地点数据分析概览

重要提示： 您必须先注册才能获得地点数据分析产品的使用权限，然后才能查询地点数据分析数据。

借助地点数据分析，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、餐饮、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 检索各个地点的信息，从而将统计洞见转化为详细的行动。

了解地点数据和应用场景

Google 地图会整理全球数百万家场所的位置数据。 地点数据分析可在 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）得出有关 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？
• 我的热门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，并且支持外卖？
• 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？

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。通过分析周围兴趣点的密度和组合，您可以确保潜在的营业地点在竞争性和互补性业务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，您可以确定在地理空间特征方面最符合您的使用场景的潜在地点。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地图注点上下文预测其未来的性能。
• 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特定区域取得成功。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消息。
• 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，您可以创建可靠的预测模型来指导投资决策。
• 市场研究：帮助您确定下一步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。
• 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），按月比较（最早可追溯到 2024 年 1 月）。

您可以使用地点数量函数或直接 SQL 查询来查询地点数据分析数据集。

请参阅架构参考文档。

选择查询方法：使用 Places Count 函数还是直接使用 SQL

为了满足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）。

提示： 不知道从何处入手？我们建议从 PLACES_COUNT_PER_H3 开始。 它可提供标准化网格单元的即时空间密度数据分析，返回用于实况检查的地点 ID，并专为地理空间特征工程和机器学习模型而构建。

使用此决策矩阵来确定适合您实现的正确查询途径：

您的分析目标	推荐的查询方法	返回的数据和输出	隐私和空间考虑因素
分析区域 POI 密度并构建热图	PLACES_COUNT_PER_H3	返回具有确切数量（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打造 搜索区域的最小面积为 40 米 × 40 米（1,600 平方米） 针对性能和低处理费用进行了优化 验证输入参数并返回清晰的错误，以便更轻松地进行调试
获取特定网站的统计信息并检索地点 ID 以查找详情	PLACES_COUNT_V2 或 PLACES_COUNT_PER_TYPE_V2	返回自定义几何图形的确切数量（包括 0） 每行最多返回 250 个 place_id 值	搜索区域的最小面积为 40 米 × 40 米（1,600 平方米） 使用 TABLE 参数可扩缩到数千个位置 针对性能和低处理费用进行了优化 验证输入参数并返回清晰的错误，以便更轻松地进行调试
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) 和移除 (sample_removed_place_ids) 的地点 ID 数组	需要 month1 和 month2 参数，格式为 YYYY-MM 搜索区域的最小面积为 40 米 × 40 米（1,600 平方米） 使用 TABLE 参数可扩缩至数千个自定义位置
执行高级自定义逻辑、计算平均值或与数据联接	直接 SQL 查询	在原始表上实现全面的 SQL 灵活性 启用自定义 SQL 指标（AVG、SUM 等）	不返回地点 ID 隐私保护阈值：系统会完全省略 0 到 4 之间的数量 没有最低搜索区域限制

重要提示： 如需检索确切的低数量（低于 5）或地点 ID，您必须使用地点数量函数。 直接在原始表上运行的标准 SQL 查询会强制执行差分隐私汇总阈值。如果查询返回的匹配地点数量为 0-4，则结果中会省略整个行。如需绕过此限制，请使用可在最小搜索区域（40 米 × 40 米，即 1,600 平方米）内返回任意数量（包括 0）的地点数量函数。

使用快照日期分析历史趋势

借助 Places 洞察，您可以查询自 2024 年 1 月以来的 Places 数据月度快照，从而进行历史分析。这样一来，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“地点数”函数查询历史数据，请在 JSON_OBJECT 内传递可选的 snapshot_date 过滤条件参数。该值的格式必须为 YYYY-MM（例如 '2026-01'）。

注意： 如果省略 snapshot_date，查询默认返回最新可用快照中的数据。

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 分析了 2026 年 1 月纽约市帝国大厦和时代广场周围的营业餐厅数量：

-- 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、地点数量和在指定快照月份 (2026-01) 期间记录的地点 ID 示例。您可以跨多个快照月份运行相同的查询，以计算增长趋势、商店开业情况或市场萎缩情况。

使用 PLACES_COUNT_PER_H3 汇总区域地图注点密度

建议使用 PLACES_COUNT_PER_H3 函数来分析大范围区域内的 POI 密度。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，即可将结果直接馈送到 Looker Studio 等可视化地图绘制工具中。

示例：统计纽约州可供轮椅通行的杂货店和便利店的数量

以下查询将纽约州的轮椅无障碍杂货店和便利店聚合到分辨率级别为 8 的 H3 单元格中。它使用从 bigquery-public-data.geo_us_boundaries.states 公开数据集中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 数量 (count) 和最多 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，系统仍会返回一行，并将计数设为 0。这对于确定商业或服务沙漠至关重要。
• 直接可视化地图：由于输出包含 GEOGRAPHY 多边形，因此您可以在 BigQuery Studio 或 Looker Studio 中直接呈现热图。

检索地点 ID 以检查地点详情

虽然 Places Insights 是为统计分析而构建的，但您可以从汇总的数据分析过渡到精细的操作。

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，但旧版 PLACES_COUNT 函数除外）都会返回一个数组，其中包含每行最多 250 个符合查询条件的地点 ID。

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

分析多营业地点的品牌形象

注意： 品牌数据适用于美国、加拿大、英国和澳大利亚数据集。

除了地点数据外，“地点数据分析”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。

您可以查询品牌数据，以：

• 确定目标市场中竞争品牌的密度。
• 按品牌 ID 专门过滤 POI 数量。
• 通过比较品牌商家与独立商家来考察市场渗透率。

后续步骤

• 开始使用 Places Insights - 阅读所有优化后的表值函数的概览。
• PLACES_COUNT_PER_H3 参考 - 了解六边形空间索引函数。
• 高级：直接查询数据集 - 了解标准 SQL 查询、联接工作流和品牌数据过滤。
• 查看架构参考 - 阅读核心架构和特定国家/地区架构的详细字段表。