Nesta página, fornecemos links para códigos de amostra e guias de referência técnica para casos de uso comuns de análise. Use esses recursos para aprender, identificar práticas recomendadas e aproveitar o código de amostra para criar os recursos de análise necessários.
Os padrões de referência listados aqui são orientados por código e destinados a agilizar a implementação. Para ver uma variedade maior de soluções de análise, consulte a lista de guias de referência técnica de Big Data.
Detecção de anomalias
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Como criar um aplicativo de detecção de anomalias de rede de telecomunicações usando o clustering k-means |
Nesta solução, mostramos como criar um aplicativo de detecção de anomalias de rede baseado em ML para redes de telecomunicações e identificação de ameaças de segurança cibernética usando o Dataflow, BigQuery ML e Cloud Data Loss Prevention. |
Guia técnico de referência: Como criar uma solução segura de detecção de anomalias usando Dataflow, BigQuery ML e Cloud Data Loss Prevention Código de amostra: detecção de anomalias em registros do Netflow Postagem do blog: detecção de anomalias usando análise de streaming e IA Vídeo com a visão geral sobre: como criar uma solução de detecção de anomalias segura |
|
Como encontrar anomalias em transações financeiras em tempo real usando o BoostedTrees |
Use esta implementação de referência para saber como identificar transações fraudulentas usando um modelo de árvore otimizada do TensorFlow com o Dataflow e AI Platform. |
Guia de referência técnica: Como detectar anomalias em transações financeiras usando o AI Platform, o Dataflow e o BigQuery Código de amostra: detecção de anomalias em transações financeiras |
|
Como encontrar anomalias em dados de série temporal usando um codificador automático LSTM |
Use esta implementação de referência para saber como processar previamente dados de série temporal para preencher as lacunas nos dados de origem e, em seguida, executar os dados por meio de um codificador automático LSTM para identificar anomalias. O codificador automático é criado como um modelo Keras que implementa uma rede neural LSTM. |
Código de amostra: como processar dados de série temporal |
|
Detecção de fraude em cartão de crédito em tempo real |
Saiba como usar dados de transações e do cliente para treinar modelos de machine learning no BigQuery ML que podem ser usados em um pipeline de dados em tempo real para identificar, analisar e acionar alertas de potencial fraude de cartão de crédito. |
Exemplo de código: Detecção de fraude em cartão de crédito em tempo real Postagem técnica do blog: Como criar uma solução de detecção de fraudes em cartão de crédito em tempo real sem servidor Vídeo de visão geral: Como criar uma solução de detecção de fraude em cartão de crédito em tempo real sem servidor Webinário: Detecção de fraude em cartão de crédito |
Monetização de dados
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Como listar dados para venda no Google Cloud Marketplace usando o Datashare Toolkit |
Saiba como trocar e gerar receita com dados de mercado históricos e em tempo real com segurança e facilidade. Essa solução de referência funciona para editores de dados de mercado, agregadores e consumidores. |
Visão geral técnica: arquivo readme do Datashare Toolkit (em inglês) Exemplo de código: Datashare Toolkit (em inglês) Vídeo de visão geral: visão geral do Datashare (em inglês) Implantação (conta do Google Cloud necessária): VMs do Datashare |
Análise geral
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Como criar um painel de análise de sites em tempo real |
Saiba como criar um painel que forneça métricas em tempo real e que você possa usar para entender o desempenho de incentivos ou testes no seu site. |
Código de amostra: análise em tempo real usando Dataflow e Memorystore Vídeo de visão geral: Avanço de nível, análise em tempo real usando Dataflow e Memorystore |
|
Como criar um pipeline para transcrever e analisar arquivos de voz |
Saiba como transcrever e analisar arquivos de voz enviados e salvar esses dados no BigQuery para uso em visualizações. |
Código de amostra: framework de análise de voz |
|
Como construir um armazenamento de dados para gerenciamento de experiência |
Saiba como transformar os dados da pesquisa em formatos que podem ser usados em um armazenamento de dados e para análises mais profundas. Esse padrão se aplica às experiências do cliente e do funcionário, além de outros casos de uso focados na experiência. |
Guia de referência técnica: Como gerar insights com formulários em um armazenamento de dados de pesquisas (em inglês) Exemplo de código: Como transformar e carregar dados de pesquisas no BigQuery usando o Dataprep by Trifacta (em inglês) Postagem do blog: Como criar um armazenamento de dados para gerenciamento de experiência (XM, na sigla em inglês) com respostas de pesquisas (em inglês) Vídeo de visão geral: Como criar um armazenamento de dados para gerenciamento de experiência com respostas de pesquisas (em inglês) Tutorial: Transformar e carregar respostas de formulários de pesquisa no BigQuery (em inglês) Experiência de demonstração: Pesquisa de mercado do Cloud (em inglês) |
|
Legendagem de clipes de mídia em tempo real |
Saiba como criar legendas WebVTT em tempo real para clipes de áudio ou vídeo usando a API Speech-to-Text em um pipeline do Dataflow. |
Guia técnico de referência: Como legendar clipes de mídia em tempo real usando Dataflow, Pub/Sub e a API Speech-to-Text Exemplo de código: Legenda automática WebVTT da API Streaming Speech-to-Text usando o Dataflow |
Análise de registros
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Como criar um pipeline para capturar interações do Dialogflow |
Saiba como criar um pipeline para capturar e armazenar interações do Dialogflow para análise posterior. |
Código de amostra: analisador de registros do Dialogflow |
|
Como processar registros em escala usando o Dataflow |
Aprenda a criar pipelines analíticos que processam entradas de registro de várias fontes e combine os dados de registro usando maneiras que ajudem a extrair informação significativa. |
Guia de referência técnica: Como processar registros em escala usando o Dataflow Exemplo de código: Como processar registros em escala usando o Dataflow |
Reconhecimento de padrões
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Como detectar objetos em trechos de vídeo |
Nesta solução, mostramos como criar uma solução de análise de trechos de vídeo em tempo real para rastreamento de objetos usando o Dataflow e a API Video Intelligence. Isso permitirá a você analisar grandes volumes de dados não estruturados quase em tempo real. |
Código de amostra: solução de análise de vídeo usando o Dataflow e a API Video Intelligence
|
|
Como processar conteúdo gerado pelo usuário usando a API Video Intelligence e a API Cloud Vision |
Neste conjunto de soluções, descrevemos a arquitetura de implantação de um sistema escalonável para filtrar envios de imagens e vídeos usando a API Cloud Vision e a API Video Intelligence. | Arquitetura: como processar conteúdo gerado pelo usuário usando a API Video Intelligence e a API Cloud Vision Tutorial: como processar conteúdo gerado pelo usuário usando a API Video Intelligence e a API Cloud Vision Código de amostra: como processar conteúdo gerado pelo usuário usando a API Video Intelligence e a API Cloud Vision
|
|
Anonimizar (desidentificar) e reidentificar dados de PII no pipeline de análise inteligente |
Neste conjunto de soluções, mostramos como usar o Dataflow, o Cloud Data Loss Prevention, o BigQuery e o Pub/Sub para desidentificar e reidentificar informações de identificação pessoal (PII) em um conjunto de dados de amostra. | Guias de referência técnica:
Código de amostra: migrar dados confidenciais no BigQuery usando o Dataflow e o Cloud Data Loss Prevention |
Previsão preditiva
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Como criar um modelo de previsão de demanda |
Aprenda a criar um modelo de série temporal que possa ser usado para prever a demanda de varejo de vários produtos. |
Postagem do blog: Como criar modelos de previsão de demanda com o BigQuery ML Notebook: bqml_retail_demand_forecasting.ipynb |
|
Como criar um sistema de recomendação de comércio eletrônico |
Saiba como criar um sistema de recomendações usando o BigQuery ML para gerar recomendações de produtos ou serviços com base nos dados do cliente disponíveis no BigQuery. Em seguida, saiba como disponibilizar esses dados para outros sistemas de produção exportando-os para o Google Analytics 360 ou o Cloud Storage ou fazendo a leitura de maneira programada na tabela do BigQuery. |
Guia técnico de referência: como criar um sistema de recomendações de comércio eletrônico usando o BigQuery ML Notebook: bqml_retail_recommendation_system.ipynb |
|
Como criar um modelo de clustering k-means para segmentação de mercado |
Saiba como segmentar dados de público do Google Analytics 360 com fins de marketing criando clusters k-means com o BigQuery ML. |
Guia técnico de referência: Como criar um modelo de clustering k-means para segmentação de mercado usando o BigQuery ML Notebook: Como criar modelos de clustering k-means para segmentação de mercado usando o BigQuery ML |
|
Como criar um modelo de propensão para serviços financeiros no Google Cloud |
Nesta solução, mostramos como explorar dados e criar um modelo de machine learning (ML) do scikit-learn no Google Cloud. O caso de uso desta solução é um modelo preditivo de propensão a comprar voltado para serviços financeiros. Os modelos de propensão têm sido usados amplamente no setor financeiro para analisar a tendência de um cliente em potencial de fazer uma compra, mas as práticas recomendadas descritas nesta solução podem ser aplicadas a uma ampla variedade de casos de uso de ML. |
Guia de referência técnica: como construir um modelo de propensão para serviços financeiros no Google Cloud Código de amostra: serviços profissionais |
|
Como criar uma solução de propensão de compra |
Saiba como criar e implantar um modelo de propensão de compra, usá-lo para receber previsões sobre o comportamento de compra do cliente e, em seguida, criar um pipeline para automatizar o fluxo de trabalho. |
Guia de referência técnica: como prever a propensão do cliente à compra usando o BigQuery ML e o AI Platform Exemplo de código: como criar uma solução ponta a ponta de propensão de compra usando o BigQuery ML e os pipelines do Kubeflow Postagem do blog: Como criar uma solução ponta a ponta de propensão de compra usando o BigQuery ML e os pipelines do Kubeflow |
|
Criar novos públicos-alvo com base no valor atual da vida útil do cliente |
Saiba como identificar seus clientes mais valiosos, atualmente, e usá-los para desenvolver público-alvo semelhante no Google Ads. |
Guia de referência técnica: Como criar novos públicos-alvo com base no valor de vida útil do cliente existente Exemplo de código: Ativar previsões de LTV |
|
Como criar um modelo de previsão de demanda de série temporal |
Aprenda a criar uma solução completa para prever a demanda de produtos de varejo. Use dados de vendas históricos para treinar um modelo de previsão de demanda usando o BigQuery ML e visualize os valores previstos em um painel. |
Exemplo de código: Como criar um modelo de previsão de demanda de série temporal usando o BigQuery ML |
|
Como criar e exibir embeddings para recomendações em tempo quase real |
Saiba como criar e disponibilizar embeddings para fazer recomendações de itens semelhantes em tempo real. Use o BigQuery ML para criar um modelo de fatoração de matrizes para prever os embeddings e o framework de código aberto ScaNN para criar um distintivo mais próximo, e implante o modelo no AI Platform Prediction para correspondência de itens semelhantes em tempo real. |
Guia de referência técnica: Arquitetura de um sistema de machine learning para correspondência de itens Exemplo de código: recomendação de matriz de ML do BigQuery para itens em tempo real e ScaNN |
|
Previsão do Planilhas usando o BigQuery ML |
Saiba como operacionalizar o machine learning com seus processos de negócios combinando Planilhas conectadas com um modelo de previsão no BigQuery ML. Neste exemplo específico, analisaremos o processo de criação de um modelo de previsão para o tráfego do site usando dados do Google Analytics. Esse padrão pode ser estendido para trabalhar com outros tipos de dados e outros modelos de machine learning. |
Postagem do blog: Como usar um modelo de machine learning do Planilhas com o BigQuery ML Exemplo de código: Previsões do BigQuery ML com o Planilhas |
|
Prever falhas físicas usando um pipeline de análise de visão |
Nesta solução, você aprende a criar um pipeline do Dataflow para receber insights de arquivos de imagem em larga escala armazenados em um bucket do Cloud Storage. A inspeção visual automatizada pode ajudar a alcançar metas de fabricação, como a melhoria dos processos de controle de qualidade ou o monitoramento da segurança do trabalhador e, ao mesmo tempo, reduzir custos. |
Código de amostra: solução do Vision Analytics usando o Dataflow e a API Cloud Vision |
|
Como prever o valor da vida útil do cliente |
Nesta série, mostramos como prever o valor de vida útil do cliente (CLV, na sigla em inglês) usando o AI Platform e o BigQuery. |
Guias de referência técnica:
Código de amostra: previsão do valor de vida útil do cliente no Google Cloud |
|
Modelos de propensão para aplicativos de jogos |
Aprenda a usar o BigQuery ML para treinar, avaliar e receber previsões de vários tipos diferentes de modelos de propensão. Eles ajudam a determinar a probabilidade de usuários específicos voltarem ao seu app. Assim, você poderá usar essas informações em decisões de marketing. |
Postagem do blog: Previsão de desligamento de usuários para desenvolvedores de jogos que usam o Google Analytics 4 e o BigQuery ML (em inglês) Notebook: Previsão de desligamento de usuários para desenvolvedores de jogos que usam o Google Analytics 4 e o BigQuery ML (em inglês) Visão geral técnica: modelo de propensão para aplicativos de jogos (em inglês) |
Análise da sequência de cliques em tempo real
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Aplicativo de amostra de comércio eletrônico com análise de streaming e IA em tempo real |
O aplicativo de amostra de comércio eletrônico ilustra casos de uso comuns e práticas recomendadas para implementar análises de dados de streaming e IA em tempo real. Use-o para saber como responder dinamicamente às ações dos clientes analisando e respondendo a eventos em tempo real e também como armazenar, analisar e visualizar esses dados de eventos para insights de longo prazo. |
Visão geral técnica: aplicativo de amostra de comércio eletrônico usando análise de streaming e IA em tempo real Exemplo de código: aplicativo de amostra de comércio eletrônico para Java Demonstração interativa: explore a análise de stream do Google Vídeo de visão geral: ativar experiências da Web em tempo real com a análise de stream |
Análise de séries temporais
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Como processar dados de série temporal de streaming |
Saiba mais sobre os principais desafios do processamento de dados de série temporal de streaming ao usar o Apache Beam e veja como a solução Timeseries Streaming aborda esses desafios. |
Visão geral técnica: Como processar dados de série temporal de streaming: visão geral Tutorial: Como processar dados de série temporal de streaming: tutorial Exemplo de código: Streaming de séries temporais |
Como trabalhar com data lakes
| Solução | Descrição | Produtos | Links |
|---|---|---|---|
Como criar pipelines de CI/CD para serviços de processamento de dados sem servidor de um data lake |
Saiba como configurar a integração contínua e a entrega contínua (CI/CD) para os pipelines de processamento de dados de um data lake. Implemente métodos de CI/CD com o Terraform, o GitHub e o Cloud Build usando a conhecida metodologia GitOps. |
Visão geral técnica: Como criar pipelines de CI/CD para serviços de processamento de dados sem servidor de um data lake |