概览

在本实验中，您将担任 Cymbal Superstore 的数据科学家，帮助营销团队识别新客户、对其进行分类，以及开发新客户。领导团队要求您根据客户的订单行为将他们分成 5 个不同的组，并生成有关每个组的描述性统计信息。另外，您还想要针对每个组为营销团队提供一些切实可行的后续行动建议。

为了识别这些新客户，您将使用 Gemini、Vertex AI 和 BigQuery，基于电子商务数据创建 K-means 聚类模型、为聚类生成可视化图表以及进行汇总，从而为营销活动生成实用的后续行动建议。本实验面向数据科学家，不限经验水平。

我们已经为您完成了环境配置。这包括为 Gemini 启用 Cloud AI Companion，并授予使用 Gemini 所需的 IAM 角色。如需了解详情，请参阅 Gemini for Google Cloud 概览。

注意：Duet AI 已更名为 Gemini，这是我们的新一代模型。此实验已更新，以反映此变化。在按照实验说明操作时，界面或文档中任何提到 Duet AI 的地方都应视为指的是 Gemini。 注意：作为一项尚处于早期发展阶段的技术，Gemini 可能会生成看似合理但实际上不正确的输出。我们建议您先验证 Gemini 的所有输出，然后再使用。如需了解详情，请参阅适用于 Google Cloud 的 Gemini 和 Responsible AI。

目标

在本实验中，您将学习如何执行以下任务：

• 在 BigQuery Studio 中使用 Colab Enterprise Python 笔记本。
• 在 BigQuery Studio 中使用 BigQuery DataFrames。
• 使用 Gemini 根据自然语言提示生成代码。
• 构建 K-means 聚类模型。
• 为聚类生成可视化图表。
• 使用 Gemini Pro 模型为营销活动制定后续行动建议。
• 清理项目资源。

设置和要求

点击“开始实验”按钮前的注意事项

请阅读以下说明。实验是计时的，并且您无法暂停实验。计时器在您点击开始实验后即开始计时，显示 Google Cloud 资源可供您使用多长时间。

此实操实验可让您在真实的云环境中开展实验活动，免受模拟或演示环境的局限。我们会为您提供新的临时凭证，让您可以在实验规定的时间内用来登录和访问 Google Cloud。

为完成此实验，您需要：

• 能够使用标准的互联网浏览器（建议使用 Chrome 浏览器）。

注意：请使用无痕模式或无痕浏览器窗口运行此实验。这可以避免您的个人账号与学生账号之间发生冲突，这种冲突可能导致您的个人账号产生额外费用。

• 完成实验的时间 - 请注意，实验开始后无法暂停。

注意：如果您已有自己的个人 Google Cloud 账号或项目，请不要在此实验中使用，以避免您的账号产生额外的费用。

如何开始实验并登录 Google Cloud 控制台

1. 点击开始实验按钮。如果该实验需要付费，系统会打开一个弹出式窗口供您选择付款方式。左侧是实验详细信息面板，其中包含以下各项：

   • 打开 Google Cloud 控制台按钮
   • 剩余时间
   • 进行该实验时必须使用的临时凭证
   • 帮助您逐步完成本实验所需的其他信息（如果需要）

2. 点击打开 Google Cloud 控制台（如果您使用的是 Chrome 浏览器，请右键点击并选择在无痕式窗口中打开链接）。

   该实验会启动资源并打开另一个标签页，显示登录页面。

   提示：将这些标签页安排在不同的窗口中，并排显示。

   注意：如果您看见选择账号对话框，请点击使用其他账号。

3. 如有必要，请复制下方的用户名，然后将其粘贴到登录对话框中。

   {{{user_0.username | "<用户名>"}}}

   您也可以在实验详细信息面板中找到用户名。

4. 点击下一步。

5. 复制下面的密码，然后将其粘贴到欢迎对话框中。

   {{{user_0.password | "<密码>"}}}

   您也可以在实验详细信息面板中找到密码。

6. 点击下一步。

   重要提示：您必须使用实验提供的凭证。请勿使用您的 Google Cloud 账号凭证。 注意：在本实验中使用您自己的 Google Cloud 账号可能会产生额外费用。

7. 继续在后续页面中点击以完成相应操作：

   • 接受条款及条件。
   • 由于这是临时账号，请勿添加账号恢复选项或双重验证。
   • 请勿注册免费试用。

片刻之后，系统会在此标签页中打开 Google Cloud 控制台。

注意：如需查看列有 Google Cloud 产品和服务的菜单，请点击左上角的导航菜单。

任务 1. 为您的项目创建 BigQuery 数据集

在此任务中，您将在 BigQuery 中创建电子商务数据集。该数据集将用于存储稍后将进行分类的电子商务数据。

1. 在 Google Cloud 控制台中，依次选择导航菜单 () 和 BigQuery。

   您会看到“欢迎在 Cloud 控制台中使用 BigQuery”弹出式窗口。

2. 点击完成。

3. 在探索器面板中，针对 选择查看操作 ()，然后选择创建数据集。

   您可以创建数据集来存储数据库对象，包括表和模型。

4. 在创建数据集窗格中，输入以下信息：

   字段	值
   数据集 ID	ecommerce
   位置类型	选择多区域
   多区域	选择 US（美国的多个区域）

   对于其他字段，保留默认值。

5. 点击创建数据集。

如需验证是否已完成以下目标，请点击检查我的进度： 为您的项目创建 BigQuery 数据集。

任务 2. 创建新的 Python 笔记本

在此任务中，您将在 BigQuery 中创建新的 Python 笔记本，以便使用 Gemini in BigQuery。BigQuery 中需要用到 Python 笔记本，以便您可以使用 Python 机器学习库来识别客户，并根据电子商务数据集中的购物数据将客户分为不同的组。

1. 在 Google Cloud 控制台中，依次选择导航菜单 () 和 BigQuery。

2. 在页面顶部，点击加号旁边的向下箭头。

3. 依次选择笔记本 > 空白笔记本。

4. 从下拉菜单中选择用于存储代码资产的区域 ，然后点击选择。

5. 在从模板开始窗格中，点击关闭。

任务 3. 在 BigQuery 中连接到 Colab Enterprise 运行时

下一步是在 BigQuery 中连接到 Colab Enterprise 运行时。将此运行时视为 BigQuery 中的托管式环境，可供您访问机器学习库，从而帮助您识别客户并将其分类为不同的组。

1. 仍然是在 BigQuery Studio 控制台中，点击笔记本右上角“连接”旁边的下拉箭头。

2. 在下拉菜单中，选择连接到运行时。

3. 选择创建新的运行时。

4. 选择创建默认运行时。

5. 点击 Qwiklabs 学员 ID。

注意：该运行时需要几分钟时间才能分配完成。然后，您会看到浏览器窗口底部的连接状态更新为“已连接”。您还会发现，该 Python 笔记本已添加到您的项目下探索器的笔记本部分中。

如需验证是否已完成以下目标，请点击检查我的进度： 在 BigQuery 中连接到 Colab Enterprise 运行时。

任务 4. 构建 Python 笔记本

在此任务中，您将执行以下步骤来开始构建 Python 笔记本：

• 导入 Python 库
• 定义变量
• 基于公共数据集创建基表并将其导入为 BigQuery DataFrame
• 生成 K-means 聚类模型和可视化图表

导入 Python 库并定义变量

构建 Python 笔记本的第一步是导入 Python 库并定义变量。

如需将库导入您的笔记本，请按以下步骤操作：

1. 在笔记本中添加一个代码单元，点击笔记本窗口顶部的 +代码按钮。

2. 将以下代码段粘贴到单元中：

   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 vertexai.generative_models import GenerativeModel from bigframes.ml.cluster import KMeans from bigframes.ml.model_selection import train_test_split

3. 运行 该单元。

   运行时将加载 Python 库，此过程大约需要 1 分钟时间。您可以查看浏览器窗口底部的运行时状态来跟踪进度。

   运行完毕后，您会看到单元上的“运行”按钮旁边有一个绿色对勾标记 。

下表提供了您刚导入到笔记本中的 Python 库的详细信息，包括每个库的简要说明。

库	说明
BigQuery	Python 版 Google BigQuery 客户端
AI Platform	Vertex AI SDK for Python
bigframes.pandas	BigQuery DataFrames
pandas	基于 Python 编程语言的开源数据分析和处理工具。
TextGenerationModel	在 Vertex AI 中构建语言模型。
Kmeans	用于在 BigQuery DataFrames 中创建 K-means 聚类模型
train_test_split	用于将源数据集拆分为测试子集和训练子集，以及在 BigQuery DataFrames 中用于进行模型调优。

注意：如需详细了解每个库，请点击所提供的链接。

定义变量并启动 BigQuery 和 Vertex AI 连接

接下来，您将定义变量并启动 BigQuery 和 Vertex AI 连接。

1. 在笔记本末尾新增一个代码单元。

2. 将以下代码段粘贴到该单元中。

   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. 将 <project_id> 替换为 。

4. 将 <location> 替换为 。

5. 运行 该单元。

创建并导入 ecommerce.customer_stats 表

接下来，您需要将 thelook_ecommerce BigQuery 公共数据集中的数据存储到电子商务数据集中名为 customer_status 的新表中。

1. 在笔记本末尾新增一个代码单元。

2. 将以下代码段粘贴到该单元中。

   %%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. 运行 该单元。

使用 Gemini 提示创建 BigQuery DataFrame 并加载数据

在此步骤中，您将使用 Gemini 提示创建 BigQuery DataFrame，并将客户统计数据加载到其中，以便之后使用 K-means 聚类模型处理该数据。

注意：如实验开始时所述，在使用前，您需要对 Gemini 输出的所有内容进行验证。请使用提供的代码示例来辅助完成此任务，但请勿照搬照贴代码，因为在某些情况下，这样做可能无法奏效。您还可以通过 Gemini 重新生成代码，以获得更理想的输出。

1. 在笔记本末尾新增一个代码单元。

2. 在单元中，点击生成。这样您便可使用 Gemini 生成代码，而且您会看到可添加文本的提示。

3. 将以下文本粘贴到提示中。

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

4. 点击生成。Gemini 将生成以下代码。

   bqdf = client.read_gbq(f"{project_id}.{dataset_name}.{table_name}") df.head(10) 注意：在先前的步骤中，您在笔记本的单元 2 中添加了代码，该笔记本已将项目 ID、数据集名称和表名称保存为变量。如果完成了当前步骤，在下一步运行单元时就不会出现任何问题，系统将会创建 DataFrame 并显示前 10 行。

5. 重新生成代码，使输出类似于以下代码：

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

6. 运行 该单元。

   您将看到 BigQuery DataFrame 的输出，其中会显示数据集前 10 行。

生成 K-means 聚类模型

现在，BigQuery DataFrame 中已经有了客户数据。下面，您需要创建一个 K-means 聚类模型，以根据最近一次订单的时间、订单数量和支出等字段将客户数据分成多个聚类，然后直接在笔记本中对这些数据进行可视化处理，以便将其按组呈现在图表中。

1. 在笔记本末尾新增一个代码单元。

2. 点击单元中的生成。这样您便可通过 Gemini 提示生成代码。

3. 将以下提示添加到单元：

   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. 点击生成。您将会看到类似于以下内容的输出：

   #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. 运行 该单元。

   注意：完成此步骤大约需要 2 分钟。

   您的模型现已创建完毕！

6. 点击项目名称旁边的三点状图标，选择刷新内容，以刷新探索器面板的内容。您的电子商务数据集下方应该会弹出相应窗口。

   接下来，定义一个新的 BigQuery DataFrame，将 K-means 模型生成的细分/聚类重新联接到原始数据。

7. 在笔记本末尾新增一个代码单元。

8. 点击单元中的生成。

   这样您便可通过 Gemini 提示生成代码。

9. 将以下提示添加到单元：

   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. 点击生成。您将会看到类似于以下内容的输出：

    # 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. 运行 该单元。

    您会看到前 10 条记录以及 CENTROID_ID。CENTROID_ID 是实验中稍后会对客户进行分类的聚类。您还会看到 user_id、days_since_last_order、count_orders 和 average_spend 字段。

如需验证是否已完成以下目标，请点击检查我的进度： 生成 K-means 聚类模型。

根据 K-means 聚类模型结果创建可视化图表

下一步，您将根据 K-means 聚类模型结果创建可视化图表。具体来说，您将使用 predictions_df 生成一个散点图，以查看距离上一次订单的天数与平均支出之间的关系，并依据使用 K-means 模型生成的 segment_id 着色！

1. 在笔记本末尾新增一个代码单元。

2. 点击单元中的生成。 这样您便可通过 Gemini 提示生成代码。

3. 将以下提示添加到单元：

   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. 点击生成。 您将会看到类似于以下内容的输出：

   #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. Replace 'cluster' or 'cluster_id' with 'CENTROID_ID' in the c=predictions_df field only.

6. 运行 该单元。

   您将看到可视化图表。

注意：如果出现 TypeError，请将代码替换为示例输出，然后运行该单元。

如需验证是否已完成以下目标，请点击检查我的进度： 根据 K-means 聚类模型结果生成可视化图表。

任务 5. 根据模型结果生成数据洞见

在此任务中，您将执行以下步骤以根据模型结果生成数据洞见：

• 汇总 K-means 模型生成的每个聚类
• 针对营销活动定义提示
• 使用 Gemini 生成营销活动

汇总 K-means 模型生成的每个聚类

在此步骤中，您将汇总 K-means 模型生成的每个聚类。

1. 在笔记本末尾新增一个代码单元。

2. 将以下代码段粘贴到单元中：

   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. 运行 该单元。

   您应该会看到聚类汇总在一张表中。从该表可以看出，有些聚类的平均支出较高，而有些聚类的订单数量较多。

   接下来，将 DataFrame 转换成字符串，以便将其传递给您的大语言模型调用。

4. 在笔记本末尾新增一个代码单元。

5. 将以下代码段粘贴到单元中：

   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. 运行 该单元。

   输出应类似于以下内容：

   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

使用 Gemini 模型生成营销活动

您创建了一个 K-means 模型，将每个客户分配到了该模型的一个聚类中，并生成了每个聚类的汇总统计信息。在此步骤中，您将使用 Gemini 根据提示生成代码，以创建营销活动，并为我们的营销团队提供客户数据洞见和后续行动建议。

对于 K-means 模型定义的每个聚类/细分，我们将生成三个可供营销团队使用的条目：

• Title（名称）
• Persona（画像）
• Next marketing step（后续营销行动建议）

1. 在笔记本末尾新增一个代码单元。

2. 将以下代码段粘贴到单元中：

   model = GenerativeModel("gemini-2.5-pro") 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. Identify the cluster number, the title of the person, a persona for them and the next marketing step. Clusters: {cluster_info} For each Cluster: * Title: * Persona: * Next marketing step: """ responses = model.generate_content( prompt, generation_config={ "temperature": 0.1, "max_output_tokens": 4000, "top_p": 1.0, "top_k": 40, } ) print(responses.text)

3. 运行 该单元。

   您应该会看到每个聚类及其标题、角色和后续行动。

   **Cluster 1:** * **Title:** The Lapsed Loyalists * **Persona:** These customers have made a purchase in the past but haven't returned for an extended period. They likely had a positive experience but haven't been engaged recently. * **Next Marketing Step:** 1. **Re-engagement campaign:** Send personalized emails or targeted ads reminding them of their previous purchase and highlighting new products or promotions that might interest them. 2. **Offer exclusive discounts or incentives:** Motivate them to return with special offers or loyalty rewards. 3. **Personalized product recommendations:** Leverage purchase history and browsing behavior to suggest relevant products they might be interested in. **Cluster 2:** * **Title:** The Occasional Treaters * **Persona:** These customers make infrequent purchases but spend more when they do. They likely view the brand as a premium option for special occasions. * **Next Marketing Step:** 1. **Highlight exclusivity and premium value:** Emphasize the unique features and benefits of your products to justify the higher price point. 2. **Offer limited-time promotions or bundles:** Encourage larger purchases with special deals on high-value items or curated product sets. 3. **Create a sense of urgency and scarcity:** Promote limited-edition products or flash sales to encourage immediate action. **Cluster 3:** * **Title:** The One-and-Done Buyers * **Persona:** These customers have only made a single purchase and haven't returned. They might have had a neutral experience or haven't found a reason to come back. * **Next Marketing Step:** 1. **Gather feedback:** Send post-purchase surveys to understand their experience and identify areas for improvement. 2. **Offer personalized recommendations:** Based on their initial purchase, suggest complementary products or accessories to encourage further engagement. 3. **Showcase customer testimonials and social proof:** Highlight positive reviews and user-generated content to build trust and encourage repeat purchases. **Cluster 4:** * **Title:** The Big Spenders * **Persona:** These customers spend significantly more than others and are likely your most loyal and valuable segment. They appreciate high-quality products and personalized experiences. * **Next Marketing Step:** 1. **Develop a VIP program:** Offer exclusive benefits, early access to new products, and personalized customer service to show appreciation and encourage continued loyalty. 2. **Personalized communication and offers:** Tailor your marketing messages and promotions to their specific interests and purchase history. 3. **Host exclusive events or experiences:** Create opportunities for them to connect with the brand and other high-value customers. **Cluster 5:** * **Title:** The Price-Conscious Shoppers * **Persona:** These customers are primarily driven by price and make infrequent, low-value purchases. They are likely to compare prices and seek the best deals. * **Next Marketing Step:** 1. **Promote competitive pricing and value-driven offers:** Highlight your competitive prices and bundle deals to attract price-sensitive customers. 2. **Offer free shipping or other incentives:** Reduce purchase barriers by offering free shipping or other attractive incentives. 3. **Focus on product benefits and value for money:** Emphasize the quality and functionality of your products to justify the price point.

如需验证是否已完成以下目标，请点击检查我的进度： 使用 Gemini 生成营销活动。

任务 6. 清理项目资源（可选）

在本实验中，您在 Google Cloud 控制台中创建了资源。在生产环境中，您需要从账号中移除这些资源，因为从模型中收集到数据洞见后就不再需要这些资源了。如需从账号中移除这些资源，以免因使用这些资源产生更多费用，您有两个选择：

• 移除项目（请参阅下面的注意事项）
• 移除相应资源

通过移除项目清理资源

为避免系统因本教程中使用的资源而向您的 Google Cloud 账号收取费用，您可以删除为本教程创建的 Google Cloud 项目。

注意：删除项目会产生以下影响：

• 项目中的所有内容都会被删除。如果您是使用某个现有项目来执行本文档中的任务的，则删除该项目会一并删除您已在该项目中完成的所有其他工作。
• 自定义项目 ID 丢失。创建此项目时，您可能创建了要在将来使用的自定义项目 ID。如需保留使用该项目 ID 的网址（例如 appspot.com 网址），请删除项目内的选定资源，而不是删除整个项目。

如果您打算浏览多个架构、教程或快速入门，则重复使用项目可以帮助您避免超出项目配额上限。

1. 在 Google Cloud 控制台中，转到 IAM 和管理 > 管理资源页面。

2. 在项目列表中，选择要删除的项目，然后点击删除。

3. 在对话框中输入该项目的 ID，然后点击仍要关停以删除该项目。

通过删除相应资源来清理资源

为避免产生费用，您可以在笔记本的新代码单元中运行以下代码，以删除本实验中使用的表和模型：

# 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}")

运行该单元后，您可以在 BigQuery Studio 中刷新项目内容，查看表和模型是否已删除。

恭喜！

在本实验中，您学习了如何执行以下任务：

• 在 BigQuery Studio 中使用 Colab Enterprise Python 笔记本。
• 在 BigQuery Studio 中使用 BigQuery DataFrames。
• 使用 Gemini 根据自然语言提示生成代码。
• 构建 K-means 聚类模型。
• 生成聚类的可视化图表。
• 使用 Gemini 为营销活动制定后续行动建议。

可选阅读资源

现在，您已使用 Gemini、Vertex AI 和 BigQuery 帮助 Cymbal Superstore 识别客户、对其进行分类以及开发客户。如需了解有关 Gemini 的更多信息，请访问以下链接：

• Gemini for Google Cloud 概览
• Gemini 配额和限制

结束实验

完成实验后，请点击结束实验。Qwiklabs 会移除您使用过的资源并为您清理帐号。

系统会提示您为实验体验评分。请选择相应的评分星级，输入评论，然后点击提交。

星级的含义如下：

• 1 颗星 = 非常不满意
• 2 颗星 = 不满意
• 3 颗星 = 一般
• 4 颗星 = 满意
• 5 颗星 = 非常满意

如果您不想提供反馈，可以关闭该对话框。

如果要留言反馈、提出建议或做出更正，请使用支持标签页。

上次更新手册的时间：2025 年 9 月 3 日

上次测试实验的时间：2025 年 9 月 3 日

版权所有 2024 Google LLC 保留所有权利。Google 和 Google 徽标是 Google LLC 的商标。其他所有公司名称和产品名称可能是其各自相关公司的商标。