Auf dieser Seite finden Sie Links zu Beispielcode und technischen Referenzleitfäden für gängige Anwendungsfälle der BigQuery. Verwenden Sie diese Ressourcen, um Ihre Kenntnisse zu erweitern, Best Practices zu ermitteln und Beispielcode zum Erstellen der benötigten Features zu nutzen.
Die hier aufgeführten Referenzmuster sind codeorientiert und sollen Sie schnell zu einer Implementierung führen. Informationen zu weiteren BigQuery-Lösungen finden Sie in der Liste der technischen Referenzleitfäden für Big Query.
Anomalieerkennung
Lösung | Beschreibung | Links |
---|---|---|
Anwendung für die Anomalieerkennung in Telekommunikationsnetzwerken mit k-means-Clustering erstellen | In dieser Lösung erfahren Sie, wie Sie mit Dataflow, BigQuery ML und Cloud Data Loss Prevention eine ML-basierte Anwendung zur Anomalieerkennung in Telekommunikationsnetzwerken erstellen, um Cybersicherheitsbedrohungen identifizieren zu können. |
Technischer Referenzleitfaden: Sichere Anomalieerkennungslösung mit Dataflow, BigQuery ML und Cloud Data Loss Prevention erstellen Beispielcode: Anomaly Detection in Netflow logs Blogpost: Anomaly detection using streaming analytics and AI Übersichtsvideo: Building a Secure Anomaly Detection Solution |
Mit BoostedTrees in Echtzeit Anomalien in Finanztransaktionen erkennen | In dieser Referenzimplementierung erfahren Sie, wie Sie Transaktionsdaten zur Analyse in BigQuery schreiben, nachdem Sie Vorhersagen zu ihnen aus einem Boosted-Tree-Modell von TensorFlow abgerufen haben. |
Technischer Referenzleitfaden: Mit AI Platform, Dataflow und BigQuery Anomalien in Finanztransaktionen erkennen Beispielcode: Anomaly Detection in Financial Transactions |
Allgemeine Analyse
Lösung | Beschreibung | Links |
---|---|---|
Pipeline zum Transkribieren und Analysieren von Sprachdateien erstellen | Hier erfahren Sie, wie Sie hochgeladene Sprachdateien transkribieren und analysieren und diese Daten dann in BigQuery speichern, um sie visualisieren zu können. |
Beispielcode: Speech Analysis Framework |
Loganalyse
Lösung | Beschreibung | Links |
---|---|---|
Dialogflow-Interaktionen zur Analyse in BigQuery erfassen | Erfahren Sie, wie Sie Dialogflow-Interaktionen in BigQuery für weitere Analysen erfassen und speichern. |
Beispielcode: Dialogflow log parser |
Umfangreiche Logs mit Dataflow und BigQuery verarbeiten | Erfahren Sie, wie Sie analytische Pipelines erstellen, die Logeinträge aus mehreren Quellen verarbeiten, und dann die Logdaten so kombinieren, dass Sie nützliche Informationen extrahieren können. |
Technische Referenzanleitung: Umfangreiche Logs mit Dataflow verarbeiten Beispielcode: Umfangreiche Logs mit Dataflow verarbeiten |
Mustererkennung
Lösung | Beschreibung | Links |
---|---|---|
Objekte in Videoclips erkennen | In dieser Lösung erfahren Sie, wie Sie eine Lösung zur Echtzeitanalyse von Videoclips für das Objekt-Tracking erstellen, damit Sie große Mengen unstrukturierter Daten nahezu in Echtzeit verarbeiten können und sie dann in BigQuery zur Analyse schreiben können. |
Beispielcode: Video Analytics Solution Using Dataflow and the Video Intelligence API Apache Beam-Modul zum Aufrufen der Video Intelligence API: apache_beam.ml.gcp.videointelligenceml |
Von Nutzern erstellte Inhalte mit der Video Intelligence API und der Cloud Vision API verarbeiten | In diesen Lösungen wird die Architektur für die Bereitstellung eines skalierbaren Systems beschrieben, das die Filterung eingereichter Bilder und Videos mit der Cloud Vision API und der Video Intelligence API ermöglicht und die Schreibung der Daten anschließend zur Analyse in BigQuery. | Architektur: Von Nutzern erstellte Inhalte mit der Video Intelligence API und der Cloud Vision API verarbeiten Anleitung: Von Nutzern erstellte Inhalte mit der Video Intelligence API und der Cloud Vision API verarbeiten Beispielcode: Processing User-generated Content Using the Video Intelligence API and the Cloud Vision API Apache Beam |
Personenidentifizierbare Informationen in Ihrer intelligenten Analysepipeline anonymisieren (de-identifizieren) und neu identifizieren | In diesen Lösungen wird gezeigt, wie Sie mit Dataflow, Cloud Data Loss Prevention, BigQuery und Pub/Sub personenidentifizierbare Informationen in einem Beispiel-Dataset de-identifizieren und neu identifizieren. | Technische Referenzleitfäden:
Beispielcode: Migrate Sensitive Data in BigQuery Using Dataflow and Cloud Data Loss Prevention |
Vorausschauende Prognose
Lösung | Beschreibung | Links |
---|---|---|
k-means-Clustering-Modell zur Marktsegmentierung erstellen | Im Folgenden wird gezeigt, wie Sie Google Analytics 360-Zielgruppendaten für Marketingzwecke segmentieren und dafür k-means-Cluster mit BigQuery ML erstellen. |
Technischer Referenzleitfaden: Mit BigQuery ML ein k-means-Clustering-Modell zur Marktsegmentierung erstellen Notebook: k-means-Clustering-Modelle zur Marktsegmentierung mit BigQuery ML erstellen |
Mit BigQuery ML eine Kaufbereitschaftslösung aufbauen | Erfahren Sie, wie Sie ein Modell zur Kaufneigung erstellen und bereitstellen, wie Sie es verwenden, um Vorhersagen zum Kaufverhalten von Kunden zu erhalten, und dann eine Pipeline zur Automatisierung des Workflows erstellen. |
Technischer Referenzleitfaden: Mit BigQuery ML und AI Platform eine Kaufneigungs-Vorhersage für Kunden erstellen Beispielcode: Mit BigQuery ML und Kubeflow Pipelines eine End-to-End-Lösung zur Kaufneigung erstellen Blogpost: Mit BigQuery ML und Kubeflow Pipelines eine End-to-End-Lösung zur Kaufneigung erstellen |
Zeitachsen-Nachfrage-Prognosemodell erstellen | Im Folgenden wird gezeigt, wie Sie eine End-to-End-Lösung für die Prognose der Nachfrage nach Einzelhandelsprodukten erstellen. Sie verwenden dabei historische Verkaufsdaten, um ein Modell für die Prognose der Nachfrage mit BigQuery ML zu trainieren und dann die prognostizierten Werte in einem Dashboard zu visualisieren. |
Beispielcode: Modell für eine Zeitachsen-Nachfrageprognose mithilfe von BigQuery ML erstellen |
E-Commerce-Empfehlungssystem mit BigQuery ML erstellen | Erfahren Sie, wie Sie mithilfe von BigQuery ML ein Empfehlungssystem erstellen, um Produkt- oder Dienstempfehlungen aus Kundendaten in BigQuery zu generieren. Lesen Sie danach, wie Sie diese Daten für andere Produktionssysteme verfügbar machen, indem Sie sie nach Google Analytics 360 oder Cloud Storage exportieren oder sie programmatisch aus der BigQuery-Tabelle lesen. |
Technischer Referenzleitfaden: E-Commerce-Empfehlungssystem mit BigQuery ML erstellen |
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. |
Technischer Referenzleitfaden: Neue Zielgruppen anhand dem bestehenden Customer Lifetime Value erstellen Beispielcode: Activate on LTV predictions |
Einbettungen für Echtzeitempfehlungen erstellen und bereitstellen | Einbettungen erstellen und bereitstellen, um ähnliche Elemente in Echtzeit zu empfehlen Mit BigQuery ML ein Modell zur Matrixfaktorisierung erstellen, um die Einbettungen und das Open-Source-Framework ScaNN vorherzusagen, um ein nächster Nachbar-Index zu erstellen und dann das Modell auf AI Platform Prediction für ähnliche Elemente-Anzeigen in Echtzeit bereitzustellen. |
Technischer Referenzleitfaden: Architektur eines maschinellen Lernsystems für den Elementabgleich Beispielcode: Echtzeit-Element-zu-Element-Empfehlung-BigQuery ML-Matrix-Faktorisierung und ScaNN |