 예측 모델을 배포할 수도 있습니다.
• 지역 타겟팅 마케팅: 특정 지역에서 성공할 마케팅 캠페인 또는 광고 유형을 결정합니다. 장소 통계는 상업 활동을 이해하는 데 필요한 컨텍스트를 제공하므로 관련 비즈니스 또는 활동의 집중도에 따라 메시지를 맞춤설정할 수 있습니다.
• 매출 예측: 잠재적 위치에서 향후 매출을 예측합니다. 주변 지리 공간 특성의 영향을 모델링하면 강력한 예측 모델을 만들어 투자 결정을 내릴 수 있습니다.
• 시장 조사: 비즈니스 또는 서비스를 확장할 다음 지역을 파악합니다. 기존 시장 포화도와 관심 장소 밀도를 분석하여 가장 큰 기회를 제공하는 서비스가 부족하거나 고도로 집중된 타겟 시장을 파악합니다. 이 분석은 전략적 성장 및 확장 이니셔티브를 지원하는 증거를 제공합니다.
• 추세 분석: 일정 기간 동안 발생하는 변화를 살펴봅니다. 2024년 1월부터 추가 및 삭제된 장소를 포함한 장소 수를 전월 대비 비교합니다.

장소 수 함수 또는 직접 SQL 쿼리를 사용하여 장소 통계 데이터 세트를 쿼리할 수 있습니다.

스키마 참조 확인하기

관련 Google Maps Platform 분석 데이터 세트와 결합

장소 통계는 집계된 관심 장소 수와 브랜드 밀도를 제공하지만, 위치 결정은 인간의 행동과 주변 환경을 이해하는 데 좌우되는 경우가 많습니다. Google 검색 동향, 건조 환경 및 인간 활동 패턴, 환경 컨텍스트 (예: 날씨 및 공기질)를 포착하는 머신러닝 임베딩을 사용하여 BigQuery의 관심 장소 데이터를 보강하려면 장소 통계를 인구 동향 통계 (PDI)(미리보기)와 페어링하세요.

쿼리 방법 선택: Places Count 함수와 직접 SQL 비교

다양한 분석 규모와 개인 정보 보호 요건을 수용하기 위해 장소 통계는 장소 수 함수(네이티브 BigQuery 함수)와 직접 SQL 쿼리 (테이블 조인)라는 두 가지 쿼리 경로를 제공합니다.

도움말: 어디서부터 시작해야 할지 막막하신가요? PLACES_COUNT_PER_H3로 시작하는 것이 좋습니다. 표준화된 그리드 셀 전반에서 즉각적인 공간 밀도 인사이트를 제공하고, 정답 검사를 위한 장소 ID를 반환하며, 지리 공간 특성 추출 및 ML 모델을 위해 특별히 제작되었습니다.

이 결정 매트릭스를 사용하여 구현에 적합한 쿼리 경로를 결정합니다.

분석 목표	권장 쿼리 방법	반환된 데이터 및 출력	개인 정보 보호 및 공간 고려사항
지역 관심 장소 밀도 분석 및 히트맵 빌드	PLACES_COUNT_PER_H3	정확한 개수 (0 포함)가 있는 H3 육각형 다각형을 반환합니다. 셀당 최대 250개의 place_id 값을 반환합니다.	공간 ML 모델 및 특성 추출을 위해 특별히 제작됨 최소 검색 영역 40m × 40m (1,600m²) 성능 및 낮은 처리 비용에 최적화됨 입력 매개변수의 유효성을 검사하고 더 쉬운 디버깅을 위해 명확한 오류를 반환합니다.
특정 사이트의 개수를 가져오고 장소 ID를 검색하여 세부정보 조회	PLACES_COUNT_V2 또는 PLACES_COUNT_PER_TYPE_V2	커스텀 도형의 정확한 개수 (0 포함)를 반환합니다. 행당 최대 250개의 place_id 값을 반환합니다.	최소 검색 영역 40m × 40m (1,600m²) TABLE 매개변수를 사용하여 수천 개의 위치로 확장 가능 성능 및 낮은 처리 비용에 최적화됨 입력 매개변수의 유효성을 검사하고 더 쉬운 디버깅을 위해 명확한 오류를 반환합니다.
두 달 동안의 관심 장소 변경사항 및 성장 추세 추적	PLACES_COUNT_CHANGE	start_count, end_count, net_change, percentage_change, compound_monthly_growth_rate 반환 새로 추가된 장소 ID (sample_added_place_ids) 및 삭제된 장소 ID (sample_removed_place_ids)의 배열을 반환합니다.	YYYY-MM 형식의 month1 및 month2 매개변수가 필요합니다. 최소 검색 영역 40m × 40m (1,600m²) TABLE 매개변수를 사용하여 수천 개의 커스텀 위치로 확장 가능
고급 커스텀 로직, 평균 또는 데이터 조인 실행	직접 SQL 쿼리	원시 테이블 전반에서 완전한 SQL 유연성 커스텀 SQL 측정항목 (AVG, SUM 등)을 사용 설정합니다.	장소 ID를 반환하지 않음 개인 정보 보호 기준: 0~4회의 조회수는 완전히 생략됩니다. 최소 검색 영역 제한 없음

중요: 정확한 낮은 수 (5개 미만) 또는 장소 ID를 가져오려면 장소 수 함수를 사용해야 합니다. 원시 테이블에서 직접 실행되는 표준 SQL 쿼리는 개인 정보 차등 보호 집계 기준점을 적용합니다. 쿼리에서 일치하는 장소 수가 0~4개인 경우 전체 행이 결과에서 생략됩니다. 이 제한을 우회하려면 최소 검색 영역 40m x 40m (1,600m²)에서 0을 포함한 모든 개수를 반환할 수 있는 장소 수 함수를 사용하세요.

스냅샷 날짜를 사용하여 이전 추세 분석

장소 통계를 사용하면 2024년 1월부터 장소 데이터의 월별 스냅샷을 쿼리하여 이전 분석을 수행할 수 있습니다. 이를 통해 비즈니스 밀도, 상업 활동, 경쟁 환경이 시간 경과에 따라 어떻게 변화했는지 평가할 수 있습니다.

장소 수 함수를 사용하여 이전 데이터를 쿼리하려면 JSON_OBJECT 내에 선택적 snapshot_date 필터 매개변수를 전달합니다. 값은 YYYY-MM 형식이어야 합니다 (예: '2026-01').

참고: snapshot_date를 생략하면 쿼리는 기본적으로 사용 가능한 최신 스냅샷의 데이터를 반환합니다.

예: PLACES_COUNT_V2를 사용하여 뉴욕시의 과거 음식점 수 쿼리

다음 예시에서는 PLACES_COUNT_V2를 사용하여 2026년 1월에 뉴욕시의 엠파이어 스테이트 빌딩과 타임스퀘어 주변에서 운영 중인 음식점 수를 분석합니다.

-- 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'
  )
);

이전 출력 분석

반환된 BigQuery 테이블에는 지정된 스냅샷 월 (2026-01)에 기록된 geo_id, 입력 지리 다각형, 장소 수, 샘플 장소 ID가 포함됩니다. 여러 스냅샷 월에 걸쳐 동일한 쿼리를 실행하여 성장 추세, 매장 개점 또는 시장 위축을 계산할 수 있습니다.

PLACES_COUNT_PER_H3을 사용하여 리전별 관심 장소 밀도 집계

PLACES_COUNT_PER_H3 함수는 넓은 지역의 관심 장소 밀도를 분석하는 데 권장되는 방법입니다. 대상 지역을 표준화된 H3 육각형 그리드 셀로 나누면 커스텀 경계를 그릴 필요가 없으며 결과를 Looker Studio와 같은 시각적 매핑 도구에 직접 입력할 수 있습니다.

예: 뉴욕주의 휠체어 이용 가능 식료품점 및 편의점 수 계산

다음 쿼리는 뉴욕주의 휠체어 이용 가능 식료품점 및 편의점을 해상도 수준 8의 H3 셀로 집계합니다. bigquery-public-data.geo_us_boundaries.states 공개 데이터 세트에서 동적으로 검색된 경계 도형을 사용합니다.

-- 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;

출력 분석

이 쿼리는 각 고유 H3 색인(h3_cell_index)을 경계 다각형 (geography), 관심 장소 수 (count), 최대 250개의 대표 sample_place_ids에 매핑하는 구조화된 테이블을 반환합니다.

• 0개 포함: 뉴욕주 그리드의 셀에 일치하는 매장이 없는 경우에도 개수가 0인 행이 반환됩니다. 이는 상업 또는 서비스 사각지대를 찾는 데 매우 중요합니다.
• 직접 시각적 매핑: 출력에 GEOGRAPHY 다각형이 포함되므로 BigQuery Studio 또는 Looker Studio 내에서 직접 히트맵을 렌더링할 수 있습니다.

장소 ID를 가져와 장소 세부정보 검사하기

Places Insights는 통계 인텔리전스를 위해 빌드되었지만 집계된 통계에서 세분화된 작업으로 전환할 수 있습니다.

PLACES_COUNT_PER_H3, PLACES_COUNT_V2, PLACES_COUNT_PER_TYPE_V2를 포함한 모든 기본 Places Count 함수 (기존 PLACES_COUNT 함수 제외)는 쿼리 기준과 일치하는 행당 최대 250개의 장소 ID 배열을 반환합니다.

이러한 장소 ID는 장소 세부정보 API와 같은 다른 Google Maps Platform API를 사용하여 매장 이름, 리뷰, 전화번호, 주소와 같은 특정 세부정보를 가져올 수 있는 다리 역할을 합니다.

여러 위치의 브랜드 인지도 분석

참고: 브랜드 데이터는 미국, 캐나다, 영국, 오스트레일리아 데이터 세트에서 사용할 수 있습니다.

장소 통계에는 장소 데이터와 함께 브랜드 또는 동일한 브랜드 이름으로 운영되는 여러 위치가 있는 매장에 관한 데이터가 포함됩니다.

브랜드 데이터를 쿼리하여 다음 작업을 할 수 있습니다.

• 타겟 시장에서 경쟁 브랜드의 밀도를 파악합니다.
• 브랜드 ID를 기준으로 관심 장소 수를 필터링합니다.
• 브랜드 매장과 독립 매장을 비교하여 시장 진출을 조사합니다.

다음 단계

• 장소 통계 시작하기 – 최적화된 모든 테이블 반환 함수에 대한 개요를 읽어보세요.
• PLACES_COUNT_PER_H3 참조 – 육각형 공간 색인 생성 함수에 대해 알아봅니다.
• 고급: 데이터 세트 직접 쿼리 – 표준 SQL 쿼리, 조인 워크플로, 브랜드 데이터 필터링에 대해 알아봅니다.
• 스키마 참조 보기 – 핵심 스키마와 국가별 스키마 모두에 대한 자세한 필드 표를 읽어보세요.