本页面提供了指向行业数据分析用例的业务用例、示例代码和技术参考指南的链接。您可以使用这些资源学习和确定最佳实践,以加快工作负载的实现速度。
此处列出的设计模式是面向代码的用例,旨在帮助您快速实现。如需查看更丰富的分析解决方案,请参阅数据分析技术参考指南列表。
异常检测
解决方案 | 说明 | 产品 | Links |
---|---|---|---|
使用 BoostedTree 实时查找财务交易中的异常 |
使用此参考实现,了解如何通过将 TensorFlow 提升树模型与 Dataflow 和 AI Platform 结合使用来识别欺诈性交易。 |
技术参考指南:使用 AI Platform、Dataflow 和 BigQuery 检测金融交易中的异常 示例代码:财务交易中的异常检测 |
|
使用 LSTM Autoencoder 查找时间序列数据中的异常 |
借助此参考实现,了解如何预处理时间序列数据以填充源数据中的缺口,然后通过 LSTM Autoencoder 运行数据以识别异常。Autoencoder 作为实现 LSTM 神经网络的 Keras 模型加以构建。 |
示例代码:处理时间序列数据 |
|
实时信用卡欺诈检测 |
了解如何使用交易和客户数据在 BigQuery ML 中训练机器学习模型,以便在实时数据流水线中用于识别、分析和触发针对潜在信用卡欺诈的提醒。 |
示例代码:实时信用卡欺诈检测 在线讲座:信用卡欺诈检测 |
|
针对资本市场按时序的相对强度建模 |
此模式与资本市场客户及其定量分析部门 (Quants) 尤为相关,用于实时跟踪他们的技术指标来作出投资决策或者跟踪索引。它以时序异常检测为基础,可轻松应用于制造等其他行业,来检测相关时序指标中的异常。 |
示例代码: Dataflow 金融服务时间序列示例 “业务与技术”博文:如何在实时外汇数据中检测机器学习异常 |
数据创收
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
使用 Datashare Toolkit 在 Google Cloud Marketplace 中列出销售数据 |
了解如何安全轻松地交换历史和实时市场数据并借助它们获利。此参考解决方案适合市场数据发布商、集合商家和消费者等用户。 |
示例代码:Datashare Toolkit 概览视频:Datashare 概览 部署(需要 Google Cloud 帐号):Datashare 虚拟机 |
环境、社会和治理
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
计算可持续金融的物理气候风险 |
使用云原生工具和精细的地理空间数据集引入用于贷款和投资组合的气候风险分析设计模式。 |
概览视频:利用独立的 ESG 数据洞见 |
常规分析
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
构建实时网站分析信息中心 |
了解如何构建一个信息中心以提供实时指标供您用来了解您网站上的激励措施或实验的性能。 |
||
构建流水线以转录和分析语音文件 |
了解如何转录和分析上传的音频文件,然后将该数据保存到 BigQuery 以便直观呈现。 |
||
构建体验管理数据仓库 |
了解如何将调查问卷数据转换为可在数据仓库中使用以进行深入分析的格式。此模式适用于客户体验、员工体验和其他专注于体验的使用场景。 |
技术参考指南:使用调查问卷数据仓库从 Google 表单获得数据分析 示例代码:使用 Dataprep by Trifacta 转换调查问卷并将其加载到 BigQuery 概览视频:创建包含调查问卷回复的体验管理数据仓库 教程:转换 Google 表单调查问卷回复并将其加载到 BigQuery 演示体验:云市场研究 |
|
创建统一的应用分析平台 |
了解如何将数据源集中到数据仓库中,并深入分析客户行为,以便做出明智的业务决策。 |
技术参考指南:使用 Firebase、BigQuery 和 Looker 创建统一的应用分析平台 概览视频:创建统一应用分析平台 示例代码:统一应用分析 |
|
使用 Google 趋势数据来满足常见业务需求 |
了解如何使用我们的 Google Cloud 数据集中的 Google 趋势公共数据集来解决常见业务难题,例如识别零售场所的趋势、预测产品需求以及开展新的营销活动。 |
概览视频:Google 趋势数据集现位于 BigQuery 中 示例代码(笔记本):趋势示例笔记本 示例代码 (SQL):Google 趋势示例查询 示例信息中心:最热门的 25 个 Google 搜索字词 |
|
了解和优化 Google Cloud 支出 |
了解如何将 Google Cloud Billing 数据整合到 BigQuery 中,以了解和优化支出并在 Looker 或 Looker 数据洞察中直观呈现实用结果。 |
||
数据驱动的价格优化 |
了解如何快速应对市场变化以保持竞争力,借助更快的价格优化,客户可以使用 Google Cloud 服务向其最终用户提供具有竞争力的价格,从而增加销量并提高利润。此解决方案使用 Dataprep by Trifacta 集成和标准化数据源,并使用 BigQuery 管理和存储价格模型并在 Looker 中直观呈现实用的结果。 |
博文:数据驱动的价格优化 教程:优化零售产品的价格 |
医疗保健和生命科学
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
运行单细胞基因组分析 |
了解如何使用 Dask、RAPIDS、GPU 和 JupyterLab 配置 Dataproc,然后执行单细胞基因组分析。 |
技术概览:使用 Dataproc 上的 Dask、RAPIDS 和 GPU 运行基因组分析 示例代码:笔记本 |
Log Analytics
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
构建流水线以捕获 Dialogflow 互动 |
了解如何构建流水线以捕获和存储 Dialogflow 互动以供进一步分析。 |
示例代码:Dialogflow 日志解析器 |
模式识别
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
检测视频剪辑中的对象 |
此解决方案向您展示如何使用 Dataflow 和 Video Intelligence API 构建实时视频片段分析解决方案以跟踪对象,从而近乎实时地分析大量非结构化数据。 |
示例代码:使用 Dataflow 和 Video Intelligence API 的视频分析解决方案
用于调用 Video Intelligence API 的 Apache Beam |
|
在智能分析流水线中对个人身份信息数据进行匿名(去标识化)和重标识处理 |
本系列解决方案向您展示如何使用 Dataflow、Cloud Data Loss Prevention、BigQuery 和 Pub/Sub 对示例数据集中的个人身份信息 (PII) 进行去标识化和重标识处理。 | 技术参考指南: 示例代码:使用 Dataflow 和 Cloud Data Loss Prevention 迁移 BigQuery 中的敏感数据 |
预测
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
使用 Datastream、Dataflow、BigQuery ML 和 Looker 构建并直观呈现需求预测的预测结果 |
了解如何实时将 Oracle 数据库中的运营数据复制和处理到 Google Cloud。此外,本教程还演示了如何预测未来需求,以及如何在您收到此预测数据时将其直观呈现出来。例如,假设您希望最大限度地减少零售业的食品浪费。 |
博文:利用 Google Cloud 中的数据分析解决食品浪费问题 技术参考指南:使用 Datastream、Dataflow、BigQuery 和 Looker 构建并直观呈现需求预测的预测结果 |
|
构建需求预测模型 |
了解如何构建时间序列模型,用于预测多个产品的零售需求。 |
||
构建电子商务推荐系统 |
了解如何使用 BigQuery 机器学习构建推荐系统,以根据 BigQuery 中的客户数据生成产品或服务推荐。然后,通过将数据导出到 Google Analytics 360 或 Cloud Storage,或以编程方式从 BigQuery 表中读取数据,了解如何将这些数据提供给其他生产系统。 |
技术参考指南:使用 BigQuery ML 构建电子商务推荐系统 |
|
为市场细分构建 k-means 聚类模型 |
使用 BigQuery ML 创建 k-means 聚簇,了解如何出于营销目的细分 Google Analytics 360 受众群体数据。 |
||
根据当前客户生命周期价值构建新的受众群体 |
了解如何识别最具价值的现有客户,然后在 Google Ads 中利用它们来开发类似受众群体。 |
技术参考指南:根据现有客户生命周期价值打造新的受众群体 示例代码:启动生命周期价值预测 |
|
构建时序需求预测模型 |
了解如何构建端到端解决方案以预测零售产品的需求。借助 BigQuery ML 使用历史销售数据来训练需求预测模型,然后在信息中心内直观呈现预测值。 |
||
使用 BigQuery ML 通过 Google 表格进行预测 |
了解如何将关联工作表与 BigQuery ML 中的预测模型相结合,将机器学习应用于您的业务流程。在这个具体的示例中,我们将引导您完成使用 Google Analytics(分析)数据为网站构建预测模型的过程。可以扩展此模式以使用其他数据类型和其他机器学习模型。 |
||
使用视觉分析流水线预测机械故障 |
此解决方案将指导您构建 Dataflow 流水线,以便从存储在 Cloud Storage 存储分区的大量图片文件中提取数据洞察。自动视觉检测有助于满足制造目标,例如,改进质量控制流程或监控工作器的安全性,同时降低成本。 |
||
预测客户生命周期价值 |
本系列介绍如何使用 AI Platform 和 BigQuery 预测客户生命周期价值 (CLV)。 |
技术参考指南: |
|
游戏应用的偏好建模 |
了解如何使用 BigQuery ML 从几种不同类型的偏好模型中进行训练、评估和获取预测。偏好模型可以帮助您确定特定用户返回您的应用的可能性,因此您可以在营销决策中使用该信息。 |
博文:使用 Google Analytics(分析)4 和 BigQuery ML 为游戏开发者提供的 churn 预测功能 笔记本:使用 Google Analytics(分析)4 和 BigQuery ML 为游戏开发者提供的 churn 预测功能 技术概览:游戏应用的概率建模 |
|
推荐个性化投资产品 |
通过使用 Cloud Functions 在公共 API 中提取、处理和增强市场数据,使用 Dataflow 将数据加载到 BigQuery 中,然后利用 AI Platform 训练和部署多个 AutoML Tables 模型,使用 Cloud Composer 编排这些流水线,最后部署基本 Web 前端以向用户推荐投资,了解如何提供个性化投资建议。 |
博文:使用 AI Platform 为消费者金融应用提供高度个性化的投资建议 技术参考指南:使用机器学习生成高度个性化投资建议的技术解决方案 |
时序分析
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
处理流式时间序列数据 |
了解使用 Apache Beam 时如何处理流式时间序列数据的关键挑战,然后查看 Timeseries Streaming 解决方案如何解决这些挑战。 |
技术概览:处理流式时间序列数据:概览 示例代码:Timeseries Streaming |
使用数据湖
解决方案 | 说明 | 产品 | 链接 |
---|---|---|---|
为数据湖的无服务器数据处理服务构建 CI/CD 流水线 |
了解如何为数据湖的数据处理流水线设置持续集成和持续交付 (CI/CD)。使用常用的 GitOps 方法,通过 Terraform、GitHub 和 Cloud Build 实现 CI/CD 方法。 |