總覽

在本實驗室中，您是 Cymbal Superstore 的資料科學家，負責協助行銷團隊辨識、分類及開發新客。主管要求您依據訂購行為將顧客分為 5 組，並提供每組的描述性統計資料。此外，您也想按群組向行銷團隊提出後續步驟，方便他們採取行動。

為了辨識新客，您將透過 Gemini、Vertex AI 與 BigQuery，利用電子商務資料建構 k-means 分群模型，並製作圖表與摘要，規劃行銷廣告活動的後續步驟。本實驗室適用對象為資料科學家，資歷不限。

我們已替您完成環境設定，包括為 Gemini 啟用 Cloud AI Companion，以及授予使用 Gemini 所需的 IAM 角色。詳情請參閱「Gemini for Google Cloud 簡介」一文。

注意：Duet AI 已更名為 Gemini，這是我們的新一代模型，本研究室的內容也已據此更新。參考研究室指示時，在使用者介面或說明文件中若有任何內容提及 Duet AI，請視為 Gemini。 注意：Gemini 仍處於早期技術階段，因此可能會輸出看似合理卻與事實不符的內容。使用輸出內容前，請先確認內容是否屬實。如要瞭解詳情，請參閱 Gemini 版 Google Cloud 和負責任的 AI 技術。

目標

在本實驗室中，您將瞭解如何執行下列工作：

• 在 BigQuery Studio 中使用 Colab Enterprise Python 筆記本。
• 在 BigQuery Studio 中使用 BigQuery DataFrames。
• 開啟 Gemini，使用自然語言提示詞生成程式碼。
• 建立 k-means 分群模型。
• 製作叢集圖表。
• 使用 Gemini Pro 模型為行銷廣告活動規劃後續步驟。
• 清除專案資源。

設定和需求

瞭解下列事項後，再點選「Start Lab」按鈕

請詳閱以下操作說明。實驗室活動會計時，中途無法暫停。點選「Start Lab」後就會開始計時，顯示可使用 Google Cloud 資源的時間。

您將在真正雲端環境中完成實作，而不是在模擬或示範環境。因此，我們會提供新的暫時憑證，讓您在實驗室活動期間登入及存取 Google Cloud。

如要順利完成這個實驗室活動，請先確認：

• 可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。

注意：請使用無痕模式或私密瀏覽視窗執行本實驗室，防止個人帳戶和學生帳戶之間的衝突，避免個人帳戶產生額外費用。

• 該來完成實驗室活動了！別忘了，活動開始後就無法暫停。

注意：如有個人 Google Cloud 帳戶或專案，請勿用於本實驗室，以免產生額外費用。

如何開始實驗室及登入 Google Cloud 控制台

1. 按一下「Start Lab」按鈕。如果實驗室會產生費用，畫面中會出現選擇付款方式的彈出式視窗。左側的「Lab Details」窗格會顯示下列項目：

   • 「Open Google Cloud console」按鈕
   • 剩餘時間
   • 必須在這個實驗室中使用的暫時憑證
   • 完成這個實驗室所需的其他資訊 (如有)

2. 點選「Open Google Cloud console」；如果使用 Chrome 瀏覽器，也可以按一下滑鼠右鍵，選取「在無痕視窗中開啟連結」。

   接著，實驗室會啟動相關資源並開啟另一個分頁，當中顯示「登入」頁面。

   提示：您可以在不同的視窗中並排開啟分頁。

   注意：頁面中顯示「選擇帳戶」對話方塊時，請點選「使用其他帳戶」。

3. 如有必要，請將下方的 Username 貼到「登入」對話方塊。

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

   您也可以在「Lab Details」窗格找到 Username。

4. 點按「Next」。

5. 複製下方的 Password，並貼到「歡迎使用」對話方塊。

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

   您也可以在「Lab Details」窗格找到 Password。

6. 點按「Next」。

   重要事項：請務必使用實驗室提供的憑證，而非自己的 Google Cloud 帳戶憑證。 注意：使用自己的 Google Cloud 帳戶來進行這個實驗室，可能會產生額外費用。

7. 按過後續的所有頁面：

   • 接受條款及細則。
   • 由於這是臨時帳戶，請勿新增救援選項或雙重驗證機制。
   • 請勿申請免費試用。

Google Cloud 控制台稍後會在這個分頁開啟。

注意：點選左上角的「導覽選單」圖示，可查看列出 Google Cloud 產品和服務的選單。

工作 1：為專案建立 BigQuery 資料集

在這項工作中，您將在 BigQuery 建立電子商務資料集，用來儲存您在本實驗室中分好類的電子商務資料。

1. 前往 Google Cloud 控制台，依序選取「導覽選單」圖示 和「BigQuery」。

   接著，畫面會顯示「歡迎使用 Cloud 控制台中的 BigQuery」的彈出式視窗。

2. 點按「完成」。

3. 在「Explorer」面板，請選取 的「查看動作」圖示 ，然後選擇「建立資料集」。

   建立資料集，即可儲存資料庫物件，包括資料表和模型。

4. 在「建立資料集」窗格，輸入以下資訊：

   欄位	值
   資料集 ID	電子商務
   位置類型	選取「多區域」
   多區域	選取「美國 (多個美國地區)」

   其他欄位保留預設值。

5. 點按「建立資料集」。

點選「Check my progress」，確認目標已達成。 為專案建立 BigQuery 資料集。

工作 2：建立新的 Python 筆記本

在這項工作中，您會在 BigQuery 建立新的 Python 筆記本，使用 Gemini in BigQuery。您在 BigQuery 必須具備 Python 筆記本，才能利用 Python 機器學習程式庫來辨識顧客，並依據電子商務資料集中的購物資料將他們分組。

1. 前往 Google Cloud 控制台，依序選取「導覽選單」圖示 和「BigQuery」。

2. 在頁面頂端，點選加號圖示旁的向下箭頭。

3. 依序選取「筆記本」>「空白筆記本」。

4. 從下拉式選單中選取要儲存程式碼資產的區域 ，然後點按「選取」。

5. 在「從範本開始」窗格中，點選「關閉」。

工作 3：在 BigQuery 連線至 Colab Enterprise 執行階段

下一步是在 BigQuery 中連線至 Colab Enterprise 執行階段。執行階段就像是 BigQuery 中的代管環境，讓您存取機器學習程式庫，並用來辨識顧客及分組。

1. 在 BigQuery Studio 控制台中，點按筆記本右上角的「向下箭頭」(在「連線」旁邊)。

2. 在下拉式選單中，選取「連線到執行階段」。

3. 選取「建立新的執行階段」。

4. 選取「建立預設執行階段」。

5. 點選「Qwiklabs 學生 ID」。

注意：請稍候，讓系統分配執行階段。瀏覽器視窗底部的連線狀態會更新成「已連線」。Python 筆記本也會新增至專案下的 Explorer 筆記本部分。

點選「Check my progress」，確認目標已達成。 在 BigQuery 連線至 Colab Enterprise 執行階段。

工作 4：建構 Python 筆記本

在這項工作中，您將建構 Python 筆記本，請按照下列步驟操作：

• 匯入 Python 程式庫
• 定義變數
• 從公開資料集中，建立基本資料表並匯入為 BigQuery DataFrame
• 生成 k-means 分群模型和圖表

匯入 Python 程式庫並定義變數

建構 Python 筆記本的第一步，是匯入 Python 程式庫並定義變數。

如要將程式庫匯入筆記本，請按照下列步驟操作：

1. 在筆記本中新增程式碼儲存格，然後點按筆記本視窗頂端的「+Code」按鈕。

2. 將下列程式碼片段貼入儲存格：

   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. 執行 儲存格。

   執行階段會載入 Python 程式庫，大約需要一分鐘。您可以查看瀏覽器視窗底部的執行階段狀態，確認目前進度。

   載入完畢後，您會在儲存格的「執行」按鈕旁看到綠色勾號 。

下方表格列出稍早匯入筆記本的 Python 程式庫相關資訊，簡要說明個別項目。

程式庫	說明
BigQuery	Google BigQuery 適用的 Python 用戶端
AI 平台	Vertex AI SDK for Python
bigframes.pandas	BigQuery DataFrames
pandas	開放原始碼資料分析及控制工具，以 Python 程式設計語言建構。
TextGenerationModel	使用 Vertex AI 建立 LanguageModel。
Kmeans	用於在 BigQuery DataFrames 中建立 k-means 分群模型
train_test_split	用於將來源資料集分割成測試及訓練子集，以及在 BigQuery DataFrames 中調整模型。

注意：點按各項目的連結，可進一步瞭解程式庫。

定義變數並啟動 BigQuery 和 Vertex AI 的連線

下一步是定義變數並啟動 BigQuery 和 Vertex AI 的連線。

1. 在筆記本結尾新增另一個程式碼儲存格。

2. 將下列程式碼片段貼入儲存格：

   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. 使用 取代 <project_id>。

4. 使用 取代 <location>。

5. 執行 儲存格。

建立並匯入 ecommerce.customer_stats 資料表

接下來要將 thelook_ecommerce BigQuery 公開資料集中的資料，儲存至電子商務資料集中名為 customer_status 的新資料表。

1. 在筆記本結尾新增另一個程式碼儲存格。

2. 將下列程式碼片段貼入儲存格：

   %%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. 執行 儲存格。

使用 Gemini 提示詞，建立 BigQuery DataFrame 並載入資料

在這個步驟中，您會使用 Gemini 提示詞建立 BigQuery DataFrame，並載入顧客統計資料，方便稍後透過 k-means 分群模型處理資料。

注意：正如本實驗室開頭所述，使用 Gemini 的輸出結果前，均須確認內容是否屬實。我們提供了一些程式碼範例，協助您執行相關操作，不過，請勿依原樣複製貼上，因為有時候可能行不通，您可能必須透過 Gemini 重新生成程式碼，輸出內容比較理想。

1. 在筆記本結尾新增另一個程式碼儲存格。

2. 在儲存格中點按「生成」，就能使用 Gemini 生成程式碼。您會看到可以新增文字的提示詞區。

3. 將下列文字貼入提示詞區：

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

4. 點選「生成」。Gemini 會生成下列程式碼。

   bqdf = client.read_gbq(f"{project_id}.{dataset_name}.{table_name}") df.head(10) 注意：在前一個步驟中，您在筆記本新增程式碼至 2 號儲存格。這個筆記本將專案 ID、資料集名稱和資料表名稱儲存為變數。完成這個步驟，即可在下個步驟順利執行儲存格，建立 DataFrame 並顯示前 10 列。

5. 重新生成程式碼，確保輸出內容看起來與下方顯示的程式碼類似：

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

6. 執行 儲存格。

   您會看到 BigQuery DataFrame 輸出內容，其中顯示資料集的前 10 列。

生成 k-means 分群模型

現在 BigQuery DataFrame 中有顧客資料，您將建立 k-means 分群模型，並依訂單回購率、訂單數量和花費等欄位分割顧客資料。接著，在筆記本中直接將這些欄位以群組呈現為圖表。

1. 在筆記本結尾新增另一個程式碼儲存格。

2. 在儲存格中點按「生成」，Gemini 就會透過提示詞生成程式碼。

3. 將下列提示詞新增至儲存格：

   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. 點選「生成」。您會看到類似下方的輸出內容：

   #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. 執行 儲存格。

   注意：這個步驟大約需要 2 分鐘。

   您的模型已建立！

6. 點按專案名稱旁的三點圖示，然後選取「重新整理內容」，即可重新整理 Explorer 面板的內容。內容應該會出現在電子商務資料集下方。

   接著要定義新的 BigQuery DataFrame，將 k-means 模型製作的區隔/叢集彙整至原始資料。

7. 在筆記本結尾新增另一個程式碼儲存格。

8. 在儲存格中點按「生成」，

   Gemini 就會透過提示詞生成程式碼。

9. 將下列提示詞新增至儲存格：

   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. 點選「生成」。您會看到類似下方的輸出內容：

    # 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. 執行 儲存格。

    您會看到前 10 項記錄顯示 CENTROID_ID。CENTROID_ID 是本實驗室中稍後用來分類顧客的叢集。您也會看到 user_id、days_since_last_order、count_orders 和 average_spend 欄位。

點選「Check my progress」，確認目標已達成。 生成 k-means 分群模型。

生成 k-means 分群模型結果的圖表

在這個步驟中，您將建立 k-means 分群模型結果的圖表。也就是說，您將使用 predictions_df 生成散布圖，依據平均花費查看上次訂購迄今的天數關係，並按照 segment_id (使用 k-means 模型生成) 加上顏色標示。

1. 在筆記本結尾新增另一個程式碼儲存格。

2. 在儲存格中點按「生成」，Gemini 就會透過提示詞生成程式碼。

3. 將下列提示詞新增至儲存格：

   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. 點選「生成」。 您會看到類似下方的輸出內容：

   #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. 只要在「c=predictions_df」欄位中，將「cluster」或「cluster_id」改成「CENTROID_ID」即可。

6. 執行 儲存格。

   畫面上會顯示圖表。

注意：如果您收到 TypeError，請將程式碼改成範例輸出內容，再執行儲存格。

點選「Check my progress」，確認目標已達成。 生成 k-means 分群模型結果的圖表。

工作 5：生成模型結果的洞察資訊

這項工作要生成模型結果的洞察資訊，執行步驟如下：

• 為每個來自 k-means 模型的叢集製作摘要
• 定義行銷廣告活動提示詞
• 使用 Gemini 生成行銷廣告活動

為每個來自 k-means 模型的叢集製作摘要

在這個步驟中，您將為每個來自 k-means 模型的叢集製作摘要。

1. 在筆記本結尾新增另一個程式碼儲存格。

2. 將下列程式碼片段貼入儲存格：

   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. 執行 儲存格。

   叢集摘要應該會顯示在資料表中。您可以從這份資料表中取得洞察資訊，瞭解部分叢集的平均花費較高，部分則是訂單數量較多。

   接下來要將 DataFrame 轉為字串，並傳送至大型語言模型呼叫。

4. 在筆記本結尾新增另一個程式碼儲存格。

5. 將下列程式碼片段貼入儲存格：

   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. 執行 儲存格。

   畫面上應該會顯示類似以下的輸出內容：

   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 模型生成行銷廣告活動

您已建立 k-means 模型、為每種顧客指派來自模型的叢集，以及為每個叢集生成摘要統計資料。在這個步驟中，您將輸入提示詞，讓 Gemini 生成程式碼，建立行銷廣告活動，並提供顧客洞察資訊及行銷團隊的後續步驟。

我們會為每個由 k-means 模型定義的叢集/區隔，產生三個可供行銷團隊使用的項目：

• 名稱
• 特色
• 後續行銷步驟

1. 在筆記本結尾新增另一個程式碼儲存格。

2. 將下列程式碼片段貼入儲存格：

   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. 執行 儲存格。

   您應該會看到各個叢集，標有名稱、特色和後續步驟。

   **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.

點選「Check my progress」，確認目標已達成。 使用 Gemini 生成行銷廣告活動。

工作 6：清理專案資源 (選用)

在本實驗室中，您已在 Google Cloud 控制台建立資源。取得模型的洞察資訊後，就不再需要這些資源了，因此請在正式環境中從帳戶移除這些資源。請選擇下列其中一種移除方式，以免未來產生使用費：

• 移除專案 (請見下方注意事項)
• 移除個別資源

透過移除專案來清理資源

本教學課程需使用資源，請刪除在本課程中建立的 Google Cloud 專案，避免系統向您的 Google Cloud 帳戶收取相關費用。

警告：刪除專案會出現以下結果：

• 專案中所有內容皆會刪除。如果您使用現有專案來進行本文中的工作，刪除專案將一併刪除其中已完成的所有工作。
• 自訂專案 ID 將消失。您建立這個專案時，可能已建立日後使用的自訂專案 ID。如要保留使用該專案 ID 的網址 (如 appspot.com 網址)，請在專案中刪除選定的資源，不要刪除整個專案。

如想瞭解多種架構、教學課程或快速入門導覽課程，重複使用專案可避免超出專案配額限制。

1. 在 Google Cloud 控制台中，前往「IAM 與管理」>「管理資源」頁面。

2. 在專案清單中選取要刪除的專案，點選「刪除」。

3. 在對話方塊中輸入「專案 ID」，然後點按「仍要關閉」來刪除專案。

透過刪除個別資源來清理資源

刪除本實驗室使用的資料表及模型，可避免產生費用，請在筆記本的新程式碼儲存格中執行下列程式碼：

# 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}")

執行儲存格後，在 BigQuery Studio 中重新整理專案內容，確認已刪除資料表和模型。

恭喜！

在本實驗室中，您已學會如何執行下列工作：

• 在 BigQuery Studio 中使用 Colab Enterprise Python 筆記本。
• 在 BigQuery Studio 中使用 BigQuery DataFrames。
• 開啟 Gemini，使用自然語言提示詞生成程式碼。
• 建立 k-means 分群模型。
• 生成叢集圖表。
• 使用 Gemini 為行銷廣告活動規劃後續步驟。

選讀內容

您已學會如何使用 Gemini、Vertex AI 和 BigQuery 來辨識、分類及協助開發 Cymbal Superstore 顧客。如果想進一步瞭解 Gemini，請參閱以下連結：

• Gemini for Google Cloud 簡介
• Gemini 配額與限制

關閉研究室

如果您已完成研究室，請按一下「End Lab」(關閉研究室)。Qwiklabs 會移除您已用的資源，並清除使用帳戶。

您可以為研究室的使用體驗評分。請選取合適的星級評等並提供意見，然後按一下「Submit」(提交)。

星級評等代表您的滿意程度：

• 1 星 = 非常不滿意
• 2 星 = 不滿意
• 3 星 = 普通
• 4 星 = 滿意
• 5 星 = 非常滿意

如果不想提供意見回饋，您可以直接關閉對話方塊。

如有任何想法、建議或指教，請透過「Support」(支援) 分頁提交。

使用手冊上次更新日期：2025 年 9 月 3 日

實驗室上次測試日期：2025 年 9 月 3 日

Copyright 2024 Google LLC 保留所有權利。Google 和 Google 標誌是 Google LLC 的商標，其他公司和產品名稱則有可能是其關聯公司的商標。