Esegui la selezione del sito utilizzando Places Insights e BigQuery

Introduzione

Questo documento descrive come creare una soluzione di selezione del sito combinando il set di dati Approfondimenti di Places, i dati geospaziali pubblici in BigQuery e l'API Place Details.

Si basa su una demo presentata al Google Cloud Next 2025, disponibile su YouTube.

La sfida aziendale

Immagina di possedere una catena di caffetterie di successo e di voler espanderti in un nuovo stato, come il Nevada, dove non hai una presenza. L'apertura di una nuova sede è un investimento significativo e prendere una decisione basata sui dati è fondamentale per il successo. Da dove iniziare?

Questa guida ti accompagna in un'analisi multilivello per individuare la posizione ottimale per una nuova caffetteria. Inizieremo con una visualizzazione a livello statale, restringeremo progressivamente la ricerca a una contea e a una zona commerciale specifiche e infine eseguiremo un'analisi iperlocale per valutare le singole aree e identificare le lacune del mercato mappando i concorrenti.

Flusso di lavoro della soluzione

Questo processo segue una canalizzazione logica, partendo da un'ampia area e diventando progressivamente più granulare per perfezionare l'area di ricerca e aumentare la confidenza nella selezione finale del sito.

Prerequisiti e configurazione dell'ambiente

Prima di iniziare l'analisi, hai bisogno di un ambiente con alcune funzionalità chiave. Sebbene questa guida illustri un'implementazione utilizzando SQL e Python, i principi generali possono essere applicati ad altri stack tecnologici.

Come prerequisito, assicurati che il tuo ambiente possa:

• Esegui query in BigQuery.
• Per accedere a Places Insights, consulta Configurare Places Insights per ulteriori informazioni.
• Iscriviti ai set di dati pubblici di bigquery-public-data e del US Census Bureau County Population Totals

Devi anche essere in grado di visualizzare i dati geospaziali su una mappa, il che è fondamentale per interpretare i risultati di ogni passaggio analitico. Esistono molti modi per raggiungere questo obiettivo. Puoi utilizzare strumenti di BI come Looker Studio, che si connettono direttamente a BigQuery, oppure linguaggi di data science come Python.

Analisi a livello statale: trova la contea migliore

Il primo passaggio consiste in un'analisi generale per identificare la contea più promettente del Nevada. Definiremo promettente una combinazione di popolazione elevata e alta densità di ristoranti esistenti, il che indica una forte cultura del cibo e delle bevande.

La nostra query BigQuery lo fa sfruttando i componenti di indirizzo integrati disponibili nel set di dati Places Insights. La query conta i ristoranti filtrando prima i dati in modo da includere solo i luoghi all'interno dello stato del Nevada, utilizzando il campo administrative_area_level_1_name. Poi, perfeziona ulteriormente questo insieme per includere solo i luoghi in cui l'array dei tipi contiene "restaurant". Infine, raggruppa questi risultati per nome della contea (administrative_area_level_2_name) per produrre un conteggio per ogni contea. Questo approccio utilizza la struttura di indirizzi preindicizzata e integrata del set di dati.

Questo estratto mostra come uniamo le geometrie delle contee con Places Insights e filtriamo per un tipo di luogo specifico, 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

Un conteggio grezzo dei ristoranti non è sufficiente; dobbiamo bilanciarlo con i dati sulla popolazione per avere una vera idea della saturazione e delle opportunità del mercato. Utilizzeremo i dati sulla popolazione dei totali della popolazione delle contee dell'U.S. Census Bureau.

Per confrontare queste due metriche molto diverse (un conteggio dei luoghi rispetto a un numero elevato di popolazione), utilizziamo la normalizzazione min-max. Questa tecnica ridimensiona entrambe le metriche in un intervallo comune (da 0 a 1). Poi le combiniamo in un unico normalized_score, assegnando a ogni metrica un peso del 50% per un confronto equilibrato.

Questo estratto mostra la logica principale per il calcolo del punteggio. Combina il numero normalizzato di abitanti e ristoranti:

(
    -- 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

Dopo aver eseguito la query completa, viene restituito un elenco delle contee, del numero di ristoranti, della popolazione e del punteggio normalizzato. L'ordinamento per normalized_score DESC rivela che la contea di Clark è la vincitrice indiscussa per ulteriori indagini in quanto principale contendente.

Questo screenshot mostra le prime 4 contee in base al punteggio normalizzato. Il conteggio della popolazione grezza è stato omesso di proposito da questo esempio.

Analisi a livello di contea: trova le zone commerciali più trafficate

Ora che abbiamo identificato la contea di Clark, il passaggio successivo è ingrandire la visualizzazione per trovare i codici postali con la maggiore attività commerciale. In base ai dati dei nostri bar esistenti, sappiamo che il rendimento è migliore quando si trovano vicino a un'alta densità di brand importanti, quindi lo utilizzeremo come proxy per un elevato traffico pedonale.

Questa query utilizza la tabella brands in Places Insights, che contiene informazioni su brand specifici. È possibile interrogare questa tabella per scoprire l'elenco dei brand supportati. Per prima cosa definiamo un elenco dei nostri brand target e poi lo uniamo al set di dati principale di Places Insights per conteggiare quanti di questi negozi specifici si trovano all'interno di ogni codice postale della contea di Clark.

Il modo più efficiente per raggiungere questo obiettivo è un approccio in due fasi:

1. Innanzitutto, eseguiamo un'aggregazione rapida e non geospaziale per conteggiare i brand all'interno di ogni codice postale.
2. In secondo luogo, uniremo questi risultati a un set di dati pubblico per ottenere i confini della mappa per la visualizzazione.

Conteggia i brand utilizzando il campo postal_code_names

Questa prima query esegue la logica di conteggio principale. Filtra i luoghi nella contea di Clark, quindi separa l'array postal_code_names per raggruppare i conteggi dei brand per codice postale.

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

L'output è una tabella di codici postali e i relativi conteggi dei brand.

Allegare le geometrie dei codici postali per la mappatura

Ora che abbiamo i conteggi, possiamo ottenere le forme poligonali necessarie per la visualizzazione. Questa seconda query prende la prima query, la racchiude in un'espressione di tabella comune (CTE) denominata brand_counts_by_zip e unisce i risultati alla tabella pubblica geo_us_boundaries.zip_codes table. In questo modo, la geometria viene allegata in modo efficiente ai conteggi precalcolati.

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

L'output è una tabella di codici postali, i conteggi dei brand corrispondenti e la geometria del codice postale.

Possiamo visualizzare questi dati come mappa termica. Le aree in rosso più scuro indicano una maggiore concentrazione dei nostri brand target, indirizzandoci verso le zone più dense dal punto di vista commerciale di Las Vegas.

Analisi iperlocale: punteggio delle singole aree della griglia

Dopo aver identificato l'area generale di Las Vegas, è il momento di un'analisi granulare. È qui che aggiungiamo le nostre conoscenze specifiche del settore. Sappiamo che un ottimo bar prospera vicino ad altre attività che sono affollate durante le ore di punta, come la tarda mattinata e l'ora di pranzo.

La prossima query è molto specifica. Inizia creando una griglia esagonale dettagliata sull'area metropolitana di Las Vegas utilizzando l'indice geospaziale H3 standard (con risoluzione 8) per analizzare l'area a livello micro. La query identifica innanzitutto tutte le attività complementari aperte durante la finestra di picco (lunedì, dalle 10:00 alle 14:00).

Applichiamo quindi un punteggio ponderato a ogni tipo di luogo. Un ristorante nelle vicinanze è più importante per noi di un minimarket, quindi riceve un moltiplicatore più alto. In questo modo otteniamo un suitability_score personalizzato per ogni piccola area.

Questo estratto mette in evidenza la logica di assegnazione del punteggio ponderato, che fa riferimento a un flag precalcolato (is_open_monday_window) per il controllo dell'orario di apertura:

. . .
(
  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
. . .

Espandi per visualizzare la query completa

    -- 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;
    

La visualizzazione di questi punteggi su una mappa rivela chiaramente le posizioni vincenti. Le tessere viola più scure, principalmente vicino alla Strip di Las Vegas e al centro città, sono le aree con il più alto potenziale per la nostra nuova caffetteria.

Analisi della concorrenza: identificare le caffetterie esistenti

Il nostro modello di idoneità ha identificato correttamente le zone più promettenti, ma un punteggio elevato da solo non garantisce il successo. Ora dobbiamo sovrapporre questi dati a quelli della concorrenza. La posizione ideale è un'area con un alto potenziale e una bassa densità di caffetterie esistenti, in quanto cerchiamo un chiaro vuoto di mercato.

Per raggiungere questo obiettivo, utilizziamo la funzione PLACES_COUNT_PER_H3. Questa funzione è progettata per restituire in modo efficiente i conteggi dei luoghi all'interno di una regione specificata, per cella H3.

Innanzitutto, definiamo dinamicamente l'area geografica per l'intera area metropolitana di Las Vegas. Anziché fare affidamento su una singola località, eseguiamo query sul set di dati pubblico di Overture Maps per ottenere i confini di Las Vegas e delle principali località circostanti, unendoli in un unico poligono con ST_UNION_AGG. Quindi, passiamo questa area alla funzione, chiedendole di conteggiare tutte le caffetterie operative.

Questa query definisce l'area metropolitana e chiama la funzione per ottenere i conteggi dei bar nelle celle 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
    )
  );

La funzione restituisce una tabella che include l'indice della cella H3, la relativa geometria, il conteggio totale dei bar e un campione dei relativi ID luogo:

Sebbene il conteggio aggregato sia utile, vedere i concorrenti effettivi è essenziale. Qui passiamo dal set di dati Approfondimenti di Places all'API Places. Estraendo l'sample_place_ids dalle celle con il punteggio di idoneità normalizzato più alto, possiamo chiamare l'API Place Details per recuperare dettagli avanzati per ogni concorrente, come nome, indirizzo, valutazione e posizione.

Ciò richiede il confronto dei risultati della query precedente, in cui è stato generato il punteggio di idoneità, e della query PLACES_COUNT_PER_H3. L'indice cella H3 può essere utilizzato per ottenere i conteggi e gli ID dei bar dalle celle con il punteggio di idoneità normalizzato più alto.

Questo codice Python mostra come potrebbe essere eseguito il confronto.

    # 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)
    ]

Ora che abbiamo l'elenco degli ID luogo per le caffetterie già esistenti all'interno delle celle H3 con il punteggio di idoneità più alto, è possibile richiedere ulteriori dettagli su ciascun luogo.

Puoi farlo inviando una richiesta direttamente all'API Place Details per ogni ID luogo oppure utilizzando una libreria client per eseguire la chiamata. Ricordati di impostare il parametro FieldMask per richiedere solo i dati di cui hai bisogno.

Infine, combiniamo tutto in un'unica e potente visualizzazione. Tracciamo la nostra mappa coropletica di idoneità viola come livello di base e poi aggiungiamo dei segnaposto per ogni singola caffetteria recuperata dall'API Places. Questa mappa finale fornisce una panoramica che sintetizza l'intera analisi: le aree viola scuro mostrano il potenziale, mentre i segnaposto verdi mostrano la realtà del mercato attuale.

Cercando celle viola scuro con pochi o nessun segnaposto, possiamo individuare con certezza le aree esatte che rappresentano la migliore opportunità per la nostra nuova sede.

Le due celle precedenti hanno un punteggio di idoneità elevato, ma alcune lacune evidenti che potrebbero essere potenziali sedi per la nostra nuova caffetteria.

Conclusione

In questo documento, siamo passati da una domanda a livello statale su dove espandersi? a una risposta locale basata sui dati. Sovrapponendo diversi set di dati e applicando una logica di business personalizzata, puoi ridurre sistematicamente il rischio associato a una decisione aziendale importante. Questo flusso di lavoro, che combina la scalabilità di BigQuery, la ricchezza di Places Insights e i dettagli in tempo reale dell'API Places, fornisce un modello efficace per qualsiasi organizzazione che voglia utilizzare la location intelligence per una crescita strategica.

Passaggi successivi

• Adatta questo flusso di lavoro alla tua logica aziendale, alle aree geografiche di destinazione e ai set di dati proprietari.
• Esplora altri campi di dati nel set di dati Places Insights, come il numero di recensioni, i livelli di prezzo e le valutazioni degli utenti, per arricchire ulteriormente il tuo modello.
• Automatizza questo processo per creare una dashboard di selezione dei siti interni che possa essere utilizzata per valutare dinamicamente nuovi mercati.

Approfondisci la documentazione:

• Panoramica di Approfondimenti di Places
• Funzioni di Places Insights
• BigQuery Geospatial Analytics
• API Places

Collaboratori

Henrik Valve | DevX Engineer