نمای کلی «اطلاعات آماری جاها»

«اطلاعات آماری 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 چشم پرنده» از تراکم و توزیع دسته‌های مختلف نقاط جالب (برای مثال، خرده‌فروشی، رستوران، و خدمات) در 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 «اطلاعات آماری جاها» بر روندهای انبوهشی تمرکز دارد، می‌توانید از «شناسه‌های جا» خروجی برای بررسی دقیق‌تر و بازیابی اطلاعات «جا» به‌صورت جداگانه بااستفاده از دیگر میاناهای برنامه‌سازی کاربردی «پلاتفرم Google Maps» استفاده کنید تا از اطلاعات 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. «اطلاعات آماری جاها» این داده‌های جامع جاها را در BigQuery دردسترس قرار می‌دهد تا بتوانید اطلاعات آماری تجمیع‌شده‌ای 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 «اطلاعات آماری جاها»، پُرسمان‌های SQL را در BigQuery می‌نویسید که اطلاعات آماری آماری درباره داده‌های جاها را برمی‌گرداند. این اطلاعات آماری به شما امکان می‌دهد به سؤالاتی ازاین‌قبیل 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 با ورودی ویلچر 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 پیاده‌سازی مدل‌های پیش‌بینی‌کننده استفاده کنید که عملکرد آینده هر مکان جدید را براساس بافت نقاط موردعلاقه اطراف آن پیش‌بینی می‌کنند.
• بازاریابی هدف‌یابی جغرافیایی: تعیین کنید چه نوع پویش‌های بازاریابی یا تبلیغاتی در یک منطقه موفق خواهند بود. «اطلاعات آماری جاها» بافت لازم را برای درک فعالیت تجاری 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.
• تحقیق 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 تابع‌های «شمارش جاها» یا پرس‌وجوهای مستقیم SQL، از مجموعه‌داده‌های «اطلاعات آماری جاها» پرس‌وجو کنید.

مرجع Schema را ببینید.

ترکیب کردن با مجموعه‌داده‌های تجزیه‌وتحلیل مرتبط در «پلاتفرم Google Maps»

درست است که «اطلاعات آماری جاها» تعداد انبوهی از نقاط موردعلاقه و تراکم نمانام‌ها را ارائه می‌دهد، اما تصمیم‌گیری درباره مکان 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، «اطلاعات آماری جاها» را با اطلاعات آماری 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، «اطلاعات آماری 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:

تجزیه‌وتحلیل روندهای تاریخی بااستفاده از تاریخ‌های عکس آنی

«اطلاعات آماری 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: پُرسمان تعداد رستوران‌های قدیمی در شهر نیویورک با PLACES_COUNT_V2

مثال زیر از PLACES_COUNT_V2 برای تجزیه‌وتحلیل تعداد رستوران‌های فعال در اطراف ساختمان امپایر استیت و میدان تایمز در شهر نیویورک در ژانویه ۲۰۲۶ 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 عکس آنی اجرا کنید تا روندهای رشد، افتتاح فروشگاه، یا انقباض بازار را محاسبه کنید.

انبوهش تراکم نقطه‌های موردعلاقه منطقه‌ای بااستفاده از PLACES_COUNT_PER_H3

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

پرس‌وجوی 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 که به‌طور پویا از مجموعه داده عمومی bigquery-public-data.geo_us_boundaries.states بازیابی شده است استفاده می‌کند.

-- 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 موضوع برای مکان‌یابی مناطق فاقد خدمات یا مراکز تجاری بسیار مهم است.
• نگاشت بصری مستقیم: چون خروجی شامل چندضلعی GEOGRAPHY است، می‌توانید نقشه‌های حرارتی را مستقیماً در BigQuery Studio یا Looker Studio رندر کنید.

بازیابی «شناسه‌های جا» برای بررسی جزئیات جا

اگرچه «اطلاعات آماری جاها» برای هوش آماری ساخته شده است، می‌توانید از اطلاعات آماری انبوهشی به کنش‌های جزئی بروید.

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 مانند نام فروشگاه، مرورها، شماره تلفن، و نشانی استفاده کنید.

تجزیه‌وتحلیل حضور نمانام چندمکانی

«اطلاعات آماری 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:

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

قدم بعدی چیست

• شروع به کار با «اطلاعات آماری جاها» – نمای کلی همه توابع بهینه‌شده با مقدار جدول را بخوانید.
• مرجع PLACES_COUNT_PER_H3 – با تابع نمایه‌سازی فضایی شش‌ضلعی آشنا شوید.
• پیشرفته: جستجوی مستقیم مجموعه داده – با جستارهای SQL استاندارد، گردش‌های کاری پیوستن، و فیلتر کردن داده‌های نمانام‌ها آشنا شوید.
• مشاهده مرجع طرح – جدول‌های فیلد دقیق را برای طرح‌های اصلی و خاص کشور بخوانید.