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。它提供了数百万个地图注点 (POI) 数据点的汇总计数和密度信息，可实现强大的地理空间情报。

主要功能：

地理空间智能：全面了解特定地理区域内不同类别的地图注点（例如零售、餐馆、服务）的密度和分布情况。
安全的数据访问：这些数据是使用BigQuery 数据交换列表部署的，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，通过其他 Google Maps Platform API 展开细目并检索各个地点的信息，从而将统计分析洞见转化为详细的操作。

关于地点数据

Google 地图为全球数百万家商家精心整理了地点数据。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、轮椅无障碍功能等）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，以返回关于地点数据的统计分析洞见。借助这些分析洞见，您可以回答以下问题：

在潜在的新店址附近有多少家类似商家在营业？
在我的最成功的店铺附近，最常见的商家类型是什么？
哪些区域集中了大量互补型商家，可以吸引我的目标客户？
在马德里，有多少家 5 星级寿司店在晚上 8 点营业，提供轮椅无障碍停车位，并提供外卖服务？
在加利福尼亚州，哪些邮政编码区域的电动汽车充电站最为集中？

地点数据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地点。通过分析周围地图注点的密度和组合，您可以确保潜在地点在竞争和互补型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。
地点效果评估：确定哪些地理空间变量（例如靠近超市或活动场馆等特定类型的地图注点）与现有地点的正面或负面效果相关。借助这些数据，您可以确定潜在地点，这些地点具有最适合您的使用场景的地理空间特征组合。您还可以使用这些信息来部署预测模型，根据任何新地点周围的地图注点环境预测其未来的效果。
地理位置定位营销：确定哪些类型的营销广告系列或广告在某个区域会取得成功。地点数据分析提供了了解商业活动所需的背景信息，让您可以根据相关商家或活动的集中程度来定制广告内容。
销售预测：预测潜在地点的未来销售额。对周围地理空间特征的影响进行建模，有助于您创建可靠的预测模型，从而做出明智的投资决策。
市场调研：确定接下来要将业务或服务扩展到哪些地理区域。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，这些市场提供了最大的机会。此分析可为战略增长和扩张计划提供证据支持。

您可以直接查询地点数据分析数据集或使用 Places Count 函数。

请参阅架构参考文档。

关于品牌数据

除了地点数据外，地点数据分析还包含品牌数据，即在同一品牌名称下运营的多家店铺的数据。

您可以使用品牌来回答以下问题：

某个区域内所有商店按品牌划分的计数是多少？
该区域内我的前三大竞争对手品牌的计数是多少？
该区域内所有咖啡店（不包括这些品牌）的计数是多少？

关于 BigQuery

通过在 BigQuery 列表中提供数据，地点数据分析可让您：

安全地将您的数据与地点数据分析数据相结合。
编写灵活的 SQL 查询，以根据您的特定业务需求发现汇总分析洞见。
使用您已在私有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，以便轻松分析海量数据集。

用例示例

此示例将您的数据与 BigQuery 中的地点数据分析数据联接，以获取汇总信息。在此示例中，您是纽约市的一位酒店业主，拥有多家酒店。您现在想要将酒店位置数据与地点数据分析数据联接，以了解酒店附近预定义业务类型的集中程度。

前提条件

在此示例中，您订阅了美国地点数据分析数据集。

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) );

获取该区域内餐馆的数量

为了让客户了解酒店附近营业餐馆的密度，您可以编写 SQL 查询，以返回每家酒店 1000 米范围内的餐馆数量：

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 Places Count 函数获取该区域内餐馆的数量和地点 ID

您还可以使用 Places Count 函数

查找某个地点附近的餐馆数量。Places Count 函数可让您检索地点 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。

获取该区域内餐馆和酒吧的数量

修改查询，以包含每家酒店 1000 米范围内的酒吧和餐馆：

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。

获取该区域内中等价位餐馆和酒吧的数量

接下来，您想要了解酒吧和餐馆服务于哪些客户群体。由于您的酒店的目标价位适中，因此您只想宣传附近价位适中且评价良好的商家。

将查询限制为仅当酒吧和餐馆的价位为 PRICE_LEVEL_MODERATE 且评级为 4 星或更高时才返回。此查询还将半径扩大到每家酒店周围 1500 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。

地点数据分析概览 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

关于地点数据

关于品牌数据

关于 BigQuery

用例示例

前提条件

获取该区域内餐馆的数量

使用 Places Count 函数获取该区域内餐馆的数量和地点 ID

获取该区域内餐馆和酒吧的数量

获取该区域内中等价位餐馆和酒吧的数量

后续步骤

地点数据分析概览