地點洞察總覽

重要事項： 您必須先註冊，才能存取 Places Insights 產品，並查詢 Places Insights 資料。

透過 Places Insights，您可以對 Google 地圖豐富的 Places 資料進行進階統計分析。這項服務提供數百萬個搜尋點 (POI) 資料點的匯總計數和密度資訊，可實現強大的地理空間情報。

主要功能

• 地理空間智慧：從「鳥瞰」角度，查看特定地理區域中不同類別的興趣點 (例如零售、餐廳、服務) 密度和分布情形。
• 安全資料存取：資料會透過BigQuery 資料交換目錄部署，並採取資料保護措施，為資料共用和分析提供安全無虞的環境。
• 可採取行動的詳細資料：雖然 Places Insights 著重於匯總趨勢，但您可以使用輸出的地點 ID 深入瞭解，並透過其他 Google Maps Platform API 擷取個別地點資訊，從統計洞察資料到詳細行動。

瞭解地點資料和應用實例

Google 地圖會為全球數百萬個商家整理地點資料。 Places Insights 會在 BigQuery 中提供這項全面的地點資料，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解答下列問題：

• 在潛在的新店面位置附近，有多少類似商家正在營運？
• 我最成功的商店附近最常出現哪些類型的商家？
• 哪些區域有大量互補商家，可吸引我的目標顧客？
• 在馬德里，晚上 8 點營業、提供無障礙停車位和外帶服務的 5 星壽司餐廳有幾間？
• 加州哪些郵遞區號的電動車充電站密度最高？

支援的用途

• 選址：評估並選擇最適合新商家或實體資產放置的地點。分析周圍的興趣點密度和組合，確保潛在地點在競爭和互補的商業環境中處於最佳位置。這種以資料為依據的方法，可降低投資新地點的相關風險。
• 地點成效評估：找出與現有地點正面/負面成效相關的地理空間變數，例如與特定類型興趣點 (如超市或活動場地) 的距離。這項資料可協助您找出最符合使用情境的地理空間特徵組合，並發掘潛在的建站地點。您也可以根據周圍的 POI 情境，使用這項資訊部署預測模型，預測任何新地點的未來成效。
• 指定地區行銷：判斷哪些類型的行銷廣告活動或廣告在特定地區能獲得成功。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調整訊息。
• 銷售預測：預測潛在地點的未來銷售量。 模擬周遭地理空間特徵的影響，有助於建立穩健的預測模型，進而做出投資決策。
• 市場研究：瞭解下一個適合擴展業務或服務的地域。分析現有市場飽和度和興趣點密度，找出服務不足或高度集中的目標市場，這些市場可提供最大商機。這項分析可提供證據，支持策略性成長和擴展計畫。
• 趨勢分析：探索一段時間內發生的變化。 比較地點數量，包括新增和移除的地點，以及 2024 年 1 月至今的每月變化。

您可以使用Places 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。

選擇查詢方法：地點計數函式與直接 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 (資料表聯結)。

提示： 不確定該從何處開始嗎？建議您先從 PLACES_COUNT_PER_H3開始。 可針對標準化格狀單元提供即時空間密度洞察資料、傳回地點 ID 以供真值檢查，並專為地理空間特徵工程和機器學習模型而建構。

請使用這份決策矩陣，為導入作業找出正確的查詢路徑：

您的分析目標	建議查詢方法	傳回的資料和輸出內容	隱私權與空間考量
分析區域 POI 密度並建立熱度圖	PLACES_COUNT_PER_H3	傳回 H3 六邊形多邊形，並提供確切計數 (包括 0) 每個儲存格最多可傳回 250 個 place_id 值	專為空間機器學習模型和特徵工程而設計 搜尋區域至少須為 40 公尺 × 40 公尺 (1,600 平方公尺) 以效能和低處理成本為目標進行最佳化 驗證輸入參數，並傳回清楚的錯誤訊息，方便偵錯
取得特定網站的計數，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計數 (包括 0) 每列最多可傳回 250 個 place_id 值	搜尋區域至少須為 40 公尺 × 40 公尺 (1,600 平方公尺) 使用 TABLE 參數擴充至數千個地點 以效能和低處理成本為目標進行最佳化 驗證輸入參數，並傳回清楚的錯誤訊息，方便偵錯
追蹤兩個月之間 POI 的變化和成長趨勢	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) 和移除 (sample_removed_place_ids) 地點 ID 的陣列	需要 YYYY-MM 格式的 month1 和 month2 參數 搜尋區域至少須為 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、計算平均值，或與資料合併	直接 SQL 查詢	在原始資料表上充分運用 SQL 彈性 啟用自訂 SQL 指標 (AVG、SUM 等)	不會傳回地點 ID 隱私權門檻：系統會完全省略 0 到 4 的計數 沒有最低搜尋區域限制

重要事項： 如要擷取確切的低數量 (低於 5) 或地點 ID，請使用地點數量函式。 直接對原始資料表執行的標準 SQL 查詢，會強制執行差異隱私權匯總門檻。如果查詢結果顯示 0 到 4 個相符地點，系統會從結果中省略整列。如要略過這項限制，請使用地點計數函式，這類函式可傳回任何計數 (包括 0)，但搜尋範圍至少須為 40 公尺 × 40 公尺 (1,600 平方公尺)。

使用快照日期分析歷來趨勢

您可以查詢 2024 年 1 月起的每月地點資料快照，透過 Places Insights 進行歷史分析。這有助於評估商家密度、商業活動和競爭環境隨時間的演變。

如要使用地點數量函式查詢歷史資料，請在 JSON_OBJECT 內傳遞選用的 snapshot_date 篩選條件參數。值必須採用 YYYY-MM 格式 (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代廣場周邊的營業餐廳數量：

-- 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、輸入的地理區域多邊形、地點數量，以及在指定快照月份 (2026 年 1 月) 記錄的樣本地點 ID。您可以在多個快照月份執行相同的查詢，計算成長趨勢、商店開幕或市場萎縮情況。

使用 PLACES_COUNT_PER_H3 匯總區域搜尋點密度

建議使用 PLACES_COUNT_PER_H3 函式分析大範圍的 POI 密度。將目標區域劃分為標準化的 H3 六邊形格線儲存格，即可免除繪製自訂邊界的需要，並直接將結果饋送至 Looker Studio 等視覺化對應工具。

範例：計算紐約州境內可供輪椅通行的雜貨店和便利商店

下列查詢會將紐約州可供輪椅通行的雜貨店和便利商店，匯總到解析度層級 8 的 H3 儲存格。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表格，將每個不同的 H3 索引 (h3_cell_index) 對應至其邊界多邊形 (geography)、POI 數量 (count) 和最多 250 個代表性 sample_place_ids。

• 包含零計數：如果紐約州格線中的儲存格有零個相符商店，系統仍會傳回計數為 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：由於輸出內容包含 GEOGRAPHY 多邊形，因此您可以在 BigQuery Studio 或 Looker Studio 中直接算繪熱力圖。

擷取地點 ID，檢查地點詳細資料

雖然 Places Insights 是為統計情報而建，但您可以從匯總的洞察資料轉移到精細的動作。

所有主要地點數量函式，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，每個資料列最多 250 個地點 ID。

這些地點 ID 可做為橋樑，讓您使用其他 Google Maps Platform API (例如 Place Details API)，擷取特定詳細資料，例如商店名稱、評論、電話號碼和地址。

分析多地點品牌形象

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，Places Insights 還會提供品牌資料，或以相同品牌名稱經營的多個地點的資料。

您可以查詢品牌資料，瞭解：

• 找出目標市場中競爭品牌的密度。
• 依品牌 ID 篩選特定 POI 數量。
• 比較品牌與獨立機構，瞭解市場滲透率。

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 – 瞭解六邊形空間索引函式。
• 進階：直接查詢資料集 - 學習標準 SQL 查詢、彙整工作流程，以及篩選品牌資料。
• 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。