Google 애널리틱스 데이터에서 단일 시계열 예측

이 가이드에서는 google_analytics_sample.ga_sessions 샘플 테이블을 사용하여 단일 시계열 예측을 수행하기 위해 시계열 모델을 만드는 방법을 알아봅니다.

ga_sessions 테이블에는 Google 애널리틱스 360에서 수집하여 BigQuery로 전송된 세션 데이터 슬라이스의 정보가 포함되어 있습니다.

목표

이 가이드에서는 다음을 사용합니다.

  • CREATE MODEL 문: 시계열 모델을 만듭니다.
  • ML.ARIMA_EVALUATE 함수: 모델을 평가합니다.
  • ML.ARIMA_COEFFICIENTS 함수: 모델 계수를 검사합니다.
  • ML.FORECAST 함수: 일별 총 방문수를 예측합니다.
  • ML.EXPLAIN_FORECAST 함수: 예측 결과를 설명하는 데 사용할 수 있는 시계열의 다양한 구성요소(예: 계절성 및 트렌드)를 검색합니다.
  • Google 데이터 스튜디오: 예측 결과를 시각화합니다.

비용

이 가이드에서는 비용이 청구될 수 있는 다음과 같은 Google Cloud 구성요소를 사용합니다.

  • BigQuery
  • BigQuery ML

BigQuery 비용에 대한 자세한 내용은 BigQuery 가격 책정 페이지를 참조하세요.

BigQuery ML 비용에 대한 자세한 내용은 BigQuery ML 가격 책정 페이지를 참조하세요.

시작하기 전에

  1. Google Cloud 계정에 로그인합니다. Google Cloud를 처음 사용하는 경우 계정을 만들고 Google 제품의 실제 성능을 평가해 보세요. 신규 고객에게는 워크로드를 실행, 테스트, 배포하는 데 사용할 수 있는 $300의 무료 크레딧이 제공됩니다.
  2. Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.

    프로젝트 선택기로 이동

  3. Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다. 프로젝트에 결제가 사용 설정되어 있는지 확인하는 방법을 알아보세요.

  4. BigQuery는 새 프로젝트에서 자동으로 사용 설정됩니다. 기존 프로젝트에서 BigQuery를 활성화하려면 다음으로 이동합니다. BigQuery API를 사용 설정합니다.

    API 사용 설정

1단계: 데이터 세트 만들기

첫 번째 단계는 ML 모델을 저장할 BigQuery 데이터 세트를 만드는 것입니다. 데이터 세트를 만들려면 다음 안내를 따르세요.

  1. Cloud Console에서 BigQuery 페이지로 이동합니다.

    BigQuery 페이지로 이동

  2. 리소스 섹션에서 프로젝트 이름을 클릭합니다.

  3. 세부정보 패널에서 데이터 세트 만들기를 클릭합니다.

    데이터 세트 만들기

  4. 데이터 세트 만들기 페이지에서 다음을 수행합니다.

    • 데이터 세트 IDbqml_tutorial을 입력합니다.
    • 데이터 위치미국(US)을 선택합니다. 현재 공개 데이터 세트는 US 멀티 리전 위치에 저장됩니다. 여기에서는 편의상 같은 위치에 데이터 세트를 배치합니다.

      데이터 세트 만들기 페이지

  5. 다른 모든 기본 설정을 그대로 놔두고 데이터 세트 만들기를 클릭합니다.

(선택사항) 2단계: 예측하려는 시계열 시각화

모델을 만들기 전에 입력 시계열의 모양을 확인하는 것이 좋습니다. 이를 위해서는 Google 데이터 스튜디오를 사용하면 됩니다.

다음 표준 SQL 쿼리에서 FROM bigquery-public-data.google_analytics_sample.ga_sessions_* 절은 google_analytics_sample 데이터 세트에서 ga_sessions_* 테이블을 쿼리한다는 것을 나타냅니다. 이러한 테이블은 파티션을 나눈 테이블입니다.

SELECT 문에서 쿼리는 입력 테이블에서 TIMESTAMP 유형으로 date 열을 파싱하고 이름을 parsed_date로 바꿉니다. 이 쿼리는 SUM(...) 절 및 GROUP BY date 절을 사용하여 일별 기준으로 totals.visits를 누적합니다.

#standardSQL
SELECT
  PARSE_TIMESTAMP("%Y%m%d", date) AS parsed_date,
  SUM(totals.visits) AS total_visits
FROM
  `bigquery-public-data.google_analytics_sample.ga_sessions_*`
GROUP BY date

쿼리를 실행하려면 다음 단계를 따르세요.

  1. Cloud Console에서 새 쿼리 작성 버튼을 클릭합니다.

  2. 쿼리 편집기 텍스트 영역에 다음 표준 SQL 쿼리를 입력합니다.

    #standardSQL
    SELECT
     PARSE_TIMESTAMP("%Y%m%d", date) AS parsed_date,
     SUM(totals.visits) AS total_visits
    FROM
     `bigquery-public-data.google_analytics_sample.ga_sessions_*`
    GROUP BY date
    
  3. 실행을 클릭합니다.

    쿼리가 완료되려면 약 7초 정도 걸립니다. 쿼리가 실행된 다음 출력은 다음 스크린샷과 비슷합니다. 스크린샷에서는 이 시계열에 데이터 포인트가 366개 있는 것을 확인할 수 있습니다. 데이터 탐색 버튼을 클릭한 후 데이터 스튜디오로 탐색을 클릭합니다. Google 데이터 스튜디오가 새 탭에 열립니다. 새 탭에서 다음 단계를 완료합니다.

    쿼리 출력

    차트 패널에서 시계열 차트를 선택합니다.

    Time_series_chart

    차트 패널 아래의 데이터 패널에서 측정항목 섹션으로 이동합니다. total_visits 필드를 추가하고 기본 측정항목 레코드 수를 삭제합니다. 다음 그림을 참조하세요.

    Time_series_data_fields

    이 단계를 완료하면 다음 그래프가 표시됩니다. 이 그래프는 입력 시계열에 주별 계절성 패턴이 포함된 것을 보여줍니다.

    Result_visualization

3단계: 시계열 모델 만들기

다음으로 Google 애널리틱스 360 데이터를 사용하여 시계열 모델을 만듭니다. 다음 표준 SQL 쿼리는 totals.visits를 예측하는 데 사용되는 모델을 만듭니다.

CREATE MODEL 절은 bqml_tutorial.ga_arima_model이라는 모델을 만들고 학습시킵니다.

#standardSQL
CREATE OR REPLACE MODEL bqml_tutorial.ga_arima_model
OPTIONS
  (model_type = 'ARIMA_PLUS',
   time_series_timestamp_col = 'parsed_date',
   time_series_data_col = 'total_visits',
   auto_arima = TRUE,
   data_frequency = 'AUTO_FREQUENCY',
   decompose_time_series = TRUE
  ) AS
SELECT
  PARSE_TIMESTAMP("%Y%m%d", date) AS parsed_date,
  SUM(totals.visits) AS total_visits
FROM
  `bigquery-public-data.google_analytics_sample.ga_sessions_*`
GROUP BY date

OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) 절은 ARIMA 기반 시계열 모델을 만들고 있음을 나타냅니다. 기본적으로 auto_arima=TRUE이므로 auto.ARIMA 알고리즘이 ARIMA_PLUS 모델에서 초매개변수를 자동으로 조정합니다. 이 알고리즘은 후보 모델 십여 개를 접합하고 Akaike 정보 기준(AIC)가 가장 낮은 최적 후보를 선택합니다. 또한 기본값이 data_frequency='AUTO_FREQUENCY'이므로 학습 프로세스가 입력 시계열의 데이터 빈도를 자동으로 추론합니다. 마지막으로 CREATE MODEL 문은 기본적으로 decompose_time_series=TRUE를 사용하며 사용자는 계절성 및 휴일 효과와 같은 개별 시계열 구성요소를 가져와 시계열이 예측되는 방식을 더 자세히 이해할 수 있습니다.

CREATE MODEL 쿼리를 실행하여 모델을 만들고 학습시킵니다.

  1. Cloud Console에서 새 쿼리 작성 버튼을 클릭합니다.

  2. 쿼리 편집기 텍스트 영역에 다음 표준 SQL 쿼리를 입력합니다.

    #standardSQL
    CREATE OR REPLACE MODEL bqml_tutorial.ga_arima_model
    OPTIONS
     (model_type = 'ARIMA_PLUS',
      time_series_timestamp_col = 'parsed_date',
      time_series_data_col = 'total_visits',
      auto_arima = TRUE,
      data_frequency = 'AUTO_FREQUENCY',
      decompose_time_series = TRUE
    ) AS
    SELECT
     PARSE_TIMESTAMP("%Y%m%d", date) AS parsed_date,
     SUM(totals.visits) AS total_visits
    FROM
     `bigquery-public-data.google_analytics_sample.ga_sessions_*`
    GROUP BY date
    
  3. 실행을 클릭합니다.

    이 쿼리는 완료하는 데 약 43초가 소요되며 이후에는 모델(ga_arima_model)이 탐색 패널에 표시됩니다. 이 쿼리에서는 CREATE MODEL 문을 사용하여 모델을 만들므로 쿼리 결과가 표시되지 않습니다.

4단계: 모든 평가된 모델의 평가 측정항목 검사

모델을 만든 후에는 ML.ARIMA_EVALUATE 함수를 사용하여 자동 초매개변수 조정 과정 중에 평가된 모든 후보 모델의 평가 측정항목을 확인할 수 있습니다.

다음 표준 SQL 쿼리에서 FROM 절은 bqml_tutorial.ga_arima_model 모델에 대해 ML.ARIMA_EVALUATE 함수를 사용합니다. 기본적으로 이 쿼리는 모든 후보 모델의 평가 측정항목을 반환합니다.

ML.ARIMA_EVALUATE 쿼리를 실행하려면 다음 단계를 수행합니다.

  1. Cloud Console에서 새 쿼리 작성 버튼을 클릭합니다.

  2. 쿼리 편집기 텍스트 영역에 다음 표준 SQL 쿼리를 입력합니다.

    #standardSQL
    SELECT
     *
    FROM
     ML.ARIMA_EVALUATE(MODEL bqml_tutorial.ga_arima_model)
    
  3. 실행을 클릭합니다.

  4. 이 쿼리는 완료되는 데 1초도 걸리지 않습니다. 쿼리가 완료되면 쿼리 텍스트 영역 아래의 결과 탭을 클릭합니다. 결과는 다음 스크린샷과 비슷하게 표시됩니다.

    ML.ARIMA_EVALUATE output.

    결과에 다음 열이 포함됩니다.

    • non_seasonal_p
    • non_seasonal_d
    • non_seasonal_q
    • has_drift
    • log_likelihood
    • AIC
    • variance
    • seasonal_periods
    • has_holiday_effect
    • has_spikes_and_dips
    • has_step_changes
    • error_message

    다음 열 4개(non_seasonal_{p,d,q}has_drift)는 학습 파이프라인에서 ARIMA 모델을 정의합니다. 그 다음 측정항목 3개(log_likelihood, AIC, variance)는 ARIMA 모델 접합 프로세스와 관련된 측정항목입니다.

    auto.ARIMA 알고리즘은 먼저 KPSS 테스트를 사용하여 non_seasonal_d의 최적 값이 1인지 확인합니다. non_seasonal_d가 1이면 auto.ARIMA가 42개의 서로 다른 후보 ARIMA 모델을 병렬로 학습시킵니다. non_seasonal_d가 1이 아니면 auto.ARIMA가 21개의 서로 다른 후보 모델을 학습시킵니다. 이 예시에서는 42개 후보 모델이 모두 유효합니다. 따라서 출력에 42개 행이 포함되고, 각 행은 후보 ARIMA 모델과 연결되어 있습니다. 일부 시계열의 경우에는 반대로 적용할 수 없거나 비고정적이기 때문에 일부 후보 모델이 유효하지 않습니다. 이렇게 유효하지 않은 모델이 출력에서 제외되어, 출력에 42개 미만의 행이 포함됩니다. 이러한 후보 모델은 AIC에 따라 오름차순으로 정렬됩니다. 첫 번째 행의 모델은 AIC가 가장 낮으며 최적 모델로 간주됩니다. 이 최적 모델은 최종 모델로 저장되며 다음 단계와 같이 ML.EXPLAIN_FORECAST, ML.FORECAST, ML.ARIMA_COEFFICIENTS를 호출할 때 사용됩니다.

    seasonal_periods 열은 입력 시계열 내 계절 패턴 정보입니다. 이 열은 ARIMA 모델링과 관계가 없으므로 모든 출력 행에서 동일한 값을 갖습니다. 위 2단계에 설명한 것처럼 예상 범위 내에 있는 주별 패턴을 보고합니다.

    has_holiday_effect, has_spikes_and_dips, has_step_changes 열은 decompose_time_series=TRUE인 경우에만 채워집니다. 이는 ARIMA 모델링과 관련 없는 입력 시계열 내 휴일 효과, 급증, 하락, 단계 변화와 관련됩니다. 따라서 실패한 모델을 제외하고 모든 출력 행에서 동일한 값을 갖습니다.

    error_message 열에서는 auto.ARIMA 접합 프로세스 중에 발생할 수 있는 오류를 보여줍니다. 선택한 non_seasonal_p, non_seasonal_d, non_seasonal_q, has_drift 열에서 시계열을 안정화하지 못하는 것이 원인일 수도 있습니다. 모든 후보 모델의 가능한 오류 메시지를 검색하려면 show_all_candidate_models=true를 설정합니다.

5단계: 모델 계수 검사

ML.ARIMA_COEFFICIENTS 함수는 ARIMA_PLUS 모델 bqml_tutorial.ga_arima_model의 모델 계수를 검색합니다. ML.ARIMA_COEFFICIENTS는 모델만 입력으로 사용합니다.

ML.ARIMA_COEFFICIENTS 쿼리 실행:

  1. Cloud Console에서 새 쿼리 작성 버튼을 클릭합니다.

  2. 쿼리 편집기 텍스트 영역에 다음 표준 SQL 쿼리를 입력합니다.

    #standardSQL
    SELECT
     *
    FROM
     ML.ARIMA_COEFFICIENTS(MODEL bqml_tutorial.ga_arima_model)
    
  3. 실행을 클릭합니다.

    이 쿼리는 완료되는 데 1초도 걸리지 않습니다. 다음과 같은 결과가 표시됩니다.

    ML.ARIMA_COEFFICIENTS 출력.

    결과에 다음 열이 포함됩니다.

    • ar_coefficients
    • ma_coefficients
    • intercept_or_drift

    ar_coefficients는 ARIMA 모델의 자동 회귀(AR) 부분의 모델 계수를 보여줍니다. 이와 비슷하게 ma_coefficients는 이동 평균(MA) 부분의 모델 계수를 보여줍니다. 두 가지 모두 길이가 각각 non_seasonal_pnon_seasonal_q에 해당하는 배열입니다. ML.EVALUATE ML.ARIMA_EVALUATE 출력에서 최상위 행에 표시되는 최적 모델은 non_seasonal_p 2 및 non_seasonal_q 3을 포함합니다. 따라서 ar_coefficients는 길이가 2인 배열이고 ma_coefficients는 길이가 3인 배열입니다. intercept_or_drift는 ARIMA 모델의 상수 항입니다.

6단계: 모델을 사용하여 시계열 예측

ML.FORECAST 함수는 bqml_tutorial.ga_arima_model 모델을 사용해서 예측 구간과 함께 미래 시계열 값을 예측합니다.

다음 표준 SQL 쿼리에서 STRUCT(30 AS horizon, 0.8 AS confidence_level) 절은 쿼리가 30개의 미래 시점을 예측하고 80% 신뢰 수준의 예측 구간을 생성함을 나타냅니다. ML.FORECAST는 모델 외에도 몇 가지 선택적인 인수를 사용합니다.

ML.FORECAST 쿼리를 실행하려면 다음 단계를 따르세요.

  1. Cloud Console에서 새 쿼리 작성 버튼을 클릭합니다.

  2. 쿼리 편집기 텍스트 영역에 다음 표준 SQL 쿼리를 입력합니다.

    #standardSQL
    SELECT
     *
    FROM
     ML.FORECAST(MODEL bqml_tutorial.ga_arima_model,
                 STRUCT(30 AS horizon, 0.8 AS confidence_level))
    
  3. 실행을 클릭합니다.

    이 쿼리는 완료되는 데 1초도 걸리지 않습니다. 다음과 같은 결과가 표시됩니다.

    ML.FORECAST 출력.

    결과에 다음 열이 포함됩니다.

    • forecast_timestamp
    • forecast_value
    • standard_error
    • confidence_level
    • prediction_interval_lower_bound
    • prediction_interval_upper_bound
    • confidence_interval_lower_bound(지원 중단 예정)
    • confidence_interval_upper_bound(지원 중단 예정)

    출력 행은 forecast_timestamp의 시간 순서로 정렬됩니다. 시계열 예측에서 하한 및 상한으로 캡처되는 예측 구간은 forecast_value만큼 중요합니다. forecast_value는 예측 구간의 중간 포인트입니다. 예측 구간은 standard_errorconfidence_level에 따라 달라집니다.

7단계: 예측 결과 설명 및 시각화

시계열이 예측되는 방식을 이해하고 기록 시계열과 모든 별개 구성요소와 함께 예측된 시계열을 시각화하기 위해 ML.EXPLAIN_FORECAST 함수는 모델 bqml_tutorial.ga_arima_model을 사용하여 예측 구간과 함께 미래 시계열 값을 예측하며 동시에 시계열의 모든 개별 구성요소를 반환합니다.

ML.FORECAST 함수와 마찬가지로 STRUCT(30 AS horizon, 0.8 AS confidence_level) 절은 쿼리가 미래 시점 30개를 예측하고 80% 신뢰도로 예측 구간을 생성함을 나타냅니다. ML.EXPLAIN_FORECAST 함수에서는 모델뿐만 아니라 몇 가지 선택적 인수를 사용합니다.

ML.EXPLAIN_FORECAST 쿼리를 실행하려면 다음 단계를 수행합니다.

  1. Cloud Console에서 새 쿼리 작성 버튼을 클릭합니다.

  2. 쿼리 편집기 텍스트 영역에 다음 표준 SQL 쿼리를 입력합니다.

    #standardSQL
    SELECT
     *
    FROM
     ML.EXPLAIN_FORECAST(MODEL bqml_tutorial.ga_arima_model,
                         STRUCT(30 AS horizon, 0.8 AS confidence_level))
    
  3. 실행을 클릭합니다.

    이 쿼리는 완료되는 데 1초도 걸리지 않습니다. 다음과 같은 결과가 표시됩니다.

    ML.EXPLAIN_FORECAST output1. ML.EXPLAIN_FORECAST output2.

    결과에 다음 열이 포함됩니다.

    • time_series_timestamp
    • time_series_type
    • time_series_data
    • time_series_adjusted_data
    • standard_error
    • confidence_level
    • prediction_interval_lower_bound
    • prediction_interval_lower_bound
    • trend
    • seasonal_period_yearly
    • seasonal_period_quarterly
    • seasonal_period_monthly
    • seasonal_period_weekly
    • seasonal_period_daily
    • holiday_effect
    • spikes_and_dips
    • step_changes

    출력 행은 time_series_timestamp의 시간 순서로 정렬됩니다. 서로 다른 구성요소는 출력 열로 나열됩니다. 자세한 내용은 ML.EXPLAIN_FORECAST 정의를 참조하세요.

  4. 쿼리가 완료되면 데이터 탐색 버튼을 클릭한 후 데이터 스튜디오로 탐색을 클릭합니다. Google 데이터 스튜디오가 새 탭에 열립니다.

    Union_all_query 출력

  5. 차트 패널에서 시계열 차트를 선택합니다.

    Time_series_chart

  6. 데이터 패널에서 다음을 수행합니다.

    1. 기간 측정기준 섹션에서 time_series_timestamp (Date)를 선택합니다.
    2. 측정기준 섹션에서 time_series_timestamp (Date)를 선택합니다.
    3. 측정항목 섹션에서 기본 측정항목 Record Count를 삭제하고 다음을 추가합니다.
      • time_series_data
      • prediction_interval_lower_bound
      • prediction_interval_upper_bound
      • trend
      • seasonal_period_weekly
      • step_changes

    Data_panel

  7. 스타일 패널에서 데이터 누락 옵션으로 스크롤하고 선을 0에 연결 대신 줄바꿈을 사용합니다.

    Style_section

    다음과 같은 플롯이 표시됩니다.

    Result_visualization

(선택사항) 8단계: decompose_time_series를 사용 설정하지 않고 예측 결과 시각화

ARIMA_PLUS 학습에서 decompose_time_series가 false로 설정되면 UNION ALL 절과 ML.FORECAST 함수를 사용하여 기록 시계열과 예측된 시계열을 연결할 수 있습니다.

다음 쿼리에서 UNION ALL 절 앞의 SQL은 기록 시계열을 형성합니다. UNION ALL 절 다음의 SQL은 ML.FORECAST 함수를 사용해서 예측된 시계열과 예측 구간을 생성합니다. 쿼리는 history_valueforecasted_value의 서로 다른 필드를 사용하여 다른 색으로 표시합니다.

쿼리를 실행하려면 다음 단계를 따르세요.

  1. Cloud Console에서 새 쿼리 작성 버튼을 클릭합니다.

  2. 쿼리 편집기 텍스트 영역에 다음 표준 SQL 쿼리를 입력합니다.

    #standardSQL
    SELECT
     history_timestamp AS timestamp,
     history_value,
     NULL AS forecast_value,
     NULL AS prediction_interval_lower_bound,
     NULL AS prediction_interval_upper_bound
    FROM
     (
       SELECT
         PARSE_TIMESTAMP("%Y%m%d", date) AS history_timestamp,
         SUM(totals.visits) AS history_value
       FROM
         `bigquery-public-data.google_analytics_sample.ga_sessions_*`
       GROUP BY date
       ORDER BY date ASC
     )
    UNION ALL
    SELECT
     forecast_timestamp AS timestamp,
     NULL AS history_value,
     forecast_value,
     prediction_interval_lower_bound,
     prediction_interval_upper_bound
    FROM
     ML.FORECAST(MODEL bqml_tutorial.ga_arima_model,
                 STRUCT(30 AS horizon, 0.8 AS confidence_level))
    
  3. 실행을 클릭합니다.

  4. 쿼리가 완료되면 데이터 탐색 버튼을 클릭한 후 데이터 스튜디오로 탐색을 클릭합니다. Google 데이터 스튜디오가 새 탭에 열립니다. 새 탭에서 다음 단계를 완료합니다.

    Union_all_query 출력

  5. 차트 패널에서 시계열 차트를 선택합니다.

    Time_series_chart

  6. 차트 패널 아래의 데이터 패널에서 측정항목 섹션으로 이동합니다. history_value, forecast_value, prediction_interval_lower_bound, prediction_interval_upper_bound 측정항목을 추가합니다. 그런 다음 기본 측정항목 Record Count를 삭제합니다.

    Data_section

  7. 스타일 패널에서 데이터 누락 옵션으로 스크롤하고 선을 0에 연결 대신 줄바꿈을 사용합니다.

    Style_section

    이 단계를 완료한 후에는 다음 그래프가 왼쪽 패널에 표시됩니다. 입력된 과거 시계열은 파란색으로 표시되고 예측된 시계열은 녹색으로 표시됩니다. 예측 구간은 하단 시계열과 상단 시계열 사이의 리전입니다.

    Result_visualization

삭제

이 가이드에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.

  • 만든 프로젝트를 삭제할 수 있습니다.
  • 또는 프로젝트를 유지하고 데이터 세트를 삭제할 수 있습니다.

데이터 세트 삭제

프로젝트를 삭제하면 프로젝트의 데이터 세트와 테이블이 모두 삭제됩니다. 프로젝트를 다시 사용하려면 이 가이드에서 만든 데이터 세트를 삭제할 수 있습니다.

  1. 필요한 경우 Cloud Console에서 BigQuery 페이지를 엽니다.

    BigQuery 페이지로 이동

  2. 앞서 만든 bqml_tutorial 데이터 세트를 탐색에서 선택합니다.

  3. 창의 오른쪽에 있는 데이터 세트 삭제를 클릭합니다. 데이터 세트, 테이블, 모든 데이터가 삭제됩니다.

  4. 데이터 세트 삭제 대화상자에서 데이터 세트 이름(bqml_tutorial)을 입력하여 삭제 명령어를 확인한 후 삭제를 클릭합니다.

프로젝트 삭제

프로젝트를 삭제하는 방법은 다음과 같습니다.

  1. Cloud Console에서 리소스 관리 페이지로 이동합니다.

    리소스 관리로 이동

  2. 프로젝트 목록에서 삭제할 프로젝트를 선택하고 삭제를 클릭합니다.
  3. 대화상자에서 프로젝트 ID를 입력한 후 종료를 클릭하여 프로젝트를 삭제합니다.

다음 단계