地点数据分析概览

借助 Places Insights，您可以对 Google 地图的丰富地点数据进行高级统计分析。它可提供数百万个地图注点 (POI) 数据点的汇总数量和密度信息，从而实现强大的地理空间情报。

主要功能：

  • 地理空间智能：从“鸟瞰图”的角度了解特定地理区域内不同类别的 POI（例如零售店、餐厅、服务）的密度和分布情况。
  • 安全的数据访问：数据通过 BigQuery 数据交换服务中的商品详情进行部署，并采取了数据保护措施，从而为数据共享和分析提供安全可靠的环境。
  • 可据以采取行动的详细信息：虽然地点概览侧重于汇总趋势，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 检索各个地点的信息，从而将统计分析洞见转化为详细的行动方案。

地点数据简介

Google 地图会整理全球数百万家机构的地点数据。 Places Insights 可在 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）得出关于 Google 地图地点数据的汇总分析洞见。

如需使用 Places Insights，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洞见。借助这些数据洞见，您可以回答以下问题：

  • 在潜在的新实体店位置附近有多少家类似商家在营业？
  • 我的最成功商店附近最常出现哪些类型的商家？
  • 哪些地区的互补型商家高度集中，可以吸引我的目标客户？
  • 马德里有多少家 5 星级寿司餐厅在晚上 8 点营业，提供轮椅无障碍停车位，并提供外卖服务？
  • 加利福尼亚州的哪些邮政编码区域的电动汽车充电站最为密集？

地点分析支持多种使用场景，例如：

  • 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，您可以确保潜在的营业地点在竞争性和互补性商业环境中处于最佳位置。这种数据驱动的方法可以降低与投资新地点相关的风险。
  • 位置效果评估：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的 POI 的邻近程度）与现有位置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在地理空间特征方面最符合您的使用场景。您还可以使用这些信息来部署预测模型，根据任何新位置周围的 POI 上下文预测其未来表现。
  • 地理位置定位营销：确定哪些类型的营销广告系列或广告会在某个区域取得成功。Places Insights 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来调整消息内容。
  • 销售量预测：预测潜在地点的未来销售量。 通过对周围地理空间特征的影响进行建模，您可以创建可靠的预测模型来指导投资决策。
  • 市场研究：帮助您确定接下来要将业务或服务拓展到哪些地理位置。分析现有市场饱和度和 POI 密度，以确定服务不足或高度集中的目标市场，从而发掘最大机遇。此分析可为支持战略性增长和扩张计划提供证据。

您可以直接查询 Places Insights 数据集，也可以使用地点计数函数。

请参阅架构参考文档。

品牌数据简介

除了地点数据外，“地点数据洞见”还包含有关品牌或以同一品牌名称运营的多个实体店的数据。

您可以使用品牌来回答以下问题：

  • 某个区域内各品牌商店的总数是多少？
  • 我所在地区排名前三的竞争对手品牌的数量是多少？
  • 此区域内所有咖啡店（不包括这些品牌）的数量是多少？

BigQuery 简介

通过在 BigQuery 商家信息中提供数据，Places Insights 可让您：

  • 安全地将您的数据与 Places Insights 数据相结合。
  • 编写灵活的 SQL 查询，以根据您的特定业务需求发掘汇总的分析洞见。
  • 使用您已在私密数据和工作流中使用的相同 BigQuery 工具。
  • 充分利用 BigQuery 的规模和性能，轻松分析海量数据集。

用例示例

此示例将您的数据与 BigQuery 中的 Places Insights 数据联接，以得出汇总信息。在此示例中，您是纽约市的一位酒店业主，拥有多家酒店。现在，您希望将酒店位置数据与 Places Insights 数据联接，以了解酒店附近预定义类型的商户集中度。

前提条件

在此示例中，您将订阅美国境内的 Places Insights 数据集。

您的酒店数据集名为 mydata，用于定义您在纽约市的两家酒店的位置。以下 SQL 会创建此数据集：

CREATE OR REPLACE TABLE `mydata.hotels` ( name STRING, location GEOGRAPHY );
INSERT INTO `mydata.hotels` VALUES( 'Hotel 1', ST_GEOGPOINT(-73.9933, 40.75866) );
INSERT INTO `mydata.hotels` VALUES( 'Hotel 2', ST_GEOGPOINT(-73.977713, 40.752124) );

获取相应区域内的餐厅数量

为了让客户了解酒店附近营业餐厅的密度，您编写了一个 SQL 查询，用于返回每家酒店 1, 000 米范围内的餐厅数量：

SELECT WITH AGGREGATION_THRESHOLD h.name, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` AS r, `mydata.hotels` AS h
WHERE
ST_DWITHIN(h.location, r.point, 1000)
AND r.primary_type = 'restaurant'
AND business_status = "OPERATIONAL"
GROUP BY 1

此图片显示了此查询的示例输出：

用于统计每家酒店 1000 米范围内的餐厅数量的查询结果。

使用地点数量函数获取该区域内餐厅的数量和地点 ID

您还可以使用名次统计函数

以查找某个位置附近的餐厅数量。借助地点数量函数，您可以检索地点 ID 列表，该列表可用于查找各个地点的详细信息：

DECLARE geo GEOGRAPHY;
SET geo = ST_GEOGPOINT(-73.9933, 40.75866); -- Location of hotel 1

SELECT * FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_PER_TYPE`(
  JSON_OBJECT(
      'types', ["restaurant", "cafe", "bar"],
      'geography', geo,
      'geography_radius', 1000 -- Radius in meters
      )
);

此图片显示了此查询的示例输出：

查询每个酒店 1000 米范围内的餐厅的搜索结果，包括地点 ID。

获取相应区域内餐厅和酒吧的数量

修改查询，以纳入各酒店 1,000 米范围内的酒吧和餐厅：

SELECT WITH AGGREGATION_THRESHOLD h.name, r.primary_type, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` AS r, `mydata.hotels` AS h
WHERE
ST_DWITHIN(h.location, r.point, 1000)
AND r.primary_type IN UNNEST(['restaurant','bar'])
AND business_status = "OPERATIONAL"
GROUP BY 1, 2

此图片显示了此查询的示例输出：

用于统计每家酒店 1000 米范围内的餐厅和酒吧的查询结果。

获取相应区域内中等价位餐厅和酒吧的数量

接下来，您想知道酒吧和餐厅服务的是哪些客户群体。由于您的酒店定位为中等价位，因此您只想宣传附近价位相当且评价良好的商家。

将查询限制为仅当酒吧和餐厅的价格档位为 PRICE_LEVEL_MODERATE 且评分为 4 星或更高时，才返回这些酒吧和餐厅。此查询还将每个酒店周围的半径扩大到 1,500 米：

SELECT WITH AGGREGATION_THRESHOLD h.name, r.primary_type, COUNT(*) AS count
FROM `PROJECT_NAME.places_insights___us.places` AS r, `mydata.hotels` AS h
WHERE
ST_DWITHIN(h.location, r.point, 1500)
AND r.primary_type IN UNNEST(['restaurant', 'bar'])
AND rating >= 4
AND business_status = "OPERATIONAL"
AND price_level = 'PRICE_LEVEL_MODERATE'
GROUP BY 1, 2

此图片显示了此查询的示例输出：

查询结果：每家酒店方圆 1,500 米内价格适中的酒吧和餐厅。

后续步骤