Referenzmuster

Auf dieser Seite finden Sie Links zu geschäftlichen Anwendungsfällen, Beispielcode und technischen Referenzleitfäden für BigQuery ML-Anwendungsfälle. Verwenden Sie diese Ressourcen, um Best Practices zu ermitteln und die Anwendungsentwicklung zu beschleunigen.

Regression und Klassifizierung

Diese Muster zeigen, wie Regressions- und Klassifizierungslösungen erstellt werden.

Neue Zielgruppen anhand des aktuellen Customer Lifetime Value erstellen

Sie erfahren, wie Sie Ihre wertvollsten aktuellen Kunden ermitteln und dann damit Ähnliche Zielgruppen in Google Ads entwickeln können.

Neigungsmodelle für Spieleanwendungen

In dieser Anleitung wird erklärt, wie Sie mit BigQuery ML verschiedene Arten von Neigungsmodellen trainieren, bewerten und daraus Vorhersagen abrufen. Mithilfe von Neigungsmodellen können Sie die Wahrscheinlichkeit bestimmen, mit der bestimmte Nutzer zu Ihrer App zurückkehren. Diese Informationen können Sie dann für Marketingentscheidungen verwenden.

Zeitachsenprognosen

Diese Muster zeigen, wie Zeitreihen-Prognoselösungen erstellt werden.

Modell für die Nachfrageprognose erstellen

Erfahren Sie, wie Sie ein Zeitachsenmodell erstellen, mit dem Sie die Einzelhandelsnachfrage für mehrere Produkte prognostizieren können.

Prognosen aus Google Sheets mithilfe von BigQuery ML erstellen

Erfahren Sie, wie Sie maschinelles Lernen mit Ihren Geschäftsprozessen operationalisieren, indem Sie Verbundene Tabellenblätter mit einem Prognosemodell in BigQuery ML kombinieren. In diesem speziellen Muster führen wir die Schritte zum Erstellen eines Prognosemodells für den Website-Traffic mit Google Analytics-Daten durch. Dieses Muster kann auf andere Datentypen und andere Modelle für maschinelles Lernen erweitert werden.

Anomalieerkennung

Diese Muster zeigen, wie Lösungen für die Anomalieerkennung erstellt werden.

Echtzeiterkennung von Kreditkartenbetrug

Erfahren Sie, wie Sie mithilfe von Transaktionen und Kundendaten Modelle für maschinelles Lernen in BigQuery ML trainieren, die in einer Echtzeit-Datenpipeline verwendet werden können, um Benachrichtigungen für potenzielle Kreditkartenbetrug zu erkennen, zu analysieren und auszulösen.