Patrones de referencia

En esta página, se proporcionan vínculos de código de muestra y guías de referencia técnica para casos de uso comunes de BigQuery. Usa estos recursos para aprender, identificar prácticas recomendadas y aprovechar el código de muestra a fin de compilar las funciones que necesites.

Los patrones de referencia que se enumeran aquí están orientados al código y destinados a que puedas implementarlos con rapidez. Para ver una gama más amplia de soluciones de BigQuery, revisa la lista de guías de referencia técnica de BigQuery.

Detección de anomalías

Solución Descripción Vínculos
Compilar una aplicación de detección de anomalías en la red de telecomunicaciones mediante agrupamiento en clústeres con k-means

Esta solución te muestra cómo compilar una aplicación de detección de anomalías en la red basada en el AA para redes de telecomunicaciones a fin de identificar las amenazas de seguridad cibernética mediante Dataflow, BigQuery ML y Cloud Data Loss Prevention.

Guía de referencia técnica: Crea una solución segura de detección de anomalías mediante Dataflow, BigQuery ML y Cloud Data Loss Prevention

Código de muestra: Anomaly Detection in Netflow logs (Detección de anomalías en registros de Netflow)

Entrada de blog: Detección de anomalías mediante IA y estadísticas de transmisión

Video de descripción general: Building a Secure Anomaly Detection Solution (Compila una solución segura de detección de anomalías)

Encontrar anomalías en transacciones financieras en tiempo real mediante BoostedTrees

Usa esta implementación de referencia a fin de aprender a escribir datos de transacciones en BigQuery para analizarlos después de obtener predicciones sobre ellos a partir de un modelo de árbol mejorado de TensorFlow.

Guía de referencia técnica: Detecta anomalías en transacciones financieras con AI Platform, Dataflow y BigQuery

Código de muestra: Anomaly Detection in Financial Transactions (Detección de anomalías en transacciones financieras)

Estadísticas generales

Solución Descripción Vínculos
Compilar una canalización para transcribir y analizar archivos de voz

Aprende a transcribir y analizar archivos de voz subidos y, a continuación, guarda esos datos en BigQuery para usarlos en las visualizaciones.

Código de muestra: Speech Analysis Framework (Framework de análisis de voz)

Estadísticas de registros

Solución Descripción Vínculos
Captura interacciones de Dialogflow para el análisis en BigQuery

Aprende a capturar y almacenar interacciones de Dialogflow en BigQuery para su análisis posterior.

Código de muestra: Dialogflow log parser

Procesa registros a gran escala con Dataflow y BigQuery

Aprende a compilar canalizaciones de estadísticas que procesen entradas de registros de varias fuentes y, luego, combina los datos de registro para que te ayuden a extraer información significativa.

Guía técnica de referencia: Procesamiento de registros a gran escala con Dataflow

Código de muestra: Procesamiento de registros a gran escala con Dataflow

Reconocimiento de patrones

Solución Descripción Vínculos
Detectar objetos en clips de video

Esta solución te muestra cómo crear una solución de estadísticas de videoclips en tiempo real para el seguimiento de objetos, lo que te permite procesar grandes volúmenes de datos no estructurados casi en tiempo real y, luego, escribirlos en BigQuery para su análisis.

Código de muestra: Video Analytics Solution Using Dataflow and the Video Intelligence API (Solución de estadísticas de videos mediante Dataflow y la API de Video Intelligence)

Módulo de Apache Beam para llamar a la API de Video Intelligence: apache_beam.ml.gcp.videointelligenceml

Procesar contenido generado por usuarios mediante la API de Video Intelligence y la API de Cloud Vision En este conjunto de soluciones, se describe la arquitectura para implementar un sistema escalable a fin de filtrar los envíos de imágenes y videos mediante la API de Cloud Vision y la API de Video Intelligence. Luego y, luego, escribir los datos en BigQuery para su análisis.

Arquitectura: Procesa contenido generado por usuarios mediante la API de Video Intelligence y la API de Cloud Vision

Instructivo: Procesa contenido generado por usuarios mediante la API de Video Intelligence y la API de Cloud Vision

Código de muestra: Processing User-generated Content Using the Video Intelligence API and the Cloud Vision API (Procesa contenido generado por usuarios mediante la API de Video Intelligence y la API de Cloud Vision)

Apache Beam Ptransform para llamar a la API de Cloud Vision: apache_beam.ml.gcp.visionml module (Módulo apache_beam.ml.gcp.visionml)

Anonimizar (desidentificar) y reidentificar los datos de PII en tu canalización de estadísticas inteligentes En esta serie de soluciones, se muestra cómo usar Dataflow, Cloud Data Loss Prevention, BigQuery y Pub/Sub para desidentificar y reidentificar información de identificación personal (PII) en un conjunto de datos de muestra.

Guías de referencia técnica:

Código de muestra: Migrate Sensitive Data in BigQuery Using Dataflow and Cloud Data Loss Prevention (Migra datos sensibles en BigQuery mediante Dataflow y Cloud Data Loss Prevention)

Previsión

Solución Descripción Vínculos
Crea un modelo de agrupamiento en clústeres de k‑means para la segmentación del mercado

Aprende a segmentar los datos del público de Google Analytics 360 para fines de marketing mediante la creación de clústeres de k‑means con BigQuery ML.

Guía de referencia técnica: Crea un modelo de agrupamiento en clústeres de k‑means para la segmentación del mercado mediante BigQuery ML

Notebook: Cómo crear modelos de agrupamiento en clústeres de k‑means para la segmentación del mercado mediante BigQuery ML

Crea una solución de propensión a compra con BigQuery ML

Aprende a compilar y, luego, implementar un modelo de propensión a compra. Úsalo para obtener predicciones sobre el comportamiento de compra del cliente y, luego, compila una canalización a fin de automatizar el flujo de trabajo.

Guía de referencia técnica: Predice la propensión de los clientes a comprar con BigQuery ML y AI Platform

Código de muestra: How to build an end-to-end propensity to purchase solution using BigQuery ML and Kubeflow Pipelines

Entrada de blog: How to build an end-to-end propensity to purchase solution using BigQuery ML and Kubeflow Pipelines

Crea un modelo de previsión de la demanda de series temporales

Aprende a crear una solución de extremo a extremo a fin de prever la demanda de productos de venta minorista. Usa los datos históricos de ventas para entrenar un modelo de previsión de la demanda mediante BigQuery ML y, luego, visualiza los valores previstos en un panel.

Código de muestra: Crea un modelo de previsión de la demanda de series temporales con BigQuery ML

Compilar un sistema de recomendación de comercio electrónico mediante BigQuery ML

Aprende a crear un sistema de recomendación mediante BigQuery ML para generar recomendaciones de productos o de servicios a partir de datos de clientes en BigQuery. Luego, para aprender a hacer que esos datos estén disponibles para otros sistemas de producción, debes exportarlos a Google Analytics 360 o Cloud Storage, o leerlos de manera programática desde la tabla de BigQuery.

Guía de referencia técnica: Compila un sistema de recomendación de comercio electrónico mediante BigQuery ML

Notebook: bqml_matrix_factorization_retail_ecommerce

Compila nuevos públicos en función del valor del ciclo de vida del cliente existente

Aprende a identificar a tus clientes actuales más valiosos y, luego, usarlos para desarrollar públicos similares en Google Ads.

Guía técnica de referencia: Crea nuevos públicos en función del valor del ciclo de vida del cliente existente

Código de muestra: Activa las predicciones de LTV

Crea y entrega incorporaciones para generar recomendaciones en tiempo real

Obtén más información sobre cómo crear y entregar incorporaciones para hacer recomendaciones de elementos similares en tiempo real. Usa BigQuery ML para crear un modelo de factorización de matrices a fin de predecir las incorporaciones y el framework ScaNN de código abierto a fin de crear un índice de vecino más próximo y, luego, implementa el modelo en AI Platform Prediction para buscar elementos similares en tiempo real.

Guía de referencia técnica: Arquitectura de un sistema de aprendizaje automático para la coincidencia de elementos

Código de muestra: Real-time Item-to-item Recommendation BigQuery ML Matrix Factorization and ScaNN