ביצוע בחירת מיקום באמצעות Places Insights ו-BigQuery

מבוא

במאמר הזה נסביר איך לבנות פתרון לבחירת מיקום על ידי שילוב של מערך הנתונים Places Insights, נתונים גיאוספציאליים ציבוריים ב-BigQuery ו-Place Details API.

הוא מבוסס על הדגמה שניתנה ב-Google Cloud Next 2025, שזמינה לצפייה ב-YouTube.

האתגר העסקי

נניח שיש לכם רשת מצליחה של בתי קפה ואתם רוצים להתרחב למדינה חדשה, כמו נבדה, שבה אין לכם נוכחות. פתיחת מיקום חדש היא השקעה משמעותית, וקבלת החלטה שמבוססת על נתונים היא קריטית להצלחה. איפה מתחילים?

במדריך הזה נסביר איך לבצע ניתוח רב-שכבתי כדי לזהות את המיקום האופטימלי לפתיחת בית קפה חדש. נתחיל בתצוגה של כל המדינה, נצמצם בהדרגה את החיפוש למחוז מסוים ולאזור מסחרי, ובסופו של דבר נבצע ניתוח מקומי מאוד כדי לתת ציון לאזורים ספציפיים ולזהות פערים בשוק על ידי מיפוי המתחרים.

תהליך העבודה של הפתרון

התהליך הזה מתבצע לפי משפך לוגי, שמתחיל בחיפוש רחב ונעשה מדויק יותר בהדרגה כדי לצמצם את אזור החיפוש ולהגדיל את רמת הסמך בבחירת האתר הסופית.

דרישות מוקדמות והגדרת הסביבה

לפני שמתחילים בניתוח, צריך סביבה עם כמה יכולות מרכזיות. במדריך הזה נסביר איך להטמיע את הפתרון באמצעות SQL ו-Python, אבל אפשר ליישם את העקרונות הכלליים גם בטכנולוגיות אחרות.

כדרישה מוקדמת, צריך לוודא שהסביבה שלכם יכולה:

• הפעלת שאילתות ב-BigQuery.
• גישה למדדים של מקומות. מידע נוסף זמין במאמר הגדרת מדדים של מקומות.
• הרשמה למערכי נתונים ציבוריים מ-bigquery-public-data ומ-US Census Bureau County Population Totals

צריך גם להיות מסוגלים להציג נתונים גיאוספציאליים בתרשים, וזה חיוני כדי לפרש את התוצאות של כל שלב בניתוח. יש הרבה דרכים לעשות את זה. אפשר להשתמש בכלים לבינה עסקית כמו Looker Studio שמתחברים ישירות ל-BigQuery, או בשפות של מדעי הנתונים כמו Python.

ניתוח ברמת המדינה: מציאת המחוז הטוב ביותר

השלב הראשון הוא ניתוח רחב כדי לזהות את המחוז המבטיח ביותר בנבאדה. אנחנו נגדיר מבטיח כשילוב של אוכלוסייה גדולה וצפיפות גבוהה של מסעדות קיימות, שמעיד על תרבות חזקה של מזון ומשקאות.

השאילתה שלנו ב-BigQuery עושה זאת באמצעות רכיבי הכתובת המובנים שזמינים במערך הנתונים Places Insights. השאילתה סופרת מסעדות אחרי סינון הנתונים כך שיכללו רק מקומות במדינת נבאדה, באמצעות השדה administrative_area_level_1_name. לאחר מכן, הוא מצמצם את קבוצת התוצאות כך שיכללו רק מקומות שבהם המערך types מכיל את הערך 'restaurant'. לבסוף, הוא מקבץ את התוצאות לפי שם המחוז (administrative_area_level_2_name) כדי ליצור ספירה לכל מחוז. הגישה הזו מתבססת על מבנה הכתובות המובנה והמאונדקס מראש של מערך הנתונים.

קטע הקוד הזה מראה איך אנחנו משלבים גיאומטריות של מחוזות עם Places Insights ומסננים לפי סוג מקום ספציפי, 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

ספירה גולמית של מסעדות לא מספיקה. אנחנו צריכים לאזן אותה עם נתוני אוכלוסייה כדי לקבל תמונה אמיתית של רוויית השוק וההזדמנויות בו. אנחנו נשתמש בנתוני אוכלוסייה מתוך הנתונים הכוללים של אוכלוסיית המחוזות של לשכת מפקד האוכלוסין בארה"ב.

כדי להשוות בין שני המדדים השונים מאוד האלה (מספר מקומות לעומת מספר גדול של אוכלוסייה), אנחנו משתמשים בנורמליזציה של מינימום-מקסימום. בטכניקה הזו, שני המדדים מותאמים לטווח משותף (0 עד 1). לאחר מכן אנחנו משלבים אותם במדד יחיד normalized_score, ונותנים לכל מדד משקל של 50% כדי להשוות בצורה מאוזנת.

בקטע הזה מוצגת הלוגיקה הבסיסית לחישוב הניקוד. הוא משלב בין נתונים מנורמלים של אוכלוסייה ומספר מסעדות:

(
    -- 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

אחרי שמריצים את השאילתה המלאה, מוחזרת רשימה של המחוזות, מספר המסעדות, האוכלוסייה והציון המנורמל. המיון לפי normalized_score DESC מראה שמחוז קלארק הוא האפשרות הטובה ביותר, ולכן כדאי להמשיך לבדוק אותו.

בצילום המסך הזה מוצגים 4 המחוזות המובילים לפי הציון המנורמל. במכוון לא צוין בדוגמה הזו מספר האכלוס הגולמי.

ניתוח ברמת המחוז: איתור האזורים המסחריים העמוסים ביותר

אחרי שזיהינו את מחוז קלארק, השלב הבא הוא להתקרב כדי למצוא את המיקודים עם הפעילות המסחרית הכי גבוהה. על סמך נתונים מבתי הקפה הקיימים שלנו, אנחנו יודעים שהביצועים טובים יותר כשהמיקום הוא ליד ריכוז גבוה של מותגים מובילים, ולכן נשתמש בזה כאינדיקטור למיקום עם תנועת לקוחות גבוהה.

השאילתה הזו משתמשת בטבלה brands בתובנות לגבי מקומות, שמכילה מידע על מותגים ספציפיים. אפשר להריץ שאילתות על הטבלה הזו כדי לראות את רשימת המותגים הנתמכים. קודם כל אנחנו מגדירים רשימה של מותגי היעד שלנו, ואז משלבים אותה עם מערך הנתונים הראשי של 'תובנות לגבי מקומות' כדי לספור כמה מהחנויות הספציפיות האלה נמצאות בכל מיקוד במחוז קלארק.

הדרך היעילה ביותר לעשות זאת היא באמצעות גישה דו-שלבית:

1. קודם כל, נבצע צבירה מהירה ללא מיקום גיאוגרפי כדי לספור את המותגים בכל מיקוד.
2. בשלב השני, נצרף את התוצאות האלה למערך נתונים ציבורי כדי לקבל את גבולות המפה לצורך ויזואליזציה.

ספירת מותגים באמצעות השדה postal_code_names

השאילתה הראשונה הזו מבצעת את הלוגיקה הבסיסית של הספירה. הוא מסנן את המקומות במחוז קלארק, ואז מבטל את הקינון של המערך postal_code_names כדי לקבץ את ספירת המותגים לפי מיקוד.

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

הפלט הוא טבלה של מיקודים ומספר המותגים התואם.

צירוף גיאומטריות של מיקוד למיפוי

עכשיו, אחרי שיש לנו את המספרים, אנחנו יכולים לקבל את צורות המצולעים שדרושות להצגה חזותית. השאילתה השנייה מתבססת על השאילתה הראשונה, היא עוטפת אותה בביטוי טבלה משותף (CTE) בשם brand_counts_by_zip ומצמידה את התוצאות שלה לטבלה הציבורית geo_us_boundaries.zip_codes table. כך אנחנו יכולים לצרף את הגיאומטריה בצורה יעילה למספרים שחישבנו מראש.

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

הפלט הוא טבלה של מיקודים, מספר המותגים התואם וגיאומטריית המיקוד.

אנחנו יכולים להציג את הנתונים האלה בצורה ויזואלית כמפת חום. האזורים באדום כהה מציינים ריכוז גבוה יותר של המותגים שאנחנו רוצים למשוך, ומצביעים על האזורים עם הצפיפות המסחרית הגבוהה ביותר בלאס וגאס.

ניתוח היפר-לוקאלי: ניקוד של אזורים ספציפיים ברשת

אחרי שזיהינו את האזור הכללי של לאס וגאס, הגיע הזמן לניתוח מפורט. כאן אנחנו משלבים את הידע העסקי הספציפי שלנו. אנחנו יודעים שבית קפה מצליח צריך להיות קרוב לעסקים אחרים שעמוסים בשעות השיא שלנו, כמו שעות הבוקר המאוחרות והצהריים.

השאילתה הבאה שלנו מאוד ספציפית. התהליך מתחיל ביצירת רשת משושים מפורטת מעל האזור המטרופוליני של לאס וגאס באמצעות אינדקס גיאוגרפי מרחבי רגיל של H3 (ברזולוציה 8) כדי לנתח את האזור ברמת המיקרו. השאילתה מזהה קודם את כל העסקים המשלימים שפתוחים במהלך חלון הזמן העמוס שלנו (יום שני, 10:00 עד 14:00).

לאחר מכן אנחנו משתמשים בניקוד משוקלל לכל סוג מקום. מסעדה בקרבת מקום חשובה לנו יותר מחנות נוחות, ולכן היא מקבלת מכפיל גבוה יותר. כך אנחנו מקבלים suitability_score מותאם אישית לכל אזור קטן.

בקטע הזה מודגשת הלוגיקה של הניקוד המשוקלל, שמתייחס לדגל שחושב מראש (is_open_monday_window) לבדיקת שעות הפתיחה:

. . .
(
  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
. . .

הרחבה להצגת השאילתה המלאה

    -- 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;
    

הצגת הנתונים האלה במפה מאפשרת לראות בבירור את המיקומים המומלצים. האריחים הסגולים הכהים ביותר, בעיקר ליד הסטריפ של לאס וגאס ומרכז העיר, הם האזורים עם הפוטנציאל הכי גבוה לפתיחת בית הקפה החדש שלנו.

ניתוח של המתחרים: זיהוי בתי קפה קיימים

מודל ההתאמה שלנו זיהה בהצלחה את האזורים המבטיחים ביותר, אבל ציון גבוה כשלעצמו לא מבטיח הצלחה. עכשיו אנחנו צריכים להוסיף לזה נתונים של המתחרים. המיקום האידיאלי הוא אזור עם פוטנציאל גבוה וצפיפות נמוכה של בתי קפה קיימים, כי אנחנו מחפשים פער ברור בשוק.

כדי לעשות את זה, נשתמש בפונקציה PLACES_COUNT_PER_H3. הפונקציה הזו נועדה להחזיר ביעילות את מספר המקומות באזור גיאוגרפי מוגדר, לפי תא H3.

קודם כל, אנחנו מגדירים באופן דינמי את המיקום הגיאוגרפי של כל אזור המטרופולין של לאס וגאס. במקום להסתמך על אזור מקומי יחיד, אנחנו שולחים שאילתה למערך הנתונים הציבורי של Overture Maps כדי לקבל את הגבולות של לאס וגאס ושל האזורים המקומיים העיקריים שמסביב, וממזגים אותם למצולע יחיד עם ST_UNION_AGG. לאחר מכן מעבירים את האזור הזה לפונקציה ומבקשים ממנה לספור את כל בתי הקפה הפעילים.

השאילתה הזו מגדירה את האזור המטרופוליטני ומפעילה את הפונקציה כדי לקבל את מספר בתי הקפה בתאי H3:

-- 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
    )
  );

הפונקציה מחזירה טבלה שכוללת את אינדקס התא של H3, את הגיאומטריה שלו, את המספר הכולל של בתי הקפה ודוגמה של מזהי המקומות שלהם:

הספירה המצטברת שימושית, אבל חשוב לראות את המתחרים בפועל. כאן אנחנו עוברים ממערך הנתונים של Places Insights אל Places API. על ידי חילוץ ה-sample_place_ids מהתאים עם ציון ההתאמה המנורמל הגבוה ביותר, אפשר להפעיל את Place Details API כדי לאחזר פרטים מפורטים על כל מתחרה, כמו השם, הכתובת, הדירוג והמיקום שלו.

לשם כך צריך להשוות בין התוצאות של השאילתה הקודמת, שבה נוצר ציון ההתאמה, לבין השאילתה PLACES_COUNT_PER_H3. אפשר להשתמש באינדקס של תאי H3 כדי לקבל את המזהים ואת מספר בתי הקפה מהתאים עם ציון ההתאמה המנורמל הגבוה ביותר.

בדוגמה הבאה של קוד Python אפשר לראות איך אפשר לבצע את ההשוואה הזו.

    # 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)
    ]

עכשיו יש לנו רשימה של מזהי מקומות של בתי קפה שכבר קיימים בתאי H3 עם ציון ההתאמה הכי גבוה. אפשר לבקש פרטים נוספים על כל מקום.

כדי לעשות את זה, אפשר לשלוח בקשה ישירות אל Place Details API לכל מזהה מקום, או להשתמש בClient Library כדי לבצע את הקריאה. חשוב לזכור להגדיר את הפרמטר FieldMask כך שרק הנתונים שאתם צריכים יישלחו.

בסוף, אנחנו משלבים את הכול בתצוגה חזותית אחת ומשמעותית. אנחנו יוצרים מפת קורופלת סגולה של התאמה כשכבת הבסיס, ואז מוסיפים סיכות לכל בית קפה בנפרד שאוחזר מ-Places API. המפה הסופית הזו מספקת מבט מהיר שמסכם את כל הניתוח שלנו: האזורים הסגולים הכהים מראים את הפוטנציאל, והסיכות הירוקות מראות את המצב בפועל בשוק הנוכחי.

אם מחפשים תאים בצבע סגול כהה עם מעט סיכות או ללא סיכות, אפשר לזהות בוודאות את האזורים המדויקים שמייצגים את ההזדמנות הטובה ביותר למיקום החדש שלנו.

לשני התאים שלמעלה יש ציון התאמה גבוה, אבל יש בהם כמה פערים ברורים שיכולים להיות מיקומים פוטנציאליים לבית הקפה החדש שלנו.

סיכום

במסמך הזה, עברנו משאלה כללית לגבי המיקום שבו כדאי להרחיב את העסק לתשובה מקומית שמבוססת על נתונים. באמצעות שילוב של מערכי נתונים שונים והחלת לוגיקה עסקית מותאמת אישית, אפשר לצמצם באופן שיטתי את הסיכון שקשור להחלטה עסקית חשובה. תהליך העבודה הזה, שמשלב את היכולות של BigQuery, את המידע המפורט של Places Insights ואת הנתונים בזמן אמת של Places API, מספק תבנית יעילה לכל ארגון שרוצה להשתמש במידע על מיקום לצורך צמיחה אסטרטגית.

השלבים הבאים

• אפשר להתאים את תהליך העבודה הזה ללוגיקה העסקית שלכם, למיקומים הגיאוגרפיים ולמערכי הנתונים הקנייניים שלכם.
• כדי להעשיר עוד יותר את המודל, אפשר לעיין בשדות נתונים אחרים במערך הנתונים של תובנות לגבי מקומות, כמו מספר הביקורות, רמות המחירים ודירוגי המשתמשים.
• אפשר להפוך את התהליך הזה לאוטומטי כדי ליצור מרכז בקרה פנימי לבחירת אתרים, שבעזרתו אפשר להעריך שווקים חדשים באופן דינמי.

מידע נוסף זמין במסמכי התיעוד:

• סקירה כללית של תובנות לגבי מקומות
• פונקציות של Places Insights
• ניתוח נתונים גיאוגרפיים ב-BigQuery
• Places API

תורמים

Henrik Valve | DevX Engineer