Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
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.
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.
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.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-17 (UTC)."],[[["\u003cp\u003eThis page provides resources such as business use cases, sample code, and technical guides for various BigQuery ML applications.\u003c/p\u003e\n"],["\u003cp\u003eLearn to create propensity models with logistic regression, which can determine the likelihood of user engagement, such as returning to your app.\u003c/p\u003e\n"],["\u003cp\u003eExplore time-series forecasting patterns to build models for predicting retail demand for products.\u003c/p\u003e\n"],["\u003cp\u003eDiscover how to combine Connected Sheets with a forecasting model in BigQuery ML to operationalize machine learning for business tasks, like forecasting website traffic.\u003c/p\u003e\n"],["\u003cp\u003eUtilize anomaly detection patterns to identify and analyze potential credit card fraud in real-time using machine learning models trained in BigQuery ML.\u003c/p\u003e\n"]]],[],null,["# Reference patterns\n==================\n\nThis page provides links to business use cases, sample code, and technical\nreference guides for BigQuery ML use cases. Use these resources to\nidentify best practices and speed up your application development.\n\nLogistic regression\n-------------------\n\nThis pattern shows how to use logistic regression to perform propensity\nmodeling for gaming applications.\n\nLearn how to use BigQuery ML to train, evaluate, and get\npredictions from several different types of propensity models.\nPropensity models can help you to determine the likelihood of specific\nusers returning to your app, so you can use that information in\nmarketing decisions.\n\n- Blog post: [Churn prediction for game developers using Google Analytics 4 and BigQuery ML](/blog/topics/developers-practitioners/churn-prediction-game-developers-using-google-analytics-4-ga4-and-bigquery-ml)\n- Notebook: [Churn prediction solution notebook](https://github.com/GoogleCloudPlatform/analytics-componentized-patterns/tree/master/gaming/propensity-model/bqml)\n\nTime-series forecasting\n-----------------------\n\nThese patterns show how to create time-series forecasting solutions.\n\n### Build a demand forecasting model\n\nLearn how to build a time series model that you can use to forecast retail\ndemand for multiple products.\n\n- Blog post: [How to build demand forecasting models with BigQuery ML](/blog/topics/developers-practitioners/how-build-demand-forecasting-models-bigquery-ml)\n- Notebook: [Demand forecasting solution notebook](https://github.com/GoogleCloudPlatform/analytics-componentized-patterns/blob/master/retail/time-series/bqml-demand-forecasting/bqml_retail_demand_forecasting.ipynb)\n\n### Forecast from Google Sheets using BigQuery ML\n\nLearn how to operationalize machine learning with your business\nprocesses by combining\n[Connected Sheets](/bigquery/docs/connected-sheets) with a forecasting\nmodel in BigQuery ML. This pattern walks you through\nthe process for building a forecasting model for website traffic using\nGoogle Analytics data. You can extend this pattern to work\nwith other data types and other machine learning models.\n\n- Blog post: [How to use a machine learning model from Google Sheets using BigQuery ML](/blog/topics/developers-practitioners/how-use-machine-learning-model-google-sheet-using-bigquery-ml)\n- Sample code: [BigQuery ML forecasting with Sheets](https://github.com/googleworkspace/ml-integration-samples/tree/master/apps-script/BQMLForecasting)\n- Template: [BigQuery ML forecasting with Sheets](https://docs.google.com/spreadsheets/d/1njedwGjBOkUbTS_HYD0wIPuQIDHgobp1D80qO-OsNH0/copy)\n\nAnomaly detection\n-----------------\n\nThis pattern shows how to use anomaly detection to find real-time credit\ncard fraud.\n\nLearn how to use transactions and customer data to train machine\nlearning models in BigQuery ML that can be used in a\nreal-time data pipeline to identify, analyze, and trigger alerts for\npotential credit card fraud.\n\n- Sample code: [Real-time credit card fraud detection](https://github.com/googlecloudplatform/fraudfinder)\n- Overview video: [Fraudfinder: A comprehensive solution for real data science problems](https://io.google/2022/program/9a759b60-9a9b-4744-bd22-6e21a4a864cd/)"]]
