Standortauswahl mit Places Insights und BigQuery

Einführung

In diesem Dokument wird beschrieben, wie Sie eine Lösung zur Standortauswahl erstellen, indem Sie das Places Insights-Dataset, öffentliche Geodaten in BigQuery und die Place Details API kombinieren.

Sie basiert auf einer Demo, die auf der Google Cloud Next 2025 gehalten wurde und auf YouTube angesehen werden kann.

Die Herausforderung

Stellen Sie sich vor, Sie betreiben eine erfolgreiche Kette von Cafés und möchten in einen neuen Bundesstaat wie Nevada expandieren, in dem Sie noch nicht vertreten sind. Die Eröffnung eines neuen Standorts ist eine erhebliche Investition. Daher ist es wichtig, eine datengestützte Entscheidung zu treffen, um erfolgreich zu sein. Wo soll man da anfangen?

In diesem Leitfaden wird eine mehrschichtige Analyse beschrieben, mit der Sie den optimalen Standort für ein neues Café ermitteln können. Wir beginnen mit einer bundesweiten Übersicht, grenzen unsere Suche schrittweise auf einen bestimmten Bezirk und eine bestimmte Gewerbezone ein und führen schließlich eine hyperlokale Analyse durch, um einzelne Gebiete zu bewerten und Marktlücken zu ermitteln, indem wir Wettbewerber auf einer Karte darstellen.

Lösungsablauf

Dieser Prozess folgt einem logischen Trichter, der breit beginnt und immer detaillierter wird, um den Suchbereich einzugrenzen und das Vertrauen in die endgültige Standortauswahl zu erhöhen.

Voraussetzungen und Umgebungseinrichtung

Bevor Sie mit der Analyse beginnen, benötigen Sie eine Umgebung mit einigen wichtigen Funktionen. In diesem Leitfaden wird eine Implementierung mit SQL und Python beschrieben. Die allgemeinen Grundsätze können jedoch auch auf andere Technologie-Stacks angewendet werden.

Ihre Umgebung muss folgende Voraussetzungen erfüllen:

• Abfragen in BigQuery ausführen
• Auf Places Insights zugreifen (weitere Informationen finden Sie unter Places Insights einrichten)
• Abonnieren Sie öffentliche Datasets von bigquery-public-data und US Census Bureau County Population Totals.

Außerdem müssen Sie in der Lage sein, Geodaten auf einer Karte zu visualisieren. Das ist entscheidend, um die Ergebnisse der einzelnen Analyseschritte zu interpretieren. Es gibt verschiedene Möglichkeiten, diese Anforderung zu erfüllen. Sie können BI-Tools wie Looker Studio verwenden, die direkt mit BigQuery verbunden sind, oder Data-Science-Sprachen wie Python.

Analyse auf Bundesstaatsebene: Das beste County finden

Im ersten Schritt führen wir eine umfassende Analyse durch, um den vielversprechendsten Bezirk in Nevada zu ermitteln. Wir definieren vielversprechend als Kombination aus hoher Bevölkerungszahl und hoher Dichte an bestehenden Restaurants, was auf eine starke Gastronomie hinweist.

In unserer BigQuery-Abfrage wird dies durch die Nutzung der integrierten Adresskomponenten im Places Insights-Dataset erreicht. In der Abfrage werden Restaurants gezählt, indem die Daten zuerst mit dem Feld administrative_area_level_1_name so gefiltert werden, dass nur Orte im Bundesstaat Nevada berücksichtigt werden. Anschließend wird diese Menge weiter verfeinert, sodass nur Orte berücksichtigt werden, an denen das Typenarray „restaurant“ enthält. Schließlich werden diese Ergebnisse nach dem Namen des Landkreises (administrative_area_level_2_name) gruppiert, um eine Anzahl für jeden Landkreis zu erhalten. Bei diesem Ansatz wird die integrierte, vorab indexierte Adressstruktur des Datasets verwendet.

In diesem Ausschnitt sehen Sie, wie wir Kreisgeometrien mit Places Insights zusammenführen und nach einem bestimmten Ortstyp filtern, restaurant:

SELECT WITH AGGREGATION_THRESHOLD
  administrative_area_level_2_name,
  COUNT(*) AS restaurant_count
FROM
  `places_insights___us.places`
WHERE
  -- Filter for the state of Nevada
  administrative_area_level_1_name = 'Nevada'
  -- Filter for places that are restaurants
  AND 'restaurant' IN UNNEST(types)
  -- Filter for operational places only
  AND business_status = 'OPERATIONAL'
  -- Exclude rows where the county name is null
  AND administrative_area_level_2_name IS NOT NULL
GROUP BY
  administrative_area_level_2_name
ORDER BY
  restaurant_count DESC

Eine reine Anzahl von Restaurants reicht nicht aus. Wir müssen sie mit Bevölkerungsdaten abgleichen, um ein echtes Gefühl für die Marktsättigung und die Möglichkeiten zu bekommen. Wir verwenden Bevölkerungsdaten aus den US Census Bureau County Population Totals.

Um diese beiden sehr unterschiedlichen Messwerte (eine Anzahl von Orten im Vergleich zu einer großen Bevölkerungszahl) zu vergleichen, verwenden wir die Min-Max-Normalisierung. Bei dieser Methode werden beide Messwerte auf einen gemeinsamen Bereich (0 bis 1) skaliert. Anschließend werden sie zu einem einzelnen normalized_score kombiniert, wobei jeder Messwert ein Gewicht von 50% erhält, um einen ausgewogenen Vergleich zu ermöglichen.

In diesem Auszug wird die Kernlogik für die Berechnung des Optimierungsfaktors dargestellt. Sie kombiniert die normalisierte Bevölkerungszahl und die Anzahl der Restaurants:

(
    -- Normalize restaurant count (scales to a 0-1 value) and apply 50% weight
    SAFE_DIVIDE(restaurant_count - min_restaurants, max_restaurants - min_restaurants) * 0.5
    +
    -- Normalize population (scales to a 0-1 value) and apply 50% weight
    SAFE_DIVIDE(population_2023 - min_pop, max_pop - min_pop) * 0.5
  ) AS normalized_score

Nachdem Sie die vollständige Abfrage ausgeführt haben, wird eine Liste der Landkreise, der Anzahl der Restaurants, der Bevölkerung und des normalisierten Werts zurückgegeben. Wenn wir nach normalized_score DESC sortieren, ist Clark County der klare Gewinner für weitere Untersuchungen.

Auf diesem Screenshot sind die vier Landkreise mit dem höchsten normalisierten Wert zu sehen. Die Rohbevölkerungszahl wurde in diesem Beispiel bewusst weggelassen.

Analyse auf Bezirksebene: Die belebtesten Gewerbegebiete finden

Nachdem wir Clark County identifiziert haben, müssen wir nun die Postleitzahlen mit der höchsten kommerziellen Aktivität herausfinden. Anhand von Daten aus unseren bestehenden Cafés wissen wir, dass die Leistung besser ist, wenn sie sich in der Nähe einer hohen Dichte wichtiger Marken befinden. Wir verwenden dies daher als Proxy für eine hohe Besucherzahl.

In dieser Abfrage wird die Tabelle brands in Places Insights verwendet, die Informationen zu bestimmten Marken enthält. In dieser Tabelle finden Sie eine Liste der unterstützten Marken. Zuerst definieren wir eine Liste unserer Zielmarken und führen diese dann mit dem Haupt-Dataset für Places-Statistiken zusammen, um zu zählen, wie viele dieser Geschäfte in jeder Postleitzahl in Clark County liegen.

Am effizientesten ist ein zweistufiger Ansatz:

1. Zuerst führen wir eine schnelle, nicht geografische Aggregation durch, um die Marken in jeder Postleitzahl zu zählen.
2. Als Nächstes werden diese Ergebnisse mit einem öffentlichen Dataset zusammengeführt, um die Kartenränder für die Visualisierung zu erhalten.

Marken mit dem Feld „postal_code_names“ zählen

In dieser ersten Abfrage wird die grundlegende Zähllogik ausgeführt. Die Abfrage filtert nach Orten in Clark County und verschachtelt dann das Array „postal_code_names“ auf, um die Markenzahlen nach Postleitzahl zu gruppieren.

WITH brand_names AS (
  -- First, select the chains we are interested in by name
  SELECT
    id,
    name
  FROM
    `places_insights___us.brands`
  WHERE
    name IN ('7-Eleven', 'CVS', 'Walgreens', 'Subway Restaurants', "McDonald's")
)
SELECT WITH AGGREGATION_THRESHOLD
  postal_code,
  COUNT(*) AS total_brand_count
FROM
  `places_insights___us.places` AS places_table,
  -- Unnest the built-in postal code and brand ID arrays
  UNNEST(places_table.postal_code_names) AS postal_code,
  UNNEST(places_table.brand_ids) AS brand_id
JOIN
  brand_names
  ON brand_names.id = brand_id
WHERE
  -- Filter directly on the administrative area fields in the places table
  places_table.administrative_area_level_2_name = 'Clark County'
  AND places_table.administrative_area_level_1_name = 'Nevada'
GROUP BY
  postal_code
ORDER BY
  total_brand_count DESC

Die Ausgabe ist eine Tabelle mit Postleitzahlen und den entsprechenden Markenzahlen.

Postleitzahlgeometrien für die Kartierung anhängen

Nachdem wir die Anzahl haben, können wir die für die Visualisierung erforderlichen Polygonformen abrufen. In dieser zweiten Abfrage wird die erste Abfrage in einen allgemeinen Tabellenausdruck (Common Table Expression, CTE) mit dem Namen brand_counts_by_zip eingeschlossen und die Ergebnisse werden mit der öffentlichen geo_us_boundaries.zip_codes table verknüpft. So wird die Geometrie effizient an unsere vorab berechneten Zählungen angehängt.

WITH brand_counts_by_zip AS (
  -- This will be the entire query from the previous step, without the final ORDER BY (excluded for brevity).
  . . .
)
-- Now, join the aggregated results to the boundaries table
SELECT
  counts.postal_code,
  counts.total_brand_count,
  -- Simplify the geometry for faster rendering in maps
  ST_SIMPLIFY(zip_boundaries.zip_code_geom, 100) AS geography
FROM
  brand_counts_by_zip AS counts
JOIN
  `bigquery-public-data.geo_us_boundaries.zip_codes` AS zip_boundaries
  ON counts.postal_code = zip_boundaries.zip_code
ORDER BY
  counts.total_brand_count DESC

Die Ausgabe ist eine Tabelle mit Postleitzahlen, den entsprechenden Markenzahlen und der Postleitzahlgeometrie.

Wir können diese Daten als Heatmap visualisieren. Die dunkelroten Bereiche weisen auf eine höhere Konzentration unserer Zielmarken hin und zeigen uns die kommerziell dichtesten Zonen in Las Vegas.

Hyperlokale Analyse: Einzelne Rasterbereiche bewerten

Nachdem wir den allgemeinen Bereich von Las Vegas identifiziert haben, ist es an der Zeit für eine detaillierte Analyse. Hier bringen wir unser spezifisches Geschäftswissen ein. Wir wissen, dass ein gutes Café in der Nähe anderer Unternehmen, die während unserer Stoßzeiten, also am späten Vormittag und zur Mittagszeit, gut besucht sind, erfolgreich ist.

Unsere nächste Abfrage ist sehr spezifisch. Zuerst wird ein feingliedriges sechseckiges Raster über dem Großraum Las Vegas erstellt. Dazu wird der standardmäßige H3-Geospatial-Index (mit der Auflösung 8) verwendet, um die Region auf Mikroebene zu analysieren. Mit der Anfrage werden zuerst alle ergänzenden Unternehmen ermittelt, die während unseres Spitzenzeitraums (Montag, 10:00 bis 14:00 Uhr) geöffnet sind.

Anschließend weisen wir jedem Ortstyp einen gewichteten Wert zu. Ein nahe gelegenes Restaurant ist für uns wertvoller als ein Minimarkt, daher erhält es einen höheren Multiplikator. So erhalten wir für jeden kleinen Bereich einen benutzerdefinierten suitability_score.

In diesem Auszug wird die Logik für die gewichtete Bewertung hervorgehoben, die auf ein vorab berechnetes Flag (is_open_monday_window) für die Überprüfung der Öffnungszeiten verweist:

. . .
(
  COUNTIF('restaurant' IN UNNEST(types) AND is_open_monday_window) * 8 +
  COUNTIF('convenience_store' IN UNNEST(types) AND is_open_monday_window) * 3 +
  COUNTIF('bar' IN UNNEST(types) AND is_open_monday_window) * 7 +
  COUNTIF('tourist_attraction' IN UNNEST(types) AND is_open_monday_window) * 6 +
  COUNTIF('casino' IN UNNEST(types) AND is_open_monday_window) * 7
) AS suitability_score
. . .

Für vollständige Abfrage maximieren

    -- This query calculates a custom 'suitability score' for different areas in the Las Vegas
-- metropolitan area to identify prime commercial zones. It uses a weighted model based
-- on the density of specific business types that are open during a target time window.

-- Step 1: Pre-filter the dataset to only include relevant places.
-- This CTE finds all places in our target localities (Las Vegas, Spring Valley, etc.) and
-- adds a boolean flag 'is_open_monday_window' for those open during the target time.
WITH PlacesInTargetAreaWithOpenFlag AS (
  SELECT
    point,
    types,
    EXISTS(
      SELECT 1
      FROM UNNEST(regular_opening_hours.monday) AS monday_hours
      WHERE
        monday_hours.start_time <= TIME '10:00:00'
        AND monday_hours.end_time >= TIME '14:00:00'
    ) AS is_open_monday_window
  FROM
    `places_insights___us.places`
  WHERE
    EXISTS (
        SELECT 1 FROM UNNEST(locality_names) AS locality
        WHERE locality IN ('Las Vegas', 'Spring Valley', 'Paradise', 'North Las Vegas', 'Winchester')
    )
    AND administrative_area_level_1_name = 'Nevada'
),
-- Step 2: Aggregate the filtered places into H3 cells and calculate the suitability score.
-- Each place's location is converted to an H3 index (at resolution 8). The query then
-- calculates a weighted 'suitability_score' and individual counts for each business type
-- within that cell.
TileScores AS (
  SELECT WITH AGGREGATION_THRESHOLD
    -- Convert each place's geographic point into an H3 cell index.
    `carto-os.carto.H3_FROMGEOGPOINT`(point, 8) AS h3_index,

    -- Calculate the weighted score based on the count of places of each type
    -- that are open during the target window.
    (
      COUNTIF('restaurant' IN UNNEST(types) AND is_open_monday_window) * 8 +
      COUNTIF('convenience_store' IN UNNEST(types) AND is_open_monday_window) * 3 +
      COUNTIF('bar' IN UNNEST(types) AND is_open_monday_window) * 7 +
      COUNTIF('tourist_attraction' IN UNNEST(types) AND is_open_monday_window) * 6 +
      COUNTIF('casino' IN UNNEST(types) AND is_open_monday_window) * 7
    ) AS suitability_score,

    -- Also return the individual counts for each category for detailed analysis.
    COUNTIF('restaurant' IN UNNEST(types) AND is_open_monday_window) AS restaurant_count,
    COUNTIF('convenience_store' IN UNNEST(types) AND is_open_monday_window) AS convenience_store_count,
    COUNTIF('bar' IN UNNEST(types) AND is_open_monday_window) AS bar_count,
    COUNTIF('tourist_attraction' IN UNNEST(types) AND is_open_monday_window) AS tourist_attraction_count,
    COUNTIF('casino' IN UNNEST(types) AND is_open_monday_window) AS casino_count
  FROM
    -- CHANGED: This now references the CTE with the expanded area.
    PlacesInTargetAreaWithOpenFlag
  -- Group by the H3 index to ensure all calculations are per-cell.
  GROUP BY
    h3_index
),
-- Step 3: Find the maximum suitability score across all cells.
-- This value is used in the next step to normalize the scores to a consistent scale (e.g., 0-10).
MaxScore AS (
  SELECT MAX(suitability_score) AS max_score FROM TileScores
)
-- Step 4: Assemble the final results.
-- This joins the scored tiles with the max score, calculates the normalized score,
-- generates the H3 cell's polygon geometry for mapping, and orders the results.
SELECT
  ts.h3_index,
  -- Generate the hexagonal polygon for the H3 cell for visualization.
  `carto-os.carto.H3_BOUNDARY`(ts.h3_index) AS h3_geography,
  ts.restaurant_count,
  ts.convenience_store_count,
  ts.bar_count,
  ts.tourist_attraction_count,
  ts.casino_count,
  ts.suitability_score,
  -- Normalize the score to a 0-10 scale for easier interpretation.
  ROUND(
    CASE
      WHEN ms.max_score = 0 THEN 0
      ELSE (ts.suitability_score / ms.max_score) * 10
    END,
    2
  ) AS normalized_suitability_score
FROM
  -- A cross join is efficient here as MaxScore contains only one row.
  TileScores ts, MaxScore ms
-- Display the highest-scoring locations first.
ORDER BY
  normalized_suitability_score DESC;
    

Wenn Sie diese Werte auf einer Karte visualisieren, werden die Gewinnerstandorte deutlich sichtbar. Die dunkelsten violetten Kacheln, hauptsächlich in der Nähe des Las Vegas Strip und der Innenstadt, sind die Gebiete mit dem höchsten Potenzial für unser neues Café.

Wettbewerbsanalyse: Vorhandene Cafés identifizieren

Unser Eignungsmodell hat die vielversprechendsten Zonen erfolgreich identifiziert, aber ein hoher Wert allein garantiert keinen Erfolg. Diese Daten müssen nun mit Wettbewerberdaten überlagert werden. Der ideale Standort ist ein Gebiet mit hohem Potenzial und einer geringen Dichte an bestehenden Cafés, da wir nach einer klaren Marktlücke suchen.

Dazu verwenden wir die Funktion PLACES_COUNT_PER_H3. Diese Funktion wurde entwickelt, um die Anzahl der Orte in einer bestimmten geografischen Einheit nach H3-Zelle effizient zurückzugeben.

Zuerst definieren wir dynamisch die geografische Einheit für den gesamten Großraum Las Vegas. Anstatt uns auf eine einzelne Ortschaft zu verlassen, fragen wir das öffentliche Overture Maps-Dataset ab, um die Grenzen für Las Vegas und die wichtigsten umliegenden Ortschaften zu ermitteln. Diese werden dann mit ST_UNION_AGG in ein einzelnes Polygon zusammengeführt. Wir übergeben diesen Bereich dann an die Funktion und bitten sie, alle betriebsbereiten Cafés zu zählen.

Mit dieser Abfrage wird der Ballungsraum definiert und die Funktion aufgerufen, um die Anzahl der Cafés in H3-Zellen abzurufen:

-- Define a variable to hold the combined geography for the Las Vegas metro area.
DECLARE las_vegas_metro_area GEOGRAPHY;

-- Set the variable by fetching the shapes for the five localities from Overture Maps
-- and merging them into a single polygon using ST_UNION_AGG.
SET las_vegas_metro_area = (
  SELECT
    ST_UNION_AGG(geometry)
  FROM
    `bigquery-public-data.overture_maps.division_area`
  WHERE
    country = 'US'
    AND region = 'US-NV'
    AND names.primary IN ('Las Vegas', 'Spring Valley', 'Paradise', 'North Las Vegas', 'Winchester')
);

-- Call the PLACES_COUNT_PER_H3 function with our defined area and parameters.
SELECT
  *
FROM
  `places_insights___us.PLACES_COUNT_PER_H3`(
    JSON_OBJECT(
      -- Use the metro area geography we just created.
      'geography', las_vegas_metro_area,
      -- Specify 'coffee_shop' as the place type to count.
      'types', ["coffee_shop"],
      -- Best practice: Only count places that are currently operational.
      'business_status', ['OPERATIONAL'],
      -- Set the H3 grid resolution to 8.
      'h3_resolution', 8
    )
  );

Die Funktion gibt eine Tabelle mit dem H3-Zellenindex, der zugehörigen Geometrie, der Gesamtzahl der Cafés und einer Stichprobe ihrer Orts-IDs zurück:

Die Gesamtzahl ist zwar nützlich, aber es ist wichtig, die tatsächlichen Mitbewerber zu sehen. An dieser Stelle wechseln wir vom Places Insights-Dataset zur Places API. Indem wir die sample_place_ids aus den Zellen mit dem höchsten normalisierten Eignungswert extrahieren, können wir die Place Details API aufrufen, um detaillierte Informationen zu den einzelnen Mitbewerbern abzurufen, z. B. Name, Adresse, Bewertung und Standort.

Dazu müssen die Ergebnisse der vorherigen Abfrage, bei der der Eignungswert generiert wurde, mit der PLACES_COUNT_PER_H3-Abfrage verglichen werden. Mit dem H3-Zellenindex können Sie die Anzahl und IDs der Cafés in den Zellen mit dem höchsten normalisierten Eignungswert abrufen.

Dieser Python-Code zeigt, wie dieser Vergleich durchgeführt werden kann.

    # Isolate the Top 5 Most Suitable H3 Cells
    top_suitability_cells = gdf_suitability.head(5)

    # Extract the 'h3_index' values from these top 5 cells into a list.
    top_h3_indexes = top_suitability_cells['h3_index'].tolist()
    print(f"The top 5 H3 indexes are: {top_h3_indexes}")

    # Now, we find the rows in our DataFrame where the
    # 'h3_cell_index' matches one of the indexes from our top 5 list.

    coffee_counts_in_top_zones = gdf_coffee_shops[
        gdf_coffee_shops['h3_cell_index'].isin(top_h3_indexes)
    ]

Jetzt haben wir die Liste der Orts-IDs für Cafés, die bereits in den H3-Zellen mit dem höchsten Eignungswert vorhanden sind. Weitere Details zu den einzelnen Orten können angefordert werden.

Dazu können Sie entweder für jede Orts-ID direkt eine Anfrage an die Place Details API senden oder einen Aufruf über eine Clientbibliothek ausführen. Denken Sie daran, den Parameter FieldMask festzulegen, damit nur die benötigten Daten angefordert werden.

Schließlich fassen wir alles in einer einzigen, aussagekräftigen Visualisierung zusammen. Wir stellen unsere violette Choroplethenkarte für die Eignung als Basisebene dar und fügen dann Pins für jedes einzelne Café hinzu, das über die Places API abgerufen wurde. Diese letzte Karte bietet einen Überblick über unsere gesamte Analyse: Die dunkelvioletten Bereiche zeigen das Potenzial und die grünen Markierungen die Realität des aktuellen Marktes.

Wenn wir nach dunkelvioletten Zellen mit wenigen oder keinen Markierungen suchen, können wir die genauen Bereiche, die die beste Gelegenheit für unseren neuen Standort darstellen, zuverlässig ermitteln.

Die beiden oben genannten Zellen haben einen hohen Eignungswert, aber einige deutliche Lücken, die potenzielle Standorte für unser neues Café sein könnten.

Fazit

In diesem Dokument haben wir uns von der bundesweiten Frage Wo sollen wir expandieren? zu einer datengestützten, lokalen Antwort bewegt. Durch die Kombination verschiedener Datasets und die Anwendung benutzerdefinierter Geschäftslogik können Sie das Risiko, das mit einer wichtigen Geschäftsentscheidung verbunden ist, systematisch verringern. Dieser Workflow, der die Skalierbarkeit von BigQuery, die Fülle von Places Insights und die Echtzeitdetails der Places API kombiniert, ist eine leistungsstarke Vorlage für jede Organisation, die Standortinformationen für strategisches Wachstum nutzen möchte.

Nächste Schritte

• Passen Sie diesen Workflow mit Ihrer eigenen Geschäftslogik, den Zielregionen und proprietären Datasets an.
• Sie können Ihr Modell weiter optimieren, indem Sie andere Datenfelder im Places Insights-Datensatz verwenden, z. B. die Anzahl der Rezensionen, Preisniveaus und Nutzerbewertungen.
• Automatisieren Sie diesen Prozess, um ein internes Dashboard zur Standortauswahl zu erstellen, mit dem sich neue Märkte dynamisch bewerten lassen.

Weitere Informationen in der Dokumentation:

• Places Insights – Übersicht
• Places Insights-Funktionen
• BigQuery Geospatial Analytics
• Places API

Beitragende

Henrik Valve | DevX Engineer