نمای کلی Places Insights

Places Insights به شما امکان می‌دهد داده‌های مکان‌ها و برندهای غنی را در Google Maps تجزیه و تحلیل کنید تا اطلاعات آماری را از مکان‌ها یا داده‌های نقاط مورد علاقه (POI) Google Maps بدست آورید. داده‌ها با استفاده از فهرست‌های تبادل داده BigQuery با محافظت از داده‌ها برای ایجاد یک محیط امن و محافظت‌شده برای اشتراک‌گذاری و تجزیه و تحلیل داده‌ها، مستقر می‌شوند.

درباره داده های مکان ها

Google Maps داده‌های مکان‌ها را برای میلیون‌ها مؤسسه در سراسر جهان مدیریت می‌کند. Places Insights داده‌های مکان‌ها را در BigQuery در دسترس قرار می‌دهد تا بتوانید اطلاعات آماری جمع‌آوری شده درباره داده‌های مکان‌های Google Maps را بر اساس ویژگی‌های مختلفی مانند انواع مکان ، رتبه‌بندی، ساعات کاری فروشگاه، دسترسی به صندلی چرخدار و موارد دیگر استخراج کنید.

برای استفاده از Places Insights ، عبارت‌های SQL را در BigQuery می‌نویسید که اطلاعات آماری درباره داده‌های مکان‌ها را برمی‌گرداند. این بینش به شما امکان می دهد به سؤالاتی مانند:

  • چند کسب و کار مشابه در نزدیکی یک فروشگاه جدید بالقوه فعالیت می کنند؟
  • چه نوع کسب و کاری بیشتر در نزدیکی موفق ترین فروشگاه های من یافت می شود؟
  • چه مناطقی دارای تمرکز بالایی از مشاغل مکمل هستند که می توانند مشتریان هدف من را جذب کنند؟
  • چند رستوران سوشی 5 ستاره ساعت 8 شب در مادرید باز هستند، پارکینگ قابل دسترسی برای ویلچر دارند و غذای بیرون بری دارند؟

داده‌های انباشته می‌توانند از موارد استفاده متعددی مانند:

  • انتخاب سایت برای ارزیابی و انتخاب مناسب ترین مکان ها برای یک کسب و کار جدید یا قرار دادن یک دارایی فیزیکی.
  • ارزیابی عملکرد مکان برای تعیین اینکه چه متغیرهای مکانی، مانند نزدیکی به انواع خاصی از POI مانند سوپرمارکت‌ها یا مکان‌های رویداد، بر عملکرد مثبت یا منفی مکان‌های شما تأثیر می‌گذارند.
  • بازاریابی جغرافیایی برای تعیین اینکه چه نوع کمپین های بازاریابی یا تبلیغاتی در یک منطقه موفق خواهند بود.
  • پیش بینی فروش برای پیش بینی فروش آینده در یک مکان آینده نگر.
  • تحقیقات بازار برای اطلاع از اینکه کسب و کار یا خدمات خود را به چه مناطق جغرافیایی گسترش دهید.

مرجع طرحواره را ببینید .

درباره اطلاعات برندها

به همراه داده‌های مکان‌ها، Places Insights شامل داده‌هایی درباره مارک‌ها یا فروشگاه‌هایی است که مکان‌های متعددی دارند که تحت یک نام تجاری کار می‌کنند.

شما می توانید از برندها برای پاسخ به سوالاتی مانند:

  • تعداد همه فروشگاه ها بر اساس برند در یک منطقه چقدر است؟
  • تعداد سه برند برتر رقیب من در منطقه چقدر است؟
  • تعداد کل کافی‌شاپ‌هایی که این برندها را در این منطقه ندارند، چقدر است؟

درباره BigQuery

با در دسترس قرار دادن داده‌ها در فهرست‌های BigQuery، Places Insights به شما امکان می‌دهد:

  • داده‌های خود را به‌طور ایمن با داده‌های Places Insights ترکیب کنید.

  • درخواست‌های SQL انعطاف‌پذیر بنویسید تا بینش‌های انبوهی را برای نیازهای خاص کسب‌وکارتان کشف کنید.

  • از همان ابزار BigQuery استفاده کنید که در حال حاضر با داده های خصوصی و گردش کار خود استفاده می کنید.

  • از قدرت مقیاس و عملکرد BigQuery استفاده کنید تا بتوانید مجموعه داده های عظیم را به راحتی تجزیه و تحلیل کنید.

مثال استفاده

این مثال داده‌های شما را با داده‌های Places Insights در BigQuery می‌پیوندد تا اطلاعات جمع‌آوری را استخراج کند. برای این مثال، شما یک مالک هتل در شهر نیویورک هستید، با چندین مکان. اکنون می‌خواهید داده‌های موقعیت مکانی هتل خود را با داده‌های Places Insights بپیوندید تا غلظت انواع کسب‌وکار از پیش تعریف‌شده در نزدیکی هتل‌های خود را کشف کنید.

پیش نیازها

برای این مثال، شما در مجموعه داده Places Insights برای ایالات متحده مشترک می شوید .

مجموعه داده هتل شما mydata نام دارد و مکان دو هتل شما در شهر نیویورک را مشخص می کند. SQL زیر این مجموعه داده را ایجاد می کند:

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) );

تعداد رستوران های این منطقه را دریافت کنید

برای اینکه به مشتریان خود ایده ای از تراکم رستوران های عملیاتی نزدیک هتل های خود بدهید، یک پرس و جوی SQL می نویسید تا تعداد رستوران ها در فاصله 1000 متری هر هتل را برگرداند:

SELECT WITH AGGREGATION_THRESHOLD h.name, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` 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

تصویر زیر نمونه ای از خروجی این پرس و جو را نشان می دهد:

نتایج پرس و جو برای شمارش رستوران ها در 1000 متری هر هتل.

تعداد رستوران ها و بارهای این منطقه را دریافت کنید

درخواست خود را طوری تغییر دهید که شامل بارها و رستوران ها در 1000 متری هر هتل باشد:

SELECT WITH AGGREGATION_THRESHOLD h.name, r.primary_type, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` 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

تصویر زیر نمونه ای از خروجی این پرس و جو را نشان می دهد:

نتایج پرس و جو برای شمارش رستوران ها و بارها در 1000 متری هر هتل.

تعداد رستوران ها و بارهای با قیمت متوسط ​​را در این منطقه دریافت کنید

در مرحله بعد می خواهید بدانید که بارها و رستوران ها به کدام جمعیت مشتری خدمات ارائه می دهند. از آنجایی که هتل‌های شما قیمت متوسطی را هدف قرار می‌دهند، شما فقط می‌خواهید وجود مؤسسات نزدیک را که در آن نقطه قیمت هستند و به خوبی بررسی می‌شوند، تبلیغ کنید.

در صورتی که بارها و رستوران‌ها در قیمت PRICE_LEVEL_MODERATE هستند و دارای رتبه 4 ستاره یا بالاتر هستند، پرس و جو را محدود کنید. این پرس و جو همچنین شعاع را تا 1500 متر در اطراف هر هتل گسترش می دهد:

SELECT WITH AGGREGATION_THRESHOLD h.name, r.primary_type, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` 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

تصویر زیر نمونه ای از خروجی این پرس و جو را نشان می دهد:

نتایج جستجو برای بارها و رستوران‌های با قیمت متوسط ​​در 1500 متری هر هتل.

بعدش چی