סקירה כללית על התובנות לגבי מקומות

בעזרת Places Insights אתם יכולים לבצע ניתוח סטטיסטי מתקדם של נתוני המקומות העשירים של מפות Google. הוא מספק ספירות מצטברות ומידע על צפיפות של מיליוני נקודות נתונים של נקודות עניין (POI), ומאפשר מידע רב עוצמה על סמך מיקום.

יכולות עיקריות

  • מידע על סמך מיקום: אתם יכולים לקבל "מבט מלמעלה" על הצפיפות והפיזור של קטגוריות שונות של נקודות עניין (לדוגמה, חנויות, מסעדות ושירותים) באזורים גיאוגרפיים ספציפיים.
  • גישה מאובטחת לנתונים: הנתונים נפרסים באמצעות רשימות של החלפת נתונים ב-BigQuery, עם אמצעי הגנה על הנתונים שמאפשרים סביבה מאובטחת ומוגנת לשיתוף ולניתוח של נתונים.
  • פרטים שניתן לפעול לפיהם: Places Insights מתמקד במגמות מצטברות, אבל אתם יכולים להשתמש במזהי המקומות שנוצרו כדי להציג מידע מפורט על מקומות ספציפיים באמצעות ממשקי API אחרים של Google Maps Platform, וכך לעבור מתובנה סטטיסטית לפעולה מפורטת.

הסבר על נתוני מקומות ותרחישים לדוגמה

במפות Google יש נתונים על מיליוני מקומות ברחבי העולם. השירות Places Insights מאפשר לכם להשתמש בנתונים המקיפים האלה על מקומות ב-BigQuery, כדי להפיק תובנות מצטברות על נתוני המקומות במפות Google על סמך מגוון מאפיינים כמו סוגי מקומות, דירוגים, שעות פתיחה, נגישות לכיסאות גלגלים ועוד.

כדי להשתמש ב-Places Insights, צריך לכתוב שאילתות SQL ב-BigQuery שמחזירות תובנות סטטיסטיות לגבי נתוני המקומות. התובנות האלה מאפשרות לכם לענות על שאלות כמו:

  • כמה עסקים דומים פועלים ליד מיקום פוטנציאלי של חנות חדשה?
  • אילו סוגי עסקים נמצאים בדרך כלל ליד החנויות הכי מצליחות שלי?
  • באילו אזורים יש ריכוז גבוה של עסקים משלימים שיכולים למשוך את קהל היעד שלי?
  • כמה מסעדות סושי עם דירוג של 5 כוכבים פתוחות בשעה 20:00 במדריד, כוללות חנייה נגישה לכיסאות גלגלים ומציעות טייק אוויי?
  • באילו אזורי מיקוד בקליפורניה יש את הריכוז הגבוה ביותר של תחנות טעינה לרכבים חשמליים?

תרחישי שימוש נתמכים

  • בחירת מיקום: הערכה ובחירה של המיקומים המתאימים ביותר לעסק חדש או להצבת נכס פיזי. ניתוח הצפיפות והשילוב של נקודות העניין בסביבה מאפשר לוודא שהאתר הפוטנציאלי ממוקם בצורה אופטימלית בסביבה העסקית התחרותית והמשלימה שלו. הגישה הזו, שמבוססת על נתונים, יכולה לצמצם את הסיכון שקשור להשקעה במיקומים חדשים.
  • הערכת ביצועים לפי מיקום: אתם יכולים לבדוק אילו משתנים גיאוגרפיים, כמו קרבה לסוגים מסוימים של נקודות עניין כמו סופרמרקטים או אולמות אירועים, משפיעים לטובה או לרעה על הביצועים במיקומים הקיימים שלכם. הנתונים האלה מאפשרים לכם לזהות אתרים פוטנציאליים שחולקים את השילוב הטוב ביותר של מאפיינים גיאו-מרחביים לתרחיש לדוגמה שלכם. אתם יכולים גם להשתמש במידע הזה כדי לפרוס מודלים של חיזוי שצופים את הביצועים העתידיים של מיקומים חדשים על סמך ההקשר של נקודות העניין שמסביב.
  • שיווק מטורגט גיאוגרפית: קובעים אילו סוגים של קמפיינים שיווקיים או מודעות יצליחו באזור מסוים. Places Insights מספק את ההקשר שדרוש כדי להבין את הפעילות המסחרית, ומאפשר להתאים את המסרים לפי הריכוז של העסקים או הפעילויות הרלוונטיים.
  • תחזית מכירות: חיזוי מכירות עתידיות במיקום פוטנציאלי. מודלים של השפעת המאפיינים הגיאו-מרחביים שמסביב מאפשרים ליצור מודלים חזקים של חיזוי כדי לקבל החלטות לגבי השקעות.
  • מחקר שוק: קבלת מידע על האזורים הגיאוגרפיים שכדאי להרחיב אליהם את העסק או השירות. אפשר לנתח את רוויית השוק הקיימת ואת צפיפות נקודות העניין כדי לזהות שוקי יעד עם מעט שירותים או עם ריכוז גבוה של שירותים, שמציעים את ההזדמנות הכי טובה. הניתוח הזה מספק ראיות שתומכות ביוזמות אסטרטגיות לצמיחה ולהתרחבות.
  • ניתוח מגמות: בחינת שינויים שמתרחשים לאורך זמן. להשוות בין מספר המקומות, כולל מקומות שנוספו והוסרו, מחודש לחודש, החל מינואר 2024.

אתם יכולים להריץ שאילתות על קבוצות הנתונים של Places Insights באמצעות פונקציות של ספירת מקומות או שאילתות SQL ישירות.

לעיון בחומר העזר על סכימות

בעוד ש-Places Insights מספקת ספירות מצטברות של נקודות עניין וצפיפות של מותגים, החלטות לגבי מיקומים תלויות לעיתים קרובות בהבנת ההתנהגות האנושית והסביבה המקומית. כדי להעשיר את נתוני נקודות העניין ב-BigQuery באמצעות הטמעות של למידת מכונה שמתעדות את מגמות החיפוש ב-Google, את הסביבה הבנויה, את דפוסי הפעילות האנושית ואת ההקשר הסביבתי (כמו מזג האוויר ואיכות האוויר), אתם יכולים לשלב את Places Insights עם Population Dynamics Insights (PDI) (גרסת טרום-השקה (Preview)).

בחירת שיטת השאילתה: פונקציות של ספירת מקומות לעומת SQL ישיר

כדי להתאים את עצמו להיקפי ניתוח שונים ולדרישות בנושא פרטיות, Places Insights מציע שתי דרכים לשליחת שאילתות: פונקציות ספירת מקומות (פונקציות מקוריות של BigQuery) ושאילתות SQL ישירות (צירופי טבלאות).

אתם יכולים להשתמש במטריצת ההחלטות הזו כדי לקבוע את נתיב השאילתה הנכון להטמעה:

מטרת הניתוח שיטת השאילתה המומלצת נתונים ופלט שמוחזרים שיקולים שקשורים לפרטיות ולמרחב
ניתוח צפיפות של נקודות עניין אזוריות ויצירת מפות חום PLACES_COUNT_PER_H3
  • הפונקציה מחזירה מצולעים משושים של H3 עם ספירות מדויקות (כולל 0)
  • הפונקציה מחזירה עד 250 ערכי place_id לכל תא
  • מיועד למודלים של למידת מכונה מרחבית ולהנדסת פיצ'רים (feature engineering)
  • אזור חיפוש מינימלי של 40 מ' על 40 מ' (1,600 מ"ר)
  • אופטימיזציה לביצועים ועלות עיבוד נמוכה
  • מאמת את הפרמטרים של הקלט ומחזיר שגיאות ברורות כדי להקל על ניפוי הבאגים
קבלת ספירות של אתרים ספציפיים ואחזור מזהי מקומות כדי לחפש פרטים PLACES_COUNT_V2 או PLACES_COUNT_PER_TYPE_V2
  • החזרת ספירות מדויקות (כולל 0) של צורות גיאומטריות בהתאמה אישית
  • הפונקציה מחזירה עד 250 ערכי place_id בכל שורה
  • אזור חיפוש מינימלי של 40 מ' על 40 מ' (1,600 מ"ר)
  • אפשר להרחיב את השימוש לאלפי מיקומים באמצעות פרמטרים של TABLE
  • אופטימיזציה לביצועים ועלות עיבוד נמוכה
  • מאמת את הפרמטרים של הקלט ומחזיר שגיאות ברורות כדי להקל על ניפוי הבאגים
מעקב אחרי שינויים בנקודות עניין ומגמות צמיחה לאורך זמן בין שני חודשים PLACES_COUNT_CHANGE
  • החזרות start_count, ‏end_count, ‏net_change, ‏percentage_change ו-compound_monthly_growth_rate
  • הפונקציה מחזירה מערכים של מזהי מקומות שנוספו (sample_added_place_ids) והוסרו (sample_removed_place_ids) לאחרונה
  • נדרשים הפרמטרים month1 ו-month2 בפורמט YYYY-MM
  • אזור חיפוש מינימלי של 40 מ' על 40 מ' (1,600 מ"ר)
  • אפשר להרחיב את השימוש לאלפי מיקומים מותאמים אישית באמצעות פרמטרים של TABLE
הפעלה של לוגיקה מתקדמת בהתאמה אישית, ממוצעים או שילוב עם הנתונים שלכם שאילתות SQL ישירות
  • גמישות מלאה של SQL בטבלאות גולמיות
  • הפעלת מדדי SQL בהתאמה אישית (AVG,‏ SUM וכו')
  • לא מחזיר מזהי מקומות
  • סף פרטיות: ספירות של 0 עד 4 מושמטות לחלוטין
  • אין הגבלה על אזור החיפוש המינימלי

‫Places Insights מאפשר לכם לבצע ניתוח היסטורי על ידי שליחת שאילתות לתמונות מצב חודשיות של נתוני Places החל מינואר 2024. כך אפשר להעריך איך צפיפות העסקים, הפעילות המסחרית והסביבה התחרותית השתנו לאורך זמן.

כדי להריץ שאילתה על נתונים היסטוריים באמצעות פונקציות של ספירת מקומות, מעבירים את פרמטר הסינון האופציונלי snapshot_date בתוך JSON_OBJECT. הערך צריך להיות בפורמט YYYY-MM (לדוגמה, '2026-01').

דוגמה: שאילתה על מספר המסעדות ההיסטורי בניו יורק באמצעות PLACES_COUNT_V2

בדוגמה הבאה נעשה שימוש ב-PLACES_COUNT_V2 כדי לנתח את מספר המסעדות הפעילות סביב בניין האמפייר סטייט וכיכר טיימס בניו יורק, כפי שהיו בינואר 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'
  )
);

מנתח את הפלט ההיסטורי

הטבלה ב-BigQuery שמוחזרת מכילה את geo_id, את פוליגון המיקום הגיאוגרפי שהוזן, את מספר המקומות ואת מזהי המקומות לדוגמה, כפי שהם תועדו במהלך חודש תמונת המצב שצוין (2026-01). אתם יכולים להריץ שאילתות זהות על פני כמה חודשים של תמונות מצב כדי לחשב מגמות צמיחה, פתיחת חנויות או התכווצות השוק.

צבירת צפיפות אזורית של נקודות עניין באמצעות PLACES_COUNT_PER_H3

הפונקציה PLACES_COUNT_PER_H3 היא הדרך המומלצת לנתח את צפיפות נקודות העניין באזורים גדולים. כשמחלקים את אזור היעד לתאים משושים סטנדרטיים של רשת H3, לא צריך לשרטט גבולות בהתאמה אישית ואפשר להזין את התוצאות ישירות לכלים חזותיים למיפוי, כמו Looker Studio.

דוגמה: ספירת חנויות מכולת וחנויות נוחות נגישות לכיסאות גלגלים במדינת ניו יורק

השאילתה הבאה צוברת חנויות מכולת וחנויות נוחות שנגישות לכיסאות גלגלים במדינת ניו יורק לתאי H3 ברמת רזולוציה 8. הוא משתמש בגיאומטריה של גבולות שמאוחזרת באופן דינמי ממערך הנתונים הציבורי 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;

ניתוח הפלט

השאילתה הזו מחזירה טבלה מובנית שממפה כל אינדקס H3 נפרד (h3_cell_index) לפוליגון הגבול שלו (geography), לספירת נקודות העניין (count) ועד 250 sample_place_ids מייצגים.

  • כולל ספירות אפס: אם בתא ברשת של מדינת ניו יורק יש אפס חנויות תואמות, עדיין תוחזר שורה עם ספירה של 0. זהו מידע קריטי לאיתור אזורים שאין בהם מסחר או שירותים.
  • מיפוי חזותי ישיר: הפלט כולל פוליגון GEOGRAPHY, אז אפשר ליצור מפות חום ישירות ב-BigQuery Studio או ב-Looker Studio.

אחזור מזהי מקומות כדי לבדוק את פרטי המקום

למרות ש-Places Insights נועד לניתוח סטטיסטי, אתם יכולים לעבור מתובנות נצברות לפעולות מפורטות.

כל הפונקציות הראשיות של ספירת מקומות, כולל PLACES_COUNT_PER_H3,‏ PLACES_COUNT_V2 ו-PLACES_COUNT_PER_TYPE_V2 (חוץ מהפונקציה הקודמת PLACES_COUNT), מחזירות מערך של עד 250 מזהי מקומות בכל שורה שתואמים לקריטריונים של השאילתה.

מזהי המקומות האלה משמשים כגשר, ומאפשרים לכם להשתמש בממשקי API אחרים של Google Maps Platform, כמו Place Details API, כדי לאחזר פרטים ספציפיים כמו שמות של חנויות, ביקורות, מספרי טלפון וכתובות.

ניתוח הנוכחות של מותג עם כמה מיקומים

בנוסף לנתוני המקומות, Places Insights כולל נתונים על מותגים או חנויות שיש להם כמה מיקומים שפועלים תחת אותו שם מותג.

אתם יכולים להריץ שאילתות על נתוני המותג כדי:

  • לזהות את הצפיפות של מותגים מתחרים בשוק יעד.
  • סינון של ספירת נקודות העניין לפי מזהי מותגים ספציפיים.
  • בודקים את החדירה לשוק על ידי השוואה בין עסקים ממותגים לעסקים עצמאיים.

המאמרים הבאים