Jede Karte besteht im Grunde aus zwei übereinanderliegenden Schichten. Unten liegt die Geometrie: Straßen, Küstenlinien, Gebäudegrundrisse, all die Formen, die eine Karte wie eine Karte aussehen lassen. Darüber liegt die Schicht, die sie nützlich macht, die Antwort auf die Frage "was ist hier eigentlich?" Diese zweite Schicht sind POI Daten.
POI steht für Point of Interest, und POI Daten sind die strukturierte Beschreibung der Orte, auf die es Menschen ankommt: die Apotheke, die bis 22 Uhr geöffnet hat, die Ladesäule mit dem passenden Stecker, die Praxis, die die eigene Versicherung akzeptiert, das Café mit stufenlosem Zugang. Ohne sie ist eine Karte ein Bild von Straßen. Mit ihnen wird sie durchsuchbar, filterbar und für Software auswertbar.
Dieser Leitfaden beschreibt, was ein POI Datensatz konkret enthält, woher die Daten stammen, warum die Qualität zwischen Anbietern so stark schwankt und wie POI Daten in Anwendungen und von KI Agenten genutzt werden.
Was als Point of Interest gilt
Ein Point of Interest ist ein benannter Ort, der als einzelner Punkt modelliert wird und nicht als Fläche oder Linie. Der Prüfstein: Könnte jemand plausibel dorthin wollen oder wissen wollen, dass es ihn gibt?
Restaurants, Hotels, Krankenhäuser, Geldautomaten, Spielplätze, Aussichtspunkte, Briefkästen, Ladesäulen, Bushaltestellen und Wertstoffhöfe sind allesamt POIs. Straßen nicht, denn sie sind Linien. Stadtteile und Gemeinden ebenfalls nicht, denn sie sind Polygone, und niemand navigiert in die Mitte eines Bezirks. Gebäude liegen in einem interessanten Zwischenbereich: Ein Einkaufszentrum ist selbst ein POI, und gleichzeitig enthält es Dutzende einzelner POIs.
Dieser letzte Fall verdient Aufmerksamkeit, denn hier scheitern naive Datensätze. Eine einzelne Koordinate in der Mitte eines Flughafens reicht nicht aus, um Reisende zu einem bestimmten Gate, einer Lounge oder einem Mietwagenschalter zu führen. Gute POI Daten modellieren Eltern- und Kindobjekte getrennt und verknüpfen sie.
Was ein POI Datensatz enthält
Das Minimum ist eine Koordinate mit Namen und Kategorie. Das genügt, um einen Pin zu zeichnen. Für ein Produkt genügt es nicht.
Ein produktionsreifer Datensatz trägt erheblich mehr:
- Einen stabilen Identifier. Ändert sich die ID bei jeder Aktualisierung, lässt sich ein Ort weder über die Zeit verfolgen noch mit der eigenen Datenbank abgleichen.
- Namen, einschließlich lokaler Varianten. Ein Ort in Brüssel braucht unter Umständen eine französische und eine niederländische Schreibweise. Ein Ort in Athen braucht griechische Schrift und eine romanisierte Form.
- Koordinaten, idealerweise mit Angabe dessen, was der Punkt darstellt: Dachflächenzentroid, Eingang oder eine näherungsweise Adressinterpolation.
- Eine strukturierte Adresse, zerlegt in Komponenten statt als einzelner String, damit sie länderspezifisch abgeglichen, validiert und neu formatiert werden kann.
- Kategorie aus einer definierten Taxonomie statt aus Freitext. "Restaurant" ist brauchbar. "restaurant / Gaststätte / Restaurant / food" über vier Datensätze für denselben Begriff ist es nicht.
- Öffnungszeiten in einem maschinenlesbaren Format, das mit geteilten Schichten, saisonalen Änderungen und Feiertagen umgehen kann.
- Kontakt- und Webangaben: Telefon, Website, Buchungslink.
- Ausstattungs- und Barrierefreiheitsattribute: Rollstuhlzugang, Außenbereich, Parkplatz, akzeptierte Zahlungsmittel, Hunde erlaubt.
- Herkunft und Aktualität: woher der Datensatz stammt und wann er zuletzt geprüft wurde.
Das letzte Feld wird gerne übersprungen und später bereut. Ein POI Datensatz ohne Aktualitätssignal lässt keine Aussage darüber zu, ob ein Restaurant vor zwei Jahren geschlossen hat.
Woher POI Daten kommen
Es gibt drei große Quellen, und praktisch jeder reale Datensatz ist eine Mischung daraus.
Offene Daten. OpenStreetMap ist die weltweit größte offen lizenzierte POI Sammlung, aufgebaut und gepflegt von einer globalen Community, die Orte direkt taggt. Die Abdeckung ist in dichten europäischen Städten hervorragend und im ländlichen Raum sowie in einigen Regionen außerhalb Europas und Nordamerikas unterschiedlich. Die Attributtiefe kann bemerkenswert sein, weil Beitragende Dinge erfassen, um die sich ein kommerzieller Erheber nie kümmern würde.
Amtliche Register. Handelsregister, Haltestellenverzeichnisse, Verzeichnisse des Gesundheitswesens, Schulregister und Katasterdaten. Diese Daten sind verbindlich und gut gepflegt, kommen aber in Dutzenden inkompatibler nationaler Formate und enthalten selten die Attribute, die Endnutzer interessieren.
Kommerzielle Erhebung. Anbieter aggregieren die genannten Quellen, ergänzen eigenes Scraping, kaufen Feeds zu und verkaufen den Zugang. Bezahlt wird dabei in der Regel nicht für die Orte selbst, sondern für die Arbeit des Zusammenführens.
Diese Zusammenführung heißt Conflation, und dort steckt der größte Teil der Schwierigkeit. Dasselbe Café taucht womöglich in drei Quellen mit drei Schreibweisen, zwei leicht abweichenden Koordinaten und einer veralteten Telefonnummer auf. Zu entscheiden, dass es sich um einen einzigen Ort handelt, und festzulegen, welche Version jedes Attributs gewinnt, ist der schwierige Teil beim Aufbau einer POI Datenbank.
Warum die Qualität so stark schwankt
Zwei Datensätze können beide "40 Millionen POIs" behaupten und in der Praxis völlig verschieden sein. Die Kennzahlen, auf die es wirklich ankommt:
- Lagegenauigkeit. Sitzt der Pin auf dem Gebäude, auf der Straße oder in der Mitte des Postleitzahlgebiets? Für einen Filialfinder ist das kosmetisch. Für die Zustellung auf der letzten Meile entscheidet es, ob der Fahrer die Tür findet.
- Attributvollständigkeit. Zehn Millionen Datensätze mit Namen und sonst nichts sind weniger wert als zwei Millionen mit Öffnungszeiten, Kategorien und Barrierefreiheitsangaben.
- Kategorienkonsistenz. Ist die Taxonomie inkonsistent, leckt jeder Filter, den man baut.
- Aktualität. Handel und Gastronomie wechseln schnell. Ein jährlich aktualisierter Datensatz beschreibt eine Welt, die es nicht mehr gibt.
- Dublettenquote. Schlechte Conflation bläht die Zahlen auf und erzeugt drei Pins für ein Geschäft.
Bei der Bewertung eines Anbieters lohnt es sich, die Schlagzeilenzahl zu ignorieren und stattdessen zu fragen, welcher Anteil der Datensätze Öffnungszeiten trägt und wie aktuell die letzte Prüfung ist.
Wofür POI Daten eingesetzt werden
Filialfinder und Store Locator. Der häufigste Anwendungsfall: Zeige mir deine Standorte in meiner Nähe, gefiltert nach dem, was ich brauche. Die Mechanik beschreibt So baust du einen Store Locator.
Standortanalyse und Einzugsgebiete. Wettbewerber, Ergänzungsangebote und Frequenzbringer innerhalb einer Reisezeitgrenze um einen Kandidatenstandort zählen. POI Daten plus Isochrone sind der Kern der meisten Standortentscheidungen im Handel.
Logistik und Zustellung. Ein Ziel auf einen präzisen Eingang auflösen statt auf einen Dachflächenzentroid, und wissen, ob der empfangende Betrieb überhaupt geöffnet hat.
Immobilien und Objektangebote. Beschreiben, was ein Objekt umgibt: Schulen, Verkehrsanbindung, Geschäfte, Grünflächen. Genau das macht aus einer Anzeige mit Fotos etwas, das ein Käufer oder eine KI bewerten kann.
Reise und lokale Entdeckung. Von "was ist in der Nähe meines Hotels" bis zur vollständigen Routenplanung.
POI Daten für KI Agenten
Hier hat sich die Nachfrage am schnellsten verschoben. Wenn jemand einen Assistenten fragt "finde eine Apotheke am Bahnhof, die jetzt geöffnet und stufenlos zugänglich ist", kann der Assistent nicht auf eine Karte schielen. Er braucht Datensätze, die sich programmatisch filtern lassen: Kategorie gleich Apotheke, Öffnungszeiten schließen den aktuellen Zeitstempel ein, Rollstuhlattribut ist wahr, Koordinate liegt innerhalb einer Fußweggrenze vom Bahnhof.
Jede dieser Bedingungen ist ein POI Attribut. Ein Agent mit einer reichhaltigen POI Quelle beantwortet die Frage. Ein Agent, der nur Namen und Koordinaten hat, muss raten, und Raten über reale Orte ist der direkte Weg zu selbstbewusst falschen Empfehlungen.
Deshalb werden POI Daten Agenten zunehmend als Werkzeug bereitgestellt statt als Kachel. Über eine API oder einen MCP Server kann ein Agent Orte abfragen, nach Attributen filtern und strukturierte Ergebnisse zurückbekommen, über die er argumentieren und die er zitieren kann.
POI Daten in das eigene Produkt bringen
Drei praktische Entscheidungen.
Lizenzierung. Klären, was mit den Daten erlaubt ist, insbesondere in Bezug auf Caching, Weitergabe und Darstellung außerhalb einer Karte. Auch offene Daten bringen Pflichten mit, vor allem Attribution und bei manchen Lizenzen Share-alike-Bedingungen.
Wo verarbeitet wird. Wer in Europa tätig ist und Nutzerstandorte in Abfragen überträgt, für den ist der Verarbeitungsort eine Compliance-Frage und nicht nur eine Latenzfrage. Siehe Der DSGVO-Leitfaden zu Karten-APIs für Entwickler in der EU.
Wie aktuell gehalten wird. Vorab entscheiden, ob eine Live-API abgefragt oder ein Snapshot synchronisiert wird. Snapshots sind schnell und berechenbar und beginnen sofort zu veralten. Live-Abfragen bleiben aktuell und schaffen eine Abhängigkeit.
MapAtlas bietet DSGVO-konforme POI Suche, Ortsdetails und Umkreissuche in Europa und darüber hinaus, aufgebaut auf offenen Kartendaten und bereitgestellt sowohl über eine Search API als auch über einen MCP Server, sodass dieselben strukturierten Datensätze einen Store Locator und einen KI Agenten bedienen.
Die Kurzfassung
POI Daten sind die Schicht, die eine Karte zu Antworten befähigt. Ein Datensatz ist eine Koordinate plus die Attribute, die Software das Filtern ermöglichen: Name, Kategorie, Adresse, Öffnungszeiten, Barrierefreiheit, Aktualität. Er stammt aus offenen Daten, amtlichen Registern und kommerzieller Erhebung, und der Mehrwert eines Anbieters liegt überwiegend im sauberen Zusammenführen dieser Quellen.
Beurteile einen Datensatz nach Attributtiefe und Aktualität, nicht nach der Zahl der Pins, die er behauptet. Und wenn KI Agenten irgendwo auf der Roadmap stehen, beurteile ihn danach, ob ein Agent darauf filtern könnte, ohne zu raten.
Weiterführende Artikel
- Was sind offene Kartendaten?
- Was ist OpenStreetMap?
- So baust du einen Store Locator
- Was ist ein Map MCP Server?
Häufig gestellte Fragen
Was sind POI Daten?
POI Daten sind strukturierte Informationen über Points of Interest, also über konkrete Orte, die jemand finden oder aufsuchen möchte: eine Apotheke, eine Ladesäule, eine Schule, ein Hotel oder eine Bushaltestelle. Ein POI Datensatz verbindet eine Koordinate mit beschreibenden Attributen: Name, Kategorie, Adresse, Öffnungszeiten, Kontaktdaten und häufig auch Angaben zu Barrierefreiheit oder Ausstattung. Es ist die Schicht, die aus einem Kartenbild etwas macht, das sich durchsuchen, filtern und auswerten lässt.
Was ist ein Point of Interest?
Ein Point of Interest ist ein benannter Ort, der als Punkt auf der Karte modelliert wird und nicht als Fläche oder Linie. Das entscheidende Merkmal: Es ist ein Ort, den jemand aufsuchen oder kennen möchte. Ein Restaurant, ein Geldautomat, ein Aussichtspunkt und ein Wertstoffhof sind Points of Interest. Straßen und Verwaltungsgrenzen sind es nicht, denn sie werden als Linien und Polygone abgebildet, und niemand navigiert zu einer Grenze.
Welche Attribute enthält ein POI Datensatz?
Mindestens einen stabilen Identifier, einen Namen, Breiten- und Längengrad sowie eine Kategorie. Produktive Datensätze bieten deutlich mehr: eine strukturierte Adresse, Öffnungszeiten, Telefonnummer und Website, Preisniveau, Rollstuhlzugang, Angaben zu Außenbereich oder Parkplatz, akzeptierte Zahlungsmittel und das Datum der letzten Prüfung. Diese Attributtiefe unterscheidet in der Regel einen brauchbaren POI Datensatz von einer bloßen Liste von Pins.
Woher stammen POI Daten?
Im Wesentlichen aus drei Quellen. Offene Daten, allen voran OpenStreetMap, wo eine weltweite Community Orte erfasst und das Ergebnis frei lizenziert ist. Amtliche Register, etwa Handelsregister, Haltestellenverzeichnisse von Verkehrsverbünden oder Verzeichnisse des Gesundheitswesens. Und kommerzielle Erhebung, bei der ein Anbieter Daten aggregiert, scrapt oder zukauft und den Zugang verkauft. Ernstzunehmende Datensätze mischen alle drei Quellen und führen anschließend Conflation und Validierung durch, um Dubletten zusammenzuführen und Konflikte aufzulösen.
Wie nutzen KI Agenten POI Daten?
Ein KI Agent, der die Frage "finde eine Apotheke in Bahnhofsnähe, die jetzt geöffnet hat" beantworten soll, kann nicht aus einem Kartenbild schließen. Er braucht strukturierte Datensätze, die er filtern kann: Kategorie gleich Apotheke, Öffnungszeiten decken den aktuellen Zeitpunkt ab, Koordinate liegt innerhalb eines Reisezeitradius um den Bahnhof. Genau das liefern POI Daten, weshalb sie Agenten zunehmend über APIs und MCP Server bereitgestellt werden statt auf einem Bildschirm für menschliche Betrachter.
