Places Insights를 사용하면 분석 허브 및 BigQuery에서 Google 지도에 있는 풍부한 장소 및 브랜드 데이터를 활용하여 Google 지도 장소 데이터에 관한 통계적 유용한 정보를 도출할 수 있습니다. 데이터는 데이터 공유를 위한 보안 환경을 제공하는 BigQuery 데이터 클린룸에 배포됩니다.
장소 데이터 정보
Google 지도는 전 세계 수백만 개의 시설에 대한 장소 데이터를 관리합니다. Places Insights는 BigQuery에서 장소 데이터를 사용할 수 있도록 지원하므로 장소 유형, 평점, 영업시간, 휠체어 접근성 등 다양한 속성을 기반으로 Google 지도 장소 데이터에 관한 집계된 유용한 정보를 도출할 수 있습니다.
Places Insights를 사용하려면 BigQuery에서 장소 데이터에 관한 통계적 통계를 반환하는 SQL 쿼리를 작성합니다. 이러한 통계를 통해 다음과 같은 질문에 답할 수 있습니다.
- 잠재적인 신규 매장 위치 근처에 유사한 비즈니스가 몇 개 운영되고 있나요?
- 가장 성공적인 매장 근처에서 가장 흔하게 발견되는 비즈니스 유형은 무엇인가요?
- 타겟 고객을 유치할 수 있는 보완적인 비즈니스가 많이 있는 지역이 있나요?
- 타겟 잠재고객에게 도달하려면 옥외 광고를 어디에 게재해야 하나요?
- 마드리드에서 오후 8시에 영업하고, 휠체어 이용 가능 주차장이 있으며, 테이크아웃을 제공하는 별 5개 스시 레스토랑은 몇 개야?
집계 데이터는 다음과 같은 사이트 선택 및 위치 실적 평가 사용 사례를 지원할 수 있습니다.
사이트 선택은 새 비즈니스 또는 실제 자산 배치에 가장 적합한 위치를 평가하고 선택하는 프로세스입니다.
위치 실적 평가는 특정 지리 공간적 특성(예: 관심 장소)과의 근접성과 같은 변수가 위치의 긍정적 또는 부정적 실적에 미치는 영향을 평가하는 것입니다.
브랜드 데이터 정보
장소 데이터와 함께 Places Insights에는 동일한 브랜드 이름으로 운영되는 여러 위치가 있는 브랜드 또는 매장에 관한 데이터가 포함됩니다.
브랜드를 사용하여 다음과 같은 질문에 답할 수 있습니다.
- 특정 지역의 브랜드별 모든 매장 수는 얼마인가요?
- 이 지역에서 상위 3개 경쟁업체 브랜드의 수는 얼마인가요?
- 이 지역에서 이 브랜드를 제외한 모든 커피숍의 수는 얼마인가요?
BigQuery 정보
Places Insights를 사용하면 BigQuery 클린룸에 데이터를 저장하여 다음 작업을 할 수 있습니다.
데이터를 Places Insights 데이터와 안전하게 결합하세요. 장소 데이터와 함께 BigQuery 데이터 클린룸에 독점 데이터를 저장할 수 있습니다.
유연한 SQL 쿼리를 작성하여 특정 비즈니스 요구사항에 대한 집계된 통계를 파악합니다.
비공개 데이터와 함께 이미 사용 중인 동일한 BigQuery 도구를 사용합니다.
BigQuery를 사용하면 대규모 데이터 세트를 손쉽게 처리하여 대규모로 데이터를 분석할 수 있습니다.
사용 사례
이 예에서는 BigQuery에서 내 데이터를 Places Insights 데이터와 조인하여 집계 정보를 도출합니다. 이 예에서는 뉴욕시에 여러 위치를 보유한 호텔 소유자라고 가정합니다. 이제 호텔 위치 데이터를 장소 통계 데이터와 결합하여 호텔 근처에 사전 정의된 비즈니스 유형이 얼마나 집중되어 있는지 파악하려고 합니다.
기본 요건
이 예에서는 미국의 Places Insights 데이터 세트를 구독합니다.
호텔 데이터 세트의 이름은 mydata이며 뉴욕시에 있는 두 호텔의 위치를 정의합니다. 다음 SQL은 이 데이터 세트를 만듭니다.
CREATE OR REPLACE TABLE `mydata.hotels` ( name STRING, location GEOGRAPHY ); INSERT INTO `mydata.hotels` VALUES( 'Hotel 1', ST_GEOGPOINT(-73.9933, 40.75866) ); INSERT INTO `mydata.hotels` VALUES( 'Hotel 2', ST_GEOGPOINT(-73.977713, 40.752124) );
해당 지역의 음식점 수 가져오기
고객에게 호텔 근처에 영업 중인 레스토랑의 밀도를 알려주기 위해 각 호텔에서 1, 000미터 이내에 있는 레스토랑 수를 반환하는 SQL 쿼리를 작성합니다.
SELECT WITH AGGREGATION_THRESHOLD h.name, COUNT(*) AS count FROM `places_insights___us___sample.places_sample` AS r, `mydata.hotels` AS h WHERE ST_DWITHIN(h.location, r.point, 1000) AND r.primary_type = 'restaurant' AND business_status = "OPERATIONAL" GROUP BY 1
다음 이미지는 이 쿼리의 출력 예시를 보여줍니다.
해당 지역의 음식점 및 바 개수 가져오기
각 호텔에서 1,000m 이내에 있는 레스토랑과 함께 바를 포함하도록 쿼리를 수정합니다.
SELECT WITH AGGREGATION_THRESHOLD h.name, r.primary_type, COUNT(*) AS count FROM `places_insights___us___sample.places_sample` AS r, `mydata.hotels` AS h WHERE ST_DWITHIN(h.location, r.point, 1000) AND r.primary_type IN UNNEST(['restaurant','bar']) AND business_status = "OPERATIONAL" GROUP BY 1, 2
다음 이미지는 이 쿼리의 출력 예시를 보여줍니다.
이 지역의 적당한 가격의 레스토랑과 바의 수를 가져옵니다.
다음으로 바와 레스토랑에서 어떤 고객 인구통계를 타겟팅하는지 알아야 합니다. 호텔이 적당한 가격대를 타겟팅하므로 해당 가격대이며 리뷰가 좋은 인근 시설의 존재만 광고하려고 합니다.
PRICE_LEVEL_MODERATE 가격대이고 평점이 별 4개 이상인 바와 레스토랑만 반환하도록 쿼리를 제한합니다. 이 쿼리는 각 호텔 주변의 반경을 1,500미터로 확장하기도 합니다.
SELECT WITH AGGREGATION_THRESHOLD h.name, r.primary_type, COUNT(*) AS count FROM `places_insights___us___sample.places_sample` AS r, `mydata.hotels` AS h WHERE ST_DWITHIN(h.location, r.point, 1500) AND r.primary_type IN UNNEST(['restaurant', 'bar']) AND rating >= 4 AND business_status = "OPERATIONAL" AND price_level = 'PRICE_LEVEL_MODERATE' GROUP BY 1, 2
다음 이미지는 이 쿼리의 출력 예시를 보여줍니다.
