地點洞察總覽

重要事項： 查詢 Places Insights 資料前，請先註冊，取得 Places Insights 產品存取權。

Places Insights 可讓您對 Google 地圖豐富的地點資料進行進階統計分析。這項功能可提供數百萬個搜尋點 (POI) 資料點的匯總計數和密度資訊，提供強大的地理空間情報。

主要功能

• 地理空間情報：鳥瞰特定地理區域內不同類別搜尋點 (例如零售、餐廳和服務) 的密度和分布情形。
• 安全存取資料：資料是透過 BigQuery 資料交換清單部署，並設有資料保護措施，可提供安全且受保護的資料共用和分析環境。
• 可做為行動依據的詳細資料：Places Insights 著重於匯總趨勢，但您可以使用輸出的地點 ID，透過其他 Google Maps Platform API 深入擷取個別地點資訊，從統計洞察資料轉為詳細行動。

瞭解地點資料和用途

Google 地圖收錄了全球數百萬個商家地點的資料。Places Insights 會在 BigQuery 中提供這類完整的地點資料，方便您根據各種屬性 (例如地點類型、評分、營業時間、無障礙空間等)，取得 Google 地圖地點資料的匯總洞察資訊。

如要使用 Places Insights，請在 BigQuery 中編寫 SQL 查詢，傳回地點資料的統計洞察。這些洞察資料可協助您找出下列問題的答案：

• 潛在新店址附近有多少間類似商家？
• 在業績最好的商店附近，最常出現哪些類型的商家？
• 哪些地區有大量互補商家，可吸引我的目標顧客？
• 馬德里有幾間 5 星級壽司餐廳在晚上 8 點營業、有無障礙停車位，並提供外帶服務？
• 加州哪些郵遞區號的電動車充電站最密集？

支援的用途

• 選址：評估並選擇最適合新商家或實體資產的地點。分析周邊搜尋點的密度和組合，可確保潛在地點在競爭和互補的商業環境中，處於最佳位置。這種資料導向的做法可降低投資新地點的相關風險。
• 位置成效評估：判斷哪些地理空間變數 (例如與特定類型搜尋點的距離，像是超市或活動場地) 與現有位置的正面或負面成效相關。這項資料可協助您找出最符合用途的地理空間特徵組合，進而找出潛在地點。您也可以運用這項資訊部署預測模型，根據周邊搜尋點情境，預測任何新地點的未來成效。
• 指定地理區域行銷：判斷哪些類型的行銷廣告活動或廣告在特定區域會成功。Places Insights 提供瞭解商業活動所需的背景資訊，讓您根據相關商家或活動的集中程度，量身打造訊息。
• 銷售預測：預測潛在據點未來的銷售量。模擬周遭地理空間特徵的影響，即可建立強大的預測模型，做出投資決策。
• 市場研究：瞭解接下來應將業務或服務拓展至哪些地區。分析現有市場飽和度和 POI 密度，找出服務不足或高度集中的目標市場，把握最大商機。這項分析可提供證據，支持策略性成長和擴張計畫。
• 趨勢分析：探索一段時間內的變化。比較地點數量 (包括新增和移除的地點)，按月回溯至 2024 年 1 月。

您可以使用地點計數函式或直接 SQL 查詢，查詢 Places Insights 資料集。

請參閱結構定義參考資料。

與相關的 Google 地圖平台數據分析資料集結合

雖然 Places Insights 可提供匯總的搜尋點數量和品牌密度，但地點決策通常取決於對人類行為和當地環境的瞭解。如要使用機器學習嵌入技術，在 BigQuery 中充實搜尋點資料，擷取 Google 搜尋趨勢、建成環境和人類活動模式，以及環境背景資訊 (例如天氣和空氣品質)，請將 Places Insights 與人口動態洞察 (PDI) (預先發布版) 搭配使用。

選擇查詢方法：Places Count 函式與直接 SQL

為因應不同的分析規模和隱私權規定，Places Insights 提供兩種查詢途徑：地點計數函式 (原生 BigQuery 函式) 和直接 SQL 查詢 (資料表彙整)。

提示： 不確定該從哪裡著手嗎？建議您從 PLACES_COUNT_PER_H3 開始。這項功能可立即提供標準化網格單元的空間密度洞察資料、傳回地點 ID 以供基準真相檢查，並專為地理空間特徵工程和機器學習模型而設計。

請使用這個決策矩陣，判斷適合您導入作業的查詢路徑：

分析目標	建議的查詢方法	傳回的資料和輸出內容	隱私權和空間考量
分析區域 POI 密度並建立熱視圖	PLACES_COUNT_PER_H3	傳回 H3 六邊形多邊形，並附上確切計數 (包括 0) 每個儲存格最多傳回 250 個 place_id 值	專為空間機器學習模型和特徵工程打造 搜尋區域至少 40 公尺 × 40 公尺 (1,600 平方公尺) 針對效能和低處理成本進行最佳化 驗證輸入參數，並傳回明確的錯誤訊息，方便偵錯
取得特定地點的數量，並擷取地點 ID 來查詢詳細資料	PLACES_COUNT_V2 或 PLACES_COUNT_PER_TYPE_V2	傳回自訂幾何圖形的確切數量 (包括 0) 每列最多傳回 250 個 place_id 值	搜尋區域至少 40 公尺 × 40 公尺 (1,600 平方公尺) 使用 TABLE 參數，可擴充至數千個位置 針對效能和低處理成本進行最佳化 驗證輸入參數，並傳回明確的錯誤訊息，方便偵錯
追蹤兩個月內 POI 變化和成長趨勢	PLACES_COUNT_CHANGE	傳回 start_count、end_count、net_change、percentage_change 和 compound_monthly_growth_rate 傳回新加入 (sample_added_place_ids) 和已移除 (sample_removed_place_ids) 地點 ID 的陣列	必須提供 YYYY-MM 格式的 month1 和 month2 參數 搜尋區域至少 40 公尺 × 40 公尺 (1,600 平方公尺) 使用 TABLE 參數，可擴充至數千個自訂位置
執行進階自訂邏輯、平均值或與資料彙整	直接 SQL 查詢	在原始資料表中享有完整的 SQL 彈性 啟用自訂 SQL 指標 (AVG、SUM 等)	不傳回地點 ID 隱私權門檻：0 到 4 的計數會完全省略 沒有最小搜尋區域限制

重要事項： 如要擷取確切的低計數 (低於 5) 或地點 ID，請務必使用地點計數函式。直接在原始資料表上執行的標準 SQL 查詢，會強制執行差異化隱私匯總門檻。如果查詢結果顯示相符的地點數量為 0 到 4 個，則會從結果中省略整列。如要略過這項限制，請使用 Places 計數函式，在至少 40 公尺 × 40 公尺 (1,600 平方公尺) 的搜尋區域內，傳回任何計數 (包括 0)。

使用快照日期分析歷來趨勢

Places Insights 可讓您查詢 2024 年 1 月起的每月地點資料快照，進行歷來資料分析。這有助於評估商家密度、商業活動和競爭環境隨時間的變化。

如要使用 Places 計數函式查詢歷來資料，請在 JSON_OBJECT 中傳遞選用的 snapshot_date 篩選器參數。值的格式必須為 YYYY-MM (例如 '2026-01')。

注意： 如果省略 snapshot_date，查詢預設會傳回最新可用快照的資料。

範例：使用 PLACES_COUNT_V2 查詢紐約市的餐廳數量記錄

以下範例使用 PLACES_COUNT_V2，分析 2026 年 1 月紐約市帝國大廈和時報廣場周邊營業中的餐廳數量：

-- 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'
  )
);

分析歷來輸出內容

傳回的 BigQuery 資料表包含 geo_id、輸入的地理位置多邊形、地點數量，以及指定快照月份 (2026-01) 記錄的範例地點 ID。您可以跨多個快照月份執行相同查詢，計算成長趨勢、商店開幕或市場萎縮。

使用 PLACES_COUNT_PER_H3 匯總區域搜尋點密度

如要分析大範圍內的搜尋點密度，建議使用 PLACES_COUNT_PER_H3 函式。將目標區域劃分為標準化的 H3 六角形網格單元，就不必繪製自訂邊界，並可將結果直接輸入 Looker Studio 等視覺化地圖工具。

範例：計算紐約州有無障礙設施的雜貨店和便利商店數量

下列查詢會將紐約州設有無障礙設施的雜貨店和便利商店，匯總至解析度等級 8 的 H3 單元。這項功能會使用從 bigquery-public-data.geo_us_boundaries.states 公開資料集動態擷取的邊界幾何圖形。

-- 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;

分析輸出內容

這項查詢會傳回結構化資料表，將每個不重複的 H3 索引 (h3_cell_index) 對應至其邊界多邊形 (geography)、POI 數量 (count)，以及最多 250 個代表性 sample_place_ids。

• 包含零計數：如果紐約州網格中的儲存格沒有相符的商店，仍會傳回計數為 0 的資料列。這對於找出商業或服務沙漠至關重要。
• 直接視覺化對應：輸出內容包含 GEOGRAPHY 多邊形，因此您可以直接在 BigQuery Studio 或 Looker Studio 中轉譯熱視圖。

擷取地點 ID 以檢查 Place Details

Places Insights 專為統計智慧而設計，可讓您從匯總洞察資料，轉換為精細動作。

所有主要 Places Count 函式，包括 PLACES_COUNT_PER_H3、PLACES_COUNT_V2 和 PLACES_COUNT_PER_TYPE_V2 (舊版 PLACES_COUNT 函式除外)，都會傳回符合查詢條件的陣列，每列最多 250 個地點 ID。

這些地點 ID 就像橋梁，可讓您使用其他 Google Maps Platform API (例如 Place Details API)，擷取商店名稱、評論、電話號碼和地址等特定詳細資料。

分析多據點品牌形象

注意： 品牌資料適用於美國、加拿大、英國和澳洲資料集。

除了地點資料外，Places Insights 也包含品牌或商店的資料，這些商店在多個地點以相同品牌名稱營運。

您可以查詢品牌資料，以便：

• 找出目標市場中競爭品牌的密度。
• 依品牌 ID 篩選搜尋點數量。
• 比較品牌和獨立機構，檢視市場滲透率。

後續步驟

• 開始使用 Places Insights：閱讀所有最佳化資料表值函式的總覽。
• PLACES_COUNT_PER_H3 參考資料：瞭解六角形空間索引函式。
• 進階：直接查詢資料集 - 瞭解標準 SQL 查詢、彙整工作流程和品牌資料篩選。
• 查看結構定義參考資料：閱讀核心和國家/地區專屬結構定義的詳細欄位表格。