Referenzmuster

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

Logistische Regression

In diesem Musterbeispiel wird gezeigt, wie Sie mithilfe der logistischen Regression die Präferenzmodellierung für Gaming-Anwendungen durchführen.

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.

• Blogpost: Churnvorhersage für Spieleentwickler, die Google Analytics 4 und BigQuery ML verwenden
• Notebook: Abwanderungs­vorhersage-Lösungs-Notebook

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.

• Blogpost: Wie Sie mit BigQuery ML Nachfragemodelle erstellen
• Notebook: Nachfrageprognose-Lösungs-Notebook

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.

• Blogpost: Ein ML-Modell aus Google Sheets mit BigQuery ML verwenden
• Beispielcode: BigQuery ML-Prognose mit Google Sheets
• Vorlage: BigQuery ML-Prognose mit Google Sheets

Anomalieerkennung

In diesem Muster wird gezeigt, wie Sie mithilfe der Anomalieerkennung Echtzeit-Kreditkartenbetrug erkennen.

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.

• Beispielcode: Echtzeit-Erkennung von Kreditkartenbetrug
• Übersichtsvideo: Fraudfinder: Eine umfassende Lösung für echte datenwissenschaftliche Probleme