Halaman ini menyediakan link ke kasus penggunaan bisnis, kode contoh, dan panduan referensi teknis untuk kasus penggunaan analisis data industri. Gunakan referensi ini untuk mempelajari dan mengidentifikasi praktik terbaik untuk mempercepat implementasi workload Anda.
Pola desain yang tercantum di sini adalah kasus penggunaan berorientasi kode dan memungkinkan Anda mengimplementasikan dengan cepat. Untuk melihat berbagai solusi analisis yang lebih luas, tinjau daftar panduan referensi teknis Analisis Data.
Deteksi anomali
| Solusi | Deskripsi | Produk | Links |
|---|---|---|---|
Menemukan anomali dalam data deret waktu menggunakan autoencoder LSTM |
Gunakan implementasi referensi ini untuk mempelajari cara melakukan prapemrosesan data deret waktu untuk mengisi kekurangan data sumber, lalu jalankan data tersebut melalui autoencoder LSTM untuk mengidentifikasi anomali. Autoencoder ini dibuat sebagai model Keras yang mengimplementasikan jaringan neural LSTM. |
Kode contoh: Memproses data deret waktu |
|
Deteksi penipuan kartu kredit secara real time |
Pelajari cara menggunakan transaksi dan data pelanggan untuk melatih model machine learning di BigQuery ML yang dapat digunakan di pipeline data real-time untuk mengidentifikasi, menganalisis, dan memicu peringatan terhadap potensi penipuan kartu kredit. |
Kode contoh: Deteksi penipuan kartu kredit secara real time Video ringkasan: Fraudfinder: Solusi komprehensif untuk masalah ilmu data sesungguhnya |
|
Pemodelan kekuatan relatif pada deret waktu untuk Pasar Modal |
Pola ini sangat relevan bagi pelanggan Pasar Modal dan departemen analisis kuantitatif (Quants), untuk melacak indikator teknis mereka secara real time untuk membuat keputusan investasi atau melacak indeks. Layanan ini dibangun di atas fondasi deteksi anomali deret waktu, dan dapat dengan mudah diterapkan pada industri lain seperti manufaktur, untuk mendeteksi anomali dalam metrik deret waktu yang relevan. |
Kode contoh: Contoh Seri Waktu Jasa Keuangan Dataflow Postingan blog Bisnis & Teknis: Cara mendeteksi anomali yang dipelajari mesin dalam data valuta asing real-time |
Lingkungan, sosial, dan tata kelola
| Solusi | Deskripsi | Produk | Links |
|---|---|---|---|
Menghitung risiko iklim fisik untuk keuangan berkelanjutan |
Memperkenalkan pola desain analisis risiko iklim untuk pinjaman dan portofolio investasi menggunakan alat berbasis cloud dan set data geospasial terperinci. |
Ringkasan teknis: Repositori Bitbucket untuk analisis risiko iklim portofolio Video ringkasan: Memanfaatkan Insight Data ESG Independen Postingan blog: Mengukur risiko iklim portofolio untuk investasi berkelanjutan dengan analisis geospasial |
Analisis umum
| Solusi | Deskripsi | Produk | Links |
|---|---|---|---|
Membuat dasbor analisis situs secara real-time |
Pelajari cara membuat dasbor yang menyediakan metrik real-time yang dapat Anda gunakan untuk memahami performa insentif atau eksperimen di situs Anda. |
Kode contoh: Analisis Realtime menggunakan Dataflow dan Memorystore Video ringkasan: Level Up - Analisis real-time menggunakan Dataflow dan Memorystore |
|
Membuat pipeline untuk mentranskripsikan dan menganalisis file ucapan |
Pelajari cara mentranskripsi dan menganalisis file ucapan yang diupload, lalu simpan data tersebut ke BigQuery untuk digunakan dalam visualisasi. |
Kode contoh: Framework Analisis Ucapan |
|
Menganalisis data tidak terstruktur di penyimpanan objek |
Pelajari cara menganalisis data tidak terstruktur di Cloud Storage, sehingga memungkinkan analisis dengan fungsi jarak jauh seperti Vertex AI Vision pada gambar. Pelajari cara melakukan inferensi pada data tidak terstruktur menggunakan BigQuery ML. |
Panduan referensi teknis: Pengantar tabel objek Tutorial: Menganalisis tabel objek menggunakan fungsi jarak jauh dan Cloud Vision API Tutorial: Menjalankan inferensi pada tabel objek gambar menggunakan TensorFlow dan BigQuery ML |
|
Menganalisis file dokumen tidak terstruktur di data warehouse |
Pelajari cara menggunakan tabel objek dan fungsi jarak jauh BigLake untuk mengurai dokumen tak terstruktur dengan Document AI dan menyimpan hasilnya sebagai data terstruktur di BigQuery. |
Kode contoh: Analisis dokumen tidak terstruktur di SQL |
|
Membangun data warehouse pengelolaan pengalaman |
Pelajari cara mengubah data survei ke dalam format yang dapat digunakan di data warehouse dan untuk analisis yang lebih mendalam. Pola ini berlaku untuk pengalaman pelanggan, pengalaman karyawan, dan kasus penggunaan lainnya yang berfokus pada pengalaman. |
Panduan referensi teknis: Mendorong Insight dari Google Formulir dengan Data Warehouse Survei Kode contoh: Mentransformasi dan Memuat Data Survei ke BigQuery menggunakan Dataprep by Trifacta Postingan blog: Membuat Data Warehouse Pengelolaan Pengalaman (XM) dengan Respons Survei Video ringkasan: Membuat Data Warehouse Pengelolaan Pengalaman dengan Respons Survei Tutorial: Mentransformasi dan Memuat Respons Survei Google Formulir ke BigQuery |
|
Menggunakan data Google Trends untuk kebutuhan bisnis umum |
Pelajari cara menggunakan Set Data Publik Google Trends dari Set Data Google Cloud untuk mengatasi tantangan bisnis umum seperti mengidentifikasi tren di lokasi retail Anda, mengantisipasi permintaan produk, dan mengembangkan kampanye pemasaran baru. |
Postingan blog: Mengambil Keputusan yang Tepat dengan Data Google Trends Video ringkasan: Set data Google Trends kini tersedia di BigQuery Kode contoh (notebook): Notebook Contoh Tren Kode contoh (SQL): Kueri Contoh Google Trends Contoh dasbor: 25 Istilah Teratas Google Penelusuran yang Trending |
|
Memahami dan mengoptimalkan pembelanjaan Google Cloud Anda |
Pelajari cara memindahkan data Penagihan Google Cloud ke BigQuery untuk memahami dan mengoptimalkan pengeluaran Anda, serta memvisualisasikan hasil yang dapat ditindaklanjuti di Looker atau Looker Studio. |
Postingan blog: Mengoptimalkan pembelanjaan Google Cloud Anda dengan BigQuery dan Looker Kode contoh: Looker Block Penagihan Google Cloud |
|
Pengoptimalan Harga Berbasis Data |
Pelajari cara menanggapi perubahan pasar dengan cepat agar tetap kompetitif. Dengan pengoptimalan harga yang lebih cepat, pelanggan dapat menawarkan harga yang kompetitif kepada pengguna akhir mereka menggunakan layanan Google Cloud, sehingga meningkatkan penjualan dan keuntungan mereka. Solusi ini menggunakan Dataprep by Trifacta untuk mengintegrasikan dan menstandarkan sumber data, BigQuery untuk mengelola dan menyimpan model harga Anda, serta memvisualisasikan hasil yang dapat ditindaklanjuti di Looker. |
Postingan blog: Pengoptimalan Harga Berbasis Data Tutorial: Mengoptimalkan harga produk retail Kode contoh: Looker Block Penagihan Google Cloud |
Layanan kesehatan dan ilmu hayati
| Solusi | Deskripsi | Produk | Links |
|---|---|---|---|
Menjalankan analisis genomik sel tunggal |
Pelajari cara mengonfigurasi Dataproc dengan Dask, RAPIDS, GPU, dan JupyterLab, lalu jalankan analisis genomik sel tunggal. |
Ringkasan teknis: Menjalankan analisis genomik dengan Dask, RAPIDS, dan GPU di Dataproc Kode contoh: Notebook Postingan blog: Analisis genomik sel tunggal yang dipercepat oleh NVIDIA di Google Cloud |
Analisis log
| Solusi | Deskripsi | Produk | Links |
|---|---|---|---|
Membangun pipeline untuk mencatat interaksi Dialogflow |
Pelajari cara membangun pipeline untuk menangkap dan menyimpan interaksi Dialogflow guna analisis lebih lanjut. |
Kode contoh: Parser log Dialogflow |
Pengenalan pola
| Solusi | Deskripsi | Produk | Links |
|---|---|---|---|
Mendeteksi objek dalam klip video |
Solusi ini menunjukkan cara membangun solusi analisis klip video real-time untuk pelacakan objek menggunakan Dataflow dan Video Intelligence API, yang memungkinkan Anda menganalisis data tidak terstruktur dalam jumlah besar mendekati real time. |
Kode contoh: Solusi Analisis Video Menggunakan Dataflow dan Video Intelligence API
Apache Beam |
|
Menganonimkan (de-identifikasi) dan mengidentifikasi ulang data PII di pipeline analisis smart Anda |
Seri solusi ini menunjukkan cara menggunakan Dataflow, Sensitive Data Protection, BigQuery, dan Pub/Sub untuk melakukan de-identifikasi dan mengidentifikasi ulang informasi identitas pribadi (PII) dalam set data sampel. | Panduan referensi teknis: Kode contoh: Memigrasikan Data Sensitif di BigQuery Menggunakan Dataflow dan Cloud Data Loss Prevention |
Perkiraan prediktif
| Solusi | Deskripsi | Produk | Link |
|---|---|---|---|
Membangun model perkiraan permintaan |
Pelajari cara membangun model deret waktu yang dapat Anda gunakan untuk memperkirakan permintaan retail untuk beberapa produk. |
Postingan blog: Cara membangun model perkiraan permintaan dengan BigQuery ML Notebook: bqml_retail_demand_forecasting.ipynb |
|
Membuat aplikasi web perkiraan |
Pelajari cara membangun aplikasi web yang memanfaatkan beberapa model perkiraan, termasuk perkiraan BigQuery dan Vertex AI, untuk memprediksi penjualan produk. Pengguna nonteknis dapat menggunakan aplikasi web ini untuk menghasilkan perkiraan dan mempelajari efek berbagai parameter. |
Kode contoh: Perkiraan deret waktu Contoh aplikasi web: Demo langsung perkiraan deret waktu |
|
Membangun audiens baru berdasarkan nilai umur pelanggan saat ini |
Pelajari cara mengidentifikasi pelanggan yang paling bernilai saat ini dan memanfaatkannya untuk mengembangkan audiens serupa di Google Ads. |
Panduan referensi teknis: Membangun audiens baru berdasarkan nilai umur pelanggan lama Kode contoh: Mengaktifkan di prediksi LTV |
|
Perkiraan dari Google Spreadsheet menggunakan BigQuery ML |
Pelajari cara mengoperasionalkan machine learning dengan proses bisnis dengan menggabungkan Sheet yang Terhubung dengan model perkiraan di BigQuery ML. Dalam contoh khusus ini, kami akan memandu proses pembuatan model perkiraan untuk traffic situs menggunakan data Google Analytics. Pola ini dapat diperluas agar berfungsi dengan jenis data lain dan model machine learning lainnya. |
Postingan blog: Cara menggunakan model machine learning dari Google Spreadsheet menggunakan BigQuery ML Kode contoh: Perkiraan ML BigQuery dengan Spreadsheet Template: Perkiraan ML BigQuery dengan Spreadsheet |
|
Pemodelan kecenderungan untuk aplikasi game |
Pelajari cara menggunakan BigQuery ML untuk melatih, mengevaluasi, dan mendapatkan prediksi dari beberapa jenis model kecenderungan. Model kecenderungan dapat membantu Anda menentukan kemungkinan pengguna tertentu kembali ke aplikasi Anda, sehingga Anda dapat menggunakan informasi tersebut dalam keputusan pemasaran. |
Postingan blog: Prediksi churn untuk developer game yang menggunakan Google Analytics 4 dan BigQuery ML Notebook: Prediksi churn untuk developer game yang menggunakan Google Analytics 4 dan BigQuery ML Ringkasan teknis: Pemodelan kecenderungan untuk aplikasi game |
|
Merekomendasikan produk investasi yang dipersonalisasi |
Pelajari cara memberikan rekomendasi investasi yang dipersonalisasi, dengan menyerap, memproses, dan meningkatkan data pasar dari API publik menggunakan Cloud Functions, memuat data di BigQuery dengan Dataflow, lalu melatih dan men-deploy beberapa model AutoML Tables dengan Vertex AI, mengorkestrasi pipeline ini dengan Cloud Composer, dan men-deploy frontend web dasar untuk merekomendasikan investasi kepada pengguna. |
Postingan blog: Mendukung aplikasi keuangan konsumen dengan rekomendasi investasi yang sangat dipersonalisasi menggunakan Vertex AI Panduan referensi teknis: Solusi teknis yang menghasilkan rekomendasi investasi yang sangat dipersonalisasi menggunakan ML Kode contoh: Pola desain FSI untuk Mesin Rekomendasi Produk Investasi (IPRE) |
Menangani data lake
| Solusi | Deskripsi | Produk | Links |
|---|---|---|---|
Membangun pipeline CI/CD untuk layanan pemrosesan data serverless di data lake |
Pelajari cara menyiapkan continuous integration dan continuous delivery (CI/CD) untuk pipeline pemrosesan data lake. Implementasikan metode CI/CD dengan Terraform, GitHub, dan Cloud Build, menggunakan metodologi GitOps yang populer. |
Ringkasan teknis: Membangun pipeline CI/CD untuk layanan pemrosesan data serverless di data lake |
|
Kontrol akses yang mendetail untuk data yang disimpan di penyimpanan objek |
Pelajari cara menggunakan BigLake untuk menerapkan izin terperinci (keamanan tingkat baris dan kolom) pada file yang disimpan di penyimpanan objek. Tunjukkan bahwa keamanan tersebut mencakup layanan lain, seperti Spark yang dijalankan di Dataproc. |
Kode contoh: Kontrol akses terperinci di BigLake dengan Spark |