概要

このラボでは、Cymbal Superstore のデータ サイエンティストとして作業します。新規顧客を特定、分類、開拓するための支援をマーケティング チームから依頼されたという設定です。リーダーチームの依頼に応じ、注文行動に基づいて顧客を 5 つのグループに分類し、各グループに関する記述統計を生成する必要があります。それに加えて、マーケティング チームが各グループに対して実行できる次のステップもいくつか提示します。

このような新規顧客を特定するため、Gemini、Vertex AI、BigQuery を使用して e コマースデータで k 平均法クラスタリング モデルを作成、可視化、要約し、マーケティング キャンペーンに役立つ次のステップを示します。このラボは、あらゆる経験レベルのデータ サイエンティストを対象としています。

環境の構成はすでに完了しています。この構成には、Gemini 用の Cloud AI Companion を有効にし、Gemini を使用するのに必要なロールを IAM に付与することが含まれます。詳細については、Gemini for Google Cloud の概要をご覧ください。

注: Duet AI は、Google の次世代モデルである Gemini に名称変更されました。このラボは、この変更を反映して更新されたものです。ラボの手順を実施する際に、ユーザー インターフェースやドキュメントで Duet AI に言及されていた場合は、Gemini と同等であると見なしてください。 注: Gemini は初期段階のテクノロジーであるため、もっともらしく見える出力でも事実に反する場合があります。Gemini からのすべての出力は、使用する前に検証することをおすすめします。詳細については、Gemini for Google Cloud と責任ある AI をご覧ください。

目標

このラボでは、次のタスクの実行方法について学びます。

• BigQuery Studio 内で Colab Enterprise Python ノートブックを使用する。
• BigQuery Studio 内で BigQuery DataFrames を使用する。
• Gemini を使用して、自然言語プロンプトからコードを生成する。
• k 平均法クラスタリング モデルを構築する。
• クラスタの可視化を生成する。
• text-bison モデルを使用して、マーケティング キャンペーンの次のステップを開発する。
• プロジェクト リソースをクリーンアップする。

設定と要件

[ラボを開始] ボタンをクリックする前に

こちらの手順をお読みください。ラボの時間は記録されており、一時停止することはできません。[ラボを開始] をクリックするとスタートするタイマーは、Google Cloud のリソースを利用できる時間を示しています。

このハンズオンラボでは、シミュレーションやデモ環境ではなく、実際のクラウド環境を使ってご自身でラボのアクティビティを行うことができます。そのため、ラボの受講中に Google Cloud にログインおよびアクセスするための、新しい一時的な認証情報が提供されます。

このラボを完了するためには、下記が必要です。

• 標準的なインターネット ブラウザ（Chrome を推奨）

注: このラボの実行には、シークレット モードまたはシークレット ブラウジング ウィンドウを使用してください。これにより、個人アカウントと受講者アカウント間の競合を防ぎ、個人アカウントに追加料金が発生することを防ぎます。

• ラボを完了するために十分な時間を確保してください。ラボをいったん開始すると一時停止することはできません。

注: すでに個人の Google Cloud アカウントやプロジェクトをお持ちの場合でも、このラボでは使用しないでください。アカウントへの追加料金が発生する可能性があります。

ラボを開始して Google Cloud コンソールにログインする方法

1. [ラボを開始] ボタンをクリックします。ラボの料金をお支払いいただく必要がある場合は、表示されるポップアップでお支払い方法を選択してください。 左側の [ラボの詳細] パネルには、以下が表示されます。

   • [Google Cloud コンソールを開く] ボタン
   • 残り時間
   • このラボで使用する必要がある一時的な認証情報
   • このラボを行うために必要なその他の情報（ある場合）

2. [Google Cloud コンソールを開く] をクリックします（Chrome ブラウザを使用している場合は、右クリックして [シークレット ウィンドウでリンクを開く] を選択します）。

   ラボでリソースが起動し、別のタブで [ログイン] ページが表示されます。

   ヒント: タブをそれぞれ別のウィンドウで開き、並べて表示しておきましょう。

   注: [アカウントの選択] ダイアログが表示されたら、[別のアカウントを使用] をクリックします。

3. 必要に応じて、下のユーザー名をコピーして、[ログイン] ダイアログに貼り付けます。

   {{{user_0.username | "Username"}}}

   [ラボの詳細] パネルでも [ユーザー名] を確認できます。

4. [次へ] をクリックします。

5. 以下のパスワードをコピーして、[ようこそ] ダイアログに貼り付けます。

   {{{user_0.password | "Password"}}}

   [ラボの詳細] パネルでも [パスワード] を確認できます。

6. [次へ] をクリックします。

   重要: ラボで提供された認証情報を使用する必要があります。Google Cloud アカウントの認証情報は使用しないでください。 注: このラボでご自身の Google Cloud アカウントを使用すると、追加料金が発生する場合があります。

7. その後次のように進みます。

   • 利用規約に同意してください。
   • 一時的なアカウントなので、復元オプションや 2 要素認証プロセスは設定しないでください。
   • 無料トライアルには登録しないでください。

その後、このタブで Google Cloud コンソールが開きます。

注: Google Cloud のプロダクトやサービスのリストを含むメニューを表示するには、左上のナビゲーション メニューをクリックします。

タスク 1. プロジェクト用の BigQuery データセットを作成する

このタスクでは、BigQuery で e コマース データセットを作成します。このデータセットは、このラボで分類する e コマースデータの保存に使用します。

1. Google Cloud コンソールのナビゲーション メニュー（）で、[BigQuery] を選択します。

   [Cloud コンソールの BigQuery へようこそ] ポップアップが表示されます。

2. [完了] をクリックします。

3. [エクスプローラ] パネルで、 の [アクションを表示]（）を選択してから、[データセットを作成] を選択します。

   テーブルやモデルなどのデータベース オブジェクトを格納するためのデータセットが作成されます。

4. [データセットを作成] ペインに以下の情報を入力します。

   項目	値
   データセット ID	ecommerce
   ロケーション タイプ	[マルチリージョン] を選択
   マルチリージョン	[US（米国の複数のリージョン）] を選択します。

   その他の項目はデフォルトのままにします。

5. [データセットを作成] をクリックします。

[進行状況を確認] をクリックして、目標を確認します。プロジェクト用の BigQuery データセットを作成する。

タスク 2. 新しい Python ノートブックを作成する

このタスクでは、BigQuery で Gemini を使用できるように、BigQuery で新しい Python ノートブックを作成します。BigQuery で Python ノートブックが必要とされるのは、e コマース データセットのショッピング データに基づき Python ML ライブラリを使用して顧客を特定し、グループに分類する必要があるからです。

1. Google Cloud コンソールのナビゲーション メニュー（）で、[BigQuery] を選択します。

2. ページ上部のプラス記号の横にある下矢印をクリックします。

3. [Python ノートブック] を選択します。

4. コードアセットを保存するリージョン をプルダウンから選択し、[選択] をクリックします。

5. [テンプレートを使って開始] ペインで [閉じる] をクリックします。

タスク 3. BigQuery の Colab Enterprise ランタイムに接続する

次のステップは、BigQuery の Colab Enterprise ランタイムに接続することです。このランタイムは、ML ライブラリへのアクセスを可能にする BigQuery のマネージド環境と考えてください。これが、顧客の特定とグループへの分類に役立ちます。

1. BigQuery Studio コンソールを表示したまま、ノートブックの右上隅にある [接続] の横にある下矢印をクリックします。

2. プルダウンで [ランタイムに接続する] を選択します。

3. [ランタイムの新規作成] を選択します。

4. [デフォルト ランタイムの作成] を選択します。

5. Qwiklabs の受講者 ID をクリックします。

注: ランタイムが割り当てられるまで数分待機します。ブラウザ ウィンドウの下部にある接続ステータスの表示が更新されて、接続済みになります。プロジェクトのエクスプローラのノートブック セクションにも Python ノートブックが追加されます。

[進行状況を確認] をクリックして、目標を確認します。 BigQuery の Colab Enterprise ランタイムに接続します。

タスク 4. Python ノートブックをビルドする

このタスクでは、次の手順に沿って Python ノートブックのビルドを開始します。

• Python ライブラリをインポートする
• 変数を定義する
• パブリック データセットから BigQuery DataFrame としてベーステーブルを作成してインポートする
• k 平均法クラスタリング モデルと可視化を生成する

Python ライブラリをインポートし、変数を定義する

Python ノートブックのビルドの最初のステップは、Python ライブラリのインポートと変数の定義です。

ライブラリをノートブックにインポートするには、以下の手順に従います。

1. ノートブックにコードセルを追加し、ノートブック ウィンドウの上部にある [+ コード] ボタンをクリックします。

2. 次のコード スニペットをセルに貼り付けます。

   from google.cloud import bigquery from google.cloud import aiplatform import bigframes.pandas as bpd import pandas as pd from vertexai.language_models._language_models import TextGenerationModel from bigframes.ml.cluster import KMeans from bigframes.ml.model_selection import train_test_split

3. セルを実行 します。

   ランタイムによって Python ライブラリが読み込まれますが、これに約 1 分間かかります。ブラウザ ウィンドウの下部にあるランタイムのステータスにより、進捗を確認できます。

   完了すると、セルの [実行] ボタンの横に緑色のチェックマーク が表示されます。

下記の表で、先ほどノートブックにインポートした Python ライブラリに関する情報を、各ライブラリの簡単な説明とともに確認できます。

ライブラリ	説明
BigQuery	Python Client for Google BigQuery
AI Platform	Vertex AI SDK for Python
bigframes.pandas	BigQuery DataFrames
pandas	オープンソースのデータ分析および操作ツール。Python プログラミング言語上に構築されています。
TextGenerationModel	Vertex AI 内に言語モデルを作成します。
Kmeans	BigQuery DataFrames 内で k 平均法クラスタリング モデルを作成するために使用します。
train_test_split	ソース データセットからテスト サブセットとトレーニング サブセットへの分割、および BigQuery DataFrames 内でのモデルのチューニングに使用します。

注: 各ライブラリの詳細を学習するには、示されたリンクを使用してください。

変数を定義し、BigQuery と Vertex AI の接続を開始する

次に、変数を定義し、BigQuery と Vertex AI の接続を開始します。

1. ノートブックの末尾に別のコードセルを追加します。

2. 次のコード スニペットをセルに貼り付けます。

   project_id = '<project_id>' dataset_name = "ecommerce" model_name = "customer_segmentation_model" table_name = "customer_stats" location = "<location>" client = bigquery.Client(project=project_id) aiplatform.init(project=project_id, location=location)

3. <project_id> を に置き換えます。

4. <location> を に置き換えます。

5. セルを実行 します。

ecommerce.customer_stats テーブルを作成してインポートする

次に、thelook_ecommerce BigQuery パブリック データセットのデータを ecommerce データセットの customer_status という新しいテーブルに保存します。

1. ノートブックの末尾に別のコードセルを追加します。

2. 次のコード スニペットをセルに貼り付けます。

   %%bigquery CREATE OR REPLACE TABLE ecommerce.customer_stats AS SELECT user_id, DATE_DIFF(CURRENT_DATE(), CAST(MAX(order_created_date) AS DATE), day) AS days_since_last_order, ---RECENCY COUNT(order_id) AS count_orders, --FREQUENCY AVG(sale_price) AS average_spend --MONETARY FROM ( SELECT user_id, order_id, sale_price, created_at AS order_created_date FROM `bigquery-public-data.thelook_ecommerce.order_items` WHERE created_at BETWEEN '2022-01-01' AND '2023-01-01' ) GROUP BY user_id;

3. セルを実行 します。

BigQuery DataFrame を作成し、Gemini プロンプトを使用してデータを読み込む

このステップでは、Gemini プロンプトを使用して BigQuery DataFrame を作成し、そこに顧客統計データを読み込みます。これにより、後でデータを k 平均法クラスタリング モデルで処理できるようになります。

注: このラボの冒頭で説明したように、Gemini からのすべての出力は、使用する前に検証する必要があります。ユーザーをサポートするために用意されているサンプルコードを使用しますが、コードをそのままコピーして貼り付けないでください。動作しないことがあります。より適切な出力を得るために、Gemini からコードを再生成することもできます。

1. ノートブックの末尾に別のコードセルを追加します。

2. セル内の [生成] をクリックします。これにより、Gemini でコードを生成できるようになり、テキストを追加できるプロンプトが表示されます。

3. プロンプトに次のテキストを貼り付けます。

   テーブル ecommerce.customer_stats を bigframes データフレームに変換し、上位 10 件のレコードを表示します。

4. [生成] をクリックします。Gemini によって以下のコードが生成されます。

   bqdf = client.read_gbq(f"{project_id}.{dataset_name}.{table_name}") df.head(10) 注: 以前のステップで、ノートブックのセル番号 2 に、プロジェクト ID、データセット名、テーブル名を変数として保存するコードを追加しています。このステップが完了していれば、次のステップでセルを実行したときに問題は発生せず、DataFrame が作成されて最初の 10 行が表示されます。

5. 出力が次に示すコードと同様になるように、コードを再生成します。

   bqdf = bpd.read_gbq(f"{project_id}.{dataset_name}.{table_name}") bqdf.head(10)

6. セルを実行 します。

   BigQuery DataFrame 出力にデータセットの最初の 10 行が表示されます。

k 平均法クラスタリング モデルを生成する

顧客データが BigQuery DataFrame に入ったので、k 平均法クラスタリング モデルを作成し、注文時期、注文数、支出額などのフィールドに基づいて、顧客データをクラスタに分割します。その後、ノートブックでチャート内のグループとして直接可視化します。

1. ノートブックの末尾に別のコードセルを追加します。

2. セル内の [生成] をクリックします。これにより、プロンプトを使用して Gemini でコードを生成できるようになります。

3. セルに次のプロンプトを追加します。

   1. df をテストデータとトレーニング データに分割し、k 平均法クラスタリング アルゴリズムがこれらを df_test および df_train として保存できるようにします（ランダム状態を使用し、テストサイズとして 0.2 を使用します）。2. 5 つのクラスタで bigframes.ml.cluster KMeans を使用して k 平均法クラスタリング モデルを作成します。3. to_gbq メソッドを使用してモデルを保存します。モデル名は project_id.dataset_name.model_name です。

4. [生成] をクリックします。出力は次のようになります。

   #prompt: 1. df をテストデータとトレーニング データに分割し、k 平均法クラスタリング アルゴリズムがこれらを df_test および df_train として保存できるようにします（ランダム状態を使用し、テストサイズとして 0.2 を使用します）。2. 5 つのクラスタで bigframes.ml.cluster KMeans を使用して k 平均法クラスタリング モデルを作成します。3. to_gbq メソッドを使用してモデルを保存します。モデル名は project_id.dataset_name.model_name です。df_train, df_test = train_test_split(bq_df, test_size=0.2, random_state = 42) kmeans = KMeans(n_clusters=5) kmeans.fit(df_train) kmeans.to_gbq(f"{project_id}.{dataset_name}.{model_name}")

5. セルを実行 します。

   注: このステップには 2 分ほどかかります。

   モデルが作成されました。

6. プロジェクト名の横にあるその他アイコンをクリックしてから [コンテンツを更新] を選択して、エクスプローラ パネルのコンテンツを更新します。e コマース データセットの下にポップアップが表示されます。

   次に、k 平均法モデルから生成されたセグメント/クラスタを元のデータに結合する、新しい BigQuery DataFrame を定義します。

7. ノートブックの末尾に別のコードセルを追加します。

8. セル内の [生成] をクリックします。

   これにより、プロンプトを使用して Gemini でコードを生成できるようになります。

9. セルに次のプロンプトを追加します。

   1. df データフレームで k 平均法予測モデルを呼び出し、結果を predictions_df として保存し、最初の 10 レコードを表示します。

10. [生成] をクリックします。出力は次のようになります。

    # prompt: 1. df データフレームで k 平均法予測モデルを呼び出し、結果を predictions_df として保存し、最初の 10 レコードを表示します。 predictions_df = kmeans.predict(df_test) predictions_df.head(10)

11. セルを実行 します。

    最初の 10 レコードが CENTROID_ID 付きで表示されます。CENTROID_ID は、この後のラボで分類される顧客のクラスタです。user_id、days_since_last_order、count_orders、average_spend の各フィールドも確認できます。

[進行状況を確認] をクリックして、目標を確認します。 k 平均法クラスタリング モデルを生成する。

k 平均法クラスタリング モデルの結果の可視化を作成する

このステップでは、k 平均法クラスタリング モデルの結果の可視化を作成します。具体的には、predictions_df を使用して散布図を生成し、前回の注文から経過した日数と平均支出額の間の関係に注目します。segment_id で色分けされています（これは k 平均法モデルを使用して生成されました）。

1. ノートブックの末尾に別のコードセルを追加します。

2. セル内の [生成] をクリックします。 これにより、プロンプトを使用して Gemini でコードを生成できるようになります。

3. セルに次のプロンプトを追加します。

   1. predictions_df と matplotlib を使用して散布図を生成します。2. 散布図で、x 軸には predictions_df の days_since_last_order、y 軸には predictions_df の average_spend を表示します。3. クラスタで色分けします。4. チャートのタイトルは「k 平均法クラスタでグループ化した属性」とします。

4. [生成] をクリックします。出力は次のようになります。

   #prompt: 1. predictions_df と matplotlib を使用して散布図を生成します。2. 散布図で、x 軸には predictions_df の days_since_last_order、y 軸には predictions_df の average_spend を表示します。3. クラスタで色分けします。4. チャートのタイトルは「k 平均法クラスタでグループ化した属性」とします。 import matplotlib.pyplot as plt # 散布図を作成する plt.figure(figsize=(10, 6)) # 必要に応じて図のサイズを調整する plt.scatter(predictions_df['days_since_last_order'], predictions_df['average_spend'], c=predictions_df['cluster'], cmap='viridis') # ロットをカスタマイズする plt.title('Attribute grouped by K-means cluster') plt.xlabel('Days Since Last Order') plt.ylabel('Average Spend') plt.colorbar(label='Cluster ID') # プロットを表示する plt.show()

5. 'cluster' または 'cluster_id' を 'CENTROID_ID' に置き換えます（c=predictions_df フィールドのみ）。

6. セルを実行 します。

   可視化内容が表示されます。

注: TypeError が発生した場合は、コードをサンプル出力に置き換えてからセルを実行してください。

[進行状況を確認] をクリックして、目標を確認します。 k 平均法クラスタリング モデルの結果から可視化内容を生成します。

タスク 5. モデルで得られる結果から分析情報を生成する

このタスクでは、次の手順に沿って、モデルの結果から分析情報を生成します。

• k 平均法モデルから生成された各クラスタを要約する
• マーケティング キャンペーンのプロンプトを定義する
• text-bison モデルを使用してマーケティング キャンペーンを生成する

k 平均法モデルから生成された各クラスタを要約する

このステップでは、k 平均法モデルから生成された各クラスタを要約します。

1. ノートブックの末尾に別のコードセルを追加します。

2. 次のコード スニペットをセルに貼り付けます。

   query = """ SELECT CONCAT('cluster ', CAST(centroid_id as STRING)) as centroid, average_spend, count_orders, days_since_last_order FROM ( SELECT centroid_id, feature, ROUND(numerical_value, 2) as value FROM ML.CENTROIDS(MODEL `{0}.{1}`) ) PIVOT ( SUM(value) FOR feature IN ('average_spend', 'count_orders', 'days_since_last_order') ) ORDER BY centroid_id """.format(dataset_name, model_name) df_centroid = client.query(query).to_dataframe() df_centroid.head()

3. セルを実行 します。

   クラスタがテーブルに要約されて表示されます。このテーブルから得られる分析情報により、一部のクラスタでは平均支出額が高く、他のクラスタでは注文数が高いことがわかります。

   次に、データフレームを文字列に変換して、大規模言語モデル呼び出しに渡せるようにします。

4. ノートブックの末尾に別のコードセルを追加します。

5. 次のコード スニペットをセルに貼り付けます。

   df_query = client.query(query).to_dataframe() df_query.to_string(header=False, index=False) cluster_info = [] for i, row in df_query.iterrows(): cluster_info.append("{0}, average spend ${2}, count of orders per person {1}, days since last order {3}" .format(row["centroid"], row["count_orders"], row["average_spend"], row["days_since_last_order"]) ) cluster_info = (str.join("\n", cluster_info)) print(cluster_info)

6. セルを実行 します。

   出力は次のようになります。

   cluster 1, average spend $48.32, count of orders per person 1.36, days since last order 384.37 cluster 2, average spend $202.34, count of orders per person 1.3, days since last order 482.62 cluster 3, average spend $45.68, count of orders per person 1.36, days since last order 585.4 cluster 4, average spend $44.71, count of orders per person 1.36, days since last order 466.26 cluster 5, average spend $58.08, count of orders per person 3.92, days since last order 427.36

マーケティング キャンペーンのプロンプトを定義する

このステップでは、プロンプトを定義して、大規模言語モデル（text-bison に基づく）が、要求内容を理解できるようにします。

1. ノートブックの末尾に別のコードセルを追加します。

2. 次のコード スニペットをセルに貼り付けます。

   prompt = f""" あなたはクリエイティブ ブランド戦略家です。以下のクラスタを指定します。\ クリエイティブ ブランドのペルソナ、覚えやすいタイトル、次のマーケティング アクションを提案し、\ 順に説明してください。 クラスタ: {cluster_info} 各クラスタについて: * タイトル: * ペルソナ: * 次のマーケティング ステップ: """

3. セルを実行 します。

注: このセルを実行しても出力は表示されません。次のステップで使用する変数 ‘prompt’ を定義しただけだからです。

text-bison モデルを使用してマーケティング キャンペーンを生成する

ここまでで k 平均法モデルを作成し、モデルから各顧客をクラスタに割り当て、各クラスタから要約統計を生成し、プロンプトを定義しました。次に、text-bison モデルを呼び出して、顧客インサイトおよびマーケティング チームの次のステップを生成できます。

k 平均法モデルによって定義された各クラスタ/セグメントについて、マーケティング チームで使用できる 3 つの項目を生成します。

• タイトル
• ペルソナ
• 次のマーケティング ステップ

1. ノートブックの末尾に別のコードセルを追加します。

2. セル内の [生成] をクリックします。

   これにより、プロンプトを使用して Gemini でコードを生成できるようになります。

3. セルに次のプロンプトを追加します。

   Vertex AI language_models API を使用して PaLM2 text-bison モデルを呼び出し、変数プロンプトを使用してマーケティング キャンペーンを生成してください。使用するモデル設定は max_output_tokens=1024, temperature=0.4 です。

4. [生成] をクリックします。出力は次のようになります。

   #prompt: Vertex AI language_models API を使用して PaLM2 text-bison モデルを呼び出し、変数プロンプトを使用してマーケティング キャンペーンを生成してください。使用するモデル設定は max_output_tokens=1024, temperature=0.4 です。 model = TextGenerationModel.from_pretrained("text-bison@001") response = model.predict(prompt, max_output_tokens=1024, temperature=0.4) print(response.text)

5. セルを実行 します。

   次のような結果が表示されます。

   クラスタ 1: タイトル: "不定期買い物客" ペルソナ: これらの顧客は散発的な買い物客である傾向があり、低頻度で購入します。割引やプロモーションに引き寄せられ、セール中の商品を購入する傾向があるようです。 次のマーケティング ステップ: これらの顧客により頻繁に購入してもらうための、魅力的な割引やプロモーションを提供してください。 クラスタ 2: タイトル: "リピート顧客" ペルソナ: これらはブランドにロイヤリティがある顧客で、繰り返し購入する傾向があります。各購入でより多く支出する傾向があり、競合他社製品になびく傾向は少ないようです。 次のマーケティング ステップ: これらの顧客には、ポイント プログラムや限定割引でロイヤリティに対する特典を提供してください。 クラスタ 3: タイトル: "休眠顧客" ペルソナ: これらの顧客は長期間購入していません。これらの顧客は競合他社に取られたか、単にブランドへの興味を失った可能性があります。 次のマーケティング ステップ: これらの顧客に戻ってもらうため、スペシャル オファーやプロモーションでリーチしてください。 クラスタ 4: タイトル: "バーゲン ハンター" ペルソナ: これらの顧客は価格が動機付けになり、セール中の商品を購入する傾向があります。ブランドへのロイヤリティは低く、お得な商品があれば競合他社に切り替える傾向があるようです。 次のマーケティング ステップ: これらの顧客により頻繁に購入してもらうための、魅力的な割引やプロモーションを提供してください。 クラスタ 5: タイトル: "有力購入者" ペルソナ: これらの顧客は特に価値の高い顧客である可能性があります。誰よりも多くの支出をして誰よりも頻繁に購入します。ブランドの支持者で、ブランドを他の人に紹介する傾向があるようです。 次のマーケティング ステップ: これらの顧客には、ポイント プログラムや限定割引でロイヤリティに対する特典を提供してください。さらに、ブランドを友人や家族に紹介するよう依頼してください。

これで、各クラスタに関する情報と次のマーケティング ステップを、簡単にマーケティング チームに知らせることができるようになりました。

一般的に、好み、支出額、購入頻度についてカスタマイズされた情報をチームが手作業で集めるには、かなりの時間がかかります。生成 AI と BigQuery のデータを組み合わせることにより、データ サイエンティストはこれを数分でできるようになりました。

[進行状況を確認] をクリックして、目標を確認します。 text-bison モデルを使用してマーケティング キャンペーンを生成する。

タスク 6. プロジェクト リソースをクリーンアップする（任意）

このラボでは、Google Cloud コンソールでリソースを作成しました。本番環境では、これらのリソースをアカウントから削除する必要があります。モデルから分析情報を収集したらそのリソースは不要になるからです。リソースの使用に対して不必要に課金されないために、アカウントからリソースを削除できます。削除には 2 つのパターンがあります。

• プロジェクトを削除する（下記の注意を参照）
• 個々のリソースを削除する

プロジェクトを削除することにより、リソースをクリーンアップする

このチュートリアルで使用したリソースについて、Google Cloud アカウントに課金されないようにするには、このチュートリアルで作成した Google Cloud プロジェクトを削除します。

注意: プロジェクトを削除すると、次のような影響があります。

• プロジェクト内のすべてのものが削除されます。このドキュメントのタスクで使用した既存のプロジェクトを削除すると、そのプロジェクトで行った他の作業もすべて削除されます。
• カスタム プロジェクト ID は失われます。このプロジェクトを作成したときに、将来使用するカスタム プロジェクト ID を作成した可能性があります。appspot.com など、プロジェクト ID を使用する URL を保持するには、プロジェクト全体を削除するのではなく、プロジェクト内の選択したリソースを削除します。

複数のアーキテクチャ、チュートリアル、クイックスタートを確認する計画がある場合は、プロジェクトを再利用すると割り当て上限を超えることがありません。

1. Google Cloud コンソールで、[IAM と管理] > [リソースの管理] ページに移動します。

2. プロジェクト リストで、削除するプロジェクトを選択し、[削除] をクリックします。

3. ダイアログでプロジェクト ID を入力し、[このままシャットダウン] をクリックしてプロジェクトを削除します。

個々のリソースを削除することにより、リソースをクリーンアップする

課金されないようにするため、ノートブック内の新しいコードセルで次のコードを実行することにより、このラボで使用したテーブルとモデルを削除できます。

# Delete customer_stats table client.delete_table(f"{project_id}.{dataset_name}.{table_name}", not_found_ok=True) print(f"Deleted table: {project_id}.{dataset_name}.{table_name}") # Delete K-means model client.delete_model(f"{project_id}.{dataset_name}.{model_name}", not_found_ok=True) print(f"Deleted model: {project_id}.{dataset_name}.{model_name}")

セルを実行した後、BigQuery Studio でプロジェクトのコンテンツを更新すると、テーブルとモデルが削除されたことを確認できます。

お疲れさまでした

このラボでは、以下の操作について学習しました。

• BigQuery Studio 内で Colab Enterprise Python ノートブックを使用する。
• BigQuery Studio 内で BigQuery DataFrames を使用する。
• Gemini を使用して、自然言語プロンプトからコードを生成する。
• k 平均法クラスタリング モデルを構築する。
• クラスタの可視化を生成する。
• text-bison モデルを使用して、マーケティング キャンペーンの次のステップを開発する。

オプションの資料

Gemini、VertexAI、BigQuery を使用して Cymbal Superstore で顧客の特定、分類、開拓支援を行いました。Gemini の詳細については、以下のリンクを参照してください。

• Gemini for Google Cloud の概要
• Gemini の割り当てと制限

ラボを終了する

ラボでの学習が完了したら、[ラボを終了] をクリックします。ラボで使用したリソースが Qwiklabs から削除され、アカウントの情報も消去されます。

ラボの評価を求めるダイアログが表示されたら、星の数を選択してコメントを入力し、[送信] をクリックします。

星の数は、それぞれ次の評価を表します。

• 星 1 つ = 非常に不満
• 星 2 つ = 不満
• 星 3 つ = どちらともいえない
• 星 4 つ = 満足
• 星 5 つ = 非常に満足

フィードバックを送信しない場合は、ダイアログ ボックスを閉じてください。

フィードバック、ご提案、修正が必要な箇所については、[サポート] タブからお知らせください。

マニュアルの最終更新日: 2024 年 8 月 7 日

ラボの最終テスト日: 2024 年 8 月 7 日

Copyright 2024 Google LLC All rights reserved. Google および Google のロゴは、Google LLC の商標です。その他すべての社名および製品名は、それぞれ該当する企業の商標である可能性があります。