地点数据分析概览

借助地点数据分析，您可以对 Google 地图丰富的地点数据进行高级统计分析。它为数百万个地图注点 (POI) 数据点提供汇总计数和密度信息，从而实现强大的地理空间情报。

主要功能

  • 地理空间情报：从“鸟瞰视角”了解特定地理区域内不同类别 POI（例如零售、餐饮和服务）的密度和分布情况。
  • 安全数据访问：数据使用 BigQuery 数据交换列表进行部署，并采取了数据保护措施，从而为数据共享和分析提供了安全且受保护的环境。
  • 可操作的详细信息：虽然地点数据分析侧重于汇总趋势，但您可以使用输出的地点 ID 进行深入分析，并使用其他 Google Maps Platform API 检索单个地点信息，从而从统计数据分析转变为详细操作。

了解地点数据和应用场景

Google 地图精选了全球数百万个场所的地点数据。 地点数据分析在 BigQuery 中提供这些全面的地点数据，以便您根据各种属性（例如地点类型、评分、营业时间、轮椅无障碍设施等）获取关于 Google 地图地点数据的汇总分析洞见。

如需使用地点数据分析，您需要在 BigQuery 中编写 SQL 查询，以返回有关地点数据的统计分析。这些数据分析可让您回答以下问题：

  • 有多少家类似的企业在潜在的新店位置附近运营？
  • 在我的最成功门店附近，最常见的商家类型有哪些？
  • 哪些区域有大量互补性商家，可以吸引我的目标客户？
  • 马德里有多少家五星级寿司店在晚上 8 点营业，提供无障碍停车位，并提供外卖服务？
  • 加利福尼亚州哪些邮政编码区域的电动车辆充电站最集中？

支持的使用场景

  • 选址：评估并选择最适合新业务或实体资产放置的位置。通过分析周围 POI 的密度和组合，您可以确保潜在选址在其竞争和互补的商业环境中处于最佳位置。这种以数据为依据的方法可以降低与投资新地点相关的风险。
  • 营业地点效果评估：确定哪些地理空间变量（例如与超市或活动场地等特定类型地图注点的距离）与现有营业地点的正面或负面效果相关。借助这些数据，您可以确定哪些潜在地点最符合您的应用场景所需的地理空间特征组合。您还可以使用这些信息部署预测模型，根据周围的 POI 上下文预测任何新地点的未来表现。
  • 地理位置定位营销：确定哪些类型的营销活动或广告会在某个区域取得成功。地点数据分析可提供了解商业活动所需的背景信息，让您能够根据相关商家或活动的集中程度量身定制宣传内容。
  • 销售预测：预测潜在地点的未来销售情况。 通过对周围地理空间特征的影响进行建模，您可以创建强大的预测模型来推动投资决策。
  • 市场调研：了解接下来应将业务或服务扩展到哪些地区。分析现有市场饱和度和地图注点密度，以确定服务不足或高度集中的目标市场，这些市场蕴藏着最大的机遇。此分析提供了证据，可支持战略增长和扩张计划。
  • 趋势分析：探索一段时间内发生的变化。 比较地点数量（包括添加和移除的地点），按月回溯至 2024 年 1 月。

您可以使用地点计数函数或直接 SQL 查询来查询地点数据分析数据集。

请参阅架构参考文档。

虽然地点数据分析可提供汇总的 POI 数量和品牌密度，但选址决策通常取决于对人类行为和当地环境的了解。如需使用机器学习嵌入来丰富 BigQuery 中的 POI 数据，以捕获 Google 搜索趋势、人造环境和人类活动模式以及环境背景（例如天气和空气质量），请将地点数据分析与人口动态数据分析 (PDI)（预览版）搭配使用。

选择查询方法：Places Count 函数还是直接 SQL

为了适应不同的分析规模和隐私权要求，地点数据分析提供了两种查询途径：地点计数函数（原生 BigQuery 函数）和直接 SQL 查询（表联接）。

使用此决策矩阵确定适合您实现的查询路径：

您的分析目标 推荐的查询方法 返回的数据和输出 隐私和空间考量
分析区域 POI 密度并构建热图 PLACES_COUNT_PER_H3
  • 返回具有确切计数（包括 0）的 H3 六边形多边形
  • 每个单元格最多返回 250 个 place_id 值
  • 专为空间机器学习模型和特征工程而构建
  • 搜索区域至少为 40 米 × 40 米（1,600 平方米）
  • 针对性能和低处理成本进行了优化
  • 验证输入参数并返回清晰的错误，以便于调试
获取特定地点的计数，并检索地点 ID 以查找详细信息 PLACES_COUNT_V2 或 PLACES_COUNT_PER_TYPE_V2
  • 返回自定义几何图形的确切计数（包括 0）
  • 每行最多返回 250 个 place_id 值
  • 搜索区域至少为 40 米 × 40 米（1,600 平方米）
  • 使用 TABLE 参数可扩展到数千个营业地点
  • 针对性能和低处理成本进行了优化
  • 验证输入参数并返回清晰的错误，以便于调试
跟踪两个月内 POI 的变化和增长趋势 PLACES_COUNT_CHANGE
  • 返回 start_count、end_count、net_change、percentage_change 和 compound_monthly_growth_rate
  • 返回新添加 (sample_added_place_ids) 和已移除 (sample_removed_place_ids) 的地点 ID 数组
  • 需要 YYYY-MM 格式的 month1 和 month2 参数
  • 搜索区域至少为 40 米 × 40 米（1,600 平方米）
  • 使用 TABLE 参数可扩展到数千个自定义位置
执行高级自定义逻辑、平均值计算或与您的数据联接 直接 SQL 查询
  • 跨原始表提供全面的 SQL 灵活性
  • 启用自定义 SQL 指标（AVG、SUM 等）
  • 不返回地点 ID
  • 隐私权阈值：计数为 0 到 4 的数据会完全省略
  • 没有最小搜索区域限制

通过地点数据分析，您可以查询可追溯到 2024 年 1 月的地点数据月度快照，从而进行历史分析。这样，您就可以评估业务密度、商业活动和竞争格局随时间的变化情况。

如需使用地点计数函数查询历史数据，请在 JSON_OBJECT 中传递可选的 snapshot_date 过滤条件参数。该值的格式必须为 YYYY-MM（例如 '2026-01'）。

示例：使用 PLACES_COUNT_V2 查询纽约市的历史餐厅数量

以下示例使用 PLACES_COUNT_V2 分析纽约市帝国大厦和时报广场周围在 2026 年 1 月营业的餐厅数量：

-- 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'
  )
);

分析历史输出

返回的 BigQuery 表包含 geo_id、输入地理位置多边形、地点数量和示例地点 ID，这些信息都是在指定的快照月份 (2026-01) 记录的。您可以跨多个快照月份运行相同的查询，以计算增长趋势、商店开业或市场收缩。

使用 PLACES_COUNT_PER_H3 汇总区域地图注点密度

PLACES_COUNT_PER_H3 函数是分析大面积区域内 POI 密度的推荐方法。通过将目标区域划分为标准化的 H3 六边形网格单元，您无需绘制自定义边界，并且可以直接将结果输入到可视化映射工具（例如 Looker Studio）中。

示例：统计纽约州设有无障碍通道的杂货店和便利店

以下查询会将纽约州内可供轮椅通行的杂货店和便利店汇总到分辨率级别为 8 的 H3 单元格中。它使用从 bigquery-public-data.geo_us_boundaries.states 公共数据集动态检索的边界几何图形。

-- 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;

分析输出

此查询会返回一个结构化表格，其中将每个不同的 H3 索引 (h3_cell_index) 映射到其边界多边形 (geography)、POI 计数 (count) 以及最多 250 个代表性 sample_place_ids。

  • 包含零计数：如果纽约州网格中的某个单元格没有匹配的商店，它仍会返回计数为 0 的行。这对于定位商业或服务沙漠至关重要。
  • 直接可视化映射：由于输出包含 GEOGRAPHY 多边形，因此您可以直接在 BigQuery Studio 或 Looker Studio 中呈现热图。

检索地点 ID 以检查地点详情

虽然地点数据分析专为统计智能而设计，但您可以从汇总数据分析过渡到精细操作。

所有主要地点计数函数，包括 PLACES_COUNT_PER_H3、PLACES_COUNT_V2 和 PLACES_COUNT_PER_TYPE_V2（旧版 PLACES_COUNT 函数除外），都会返回一个数组，其中每行最多包含 250 个符合查询条件的地点 ID。

这些地点 ID 充当桥梁，让您可以使用其他 Google Maps Platform API（例如 地点详情 API）来检索特定详细信息，例如商店名称、评价、电话号码和地址。

分析多地点品牌曝光度

除了地点数据之外，地点数据分析还包含品牌或在同一品牌名称下运营多个营业地点的商店的相关数据。

您可以查询品牌数据，以便：

  • 确定目标市场中竞争品牌的密度。
  • 专门按品牌 ID 过滤地图注点数量。
  • 通过比较品牌机构与独立机构，了解市场渗透率。

后续步骤