Puntuar barrios a escala

El problema

Los datos demográficos te dicen quién vive en un barrio. No te dicen si el barrio está comercialmente vivo, en tendencia ascendente, saturado o muriendo silenciosamente. Las herramientas de datos de foot-traffic (Placer.ai, Safegraph) te lo dan pero cuestan más de $30k/año y te encierran en su dashboard.

Google Maps es una fuente pública y gratuita de «qué está pasando a nivel de calle»: qué negocios abrieron recientemente, qué categorías son densas, qué áreas están consiguiendo las reseñas. Agregar eso a un score por código postal o por manzana está a una consulta SQL de distancia una vez tienes los datos crudos — que es lo que proporciona Livescraper.

Cómo funciona en Livescraper

1
Extrae todos los negocios de la ciudad objetivo
Define la región (ciudad o condado) y deja las categorías amplias («restaurante», «tienda retail», «salón», etc.) o incluye una categoría objetivo. Para una ciudad de tamaño medio, espera entre 30.000 y 80.000 fichas.
2
Agrupa por geografía
Cada fila tiene lat/lng más un postal_code. Agrupa por código postal / postcode / tu conjunto personalizado de polígonos. Los group-bys de SQL son suficientes — no se necesita experiencia en GIS.
3
Define tu fórmula de score
Señales comunes: densidad de negocios por km², mix de categorías (índice Herfindahl de diversidad de categorías), rating medio, velocidad de reseñas en los últimos 90 días, % de fichas reclamadas por el propietario (proxy de engagement).
4
Valida contra el conocimiento real
Elige 5–10 códigos postales que conozcas bien. Compara tu score con tu intuición. Ajusta los pesos — normalmente la densidad y la velocidad de reseñas dominan; los ratings medios convergen entre códigos postales.
5
Refresca trimestralmente
Los barrios se desplazan despacio. Las extracciones trimestrales capturan aperturas, cierres y deriva de rating sin gastar de más. La mayoría de los equipos mantiene el trimestre anterior como baseline y mira los deltas.

Ejemplo práctico

Una cadena QSR que evaluaba Austin para una expansión de 12 ubicaciones extrajo todas las fichas de restaurant + coffee shop + café en el área metropolitana de Austin — 38.400 filas en menos de una hora. Puntuaron cada código postal con (review_velocity × 0,4) + (claimed_pct × 0,3) + (avg_rating × 0,2) + (1 / category_HHI × 0,1). Los 8 códigos postales con mayor score incluían dos que no habían estado considerando — ambos tenían disponibilidad inmobiliaria que el bróker no había sacado a la luz. Gasto total en Livescraper: ~$77. Frente a la propuesta de $14k de Placer.ai, es 180× más barato.

Lo que obtienes

Una fila por negocio — las filas crudas de Google Maps Data Scraper. Tú agregas a código postal / manzana / polígono por tu cuenta con un group-by de SQL. Campos disponibles:

✓Claves de ubicación: latitude, longitude, postal_code, city, borough, state, country, plus_code
✓Señales de volumen: average_rating, total_reviews, reviews_per_score_1..5, photos_count
✓Mix de categorías: type, sub_types, category — alimenta un índice de diversidad estilo Herfindahl por código postal
✓Señales de engagement: is_verified, owner_title, owner_link, working_hours
✓Ciclo de vida: business_status — marca permanentemente cerrado / temporalmente cerrado
✓Nivel de precio: price_range ($–$$$$ donde Google lo tenga) — proxy del mix de renta del barrio

Las columnas «review velocity» y «score» mostradas en la tabla de abajo son agregados que tú calculas a partir de estas filas crudas — Livescraper te da los datos de entrada; la fórmula de scoring la diseñas tú.

postal_code	business_count	avg(rating)	sum(total_reviews)	pct(is_verified)	your_score
78704	482	4.5	142,310	78%	0.89
78745	321	4.3	64,840	62%	0.71
78758	274	4.2	41,210	54%	0.58

Filas de ejemplo · no es un resultado real · tus datos serán más completos

Placer.ai y Safegraph te dan datos de foot-traffic (recuentos de personas que pasan por ubicaciones) obtenidos de tracking de dispositivos móviles. Livescraper te da datos de presencia de negocios (qué negocios HAY ahí + qué tan activos están). Pregunta distinta. Somos mucho más baratos y complementarios; usarías ambos si necesitas ambas vistas.

¿Puedo obtener fechas de apertura/cierre de negocios?

No directamente — Google no expone «abierto en la fecha X» de forma fiable. Pero sacamos a la luz el inicio del historial de reseñas, que es un proxy fuerte: un negocio sin reseñas de más de 6 meses casi seguro acaba de abrir.

¿Cómo integro con mi herramienta de mapeo / BI?

La salida es solo CSV/JSON con columnas lat/lng. Arrastra a Mapbox, Kepler.gl, Tableau, Looker o PostGIS. La mayoría de los equipos hace join por postal_code con su almacén de datos existente.

¿Qué tan grande puede ser la región que extraiga de una vez?

Una ciudad estadounidense de tamaño medio: 30k–80k filas en 30–60 min. Un estado de EE. UU. entero: cientos de miles de filas en unas pocas horas. Para una extracción de país entero, recomendamos dividir por estado/región para controlar el coste.