نمای کلی «اطلاعات آماری جاها»

«بینش‌های تحلیلی جاها» به شما امکان می‌دهد تجزیه‌وتحلیل آماری پیشرفته‌ای روی داده‌های غنی «جاها» در Google Maps انجام دهید. این مجموعه داده اطلاعات تراکم و تعداد انبوهشی را برای میلیون‌ها نقطه داده «نقطه موردعلاقه» (POI) ارائه می‌دهد و امکان استفاده از بینش زمین‌مکانی قدرتمند را فراهم می‌کند.

قابلیت‌های کلیدی

  • هوش زمین‌مکانی: «نمای هوایی» از تراکم و توزیع دسته‌های مختلف نقاط جالب (برای مثال، خرده‌فروشی، رستوران، و خدمات) در سراسر مناطق جغرافیایی خاص دریافت کنید.
  • دسترسی ایمن به داده‌ها: داده‌ها بااستفاده از فهرست‌های تبادل داده BigQuery با حفاظت از داده‌های موجود مستقر می‌شوند که محیطی ایمن و محافظت‌شده برای هم‌رسانی و تجزیه‌وتحلیل داده‌ها فراهم می‌کند.
  • جزئیات قابل‌اجرا: درحالی‌که «بینش‌های تحلیلی جاها» بر روندهای انبوهشی تمرکز دارد، می‌توانید از «شناسه‌های جا» خروجی برای بررسی دقیق و بازیابی اطلاعات «جا» به‌صورت جداگانه بااستفاده از دیگر میاناهای برنامه‌سازی کاربردی «پلاتفرم Google Maps» استفاده کنید تا از بینش آماری به اقدام دقیق برسید.

آشنایی با داده‌های مکان‌ها و موارد استفاده

‫Google Maps داده‌های مکان‌ها را برای میلیون‌ها مؤسسه در سراسر جهان سازمان‌دهی می‌کند. «بینش‌های تحلیلی جاها» این داده‌های جامع جاها را در BigQuery دردسترس قرار می‌دهد تا بتوانید بینش‌های تحلیلی تجمیع‌شده‌ای را درباره داده‌های جاهای Google Maps براساس مشخصه‌های مختلفی مثل انواع جاها، رده‌بندی‌ها، ساعت کار فروشگاه، دسترسی با صندلی چرخ‌دار، و غیره به‌دست آورید.

برای استفاده از «بینش‌های تحلیلی جاها»، پُرسمان‌های SQL را در BigQuery می‌نویسید که بینش‌های آماری درباره داده‌های جاها را برمی‌گرداند. این اطلاعات آماری به شما امکان می‌دهد به پرسش‌هایی مثل موارد زیر پاسخ دهید:

  • چند کسب‌وکار مشابه در نزدیکی مکان احتمالی فروشگاه جدید فعالیت می‌کنند؟
  • چه نوع کسب‌وکارهایی معمولاً در نزدیکی موفق‌ترین فروشگاه‌های من پیدا می‌شوند؟
  • کدام مناطق تمرکز بالایی از کسب‌وکارهای مکمل دارند که می‌توانند مشتریان هدف من را جذب کنند؟
  • چند رستوران سوشی ۵ ستاره در مادرید ساعت ۸ شب باز هستند، پارکینگ دردسترس با صندلی چرخ‌دار دارند، و غذای بیرون‌بر ارائه می‌دهند؟
  • کدام کدهای پستی در کالیفرنیا بیشترین تراکم ایستگاه‌های شارژ خودرو برقی را دارند؟

موارد استفاده پشتیبانی‌شده

  • انتخاب سایت: ارزیابی و انتخاب مناسب‌ترین مکان‌ها برای کسب‌وکار جدید یا قرار دادن دارایی فیزیکی. با تحلیل تراکم و ترکیب نقاط موردعلاقه اطراف، می‌توانید مطمئن شوید که سایت احتمالی به‌طور بهینه در محیط کسب‌وکار رقابتی و مکمل خود قرار گرفته است. این رویکرد داده‌محور می‌تواند ریسک مرتبط با سرمایه‌گذاری در مکان‌های جدید را کاهش دهد.
  • ارزیابی عملکرد مکان: تعیین کنید که کدام متغیرهای جغرافیایی-فضایی، مانند نزدیکی به انواع خاصی از نقاط موردعلاقه مثل سوپرمارکت‌ها یا مکان‌های رویداد، با عملکرد مثبت یا منفی در مکان‌های موجود شما همبستگی دارند. این داده‌ها به شما امکان می‌دهد سایت‌های احتمالی را که بهترین ترکیب از ویژگی‌های زمین‌مکانی را برای مورد استفاده شما دارند شناسایی کنید. همچنین می‌توانید از این اطلاعات برای استقرار مدل‌های پیش‌بینی‌کننده استفاده کنید که عملکرد آینده هر مکان جدید را براساس بافت نقطه موردعلاقه اطراف آن پیش‌بینی می‌کنند.
  • بازاریابی هدف‌یابی جغرافیایی: تعیین کنید چه نوع پویش‌های بازاریابی یا آگهی‌هایی در یک منطقه موفق خواهند بود. «بینش‌های تحلیلی جاها» بافت لازم برای درک فعالیت تجاری را ارائه می‌دهد و به شما امکان می‌دهد پیام‌رسانی را براساس تمرکز کسب‌وکارها یا فعالیت‌های مربوط سفارشی‌سازی کنید.
  • پیش‌بینی فروش: پیش‌بینی فروش آینده در مکان احتمالی. مدل‌سازی تأثیر ویژگی‌های زمین‌مکانی اطراف به شما امکان می‌دهد مدل‌های پیش‌بینی‌کننده قدرتمندی برای هدایت تصمیمات سرمایه‌گذاری ایجاد کنید.
  • تحقیقات بازار: اطلاع از اینکه کسب‌وکار یا سرویس خود را در کدام مناطق جغرافیایی گسترش دهید. اشباع بازار موجود و تراکم نقاط موردعلاقه را تحلیل کنید تا بازارهای هدف کم‌برخوردار یا بسیار متمرکز را که بیشترین فرصت را ارائه می‌دهند شناسایی کنید. این تحلیل شواهدی را برای پشتیبانی از طرح‌های ابتکاری رشد و گسترش راهبردی ارائه می‌دهد.
  • تحلیل گرایش‌ها: تغییراتی را که درطول یک دوره زمانی رخ می‌دهد کاوش کنید. تعداد مکان‌ها، ازجمله مکان‌های اضافه‌شده و برداشته‌شده، را ماه به ماه تا ژانویه ۲۰۲۴ مقایسه کنید.

می‌توانید بااستفاده از توابع شمارش جاها یا پُرسمان‌های SQL مستقیم، مجموعه داده‌های «بینش‌های تحلیلی جاها» را پُرسمان کنید.

مرجع Schema را ببینید.

هرچند «بینش‌های تحلیلی جاها» تعداد انبوهشی نقاط موردعلاقه و تراکم نمانام را ارائه می‌دهد، تصمیم‌گیری‌های مکانی اغلب به درک رفتار انسان و محیط اطراف بستگی دارد. برای غنی‌سازی داده‌های نقطه موردعلاقه در BigQuery با جاسازی‌های یادگیری ماشین که روندهای «جستجوی Google»، محیط ساخت و الگوهای فعالیت انسانی، و بافت محیطی (مانند آب‌وهوا و کیفیت هوا) را ثبت می‌کنند، «بینش‌های تحلیلی جاها» را با بینش‌های تحلیلی پویایی جمعیت (PDI) (پیش‌نمایش) جفت کنید.

روش پُرسمان خود را انتخاب کنید: توابع Places Count درمقابل SQL مستقیم

برای تطبیق با مقیاس‌های مختلف تجزیه‌وتحلیل و الزامات حریم خصوصی، «بینش‌های تحلیلی جاها» دو مسیر پُرسمان ارائه می‌دهد: توابع شمارش جاها (توابع بومی BigQuery) و پُرسمان‌های SQL مستقیم (اتصال‌های جدول).

از این ماتریس تصمیم‌گیری برای تعیین مسیر پُرسمان صحیح برای پیاده‌سازی‌تان استفاده کنید:

هدف تحلیل شما روش پُرسمان توصیه‌شده داده‌ها و بروندادهای برگردانده‌شده ملاحظات حریم خصوصی و فضایی
تحلیل تراکم نقطه موردعلاقه منطقه‌ای و ساختن نقشه حرارتی PLACES_COUNT_PER_H3
  • چندضلعی‌های شش‌ضلعی H3 را با تعداد دقیق (ازجمله ۰) برمی‌گرداند
  • حداکثر ۲۵۰ مقدار place_id برای هر سلول برمی‌گرداند
  • ساخته‌شده برای مدل‌های یادگیری ماشین فضایی و مهندسی ویژگی‌ها
  • حداقل محیط جستجوی ۴۰ متر × ۴۰ متر (۱۶۰۰ متر مربع)
  • بهینه‌شده برای عملکرد و هزینه پردازش پایین
  • پارامترهای ورودی را اعتبارسنجی می‌کند و خطاهای واضحی را برای اشکال‌زدایی آسان‌تر برمی‌گرداند
دریافت تعداد سایت‌های خاص و بازیابی شناسه مکان برای جستجوی جزئیات PLACES_COUNT_V2 یا PLACES_COUNT_PER_TYPE_V2
  • تعداد دقیق (ازجمله ۰) را برای هندسه‌های سفارشی برمی‌گرداند
  • حداکثر ۲۵۰ مقدار place_id در هر ردیف برمی‌گرداند
  • حداقل محیط جستجوی ۴۰ متر × ۴۰ متر (۱۶۰۰ متر مربع)
  • قابل‌مقیاس‌بندی به هزاران مکان بااستفاده از پارامترهای TABLE
  • بهینه‌شده برای عملکرد و هزینه پردازش پایین
  • پارامترهای ورودی را اعتبارسنجی می‌کند و خطاهای واضحی را برای اشکال‌زدایی آسان‌تر برمی‌گرداند
ردگیری تغییرات نقطه موردعلاقه و روندهای رشد درطول زمان بین دو ماه PLACES_COUNT_CHANGE
  • ‫start_count،‏ end_count،‏ net_change،‏ percentage_change، و compound_monthly_growth_rate را برمی‌گرداند
  • آرایه‌های «شناسه‌های جا» را که به‌تازگی اضافه (sample_added_place_ids) و برداشته (sample_removed_place_ids) شده‌اند برمی‌گرداند
  • به پارامترهای month1 و month2 در قالب YYYY-MM نیاز دارد
  • حداقل محیط جستجوی ۴۰ متر × ۴۰ متر (۱۶۰۰ متر مربع)
  • قابل‌مقیاس‌بندی به هزاران مکان سفارشی بااستفاده از پارامترهای TABLE
منطق سفارشی پیشرفته، میانگین‌ها، یا پیوستن به داده‌هایتان را اجرا کنید پُرسمان‌های SQL مستقیم
  • انعطاف‌پذیری کامل SQL در جدول‌های خام
  • سنجه‌های SQL سفارشی (AVG، SUM، و غیره) را فعال می‌کند
  • «شناسه مکان» را برنمی‌گرداند
  • آستانه حریم خصوصی: تعداد ۰ تا ۴ کاملاً حذف شده است
  • بدون محدودیت حداقل محل جستجو

«بینش‌های تحلیلی جاها» به شما امکان می‌دهد با پُرسمان کردن عکس‌های آنی ماهانه از داده‌های «جاها» که به ژانویه ۲۰۲۴ برمی‌گردد، تحلیل تاریخی انجام دهید. این کار به شما امکان می‌دهد ارزیابی کنید که تراکم کسب‌وکار، فعالیت تجاری، و چشم‌اندازهای رقابتی چگونه درطول زمان تکامل یافته‌اند.

برای پُرسمان داده‌های قدیمی بااستفاده از توابع «تعداد مکان‌ها»، پارامتر فیلتر اختیاری snapshot_date را در JSON_OBJECT خود ارسال کنید. مقدار باید به‌صورت YYYY-MM قالب‌بندی شود (برای مثال، '2026-01').

مثال: تعداد رستوران‌های تاریخی در شهر نیویورک را با PLACES_COUNT_V2 پُرسمان کنید

مثال زیر از PLACES_COUNT_V2 برای تحلیل تعداد رستوران‌های فعال در اطراف ساختمان امپایر استیت و میدان تایمز در شهر نیویورک، همان‌طور که در ژانویه ۲۰۲۶ وجود داشتند، استفاده می‌کند:

-- Create a table for the input search geographies
WITH my_search_areas AS (
  SELECT
    'Empire State Building' AS geo_id,
    ST_GEOGPOINT(-73.9857, 40.7484) AS geo
  UNION ALL
  SELECT
    'Times Square' AS geo_id,
    ST_GEOGPOINT(-73.9851, 40.7580) AS geo
)

-- Query restaurant counts for the January 2026 snapshot
SELECT *
FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_V2`(
  TABLE my_search_areas,
  JSON_OBJECT(
      'geography_radius', 1000, -- Radius in meters around each point
      'business_status', ['OPERATIONAL'],
      'types', ['restaurant'],
      'snapshot_date', '2026-01'
  )
);

درحال تحلیل برونداد گذشته

جدول BigQuery برگردانده‌شده حاوی geo_id، چندضلعی جغرافیایی ورودی، تعداد مکان، و نمونه «شناسه‌های مکان» است که درطول ماه عکس آنی مشخص‌شده (2026-01) ثبت شده‌اند. می‌توانید پُرسمان‌های یکسانی را در چندین ماه فعالیت‌نما اجرا کنید تا روندهای رشد، افتتاح فروشگاه، یا انقباض بازار را محاسبه کنید.

تراکم نقطه‌های موردعلاقه منطقه‌ای را بااستفاده از PLACES_COUNT_PER_H3 جمع‌آوری کنید

تابع PLACES_COUNT_PER_H3 مسیر توصیه‌شده برای تجزیه‌وتحلیل تراکم نقطه موردعلاقه در مناطق بزرگ است. با تقسیم منطقه هدف به سلول‌های شبکه شش‌ضلعی H3 استانداردشده، نیاز به ترسیم مرزهای سفارشی را ازبین می‌برید و می‌توانید نتایج را مستقیماً به ابزارهای نگاشت بصری، مانند Looker Studio، وارد کنید.

مثال: شمارش خواربارفروشی‌ها و دکه‌های بقالی دسترس‌پذیر با صندلی چرخدار در ایالت نیویورک

پُرسمان زیر خواربارفروشی‌ها و دکه‌های بقالی قابل‌دسترسی با صندلی چرخ‌دار را در ایالت نیویورک در سلول‌های H3 با سطح وضوح ۸ جمع‌آوری می‌کند. این ویژگی از هندسه مرزی استفاده می‌کند که به‌طور پویا از مجموعه داده‌های عمومی bigquery-public-data.geo_us_boundaries.states بازیابی شده است.

-- Query POI count per H3 cell intersecting the New York State polygon boundary
SELECT *
FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_PER_H3`(
  JSON_OBJECT(
      'geography', (
        -- Dynamically retrieve the boundary geography for New York State
        SELECT state_geom
        FROM `bigquery-public-data.geo_us_boundaries.states`
        WHERE state = 'NY'
        LIMIT 1
      ),
      'types', ['grocery_store', 'convenience_store'],
      'business_status', ['OPERATIONAL'],
      'h3_resolution', 8,
      'wheelchair_accessible_entrance', TRUE
  )
)
ORDER BY count DESC;

درحال تحلیل کردن برونداد

این پُرسمان جدول ساختاریافته‌ای را برمی‌گرداند که هر نمایه H3 متمایز (h3_cell_index) را به چندضلعی مرزی (geography)، تعداد نقطه موردعلاقه (count)، و حداکثر ۲۵۰ sample_place_ids نماینده نگاشت می‌کند.

  • شامل شمارش‌های صفر: اگر سلولی در شبکه ایالت نیویورک هیچ فروشگاه منطبقی نداشته باشد، همچنان ردیفی با شمارش 0 برمی‌گرداند. این کار برای مکان‌یابی مناطق فاقد خدمات یا مراکز تجاری بسیار مهم است.
  • نگاشت بصری مستقیم: چون خروجی شامل یک چندضلعی GEOGRAPHY است، می‌توانید نقشه‌های حرارتی را مستقیماً در BigQuery Studio یا Looker Studio رندر کنید.

بازیابی شناسه مکان برای بررسی جزئیات مکان

اگرچه «بینش‌های تحلیلی جاها» برای هوش آماری ساخته شده است، می‌توانید از اطلاعات آماری انبوهشی به کنش‌های جزئی انتقال پیدا کنید.

همه عملکردهای اصلی Places Count، ازجمله PLACES_COUNT_PER_H3، PLACES_COUNT_V2، و PLACES_COUNT_PER_TYPE_V2 (به‌استثنای عملکرد قدیمی PLACES_COUNT)، آرایه‌ای از حداکثر ۲۵۰ شناسه مکان در هر ردیف مطابق با معیارهای پُرسمان شما برمی‌گردانند.

این «شناسه‌های جا» به‌عنوان پل عمل می‌کنند و به شما امکان می‌دهند از دیگر میاناهای برنامه‌سازی کاربردی Google Maps Platform، مانند میانای برنامه‌سازی کاربردی «جزئیات جا»، برای بازیابی جزئیات خاصی مثل نام فروشگاه، مرورها، شماره تلفن، و نشانی استفاده کنید.

تجزیه‌وتحلیل حضور نمانام‌های دارای چند مکان

«بینش‌های تحلیلی جاها» علاوه‌بر داده‌های جاها، شامل داده‌های مربوط به نمانام‌ها یا فروشگاه‌هایی است که چندین مکان دارند و تحت یک نام نمانام فعالیت می‌کنند.

می‌توانید داده‌های نمانام را برای موارد زیر پُرسمان کنید:

  • شناسایی تراکم نمانام‌های رقیب در بازار هدف.
  • تعداد نقاط موردعلاقه را به‌طور خاص براساس شناسه‌های نمانام فیلتر کنید.
  • نفوذ بازار را با مقایسه مؤسسات نمانام‌دار دربرابر مؤسسات مستقل بررسی کنید.

قدم بعدی چیست