Patrones de referencia de estadísticas inteligentes

En esta página, se proporcionan vínculos de código de muestra y guías de referencia técnica para casos de uso de estadísticas comunes. Usa estos recursos para aprender, identificar prácticas recomendadas y aprovechar el código de muestra a fin de compilar las funciones de estadísticas que necesites.

Los patrones de referencia que se enumeran aquí están orientados al código y destinados a que puedas implementarlos con rapidez. Para ver una gama más amplia de soluciones de estadísticas, revisa la lista de guías de referencia técnica de macrodatos.

Detección de anomalías

Solución Descripción Productos Vínculos
Compilar una aplicación de detección de anomalías en la red de telecomunicaciones mediante agrupamiento en clústeres con k-means

Esta solución te muestra cómo compilar una aplicación de detección de anomalías en la red basada en el AA para redes de telecomunicaciones a fin de identificar las amenazas de seguridad cibernética mediante Dataflow, BigQuery ML y Cloud Data Loss Prevention.

Guía de referencia técnica: Crea una solución segura de detección de anomalías mediante Dataflow, BigQuery ML y Cloud Data Loss Prevention

Código de muestra: Anomaly Detection in Netflow logs (Detección de anomalías en registros de Netflow)

Entrada de blog: Detección de anomalías mediante IA y estadísticas de transmisión

Video de descripción general: Building a Secure Anomaly Detection Solution (Compila una solución segura de detección de anomalías)

Encontrar anomalías en transacciones financieras en tiempo real mediante BoostedTrees

Usa esta implementación de referencia para obtener información sobre cómo identificar transacciones fraudulentas mediante un modelo de árbol mejorado de TensorFlow con Dataflow y AI Platform.

Guía de referencia técnica: Detecta anomalías en transacciones financieras con AI Platform, Dataflow y BigQuery

Código de muestra: Anomaly Detection in Financial Transactions (Detección de anomalías en transacciones financieras)

Encontrar anomalías en datos de series temporales mediante un codificador automático de LSTM

Usa esta implementación de referencia a fin de obtener información sobre cómo preprocesar los datos de series temporales para llenar los vacíos en los datos de origen y, luego, ejecutar los datos a través de un codificador automático de LSTM para identificar anomalías. El codificador automático se compila como un modelo de Keras que implementa una red neuronal de LSTM.

Código de muestra: Processing time-series data (Procesa datos de series temporales)

Detección de fraude en tarjeta de crédito en tiempo real

Aprende cómo usar las transacciones y los datos de clientes para entrenar modelos de aprendizaje automático en BigQuery ML que se puedan usar en una canalización de datos en tiempo real con el fin de identificar, analizar y activar alertas para un posible fraude con tarjeta de crédito.

Código de muestra: Detección de fraude en tarjeta de crédito en tiempo real

Entrada de blog técnico: Cómo crear una solución de detección de fraude en tarjetas de crédito en tiempo real sin servidores

Video de descripción general: Cómo crear una solución de detección de fraude en tarjetas de crédito en tiempo real sin servidores

Seminario en línea: Detección de fraudes con tarjeta de crédito

Monetización de datos

Solución Descripción Productos Vínculos
Cómo mostrar la lista de tus datos en venta en Google Cloud Marketplace con el kit de herramientas de Datashare

Obtén información sobre cómo intercambiar y monetizar datos históricos del mercado en tiempo real y de forma fácil y segura. Esta solución de referencia funciona tanto para los publicadores de datos de mercado como los agregadores y los consumidores por igual.

Descripción general técnica: Lectura del kit de herramientas de Datashare

Código de muestra: Datashare Toolkit

Video de descripción general: Descripción general del uso compartido de datos

Implementación (se necesita una cuenta de Google Cloud): VM de uso compartido de datos

Estadísticas generales

Solución Descripción Productos Vínculos
Compilar un panel de estadísticas de sitios web en tiempo real

Obtén información sobre cómo compilar un panel que proporcione métricas en tiempo real que puedas usar para comprender el rendimiento de los incentivos o los experimentos en tu sitio web.

Código de muestra: Realtime Analytics using Dataflow and Memorystore (Estadísticas en tiempo real mediante Dataflow y Memorystore)

Video de descripción general: Level Up - Real-time analytics using Dataflow and Memorystore (Sube de nivel: Estadísticas en tiempo real mediante Dataflow y Memorystore)

Compilar una canalización para transcribir y analizar archivos de voz

Aprende a transcribir y analizar archivos de voz subidos y, a continuación, guarda esos datos en BigQuery para usarlos en las visualizaciones.

Código de muestra: Speech Analysis Framework (Framework de análisis de voz)

Compila un almacén de datos de administración de la experiencia

Obtén información sobre cómo transformar los datos de encuestas en formatos que se pueden usar en un almacén de datos y obtener estadísticas más profundas. Este patrón se aplica a la experiencia del cliente, a la experiencia del empleado y a otros casos prácticos centrados en la experiencia.

Guía técnica de referencia: Cómo generar estadísticas a partir de formularios con un almacén de datos de encuestas

Código de muestra: Transforma y carga datos de encuestas en BigQuery con Dataprep by Trifacta

Entrada de blog: Creación de un almacén de datos de administración de experiencias (XM) con respuestas de encuesta

Video de descripción general: Cómo crear un almacén de datos de administración de experiencias con respuestas de encuestas

Instructivo: Transforma y carga respuestas de encuestas de formularios en BigQuery

Experiencia de demostración: Investigación de mercado de Cloud

Subtitula clips multimedia en tiempo real

Aprende a crear subtítulos en tiempo real de WebVTT para clips de audio o video con la API de Speech‑to‑Text en una canalización de Dataflow.

Guía de referencia técnica: Transcribe clips multimedia en tiempo real con Dataflow, Pub/Sub y la API de Speech‑to‑Text

Código de muestra: Subtitulado automático de WebVTT con la API de transmisión de Speech‑to‑Text mediante Dataflow

Estadísticas de registros

Solución Descripción Productos Vínculos
Compilar una canalización para capturar las interacciones de Dialogflow

Aprende a compilar una canalización a fin de capturar y almacenar interacciones de Dialogflow para un análisis más detallado.

Código de muestra: Dialogflow log parser (Analizador de registros de Dialogflow)

Procesamiento de registros a escala con Dataflow

Aprende a compilar canalizaciones de estadísticas que procesen entradas de registros de varias fuentes y, luego, combina los datos de registro para que te ayuden a extraer información significativa.

Guía técnica de referencia: Procesamiento de registros a gran escala con Dataflow

Código de muestra: Procesamiento de registros a gran escala con Dataflow

Reconocimiento de patrones

Solución Descripción Productos Vínculos
Detectar objetos en clips de video

En esta solución, se muestra cómo crear una solución de estadísticas de clips de video en tiempo real para el seguimiento de objetos mediante Dataflow y la API de Video Intelligence, lo que te permite analizar grandes volúmenes de datos no estructurados casi en tiempo real.

Código de muestra: Video Analytics Solution Using Dataflow and the Video Intelligence API (Solución de estadísticas de videos mediante Dataflow y la API de Video Intelligence)

Apache Beam Ptransform para llamar a la API de Video Intelligence: apache_beam.ml.gcp.videointelligenceml module (Módulo apache_beam.ml.gcp.videointelligenceml)

Procesar contenido generado por usuarios mediante la API de Video Intelligence y la API de Cloud Vision En este conjunto de soluciones, se describe la arquitectura para implementar un sistema escalable a fin de filtrar el envío de imágenes y videos mediante la API de Cloud Vision y la API de Video Intelligence.

Arquitectura: Procesa contenido generado por usuarios mediante la API de Video Intelligence y la API de Cloud Vision

Instructivo: Procesa contenido generado por usuarios mediante la API de Video Intelligence y la API de Cloud Vision

Código de muestra: Processing User-generated Content Using the Video Intelligence API and the Cloud Vision API (Procesa contenido generado por usuarios mediante la API de Video Intelligence y la API de Cloud Vision)

Apache Beam Ptransform para llamar a la API de Cloud Vision: apache_beam.ml.gcp.visionml module (Módulo apache_beam.ml.gcp.visionml)

Anonimizar (desidentificar) y reidentificar los datos de PII en tu canalización de estadísticas inteligentes En esta serie de soluciones, se muestra cómo usar Dataflow, Cloud Data Loss Prevention, BigQuery y Pub/Sub para desidentificar y reidentificar información de identificación personal (PII) en un conjunto de datos de muestra.

Guías de referencia técnica:

Código de muestra: Migrate Sensitive Data in BigQuery Using Dataflow and Cloud Data Loss Prevention (Migra datos sensibles en BigQuery mediante Dataflow y Cloud Data Loss Prevention)

Previsión

Solución Descripción Productos Vínculos
Compila un modelo de previsión de demanda

Obtén más información sobre cómo compilar un modelo de serie temporal que puedas usar para prever la demanda minorista de varios productos.

Entrada de blog: Cómo compilar modelos de previsión de demanda con BigQuery ML

Notebook: bqml_retail_demand_forecasting.ipynb

Compila un sistema de recomendación de comercio electrónico

Aprende a crear un sistema de recomendación mediante BigQuery ML para generar recomendaciones de productos o de servicios a partir de datos de clientes en BigQuery. Luego, para aprender a hacer que esos datos estén disponibles para otros sistemas de producción, debes exportarlos a Google Analytics 360 o Cloud Storage, o leerlos de manera programática desde la tabla de BigQuery.

Guía de referencia técnica: Compila un sistema de recomendación de comercio electrónico mediante BigQuery ML

Notebook: bqml_retail_recommendation_system.ipynb

Crea un modelo de agrupamiento en clústeres de k‑means para la segmentación del mercado

Aprende a segmentar los datos del público de Google Analytics 360 para fines de marketing mediante la creación de clústeres de k‑means con BigQuery ML.

Guía de referencia técnica: Crea un modelo de agrupamiento en clústeres de k‑means para la segmentación del mercado mediante BigQuery ML

Notebook: Cómo crear modelos de agrupamiento en clústeres de k‑means para la segmentación del mercado mediante BigQuery ML

Crear un modelo de propensión para servicios financieros en Google Cloud

En esta solución, se muestra cómo explorar datos y compilar un modelo de aprendizaje automático (AA) de scikit-learn en Google Cloud. El caso de uso de esta solución es un modelo predictivo de propensión a la compra para servicios financieros. Los modelos de propensión se usan mucho en la industria financiera para analizar la tendencia de un cliente potencial a realizar una compra, pero las prácticas recomendadas descritas en esta solución se pueden aplicar a una gran cantidad de casos de uso del AA.

Guía de referencia técnica: Crea un modelo de propensión para servicios financieros en Google Cloud

Código de muestra: Professional Services (Servicios profesionales)

Crea una solución de propensión a la compra

Aprende a compilar y, luego, implementar un modelo de propensión a compra. Úsalo para obtener predicciones sobre el comportamiento de compra del cliente y, luego, compila una canalización a fin de automatizar el flujo de trabajo.

Guía de referencia técnica: Predice la propensión de los clientes a comprar con BigQuery ML y AI Platform

Código de muestra: How to build an end-to-end propensity to purchase solution using BigQuery ML and Kubeflow Pipelines

Entrada de blog: How to build an end-to-end propensity to purchase solution using BigQuery ML and Kubeflow Pipelines

Compila nuevos públicos en función del valor del ciclo de vida del cliente existente

Aprende a identificar a tus clientes actuales más valiosos y, luego, usarlos para desarrollar públicos similares en Google Ads.

Guía técnica de referencia: Crea nuevos públicos en función del valor del ciclo de vida del cliente existente

Código de muestra: Activa las predicciones de LTV

Crea un modelo de previsión de la demanda de series temporales

Aprende a crear una solución de extremo a extremo a fin de prever la demanda de productos de venta minorista. Usa los datos históricos de ventas para entrenar un modelo de previsión de la demanda mediante BigQuery ML y, luego, visualiza los valores previstos en un panel.

Código de muestra: Crea un modelo de previsión de la demanda de series temporales con BigQuery ML

Crea y entrega incorporaciones para generar recomendaciones casi en tiempo real

Obtén más información sobre cómo crear y entregar incorporaciones para hacer recomendaciones de elementos similares en tiempo real. Usa BigQuery ML para crear un modelo de factorización de matrices a fin de predecir las incorporaciones y el framework ScaNN de código abierto a fin de crear un índice de vecino más próximo y, luego, implementa el modelo en AI Platform Prediction para buscar elementos similares en tiempo real.

Guía de referencia técnica: Arquitectura de un sistema de aprendizaje automático para la coincidencia de elementos

Código de muestra: Real-time Item-to-item Recommendation BigQuery ML Matrix Factorization and ScaNN

Realiza previsiones de Hojas de cálculo con BigQuery ML

Obtén más información sobre cómo poner en funcionamiento el aprendizaje automático con tus procesos empresariales y combinar Hojas de cálculo conectadas con un modelo de previsión en BigQuery ML. En este ejemplo específico, analizaremos el proceso para compilar un modelo de previsión para el tráfico del sitio web con datos de Google Analytics. Este patrón se puede extender para que funcione con otros tipos de datos y otros modelos de aprendizaje automático.

Entrada de blog: Cómo usar un modelo de aprendizaje automático desde Hojas de cálculo con BigQuery ML

Código de muestra: Previsión de BigQuery ML con Hojas de cálculo

Plantilla: Previsión de BigQuery ML con Hojas de cálculo

Predecir fallas mecánicas mediante una canalización de estadísticas de visión

En esta solución, se muestra cómo compilar una canalización de Dataflow para obtener estadísticas a partir de archivos de imagen a gran escala almacenados en un bucket de Cloud Storage. La inspección visual automatizada puede ayudar a cumplir los objetivos de fabricación, como mejorar los procesos de control de calidad o supervisar la seguridad de los trabajadores, a la vez que se reducen los costos.

Código de muestra: Vision Analytics Solution Using Dataflow and Cloud Vision API (Solución de estadísticas de Vision mediante Dataflow y la API de Cloud Vision)

Predecir el valor del ciclo de vida del cliente

En esta serie, se muestra cómo predecir el valor del ciclo de vida del cliente (CVC) mediante AI Platform y BigQuery.

Guías de referencia técnica:

Código de muestra: Customer Lifetime Value Prediction on Google Cloud (Predicción del valor del ciclo de vida del cliente en Google Cloud)

Modelos de propensión para aplicaciones de videojuegos

Aprende cómo usar BigQuery ML para entrenar, evaluar y obtener predicciones de varios tipos diferentes de modelos de propensión. Los modelos de propensión pueden ayudarte a determinar la probabilidad de que usuarios específicos vuelvan a tu app para que puedas usar esa información en decisiones de marketing.

Entrada de blog: Predicción de deserción para desarrolladores de videojuegos mediante Google Analytics 4 y BigQuery ML

Notebook: Predicción de deserción para desarrolladores de videojuegos mediante Google Analytics 4 y BigQuery ML

Descripción general técnica: Modelado de graduación para aplicaciones de videojuegos

Estadísticas de flujo de clics en tiempo real

Solución Descripción Productos Vínculos
Aplicaciones de comercio electrónico de muestra mediante IA en tiempo real y estadísticas de transmisión

En la aplicación de comercio electrónico de muestra, se ilustran casos de uso comunes y prácticas recomendadas para implementar las estadísticas de datos de transmisión y la IA en tiempo real. Úsala para aprender a responder de forma dinámica a las acciones de los clientes mediante el análisis y la respuesta a eventos en tiempo real. Además, puedes almacenar, analizar y visualizar esos datos de eventos a fin de obtener estadísticas a largo plazo.

Descripción general técnica: Aplicación de comercio electrónico de muestra mediante IA en tiempo real y estadísticas de transmisión

Código de muestra: E-commerce sample application for Java (Aplicación de comercio electrónico de muestra para Java)

Demostración interactiva: Explora las estadísticas de transmisiones de Google

Video de descripción general: Activate real-time web experiences with Stream Analytics (Activa las experiencias web en tiempo real con estadísticas de transmisión)

Análisis de series temporales

Solución Descripción Productos Vínculos
Procesamiento de datos de series temporales de transmisión

Conoce los desafíos clave sobre el procesamiento de datos de series temporales de transmisión cuando se usa Apache Beam y, luego, observa cómo la solución de Timeseries Streaming aborda estos desafíos.

Descripción general técnica: Procesamiento de datos de series temporales de transmisión (descripción general)

Instructivo: Procesa datos de series temporales de transmisión (instructivo)

Código de muestra: Timeseries Streaming

Trabaja con data lakes

Solución Descripción Productos Vínculos
Compila canalizaciones de CI/CD para los servicios de procesamiento de datos sin servidores de un data lake

Aprende a configurar la integración continua y la entrega continua (CI/CD) para las canalizaciones de procesamiento de datos de un data lake. Implementa métodos de CI/CD con Terraform, GitHub y Cloud Build mediante la popular metodología GitOps

Descripción general técnica: Compila canalizaciones de CI/CD para los servicios de procesamiento de datos sin servidores de un data lake