GSP341

概要

チャレンジラボでは、シナリオと一連のタスクが提供されます。手順ガイドに沿って進める形式ではなく、コース内のラボで習得したスキルを駆使して、ご自身でタスクを完了していただきます。タスクが適切に完了したかどうかは、このページに表示される自動スコアリング システムで確認できます。

チャレンジラボは、Google Cloud の新しいコンセプトについて学習するためのものではありません。デフォルト値を変更する、エラー メッセージを読み調査を行ってミスを修正するなど、習得したスキルを応用する能力が求められます。

100% のスコアを達成するには、制限時間内に全タスクを完了する必要があります。

このラボは、「BigQuery ML を使用した ML モデルの作成」スキルバッジに登録している受講者を対象としています。準備が整ったらチャレンジを開始しましょう。

設定

[ラボを開始] ボタンをクリックする前に

こちらの説明をお読みください。ラボには時間制限があり、一時停止することはできません。タイマーは、Google Cloud のリソースを利用できる時間を示しており、[ラボを開始] をクリックするとスタートします。

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、ラボのアクティビティを行います。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（推奨）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しないようにすることができます。

• ラボを完了するための時間（開始後は一時停止できません）

注: このラボでは、受講者アカウントのみを使用してください。別の Google Cloud アカウントを使用すると、そのアカウントに料金が発生する可能性があります。

チャレンジ シナリオ

あなたはデータ サイエンス部門にジュニア メンバーとして新しく配属されました。チームは、ML イニシアチブを含む複数のプロジェクトを担当しています。あなたの業務は、データセットと ML モデルの開発と評価であり、それによって実際のデータセットに基づく分析情報を提供することです。

これらのタスクのスキルや知識があるという前提のため、手順ガイドは提供されません。

このラボの以下のタスクでは、BigQuery と ML に関する知識を確認します。

タスク 1. 新しいデータセットと ML モデルを作成する

あなたが担当するプロジェクトの一つでは、実際のデータに基づいた分析情報を提供する必要があります。このプロジェクトでのあなたの役割は、ML モデルを開発して評価することです。

• このタスクでは、データセット ID が ecommerce のデータセットを作成し、そこに ML モデルを保存する必要があります。

• ML モデル customer_classification_model を作成し、モデルのパフォーマンスを予測します。以下のクエリを実行して、customer_classification_model を作成します。

  CREATE OR REPLACE MODEL `ecommerce.customer_classification_model` OPTIONS ( model_type='logistic_reg', labels = ['will_buy_on_return_visit'] ) AS #standardSQL SELECT * EXCEPT(fullVisitorId) FROM # 特徴 (SELECT fullVisitorId, IFNULL(totals.bounces, 0) AS bounces, IFNULL(totals.timeOnSite, 0) AS time_on_site FROM `data-to-insights.ecommerce.web_analytics` WHERE totals.newVisits = 1 AND date BETWEEN '20160801' AND '20170430') # 最初の 9 か月分でトレーニング JOIN (SELECT fullvisitorid, IF(COUNTIF(totals.transactions > 0 AND totals.newVisits IS NULL) > 0, 1, 0) AS will_buy_on_return_visit FROM `data-to-insights.ecommerce.web_analytics` GROUP BY fullvisitorid) USING (fullVisitorId);

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

新しいデータセットとモデルが作成されたことを確認する

タスク 2. 分類モデルのパフォーマンスを評価する

このタスクでは、新しい未知の評価データに対して customer_classification_model のパフォーマンスを評価する必要があります。

BigQuery ML の roc_auc は、トレーニング済みの ML モデルを評価する際にクエリ可能なフィールドです。クエリを実行し、ML.EVALUATE を使用してモデルのパフォーマンスを評価します。

モデルを評価した後、このモデルの予測機能を観察します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

両方の ML モデルを評価したことを確認する

タスク 3. 特徴量エンジニアリングでモデルのパフォーマンスを強化し、モデルを評価して予測機能が向上するかどうかを確認する

このタスクでは、サイト訪問者の初回のセッションと、その後の訪問時に商品を購入する可能性との間の関係を customer_classification_model がより深く理解するのに役立つデータセットの特徴を活用します。

新しい特徴をいくつか追加し、improved_customer_classification_model という名前の 2 番目の ML モデルを作成します。

• 初回訪問時に訪問者は購入手続きをどこまで進めていたか
• 訪問者はどこからアクセスしたか（トラフィック ソースがオーガニック検索か紹介サイトかなど）
• デバイスのカテゴリ（モバイル、タブレット、パソコン）
• 地理情報（国）

次に、新しく作成したモデル improved_customer_classification_model を評価して、customer_classification_model よりも予測機能が優れているかどうかを確認します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

モデル パフォーマンスを強化し、モデルを評価する

タスク 4. どの新しい訪問者が戻ってきて購入を行うかを予測する

次に、モデルのパフォーマンスを予測する ML モデル finalized_classification_model を作成します。以下のクエリを実行して、finalized_classification_model を作成します。

CREATE OR REPLACE MODEL `ecommerce.finalized_classification_model` OPTIONS (model_type="logistic_reg", labels = ["will_buy_on_return_visit"]) AS WITH all_visitor_stats AS ( SELECT fullvisitorid, IF(COUNTIF(totals.transactions > 0 AND totals.newVisits IS NULL) > 0, 1, 0) AS will_buy_on_return_visit FROM `data-to-insights.ecommerce.web_analytics` GROUP BY fullvisitorid ) # 新しい特徴を追加 SELECT * EXCEPT(unique_session_id) FROM ( SELECT CONCAT(fullvisitorid, CAST(visitId AS STRING)) AS unique_session_id, # ラベル will_buy_on_return_visit, MAX(CAST(h.eCommerceAction.action_type AS INT64)) AS latest_ecommerce_progress, # サイトでの行動 IFNULL(totals.bounces, 0) AS bounces, IFNULL(totals.timeOnSite, 0) AS time_on_site, IFNULL(totals.pageviews, 0) AS pageviews, # 訪問経路 trafficSource.source, trafficSource.medium, channelGrouping, # モバイルまたはパソコン device.deviceCategory, # 地域 IFNULL(geoNetwork.country, "") AS country FROM `data-to-insights.ecommerce.web_analytics`, UNNEST(hits) AS h JOIN all_visitor_stats USING(fullvisitorid) WHERE 1=1 # 初回訪問のみ予測 AND totals.newVisits = 1 AND date BETWEEN "20160801" AND "20170430" # 9 か月分でトレーニング GROUP BY unique_session_id, will_buy_on_return_visit, bounces, time_on_site, totals.pageviews, trafficSource.source, trafficSource.medium, channelGrouping, device.deviceCategory, country );

1. どの訪問者がサイトに戻って購入を行うかを予測するためのクエリを作成します。
2. クエリに finalized_classification_model モデルを使用して、Google Merchandise Store への初めての訪問者が再訪問で購入を行う確率を予測します。
3. データセットの過去 1 か月（12 か月のうち）の予測を行う必要があります。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

どの新しい訪問者が戻ってきて購入を行うかを予測する

お疲れさまでした

BigQuery ML を使って ML モデルを作成することができました。

次のスキルバッジを獲得する

このセルフペース ラボは、「BigQuery ML を使用した ML モデルの作成」スキルバッジの一部です。このスキルバッジを完了すると成果が認められて、上のようなバッジが贈られます。獲得したバッジを履歴書やソーシャル プラットフォームで使用し、#GoogleCloudBadge を使用して成果を公表しましょう。

このスキルバッジは、Google Cloud のデータ アナリスト向け学習プログラムの一部です。学習プログラムの他のスキルバッジを獲得済みの場合は、他の受講可能なスキルバッジをカタログで検索してみてください。

Google Cloud トレーニングと認定資格

Google Cloud トレーニングと認定資格を通して、Google Cloud 技術を最大限に活用できるようになります。必要な技術スキルとベスト プラクティスについて取り扱うクラスでは、学習を継続的に進めることができます。トレーニングは基礎レベルから上級レベルまであり、オンデマンド、ライブ、バーチャル参加など、多忙なスケジュールにも対応できるオプションが用意されています。認定資格を取得することで、Google Cloud テクノロジーに関するスキルと知識を証明できます。

マニュアルの最終更新日: 2025 年 2 月 13 日

ラボの最終テスト日: 2025 年 2 月 13 日

Copyright 2025 Google LLC. All rights reserved. Google および Google のロゴは Google LLC の商標です。その他すべての企業名および商品名はそれぞれ各社の商標または登録商標です。