Ringkasan

Di lab ini, Anda bekerja sebagai data scientist untuk Cymbal Superstore dan Anda diminta untuk membantu tim pemasaran untuk mengidentifikasi, mengategorikan, dan mengembangkan pelanggan baru. Tim kepemimpinan meminta Anda untuk membagi pelanggan ke dalam 5 grup berbeda berdasarkan perilaku pemesanan mereka dan membuat statistik deskriptif tentang setiap grup. Namun, Anda juga ingin memberikan langkah selanjutnya yang dapat ditindaklanjuti untuk setiap grup ini.

Untuk mengidentifikasi pelanggan baru ini, Anda akan menggunakan Gemini, Vertex AI, dan BigQuery untuk membuat, memvisualisasikan, dan merangkum model pengelompokan K-means dengan data e-commerce untuk menghasilkan langkah selanjutnya yang berguna bagi kampanye pemasaran. Lab ini ditujukan bagi data scientist dengan segala tingkat pengalaman.

Konfigurasi lingkungan telah diselesaikan untuk Anda. Tindakan ini mencakup mengaktifkan Cloud AI Companion untuk Gemini dan memberi IAM peran yang diperlukan untuk menggunakan Gemini. Untuk mengetahui informasi selengkapnya, baca ringkasan Gemini untuk Google Cloud.

Catatan: Duet AI berganti nama menjadi Gemini, model generasi berikutnya dari kami. Lab ini telah diperbarui untuk mencerminkan perubahan ini. Semua referensi terkait Duet AI dalam antarmuka pengguna atau dokumentasi harus diperlakukan setara dengan Gemini saat mengikuti petunjuk lab. Catatan: Sebagai teknologi tahap awal, Gemini dapat menghasilkan output yang seolah masuk akal tetapi mengandung fakta yang salah. Sebaiknya validasi semua output dari Gemini sebelum Anda menggunakannya. Untuk informasi lebih lanjut, lihat Gemini untuk Google Cloud dan responsible AI.

Tujuan

Di lab ini, Anda akan mempelajari cara melakukan tugas berikut:

• Menggunakan notebook Colab Enterprise yang ditulis dalam pemrograman Phyton di dalam BigQuery Studio.
• Menggunakan BigQuery DataFrames di dalam BigQuery Studio.
• Menggunakan Gemini untuk membuat kode dari perintah natural language.
• Membuat model pengelompokan K-means.
• Membuat visualisasi cluster.
• Menggunakan model text-bison untuk mengembangkan langkah selanjutnya bagi kampanye pemasaran.
• Mengosongkan resource project.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer, yang dimulai saat Anda mengklik Start Lab, akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab praktik ini dapat Anda gunakan untuk melakukan sendiri aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

Catatan: Gunakan jendela Samaran atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun Siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Jika Anda sudah memiliki project atau akun pribadi Google Cloud, jangan menggunakannya untuk lab ini agar terhindar dari tagihan ekstra pada akun Anda.

Cara memulai lab dan login ke konsol Google Cloud

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, jendela pop-up akan terbuka untuk memilih metode pembayaran. Di sebelah kiri adalah panel Lab Details dengan info berikut:

   • Tombol Open Google Cloud console
   • Waktu tersisa
   • Kredensial sementara yang harus Anda gunakan untuk lab ini
   • Informasi lain, jika diperlukan, untuk menyelesaikan lab ini

2. Klik Open Google Cloud console (atau klik kanan dan pilih Open Link in Incognito Window jika Anda menjalankan browser Chrome).

   Lab akan menjalankan resource, lalu membuka tab lain yang menampilkan halaman Sign in.

   Tips: Atur tab di jendela terpisah secara berdampingan.

   Catatan: Jika Anda melihat dialog Choose an account, klik Use Another Account.

3. Jika perlu, salin Username di bawah dan tempel ke dialog Sign in.

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

   Anda juga dapat menemukan Username di panel Lab Details.

4. Klik Next.

5. Salin Password di bawah dan tempel ke dialog Welcome.

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

   Anda juga dapat menemukan Password di panel Lab Details.

6. Klik Next.

   Penting: Anda harus menggunakan kredensial yang diberikan lab. Jangan menggunakan kredensial akun Google Cloud Anda. Catatan: Menggunakan akun Google Cloud sendiri untuk lab ini dapat dikenai biaya tambahan.

7. Klik halaman berikutnya:

   • Setujui persyaratan dan ketentuan.
   • Jangan tambahkan opsi pemulihan atau autentikasi 2 langkah (karena ini akun sementara).
   • Jangan mendaftar uji coba gratis.

Setelah beberapa saat, Konsol Google Cloud akan terbuka di tab ini.

Catatan: Untuk melihat menu dengan daftar produk dan layanan Google Cloud, klik Navigation menu di kiri atas.

Tugas 1. Membuat set data BigQuery untuk project Anda

Dalam tugas ini, Anda akan membuat set data e-commerce di BigQuery. Set data akan digunakan untuk menyimpan data e-commerce yang akan Anda kategorikan di lab ini.

1. Di Konsol Google Cloud, pilih Navigation menu (), lalu pilih BigQuery.

   Jendela pop-up Welcome to BigQuery in the Cloud Console akan muncul.

2. Klik Done.

3. Di panel Explorer, untuk , pilih View actions (), lalu pilih Create dataset.

   Anda membuat set data untuk menyimpan objek database, termasuk tabel dan model.

4. Di panel Create dataset, masukkan informasi berikut:

   Kolom	Nilai
   Dataset ID	ecommerce
   Location type	pilih Multi-region
   Multi-region	pilih US (multiple regions in United States)

   Biarkan kolom lain tetap pada nilai defaultnya.

5. Klik Create Dataset.

Untuk memverifikasi tujuan, klik Check my progress. Membuat set data BigQuery untuk project Anda.

Tugas 2. Membuat notebook Python baru

Dalam tugas ini, Anda akan membuat notebook Python baru di BigQuery, agar dapat menggunakan Gemini di BigQuery. Notebook Python diperlukan di BigQuery agar Anda dapat menggunakan library machine learning Python untuk mengidentifikasi pelanggan dan mengategorikan mereka ke dalam grup, berdasarkan data belanja di set data e-commerce.

1. Di Konsol Google Cloud, pilih Navigation menu (), lalu pilih BigQuery.

2. Di bagian atas halaman, klik panah bawah di samping tanda plus.

3. Pilih Python Notebook.

4. Pilih region untuk menyimpan aset kode dari dropdown, lalu klik Select.

5. Di panel Start with a template, klik Close.

Tugas 3. Terhubung ke runtime Colab Enterprise di BigQuery

Langkah selanjutnya adalah menghubungkan ke runtime Colab Enterprise di BigQuery. Anggap runtime ini sebagai lingkungan terkelola di BigQuery yang memungkinkan Anda mengakses library machine learning yang dapat membantu Anda mengidentifikasi pelanggan dan mengategorikan mereka ke dalam grup.

1. Tetap berada di konsol BigQuery Studio, di sudut kanan atas notebook, klik panah bawah di samping Connect.

2. Di menu drop-down, pilih Connect to a runtime.

3. Pilih Create new runtime.

4. Pilih Create default runtime.

5. Klik ID siswa Qwiklabs.

Catatan: Tunggu beberapa menit sementara runtime dialokasikan. Setelah itu, Anda akan melihat pembaruan status koneksi menjadi Connected di bagian bawah jendela browser Anda. Anda juga akan melihat bahwa notebook Python telah ditambahkan ke bagian Notebook di bawah project Anda pada bagian Explorer.

Untuk memverifikasi tujuan, klik Check my progress. Terhubung ke runtime Colab Enterprise di BigQuery.

Tugas 4. Membangun Notebook Python

Dalam tugas ini, Anda akan mulai membuat notebook Python, dengan melakukan langkah-langkah berikut:

• Mengimpor library Python
• Menentukan variabel
• Membuat dan mengimpor tabel dasar sebagai DataFrame BigQuery dari set data publik
• Membuat model pengelompokan K-means dan visualisasi

Mengimpor library Python dan menentukan variabel

Langkah pertama untuk membuat notebook Python adalah mengimpor library Python dan menentukan variabel.

Untuk mengimpor library ke notebook Anda, gunakan langkah-langkah berikut:

1. Tambahkan sel kode ke dalam notebook, klik tombol +Code di bagian atas jendela notebook.

2. Tempelkan cuplikan kode berikut ke sel:

   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. Jalankan sel .

   Runtime akan memuat library Python, yang akan memerlukan waktu sekitar 1 menit. Anda dapat memantau progres dengan memeriksa status runtime di bagian bawah halaman browser.

   Setelah selesai, Anda akan melihat tanda centang hijau di samping tombol Run di sel.

Tabel di bawah ini menyediakan informasi lebih lanjut tentang library Python yang baru saja Anda impor ke notebook, termasuk deskripsi singkat tentang setiap library tersebut.

Library	Deskripsi
BigQuery	Klien Python untuk Google BigQuery
AI Platform	Vertex AI SDK for Python
bigframes.pandas	DataFrame BigQuery
pandas	Analisis data open source dan alat manipulasi, yang dikembangkan dari bahasa pemrograman Python.
TextGenerationModel	Membuat LanguageModel di dalam VertexAI.
Kmeans	Digunakan untuk membuat model pengelompokan K-means dalam BigQuery DataFrames
train_test_split	Digunakan untuk membagi set data sumber menjadi subset pelatihan dan pengujian, serta digunakan dengan penyesuaian model di dalam BigQuery DataFrames.

Catatan: Jika Anda ingin mempelajari setiap library lebih lanjut, gunakan link yang disediakan.

Menentukan variabel dan memulai koneksi BigQuery dan Vertex AI

Selanjutnya, Anda akan menentukan variabel dan memulai koneksi BigQuery dan Vertex AI.

1. Tambahkan sel kode lain di akhir notebook.

2. Tempel cuplikan kode berikut ke dalam sel.

   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. Ganti <project_id> dengan .

4. Ganti <location> dengan .

5. Jalankan sel .

Membuat dan mengimpor tabel ecommerce.customer_stats

Selanjutnya, Anda akan menyimpan data dari set data publik BigQuery thelook_ecommerce ke dalam tabel baru berjudul customer_status di set data e-commerce Anda.

1. Tambahkan sel kode lain di akhir notebook.

2. Tempel cuplikan kode berikut ke dalam sel.

   %%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. Jalankan sel .

Membuat DataFrame BigQuery dan memuat data menggunakan perintah Gemini

Pada langkah ini, Anda akan membuat DataFrame BigQuery menggunakan perintah Gemini dan memuat data statistik pelanggan ke dalamnya, sehingga nantinya Anda dapat memproses data tersebut dengan model pengelompokan K-means.

Catatan: Seperti yang disebutkan di awal lab, Anda perlu memvalidasi semua output dari Gemini sebelum digunakan. Gunakan contoh kode yang diberikan untuk membantu Anda. Namun, jangan menyalin dan menempelkan kode apa adanya karena dalam beberapa kasus, hal ini mungkin tidak akan berfungsi. Sebaiknya Anda juga membuat ulang kode dari Gemini untuk menghasilkan output yang lebih baik.

1. Tambahkan sel kode lain di akhir notebook.

2. Di dalam sel, klik generate. Langkah ini memungkinkan Anda membuat kode dengan Gemini, dan akan muncul kotak perintah tempat Anda dapat menambahkan teks ke dalamnya.

3. Tempelkan teks berikut ke dalam perintah tersebut.

   Convert the table ecommerce.customer_stats to a bigframes dataframe and show the top 10 records

4. Klik Generate. Gemini akan menghasilkan kode di bawah ini.

   bqdf = client.read_gbq(f"{project_id}.{dataset_name}.{table_name}") df.head(10) Catatan: Ingat bahwa di langkah sebelumnya, Anda telah menambahkan kode ke sel nomor 2 di notebook yang menyimpan project ID, nama set data, dan nama tabel sebagai variabel. Jika Anda menyelesaikan langkah ini, saat Anda menjalankan sel di langkah selanjutnya, Anda tidak akan menemui kendala dan DataFrame akan dibuat dengan menampilkan 10 baris pertama.

5. Buat ulang kode sehingga output-nya akan terlihat mirip dengan kode yang ditampilkan di sini:

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

6. Jalankan sel .

   Anda akan melihat output DataFrame BigQuery yang menampilkan 10 baris pertama dari set data.

Membuat model pengelompokan K-means

Setelah menyimpan data pelanggan di DataFrame BigQuery, Anda akan membuat model pengelompokan K-means untuk membagi data pelanggan menjadi beberapa cluster berdasarkan kolom seperti keterkinian pesanan, jumlah pesanan, dan pengeluaran. Selanjutnya, Anda akan memvisualisasikannya sebagai grup dalam sebuah diagram langsung di notebook.

1. Tambahkan sel kode lain di akhir notebook.

2. Klik generate di sel. Langkah ini akan memungkinkan Anda membuat kode dengan Gemini menggunakan perintah.

3. Tambahkan perintah berikut ke sel:

   1. Split df (using random state and test size 0.2) into test and training data for a K-means clustering algorithm store these as df_test and df_train. 2. Create a K-means cluster model using bigframes.ml.cluster KMeans with 5 clusters. 3. Save the model using the to_gbq method where the model name is project_id.dataset_name.model_name.

4. Klik Generate. Anda akan melihat output yang mirip dengan berikut ini:

   #prompt: 1. Split df (using random state and test size 0.2) into test and training data for a K-means clustering algorithm store these as df_test and df_train. 2. Create a K-means cluster model using bigframes.ml.cluster KMeans with 5 clusters. 3. Save the model using the to_gbq method where the model name is project_id.dataset_name.model_name. 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. Jalankan sel .

   Catatan: Langkah ini akan memerlukan waktu sekitar 2 menit.

   Model Anda kini berhasil dibuat!

6. Muat ulang konten dari panel Explorer dengan mengklik tiga titik di samping nama project Anda, lalu pilih Refresh contents. Hasilnya akan muncul di bawah set data e-commerce Anda.

   Selanjutnya, tentukan DataFrame BigQuery baru yang akan menggabungkan kembali segmen/cluster yang dibuat oleh model K-means ke data asli.

7. Tambahkan sel kode lain di akhir notebook.

8. Klik generate di sel.

   Langkah ini akan memungkinkan Anda membuat kode dengan Gemini menggunakan perintah.

9. Tambahkan perintah berikut ke sel:

   1. Call the K-means prediction model on the df dataframe, and store the results as predictions_df and show the first 10 records.

10. Klik Generate. Anda akan melihat output yang mirip dengan berikut ini:

    # prompt: 1. Call the K-means prediction model on the df dataframe, and store the results as predictions_df and show the first 10 records. predictions_df = kmeans.predict(df_test) predictions_df.head(10)

11. Jalankan sel .

    Anda akan melihat 10 kumpulan data pertama ditampilkan dengan CENTROID_ID. CENTROID_ID adalah cluster tempat pelanggan nantinya akan dikategorikan pada lab ini. Anda juga akan melihat kolom user_id, days_since_last_order, count_orders, dan average_spend.

Untuk memverifikasi tujuan, klik Check my progress. Membuat model pengelompokan K-means.

Membuat visualisasi dari hasil model pengelompokan K-means

Pada langkah ini, Anda akan membuat visualisasi hasil model pengelompokan K-means. Secara khusus, Anda akan membuat diagram sebar menggunakan predictions_df untuk melihat hubungan antara tanggal pemesanan terakhir berdasarkan rata-rata pengeluaran, yang diberi warna sesuai segment_id (yang dibuat menggunakan model K-means).

1. Tambahkan sel kode lain di akhir notebook.

2. Klik generate di sel. Langkah ini akan memungkinkan Anda membuat kode dengan Gemini menggunakan perintah.

3. Tambahkan perintah berikut ke sel:

   1. Using predictions_df, and matplotlib, generate a scatterplot. 2. On the x-axis of the scatterplot, display days_since_last_order and on the y-axis, display average_spend from predictions_df. 3. Color by cluster. 4. The chart should be titled "Attribute grouped by K-means cluster."

4. Klik Generate. Anda akan melihat output yang mirip dengan berikut ini:

   #prompt: 1. Using predictions_df, and matplotlib, generate a scatterplot. 2. On the x-axis of the scatterplot, display days_since_last_order and on the y-axis, display average_spend from predictions_df. 3. Color by cluster. 4. The chart should be titled "Attribute grouped by K-means cluster." import matplotlib.pyplot as plt # Create the scatter plot plt.figure(figsize=(10, 6)) # Adjust figure size as needed plt.scatter(predictions_df['days_since_last_order'], predictions_df['average_spend'], c=predictions_df['cluster'], cmap='viridis') # Customize the plot plt.title('Attribute grouped by K-means cluster') plt.xlabel('Days Since Last Order') plt.ylabel('Average Spend') plt.colorbar(label='Cluster ID') # Display the plot plt.show()

5. Ganti 'cluster' atau 'cluster_id' dengan 'CENTROID_ID' di kolom c=Prediksis_df saja.

6. Jalankan sel .

   Anda akan melihat visualisasi ditampilkan.

Catatan: Jika Anda mendapatkan pesan TypeError, ganti kode dengan contoh output, lalu jalankan sel.

Untuk memverifikasi tujuan, klik Check my progress. Membuat visualisasi dari hasil model pengelompokan K-means.

Tugas 5. Membuat insight dari hasil model

Pada tugas ini, Anda akan membuat insight dari hasil model dengan melakukan langkah-langkah berikut:

• Merangkum setiap cluster yang dihasilkan dari model K-means
• Menentukan perintah untuk kampanye pemasaran
• Membuat kampanye pemasaran menggunakan model text-bison

Merangkum setiap cluster yang dihasilkan dari model K-means

Pada langkah ini, Anda akan merangkum setiap cluster yang dihasilkan dari model K-means.

1. Tambahkan sel kode lain di akhir notebook.

2. Tempelkan cuplikan kode berikut ke sel:

   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. Jalankan sel .

   Anda akan melihat cluster diringkas dalam sebuah tabel Beberapa insight yang bisa Anda dapatkan dari tabel ini adalah bahwa beberapa cluster memiliki pengeluaran rata-rata lebih tinggi, dan cluster lain memiliki jumlah pesanan lebih banyak.

   Selanjutnya, Anda akan mengonversi frame data menjadi string, sehingga Anda dapat meneruskannya ke panggilan model bahasa besar (LLM).

4. Tambahkan sel kode lain di akhir notebook.

5. Tempelkan cuplikan kode berikut ke sel:

   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. Jalankan sel .

   Output-nya akan terlihat seperti ini:

   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

Menentukan perintah untuk kampanye pemasaran

Pada langkah ini, Anda akan menentukan perintah, sehingga model bahasa besar (LLM) (berdasarkan text-bison) memahami apa yang Anda minta.

1. Tambahkan sel kode lain di akhir notebook.

2. Tempelkan cuplikan kode berikut ke sel:

   prompt = f""" You're a creative brand strategist, given the following clusters, come up with \ creative brand persona, a catchy title, and next marketing action, \ explained step by step. Clusters: {cluster_info} For each Cluster: * Title: * Persona: * Next marketing step: """

3. Jalankan sel .

Catatan: Anda tidak akan melihat output dengan menjalankan sel ini karena Anda hanya menentukan variabel ‘prompt’, yang akan digunakan di langkah selanjutnya.

Membuat kampanye pemasaran menggunakan model text-bison

Anda telah membuat model K-means, menetapkan setiap pelanggan ke sebuah cluster dari model tersebut, membuat statistik ringkasan untuk setiap cluster, dan menentukan perintah. Selanjutnya, Anda dapat memanggil model text-bison untuk membuat insight pelanggan dan langkah selanjutnya untuk tim pemasaran.

Untuk setiap cluster/segmen yang ditentukan oleh model K-means, kita akan membuat tiga item yang dapat digunakan oleh tim pemasaran:

• Title (Judul)
• Persona (Persona)
• Next marketing step (Langkah pemasaran selanjutnya)

1. Tambahkan sel kode lain di akhir notebook.

2. Klik generate di sel.

   Langkah ini akan memungkinkan Anda membuat kode dengan Gemini menggunakan perintah.

3. Tambahkan perintah berikut ke sel:

   Use the Vertex AI language_models API to call the PaLM2 text-bison model and generate a marketing campaign using the variable prompt. Use the following model settings: max_output_tokens=1024, temperature=0.4

4. Klik Generate. Anda akan melihat output yang mirip dengan berikut ini:

   #prompt: Use the Vertex AI language_models API to call the PaLM2 text-bison model and generate a marketing campaign using the variable prompt. Use the following model settings: max_output_tokens=1024, temperature=0.4 model = TextGenerationModel.from_pretrained("text-bison@001") response = model.predict(prompt, max_output_tokens=1024, temperature=0.4) print(response.text)

5. Jalankan sel .

   Anda akan melihat hasil yang mirip dengan contoh berikut:

   Cluster 1: Title: "The Occasional Shoppers" Persona: These customers are likely to be sporadic shoppers who make infrequent purchases. They may be attracted to discounts or promotions, and they may be more likely to purchase items that are on sale. Next marketing step: Offer discounts or promotions to entice these customers to make more frequent purchases. Cluster 2: Title: "The Loyal Customers" Persona: These customers are likely to be loyal to your brand and make repeat purchases. They may be more likely to spend more money on each purchase and be less likely to be swayed by competitors' offerings. Next marketing step: Reward these customers for their loyalty with a loyalty program or exclusive discounts. Cluster 3: Title: "The Lapsed Customers" Persona: These customers have not made a purchase in a long time. They may have been lost to a competitor or simply lost interest in your brand. Next marketing step: Reach out to these customers with a special offer or promotion to win them back. Cluster 4: Title: "The Bargain Hunters" Persona: These customers are likely to be motivated by price and are more likely to purchase items that are on sale. They may be less loyal to your brand and more likely to switch to a competitor if they find a better deal. Next marketing step: Offer discounts or promotions to entice these customers to make more frequent purchases. Cluster 5: Title: "The Power Buyers" Persona: These customers are likely to be your most valuable customers. They spend the most money and make the most frequent purchases. They may be more likely to be brand advocates and refer your brand to others. Next marketing step: Reward these customers for their loyalty with a loyalty program or exclusive discounts. Additionally, ask them to refer your brand to their friends and family.

Informasi tentang setiap cluster dan langkah pemasaran selanjutnya untuk mereka kini mudah dibagikan kepada tim pemasaran.

Biasanya, tim membutuhkan banyak waktu dalam melakukan pekerjaan manual untuk mengumpulkan informasi yang disesuaikan guna memperhitungkan selera, pengeluaran, dan frekuensi pembelian. Sekarang data scientist dapat melakukannya dalam hitungan menit dengan menggabungkan AI generatif dengan data di BigQuery.

Untuk memverifikasi tujuan, klik Check my progress. Membuat kampanye pemasaran menggunakan model text-bison.

Tugas 6. Mengosongkan resource project (Opsional)

Pada lab ini, Anda membuat resource dalam Konsol Google Cloud. Dalam lingkungan produksi, Anda harus menghapus resource ini dari akun Anda, karena resource tersebut tidak lagi diperlukan setelah insight dari model dikumpulkan. Untuk menghapus resource dari akun Anda dan menghindari tagihan lebih lanjut untuk pemakaiannya, Anda memiliki dua opsi:

• Menghapus project (lihat bagian Perhatian di bawah)
• Menghapus resource individual

Mengosongkan resource dengan menghapus project

Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, Anda dapat menghapus project Google Cloud yang dibuat untuk tutorial ini.

Perhatian: Menghapus project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
• Project ID kustom akan hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang masih ingin Anda gunakan pada masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, Anda dapat menggunakan kembali project untuk membantu Anda agar tidak melampaui batas kuota project.

1. Di konsol Google Cloud, buka halaman IAM & Admin > Manage resources.

2. Dalam daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.

3. Pada dialog, ketik project ID, lalu klik Shut Down Anyway untuk menghapus project.

Mengosongkan resource dengan menghapus resource individual

Agar tidak menimbulkan biaya, Anda dapat menghapus tabel dan model yang digunakan di lab ini dengan menjalankan kode berikut di sel kode baru di dalam notebook:

# 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}")

Setelah menjalankan sel, Anda dapat memuat ulang konten project di BigQuery Studio untuk mengamati proses penghapusan tabel dan model.

Selamat!

Di lab ini, Anda telah mempelajari cara:

• Menggunakan notebook Colab Enterprise yang ditulis dalam pemrograman Phyton di dalam BigQuery Studio.
• Menggunakan BigQuery DataFrames di dalam BigQuery Studio.
• Menggunakan Gemini untuk membuat kode dari perintah natural language.
• Membuat model pengelompokan K-means.
• Membuat visualisasi cluster.
• Menggunakan model text-bison untuk mengembangkan langkah selanjutnya bagi kampanye pemasaran.

Bacaan opsional

Setelah mengidentifikasi, mengategorikan, dan membantu mengembangkan pelanggan untuk Cymbal Superstore menggunakan Gemini, VertexAI, dan BigQuery, jika Anda ingin mempelajari Gemini lebih lanjut, lihat link berikut:

• Ringkasan Gemini untuk Google Cloud
• Kuota dan Batas Gemini

Mengakhiri lab Anda

Setelah Anda menyelesaikan lab, klik Akhiri Lab. Qwiklabs menghapus resource yang telah Anda gunakan dan menghapus akun.

Anda akan diberi kesempatan untuk menilai pengalaman menggunakan lab. Pilih jumlah bintang yang sesuai, ketik komentar, lalu klik Submit.

Makna jumlah bintang:

• 1 bintang = Sangat tidak puas
• 2 bintang = Tidak puas
• 3 bintang = Netral
• 4 bintang = Puas
• 5 bintang = Sangat puas

Anda dapat menutup kotak dialog jika tidak ingin memberikan masukan.

Untuk masukan, saran, atau koreksi, gunakan tab Dukungan.

Manual Terakhir Diperbarui pada 7 Agustus 2024

Lab Terakhir Diuji pada 7 Agustus 2024

Hak cipta 2024 Google LLC. Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.