Places Insights の概要

重要: Places Insights データをクエリするには、まず Places Insights プロダクトにアクセスするための登録が必要です。

Places Insights を使用すると、Google マップの豊富なプレイスデータに対して高度な統計分析を行うことができます。数百万の地図スポット（POI）データポイントの集計数と密度情報を提供し、強力な地理空間インテリジェンスを実現します。

主な機能

• 地理空間インテリジェンス: 特定の地域におけるさまざまなカテゴリの POI（小売店、飲食店、サービスなど）の密度と分布を俯瞰的に把握できます。
• 安全なデータアクセス: データは、データ保護が実施された BigQuery データ エクスチェンジ リスティングを使用してデプロイされます。これにより、データ共有と分析のための安全で保護された環境が実現します。
• 実用的な詳細情報: Places Insights は集計された傾向に焦点を当てていますが、出力されたプレイス ID を使用して、他の Google Maps Platform API を使用して個々のプレイス情報をドリルダウンして取得し、統計的な分析情報から詳細なアクションに移行できます。

プレイス データとユースケースを理解する

Google マップは、世界中の数百万の施設に関する場所データをキュレートしています。Places Insights は、この包括的なプレイスデータを BigQuery で利用できるようにします。これにより、プレイスタイプ、評価、営業時間、車椅子でのアクセスなど、さまざまな属性に基づいて Google マップのプレイスデータに関する集約された分析情報を得ることができます。

Places Insights を使用するには、BigQuery で SQL クエリを記述して、プレイス データに関する統計分析情報を返します。これらの分析情報により、次のような疑問に答えることができます。

• 新しい店舗の候補地の近くで、類似のビジネスがいくつ営業しているか。
• 最も成功している店舗の近くには、どのような種類のビジネスがよく見られますか？
• ターゲット顧客を引き付ける可能性のある補完的なビジネスが集中しているエリアはどこですか？
• マドリードで午後 8 時に営業しており、車椅子対応の駐車場があり、テイクアウトができる 5 つ星の寿司店は何軒ありますか？
• カリフォルニア州で EV 充電ステーションの密度が最も高い郵便番号はどこですか？

サポートされるユースケース

• サイトの選択: 新しいビジネスや物理アセットの配置に最適な場所を評価して選択します。周辺の POI の密度と構成を分析することで、競合他社や補完的なビジネス環境の中で、候補地が最適な位置にあることを確認できます。このデータドリブン アプローチにより、新しいロケーションへの投資に関連するリスクを軽減できます。
• 場所のパフォーマンス評価: スーパーマーケットやイベント会場などの特定の種類の POI への近さなど、既存の場所のパフォーマンスの高さ / 低さと相関する地理空間変数を特定します。このデータを使用すると、ユースケースに最適な地理空間特性の組み合わせを共有する候補地を特定できます。この情報を使用して、周囲の POI コンテキストに基づいて新しい場所の将来のパフォーマンスを予測する予測モデルをデプロイすることもできます。
• 地域ターゲティング マーケティング: ある地域で成功するマーケティング キャンペーンや広告の種類を特定します。Places Insights は、商取引活動を理解するために必要なコンテキストを提供します。これにより、関連するビジネスやアクティビティの集中度に基づいてメッセージを調整できます。
• 売上予測: 見込みのある場所での将来の売上を予測します。周囲の地理空間特性の影響をモデル化することで、投資判断を促進する堅牢な予測モデルを作成できます。
• 市場調査: ビジネスやサービスを次に拡大する地域を特定します。既存の市場飽和度と POI 密度を分析して、最も大きな機会を提供する未開拓のターゲット市場や高密度のターゲット市場を特定します。この分析は、戦略的な成長と拡大の取り組みを裏付ける証拠となります。
• トレンド分析: 一定期間に発生する変化を調べます。2024 年 1 月まで遡って、追加または削除された場所を含む場所の数を月ごとに比較します。

Places Insights データセットにクエリを実行するには、Places Count 関数または直接 SQL クエリを使用します。

スキーマ リファレンスをご覧ください。

クエリ方法の選択: Places Count 関数と直接 SQL

さまざまな分析規模とプライバシー要件に対応するため、Places Insights には 2 つのクエリパス（場所のカウント関数（ネイティブ BigQuery 関数）と直接 SQL クエリ（テーブル結合））が用意されています。

ヒント: どこから始めればよいかわからない場合は、PLACES_COUNT_PER_H3 から始めることをおすすめします。標準化されたグリッド セル全体で空間密度に関する分析情報を即座に提供し、グラウンド トゥルースの検査用のプレイス ID を返し、地理空間特徴エンジニアリングと ML モデル用に構築されています。

この意思決定マトリックスを使用して、実装に適したクエリパスを決定します。

分析の目標	推奨されるクエリ方法	返されるデータと出力	プライバシーと空間に関する考慮事項
地域の POI 密度を分析してヒートマップを作成する	PLACES_COUNT_PER_H3	正確なカウント（0 を含む）を含む H3 六角形ポリゴンを返します セルあたり最大 250 個の place_id 値を返します	空間 ML モデルと特徴量エンジニアリング専用に構築 最小検索領域: 40 m × 40 m（1,600 m²） パフォーマンスと処理コストの低さを重視した最適化 入力パラメータを検証し、デバッグを容易にする明確なエラーを返します
特定のサイトのカウントを取得し、プレイス ID を取得して詳細を検索する	PLACES_COUNT_V2 または PLACES_COUNT_PER_TYPE_V2	カスタム ジオメトリの正確な数（0 を含む）を返します 行ごとに最大 250 個の place_id 値を返します	最小検索領域: 40 m × 40 m（1,600 m²） TABLE パラメータを使用して数千のロケーションにスケーリング可能 パフォーマンスと処理コストの低さを重視した最適化 入力パラメータを検証し、デバッグを容易にする明確なエラーを返します
2 か月間の POI の変化と成長の傾向を追跡する	PLACES_COUNT_CHANGE	start_count、end_count、net_change、percentage_change、compound_monthly_growth_rate を返します。 新たに追加された（sample_added_place_ids）場所 ID と削除された（sample_removed_place_ids）場所 ID の配列を返します	YYYY-MM 形式の month1 パラメータと month2 パラメータが必要です 最小検索領域: 40 m × 40 m（1,600 m²） TABLE パラメータを使用して数千のカスタム ロケーションにスケーリング可能
高度なカスタム ロジック、平均値、結合をデータに対して実行する	Direct SQL Queries	生テーブル全体で SQL の柔軟性を最大限に活用 カスタム SQL 指標（AVG、SUM など）を有効にします。	プレイス ID を返さない プライバシーのしきい値: 0 ～ 4 のカウントは完全に省略されます 最小検索領域の制限なし

重要: 正確な低カウント（5 未満）またはプレイス ID を取得するには、プレイス カウント関数を使用する必要があります。標準 SQL クエリが元テーブルで直接実行され、差分プライバシー集計しきい値が適用されます。クエリで一致する場所の数が 0 ～ 4 件の場合、行全体が結果から除外されます。この制限を回避するには、最小検索エリア 40 m × 40 m（1,600 m²）で 0 を含む任意のカウントを返すことができる場所数関数を使用します。

スナップショットの日付を使用して過去の傾向を分析する

Places Insights では、2024 年 1 月まで遡ってプレイスデータの月次スナップショットをクエリすることで、過去の分析を行うことができます。これにより、ビジネス密度、商業活動、競合状況が時間の経過とともにどのように変化したかを評価できます。

Places Count 関数を使用して過去のデータをクエリするには、JSON_OBJECT 内でオプションの snapshot_date フィルタ パラメータを渡します。値は YYYY-MM（例: '2026-01'）の形式にする必要があります。

注: snapshot_date が省略されている場合、クエリはデフォルトで、利用可能な最新のスナップショットのデータを返します。

例: PLACES_COUNT_V2 を使用してニューヨーク市の過去のレストラン数をクエリする

次の例では、PLACES_COUNT_V2 を使用して、2026 年 1 月にニューヨーク市のエンパイア ステート ビルディングとタイムズ スクエア周辺に存在した営業中のレストランの数を分析します。

-- 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'
  )
);

過去の出力を分析する

返される BigQuery テーブルには、geo_id、入力された地理ポリゴン、場所の数、指定されたスナップショット月（2026 年 1 月）に記録されたサンプル Place ID が含まれます。複数のスナップショット月で同じクエリを実行して、成長傾向、店舗の開店、市場の縮小を計算できます。

PLACES_COUNT_PER_H3 を使用して地域のスポット密度を集計する

PLACES_COUNT_PER_H3 関数は、広範囲にわたる POI 密度を分析する場合におすすめの方法です。対象地域を標準化された H3 六角形グリッドセルに分割することで、カスタム境界線を描画する必要がなくなり、Looker Studio などの視覚的なマッピング ツールに結果を直接フィードできます。

例: ニューヨーク州の車椅子対応の食料品店とコンビニエンス ストアの数を数える

次のクエリは、ニューヨーク州の車椅子対応の食料品店とコンビニエンス ストアを解像度レベル 8 の H3 セルに集計します。bigquery-public-data.geo_us_boundaries.states 一般公開データセットから動的に取得された境界ジオメトリを使用します。

-- 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;

出力を分析する

このクエリは、個別の H3 インデックス（h3_cell_index）を境界ポリゴン（geography）、POI 数（count）、最大 250 個の代表的な sample_place_ids にマッピングする構造化テーブルを返します。

• ゼロカウントを含む: ニューヨーク州のグリッドのセルに一致する店舗が 1 つもない場合でも、カウントが 0 の行が返されます。これは、商業砂漠やサービス砂漠を特定するうえで重要です。
• 直接的な視覚的マッピング: 出力に GEOGRAPHY ポリゴンが含まれているため、BigQuery Studio または Looker Studio 内でヒートマップを直接レンダリングできます。

プレイス ID を取得して場所の詳細を調べる

プレイスのインサイトは統計情報用に構築されていますが、集計された分析情報から詳細なアクションに移行できます。

PLACES_COUNT_PER_H3、PLACES_COUNT_V2、PLACES_COUNT_PER_TYPE_V2 などのすべての主要なプレイス カウント関数（以前の PLACES_COUNT 関数を除く）は、クエリ条件に一致する行ごとに最大 250 個のプレイス ID の配列を返します。

これらのプレイス ID はブリッジとして機能し、Place Details API などの他の Google Maps Platform API を使用して、店舗名、クチコミ、電話番号、住所などの詳細情報を取得できます。

マルチロケーション ブランドのプレゼンスを分析する

注: ブランドデータは、米国、カナダ、英国、オーストラリアのデータセットで利用できます。

Places Insights には、場所のデータに加えて、同じブランド名で複数の店舗を運営しているブランドや店舗に関するデータも含まれています。

ブランドデータをクエリして、次のことを行えます。

• ターゲット市場における競合他社ブランドの密度を特定します。
• ブランド ID で POI の数をフィルタします。
• ブランド店と独立系店舗を比較して、市場浸透度を調べます。

次のステップ

• Places Insights を使ってみる - 最適化されたすべてのテーブル値関数の概要を確認します。
• PLACES_COUNT_PER_H3 リファレンス - 六角形の空間インデックス関数について学習します。
• 上級: データセットに直接クエリを実行する - 標準 SQL クエリ、ワークフローの結合、ブランドデータのフィルタリングについて学びます。
• スキーマ リファレンスを表示する - 共通スキーマと国固有のスキーマの両方について、フィールド テーブルの詳細を確認できます。