Modèles de référence pour les analyses intelligentes

Cette page contient des liens vers des exemples de code et des guides de référence techniques pour les cas d'utilisation courants d'analyse. Utilisez ces ressources pour apprendre, identifier les bonnes pratiques et exploiter les exemples de code pour créer les fonctionnalités d'analyse dont vous avez besoin.

Les modèles de référence répertoriés ici sont orientés code et permettent une mise en œuvre rapide. Pour découvrir une gamme plus large de solutions d'analyse, consultez la liste des guides de référence techniques sur le big data.

Détection d'anomalies

Solution Description Produits Liens

Créer une application de détection d'anomalies pour les réseaux de télécommunications à l'aide du clustering en k-moyennes

Cette solution vous explique comment créer une application de détection d'anomalies basée sur le ML pour les réseaux de télécommunications afin d'identifier les cybermenaces en utilisant Dataflow, BigQuery ML et Cloud Data Loss Prevention.

Guide de référence technique : Créer une solution sécurisée de détection des anomalies à l'aide de Dataflow, BigQuery ML et Cloud Data Loss Prevention

Exemple de code : Détection d'anomalies dans les journaux Netflow

Article de blog : Détection d'anomalies à l'aide d'analyses de flux et de l'IA

Vidéo de présentation : Créer une solution sécurisée de détection d'anomalies

Identifier en temps réel les anomalies dans les transactions financières à l'aide de BoostedTrees

Utilisez cette mise en œuvre de référence pour apprendre à identifier les transactions frauduleuses en utilisant un modèle d'arbre de décision à boosting TensorFlow avec Dataflow et AI Platform.

Guide de référence technique : Détecter les anomalies dans les transactions financières à l'aide d'AI Platform, Dataflow et BigQuery

Exemple de code : Détection d'anomalies dans les transactions financières

Rechercher des anomalies dans les données de séries temporelles à l'aide d'un auto-encodeur LSTM

Utilisez cette mise en œuvre de référence pour apprendre à prétraiter les données de séries temporelles afin de remplir les données sources manquantes, puis à les exécuter via un auto-encodeur LSTM pour identifier les anomalies. L'auto-encodeur est conçu comme un modèle Keras qui met en œuvre un réseau de neurones LSTM.

Exemple de code : Traiter des données de séries temporelles

Détection en temps réel des utilisations frauduleuses de cartes de crédit

Découvrez comment utiliser des transactions et des données client pour entraîner des modèles de machine learning dans BigQuery ML pouvant être utilisés dans un pipeline de données en temps réel pour identifier, analyser et déclencher des alertes en cas d'une potentielle utilisation frauduleuse de carte de crédit.

Exemple de code : Détection des utilisations frauduleuses de cartes de crédit en temps réel

Article de blog technique : Comment créer une solution sans serveur pour la détection d'utilisations frauduleuses de cartes de crédit en temps réel

Vidéo de présentation : Comment créer une solution sans serveur pour la détection d'utilisations frauduleuses de cartes de crédit en temps réel

Webinaire : Détection des utilisations frauduleuses de cartes de crédit

Modèles de force relative sur les séries temporelles pour les marchés financiers

Ce modèle est particulièrement pertinent pour les clients de marchés financiers et leurs services d'analyse quantitative (Quants), qui leur permettent de suivre leurs indicateurs techniques en temps réel pour prendre des décisions d'investissement ou suivre des index. Cette solution est basée sur la détection d'anomalies des séries temporelles, et peut facilement être appliquée à d'autres secteurs, tels que la fabrication, pour détecter les anomalies dans les métriques de séries temporelles pertinentes.

Exemple de code : Exemple de série temporelle des services financiers Dataflow

Article de blog Business et technique: Détecter les anomalies du machine learning dans les données de taux de change en temps réel

Monétisation des données

Solution Description Produits Liens

Répertorier vos données à vendre sur Google Cloud Marketplace à l'aide du Kit de partage de données

Découvrez comment échanger et monétiser facilement et en toute sécurité des données d'historique et des données de marché en temps réel. Cette solution de référence est exploitable aussi bien par les éditeurs que les agrégateurs et les consommateurs de données de marché.

Présentation technique : Fichier Readme du Kit de partage de données

Exemple de code : Kit de partage de données

Vidéo de présentation : Présentation du partage de données

Déploiement (compte Google Cloud requis) : VM de partage de données

Analyses générales

Solution Description Produits Liens

Créer un tableau de bord d'analyse de site Web en temps réel

Découvrez comment créer un tableau de bord fournissant des métriques en temps réel que vous pouvez utiliser pour comprendre les performances des privilèges ou des expériences de votre site Web.

Exemple de code : Analyse en temps réel à l'aide de Dataflow et de Memorystore

Vidéo de présentation : Level Up - Analyse en temps réel avec Dataflow et Memorystore

Créer un pipeline pour transcrire et analyser des fichiers vocaux

Découvrez comment transcrire et analyser des fichiers vocaux importés, puis enregistrer ces données dans BigQuery pour les utiliser dans des visualisations.

Exemple de code : Framework d'analyse vocale

Créer un entrepôt de données de gestion de l'expérience

Découvrez comment transformer les données d'enquête dans des formats exploitables dans un entrepôt de données, et permettant d'effectuer des analyses plus approfondies. Ce modèle s'applique à l'expérience client, à l'expérience des employés et à d'autres cas d'utilisation axés sur l'expérience.

Guide de référence technique : Générer des insights à partir de formulaires avec un entrepôt de données d'enquête

Exemple de code : Transformer et charger des données d'enquête dans BigQuery à l'aide de Dataprep by Trifacta

Article de blog : Créer un entrepôt de données de gestion des expériences à partir de réponses à des enquêtes

Vidéo de présentation : Créer un entrepôt de données de gestion des expériences à partir de réponses à des enquêtes

Tutoriel : Transformer et charger des réponses à un formulaire d'enquête dans BigQuery

Expérience de démonstration : Étude de marché sur le cloud

Sous-titrer des extraits multimédias en temps réel

Découvrez comment créer des sous-titres WebVTT en temps réel pour des extraits audio ou vidéo à l'aide de l'API Speech-to-Text dans un pipeline Dataflow.

Guide de référence technique : Sous-titrer des extraits multimédias en temps réel à l'aide de Dataflow, Pub/Sub et l'API Speech-to-Text

Exemple de code : Utiliser Dataflow pour effectuer un sous-titrage WebVTT automatique à l'aide de l'API Speech-to-Text en streaming

Créer une plate-forme d'analyse d'applications unifiée

Découvrez comment centraliser vos sources de données dans un entrepôt de données et analyser dans le détail le comportement des clients pour prendre des décisions commerciales éclairées.

Guide de référence technique : Créer une plate-forme d'analyse d'applications unifiée à l'aide de Firebase, BigQuery et Looker

Article de blog : Créer une plate-forme d'analyse unifiée pour les natifs du numérique

Vidéo de présentation : Créer une plate-forme d'analyse d'applications unifiée

Exemple de code : Analyse d'applications unifiée

Découvrez comment utiliser l'ensemble de données public Google Trends depuis nos ensembles de données Google Cloud pour résoudre les problèmes courants, rencontrés par les entreprise, tels que l'identification des tendances dans les points de vente, l'anticipation de la demande de produits et le développement de nouvelles campagnes marketing.

Article de blog : Prendre des décisions éclairées avec les données Google Trends

Vidéo de présentation : L'ensemble de données Google Trends est désormais dans BigQuery

Exemple de code (notebook) : Exemple de notebook de tendances

Exemple de code (SQL) : Exemples de requêtes Google Trends

Exemple de tableau de bord : 25 des termes les plus recherchés dans la Recherche Google

Comprendre et optimiser vos dépenses Google Cloud

Découvrez comment importer vos données Google Cloud Billing dans BigQuery pour comprendre et optimiser vos dépenses, et visualiser les résultats exploitables dans Looker ou Data Studio.

Article de blog : Optimiser vos dépenses Google Cloud avec BigQuery et Looker

Exemple de code : Bloc Looker Google Cloud Billing

Santé et sciences de la vie

Solution Description Produits Liens

Effectuer une analyse génomique à une seule cellule

Découvrez comment configurer Dataproc avec Dask, RAPIDS, des GPU et JupyterLab, puis exécuter une analyse génomique à une seule cellule.

Présentation technique : Exécuter une analyse génomique avec Dask, RAPIDS et les GPU sur Dataproc

Exemple de code : Notebook

Article de blog : Analyse génomique à une seule cellule accélérée par NVIDIA sur Google Cloud

Analyses de journaux

Solution Description Produits Liens

Créer un pipeline pour capturer les interactions Dialogflow

Apprenez à créer un pipeline pour capturer et stocker les interactions Dialogflow pour une analyse plus approfondie.

Exemple de code : Analyseur de journaux Dialogflow

Traiter des journaux à grande échelle à l'aide de Dataflow

Découvrez comment créer des pipelines d'analyse qui traitent les entrées de journal provenant de plusieurs sources, puis combiner les données des journaux de manière à extraire des informations significatives.

Guide de référence technique : Traiter des journaux à grande échelle à l'aide de Dataflow

Exemple de code : Traiter des journaux à grande échelle à l'aide de Dataflow

Reconnaissance des formes

Solution Description Produits Liens

Détecter des objets dans des extraits vidéo

Cette solution vous montre comment créer une solution d'analyse des extraits vidéo en temps réel pour le suivi d'objets à l'aide de Dataflow et de l'API Video Intelligence, ce qui vous permet d'analyser d'importants volumes de données non structurées quasiment en temps réel.

Exemple de code : Solution d'analyse vidéo à l'aide de Dataflow et de l'API Video Intelligence

Ptransform Apache Beam pour appeler l'API Video Intelligence : module Apache_beam.ml.gcp.videointelligence.ml

Traiter le contenu généré par l'utilisateur à l'aide des API Video Intelligence et Cloud Vision

Cet ensemble de solutions décrit l'architecture de déploiement d'un système évolutif pour filtrer les envois d'images et de vidéos à l'aide de l'API Cloud Vision et de l'API Video Intelligence.

Architecture : Traiter le contenu généré par l'utilisateur à l'aide de l'API Video Intelligence et de l'API Cloud Vision

Tutoriel : Traiter le contenu généré par l'utilisateur à l'aide de l'API Video Intelligence et de l'API Cloud Vision

Exemple de code : Traiter le contenu généré par l'utilisateur à l'aide de l'API Video Intelligence et de l'API Cloud Vision

Ptransform Apache Beam pour appeler l'API Cloud Vision : module apache_beam.ml.gcp.visionml

Anonymiser et restaurer l'identification des informations personnelles dans votre pipeline d'analyses intelligentes

Cette série de solutions vous montre comment utiliser Dataflow, Cloud Data Loss Prevention, BigQuery et Pub/Sub pour supprimer et restaurer l'identification des informations personnelles dans un exemple d'ensemble de données.

Guides de référence techniques :

Exemple de code : Migrer des données sensibles dans BigQuery à l'aide de Dataflow et de Cloud Data Loss Prevention

Prévisions de prédiction

Solution Description Produits Liens

Créer un modèle de prévision de la demande

Découvrez comment créer un modèle de série temporelle que vous pouvez utiliser afin de prévoir la demande commerciale de plusieurs produits.

Article de blog : Créer des modèles de prévision de la demande à l'aide de BigQuery ML

Notebook : bqml_retail_demand_forecasting.ipynb

Créer un système de recommandation d'e-commerce

Découvrez comment créer un système de recommandation à l'aide de BigQuery ML pour générer des recommandations de produits ou de services à partir de données client dans BigQuery. Apprenez ensuite à rendre ces données disponibles pour d'autres systèmes de production en les exportant vers Google Analytics 360 ou Cloud Storage, ou en les lisant automatiquement à partir de la table BigQuery.

Guide de référence technique : Créer un système de recommandation d'e-commerce à l'aide de BigQuery ML

Notebook : bqml_retail_recommendation_system.ipynb

Créer un modèle de clustering en k-moyennes pour la segmentation du marché

Découvrez comment segmenter les données d'audience Google Analytics 360 à des fins marketing en créant des clusters de k-moyennes avec BigQuery ML.

Guide de référence technique : Créer un modèle de clustering en k-moyennes pour la segmentation du marché à l'aide de BigQuery ML

Notebook : Comment créer des modèles de clustering en k-moyennes pour la segmentation du marché à l'aide de BigQuery ML

Créer un modèle de tendances pour les services financiers sur Google Cloud

Cette solution explique comment explorer des données et créer un modèle de machine learning scikit-learn sur Google Cloud. Le cas d'utilisation de cette solution est un modèle pour services financiers prédictif et de tendances d'achats. Les modèles de tendance sont couramment utilisés dans le secteur financier pour analyser la tendance d'un client potentiel à effectuer un achat, mais les bonnes pratiques décrites dans cette solution peuvent être appliquées à un large éventail de cas d'utilisation de ML.

Guide de référence technique : Créer un modèle de tendances pour les services financiers sur Google Cloud

Exemple de code : Services professionnels

Développer un modèle de tendances pour l'achat d'une solution

Découvrez comment créer et déployer un modèle de tendances d'achat, comment l'utiliser pour obtenir des prédictions sur le comportement d'achat des clients, puis comment créer un pipeline pour automatiser le workflow.

Guide de référence technique : Prédire les tendances d'achat des clients à l'aide de BigQuery ML et d'AI Platform

Exemple de code : Créer une solution de bout en bout pour l'analyse des tendances d'achat à l'aide de BigQuery ML et de Kubeflow Pipelines

Article de blog : Créer une solution de bout en bout pour l'analyse des tendances d'achat à l'aide de BigQuery ML et de Kubeflow Pipelines

Créer de nouvelles audiences en fonction de la valeur vie client actuelle

Découvrez comment identifier vos clients actuels les plus intéressants, puis les utiliser pour développer des audiences similaires dans Google Ads.

Guide de référence technique : Créer de nouvelles audiences en se basant sur la valeur client existante

Exemple de code : Activer les prédictions de valeur vie client (LTV)

Créer un modèle de prévision de la demande de séries temporelles

Apprenez à créer une solution de bout en bout pour prévoir la demande pour les produits de détail. À l'aide des données de vente historiques, vous pouvez entraîner un modèle de prévision de la demande à l'aide de BigQuery ML, puis visualiser les valeurs prévues dans un tableau de bord.

Exemple de code : Créer un modèle de prévision de la demande de séries temporelles à l'aide de BigQuery ML

Créer et diffuser des représentations vectorielles continues pour des recommandations en quasi-temps réel

Découvrez comment créer et diffuser des représentations vectorielles continues pour formuler des recommandations d'articles semblables en temps réel. Créer un modèle de factorisation matricielle à l'aide de BigQuery ML pour prédire les représentations vectorielles continues, utiliser le framework Open Source ScaNN pour créer un index de voisin le plus proche et déployer le modèle sur AI Platform Prediction pour mettre en correspondance des éléments similaires en temps réel.

Guide de référence technique : Architecture d'un système de machine learning pour la correspondance d'éléments

Exemple de code : Recommandations d'articles similaires en temps réel avec BigQuery ML Factor et ScaNN

Effectuer des prévisions à partir de Sheets à l'aide de BigQuery ML

Découvrez comment opérationnaliser le machine learning avec vos processus métier en combinant les feuilles connectées de Sheets avec un modèle de prévision dans BigQuery ML. Dans cet exemple spécifique, nous allons vous expliquer le processus de création d'un modèle de prévision de trafic de site Web utilisant des données Google Analytics. Ce modèle peut être étendu à d'autres types de données ainsi qu'à d'autres modèles de machine learning.

Article de blog : Utiliser un modèle de machine learning à partir de Sheets avec BigQuery ML

Exemple de code : Prévisions BigQuery ML avec Sheets

Modèle : Prévisions BigQuery ML avec Sheets

Prédire les défaillances mécaniques à l'aide d'un pipeline d'analyse de vision

Cette solution vous aide à créer un pipeline Dataflow afin de dégager des insights à partir de fichiers image à grande échelle stockés dans un bucket Cloud Storage. L'inspection visuelle automatisée peut vous aider à atteindre des objectifs de fabrication, par exemple en améliorant des processus de contrôle qualité ou en surveillant la sécurité des travailleurs, tout en réduisant les coûts.

Exemple de code : Solution d'analyse de vision à l'aide de Dataflow et de l'API Cloud Vision

Prédire la valeur vie client

Cette série vous montre comment prédire la valeur du client (CLV) à l'aide d'AI Platform et de BigQuery.

Guides de référence techniques :

Exemple de code : Prédiction de la valeur du client sur Google Cloud

Modèles des tendances pour les applications de jeux

Apprenez à utiliser BigQuery ML pour entraîner, évaluer et obtenir des prédictions à partir de différents types de modèles de tendances. Les modèles de tendances peuvent vous aider à déterminer la probabilité que des utilisateurs spécifiques retournent sur votre application. Vous pouvez ainsi utiliser ces informations pour prendre des décisions marketing.

Article de blog : Prédiction du taux de perte d'utilisateurs pour les développeurs de jeux vidéo à l'aide de Google Analytics 4 et de BigQuery ML

Notebook : Prédiction du taux de perte d'utilisateurs pour les développeurs de jeux vidéo à l'aide de Google Analytics 4 et de BigQuery ML

Présentation technique : Modélisation des tendances pour les applications de jeu vidéo

Analyse des flux de clics en temps réel

Solution Description Produits Liens

Exemple d'application d'e-commerce avec analyse de flux et IA en temps réel

L'exemple d'application d'e-commerce illustre des cas d'utilisation courants et des bonnes pratiques pour mettre en œuvre l'analyse de flux de données en continu et l'IA en temps réel. Utilisez-le pour apprendre à répondre de manière dynamique aux actions des clients en analysant des événements et en y répondant en temps réel, et comment stocker, analyser et visualiser ces données afin d'obtenir des insights à plus long terme.

Présentation technique : Exemple d'application d'e-commerce avec une analyse de flux et une IA en temps réel

Exemple de code : Exemple d'application d'e-commerce pour Java

Démonstration interactive : Découvrir l'analyse de flux de Google

Vidéo de présentation : Activer des expériences Web en temps réel avec l'analyse de flux

Analyse de séries temporelles

Solution Description Produits Liens

Traiter des flux de données de séries temporelles

Découvrez les principales difficultés liées au traitement des flux de données de séries temporelles dans Apache Beam, puis observez comment la solution Timeseries Streaming répond à ces défis.

Présentation technique : Traiter des flux de données de séries temporelles : présentation

Tutoriel : Traiter des flux de données de séries temporelles : tutoriel

Exemple de code : Timeseries Streaming

Utiliser des lacs de données

Solution Description Produits Liens

Créer des pipelines CI/CD pour les services de traitement de données sans serveur d'un lac de données

Découvrez comment configurer l'intégration et la livraison continues (CI/CD) pour les pipelines de traitement de données d'un lac de données. Mettez en œuvre des méthodes CI/CD avec Terraform, GitHub et Cloud Build à l'aide de la méthodologie GitOps.

Présentation technique : Créer des pipelines CI/CD pour les services de traitement de données sans serveur d'un lac de données