סקירה כללית על התובנות לגבי מקומות

Places Insights מאפשר לכם לבצע ניתוח סטטיסטי מתקדם של נתוני המקומות העשירים במפות Google. הוא מספק ספירות מצטברות ומידע על צפיפות של מיליוני נקודות נתונים של נקודות עניין (POI), ומאפשר ניתוח גיאוגרפי רב עוצמה.

יכולות עיקריות

  • ניתוח גיאוספציאלי: קבלת תצוגה ממעוף הציפור של הצפיפות וההתפלגות של קטגוריות שונות של נקודות עניין (למשל, קמעונאות, מסעדות, שירותים) באזורים גיאוגרפיים ספציפיים.
  • גישה מאובטחת לנתונים: הנתונים נפרסים באמצעות אוספי נתונים לשיתוף ב-BigQuery עם הגנה על נתונים, וכך מאפשרים סביבה מאובטחת ומוגנת לשיתוף נתונים וניתוח נתונים.
  • פרטים שניתן לפעול לפיהם: בעוד ש-Places Insights מתמקד במגמות מצטברות, אתם יכולים להשתמש במזהי המקומות שמוצגים כדי להציג פירוט ולאחזר מידע על מקומות ספציפיים באמצעות ממשקי API אחרים של Google Maps Platform. כך תוכלו לעבור מתובנות סטטיסטיות לפעולות מפורטות.

הסבר על נתוני מקומות ותרחישי שימוש

במפות Google אוספים נתונים על מיליוני עסקים ברחבי העולם. Places Insights מאפשר לכם לגשת לנתונים המקיפים האלה ב-BigQuery, כדי להפיק תובנות מצטברות לגבי נתוני המקומות במפות Google על סמך מגוון מאפיינים כמו סוגי מקומות, דירוגים, שעות פתיחה, נגישות לכיסא גלגלים ועוד.

כדי להשתמש ב-Places Insights, צריך לכתוב שאילתות SQL ב-BigQuery שמחזירות תובנות סטטיסטיות לגבי נתוני מקומות. התובנות האלה מאפשרות לכם לענות על שאלות כמו:

  • כמה עסקים דומים פועלים בקרבת מיקום פוטנציאלי של חנות חדשה?
  • אילו סוגי עסקים נפוצים בסביבה של החנויות הכי מצליחות שלי?
  • באילו אזורים יש ריכוז גבוה של עסקים משלימים שיכולים למשוך את לקוחות היעד שלי?
  • כמה מסעדות סושי בדירוג 5 כוכבים פתוחות בשעה 20:00 במדריד, יש להן חנייה נגישה לכיסא גלגלים והן מציעות שירות טייק אוויי?
  • באילו מיקודים בקליפורניה יש את הריכוז הכי גבוה של תחנות טעינה לרכבים חשמליים?

תרחישי שימוש נתמכים

  • בחירת אתר: הערכה ובחירה של המיקומים המתאימים ביותר לעסק חדש או למיקום של נכס פיזי. ניתוח הצפיפות והשילוב של נקודות העניין בסביבה מאפשר לוודא שהמיקום הפוטנציאלי של האתר הוא אופטימלי בסביבה העסקית התחרותית והמשלימה שלו. הגישה הזו מבוססת על נתונים ויכולה לצמצם את הסיכון שקשור להשקעה במיקומים חדשים.
  • הערכת הביצועים לפי מיקום: קובעים אילו משתנים גיאוגרפיים, כמו קרבה לסוגים מסוימים של נקודות עניין (POI) כמו סופרמרקטים או מקומות לאירועים, קשורים לביצועים חיוביים או שליליים במיקומים הקיימים. הנתונים האלה מאפשרים לכם לזהות אתרים פוטנציאליים שמשלבים את התכונות הגיאו-מרחביות הכי מתאימות לתרחיש השימוש שלכם. אפשר גם להשתמש במידע הזה כדי לפרוס מודלים לחיזוי שמנבאים את הביצועים העתידיים של מיקומים חדשים על סמך ההקשר של נקודות העניין שמסביב.
  • שיווק גיאוגרפי: קובעים אילו סוגים של קמפיינים שיווקיים או מודעות יניבו תוצאות טובות באזור מסוים. Places Insights מספק את ההקשר שנדרש כדי להבין פעילות מסחרית, וכך מאפשר לכם להתאים את המסרים לפי ריכוז של עסקים או פעילויות רלוונטיים.
  • תחזית מכירות: חיזוי של ערך המכירות הצפוי במיקום פוטנציאלי. מודלים של השפעת מאפיינים גיאו-מרחביים מאפשרים ליצור מודלים חזקים לחיזוי, שיעזרו לכם לקבל החלטות לגבי השקעות.
  • מחקר שוק: עוזר לכם להחליט לאילו אזורים גיאוגרפיים כדאי להרחיב את העסק או את השירותים שלכם. ניתוח של רמת הרוויה הנוכחית בשוק וצפיפות הנקודות של מקומות מעניינים כדי לזהות שווקי יעד שאין בהם מספיק שירותים או שיש בהם ריכוז גבוה של שירותים, ושמציעים את ההזדמנות הכי טובה. הניתוח הזה מספק ראיות לתמיכה ביוזמות אסטרטגיות לצמיחה ולהתרחבות.
  • ניתוח מגמות: בדיקת שינויים שמתרחשים לאורך זמן. השוואה בין מספר המקומות, כולל מקומות שהוסרו ומקומות שנוספו, מחודש לחודש, החל מינואר 2024.

אפשר להריץ שאילתות על מערכי נתונים של Places Insights באמצעות פונקציות של ספירת מקומות או שאילתות SQL ישירות.

לעיון בהפניה לסכימה

בחירת שיטת השאילתה: פונקציות של ספירת מקומות לעומת SQL ישיר

כדי להתאים את הניתוח לדרישות שונות של היקף והדרישות בנושא פרטיות, Places Insights מציע שתי דרכים לשליחת שאילתות: פונקציות לספירת מקומות (פונקציות מקוריות של BigQuery) ושאילתות SQL ישירות (צירופי טבלאות).

כדי לקבוע את נתיב השאילתה הנכון להטמעה שלכם, אפשר להשתמש במטריצת ההחלטות הזו:

יעד הניתוח שיטת שאילתה מומלצת נתונים ותוצאות שהוחזרו שיקולים בנושא פרטיות ומרחב
ניתוח צפיפות של נקודות עניין אזוריות ויצירת מפות חום PLACES_COUNT_PER_H3
  • מחזירה פוליגונים של משושים ב-H3 עם ספירות מדויקות (כולל 0)
  • הפונקציה מחזירה עד 250 ערכים של place_id לכל תא
  • פלטפורמה שנוצרה במיוחד למודלים של למידת מכונה מרחבית ולהנדסת תכונות
  • שטח חיפוש מינימלי של 40 מ' × 40 מ' (1,600 מ"ר)
  • אופטימיזציה לביצועים ולעלות עיבוד נמוכה
  • מאמת את פרמטרי הקלט ומחזיר שגיאות ברורות כדי להקל על איתור באגים
קבלת נתונים מספריים לגבי אתרים ספציפיים ואחזור מזהי מקומות כדי לחפש פרטים PLACES_COUNT_V2 או PLACES_COUNT_PER_TYPE_V2
  • הפונקציה מחזירה ספירות מדויקות (כולל 0) של צורות גיאומטריות מותאמות אישית
  • הפונקציה מחזירה עד 250 ערכים של place_id בכל שורה
  • שטח חיפוש מינימלי של 40 מ' × 40 מ' (1,600 מ"ר)
  • אפשר להרחיב את השימוש באלפי מיקומים באמצעות פרמטרים של TABLE
  • אופטימיזציה לביצועים ולעלות עיבוד נמוכה
  • מאמת את פרמטרי הקלט ומחזיר שגיאות ברורות כדי להקל על איתור באגים
מעקב אחרי שינויים בנקודות עניין ומגמות צמיחה לאורך זמן בין שני חודשים PLACES_COUNT_CHANGE
  • הפונקציה מחזירה את הערכים start_count,‏ end_count,‏ net_change,‏ percentage_change ו-compound_monthly_growth_rate
  • מחזירה מערכים של מזהי מקומות שנוספו (sample_added_place_ids) והוסרו (sample_removed_place_ids)
  • נדרשים הפרמטרים month1 ו-month2 בפורמט YYYY-MM
  • שטח חיפוש מינימלי של 40 מ' × 40 מ' (1,600 מ"ר)
  • אפשר להשתמש בפרמטרים TABLE כדי להגדיר אלפי מיקומים מותאמים אישית
הפעלת לוגיקה מותאמת אישית מתקדמת, חישוב ממוצעים או הצטרפות לנתונים שאילתות SQL ישירות
  • גמישות מלאה ב-SQL בכל הטבלאות הגולמיות
  • הפעלת מדדי SQL בהתאמה אישית (AVG, SUM וכו')
  • לא מחזירה מזהי מקומות
  • סף פרטיות: ספירות של 0 עד 4 מושמטות לחלוטין
  • אין הגבלה על גודל אזור החיפוש

בעזרת Places Insights אפשר לבצע ניתוח היסטורי על ידי שליחת שאילתות לגבי תמונות מצב חודשיות של נתוני מקומות, החל מינואר 2024. כך תוכלו להעריך איך צפיפות העסקים, הפעילות המסחרית והסביבה התחרותית התפתחו לאורך זמן.

כדי להריץ שאילתה על נתונים היסטוריים באמצעות פונקציות של ספירת מקומות, צריך להעביר את פרמטר הסינון האופציונלי snapshot_date בתוך JSON_OBJECT. הערך צריך להיות בפורמט YYYY-MM (לדוגמה, '2026-01').

דוגמה: שאילתת נתונים היסטוריים של מספר המסעדות בתל אביב באמצעות PLACES_COUNT_V2

בדוגמה הבאה נעשה שימוש ב-PLACES_COUNT_V2 כדי לנתח את מספר המסעדות הפעילות באזור בניין האמפייר סטייט וכיכר טיימס בניו יורק, כפי שהיה בינואר 2026:

-- 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'
  )
);

ניתוח פלט היסטורי

הטבלה שמוחזרת ב-BigQuery מכילה את geo_id, את הפוליגון הגיאוגרפי של הקלט, את מספר המקומות ומזהי מקומות לדוגמה כפי שנרשמו במהלך חודש הצילום הספציפי (2026-01). אתם יכולים להריץ שאילתות זהות על פני כמה חודשים של נתוני תמונת מצב כדי לחשב מגמות צמיחה, פתיחות של חנויות או התכווצות של השוק.

צפיפות מצטברת של נקודות עניין אזוריות באמצעות PLACES_COUNT_PER_H3

הפונקציה PLACES_COUNT_PER_H3 היא הדרך המומלצת לניתוח צפיפות של נקודות עניין באזורים גדולים. חלוקת אזור היעד לתאים סטנדרטיים של רשת משושים ב-H3 מאפשרת לכם להימנע משרטוט גבולות מותאמים אישית, ולהזין את התוצאות ישירות לכלי מיפוי חזותי, כמו Looker Studio.

דוגמה: ספירת חנויות מכולת וחנויות נוחות עם גישה לכיסא גלגלים במדינת ניו יורק

השאילתה הבאה מצבירה חנויות מכולת וחנויות נוחות עם גישה לכיסא גלגלים במדינת ניו יורק לתאים ב-H3 ברמת רזולוציה 8. הוא משתמש בגיאומטריה של הגבולות שאוחזרה באופן דינמי מbigquery-public-data.geo_us_boundaries.states מערך הנתונים הציבורי.

-- 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;

ניתוח הפלט

השאילתה הזו מחזירה טבלה מובנית שממפה כל אינדקס H3 נפרד (h3_cell_index) לפוליגון הגבול שלו (geography), למספר נקודות העניין (count) ולעד 250 נקודות עניין מייצגות (sample_place_ids).

  • כולל ספירות אפס: אם בתא ברשת של מדינת ניו יורק יש אפס חנויות תואמות, עדיין מוחזרת שורה עם ספירה של 0. הנתונים האלה חשובים מאוד לזיהוי אזורים שבהם יש מחסור בשירותים או בעסקים.
  • מיפוי חזותי ישיר: מכיוון שהפלט כולל פוליגון GEOGRAPHY, אפשר לרנדר מפות חום ישירות ב-BigQuery Studio או ב-Looker Studio.

אחזור מזהי מקומות כדי לבדוק את פרטי המקום

התובנות לגבי מקומות מבוססות על נתונים סטטיסטיים, אבל אפשר לעבור מתובנות מצטברות לפעולות מפורטות.

כל הפונקציות העיקריות של ספירת מקומות, כולל PLACES_COUNT_PER_H3,‏ PLACES_COUNT_V2 ו-PLACES_COUNT_PER_TYPE_V2 (למעט הפונקציה PLACES_COUNT מדור קודם), מחזירות מערך של עד 250 מזהי מקומות בכל שורה שתואמים לקריטריונים של השאילתה.

מזהי המקומות האלה משמשים כגשר, ומאפשרים לכם להשתמש בממשקי API אחרים של Google Maps Platform, כמו Place Details API, כדי לאחזר פרטים ספציפיים כמו שמות חנויות, ביקורות, מספרי טלפון וכתובות.

ניתוח הנוכחות של מותג עם כמה מיקומים

בנוסף לנתוני המקומות, Places Insights כולל נתונים על מותגים או על חנויות עם כמה מיקומים שפועלות תחת אותו שם מותג.

אפשר להשתמש בשאילתות על נתוני המותג כדי:

  • לזהות את צפיפות המותגים המתחרים בשוק היעד.
  • מסננים את ספירת הנקודות לפי מזהי מותג ספציפיים.
  • בודקים את חדירת השוק על ידי השוואה בין עסקים עם מותג לבין עסקים עצמאיים.

המאמרים הבאים