GSP1257

總覽

想像您是試著解開謎團的偵探，手上握有許多大型資料試算表。

您是 Data Beans 的新進資料分析師，這間公司專精於收集、分析全國行動咖啡車公司的資料，並生成洞察結果。到職的第一週，公司請您負責分析與咖啡車、菜單和點餐單相關的資料。新進員工夥伴建議您搭配使用 BigQuery 中的資料表探索工具和資料洞察結果功能，藉此解讀資料並從中取得洞察結果。這些功能可以協助您著手探索公司資料並取得洞察結果，無須從頭編寫 SQL 查詢。

目標

本實驗室的練習內容包括：

• 生成點餐單品項資料表的洞察結果。
• 搭配使用資料表探索工具和地點資料表，生成基本查詢。
• 不使用 SQL 程式碼，直接查詢點餐單品項資料表。

完成這些目標之後，您將運用其中一項功能探索菜單和點餐單資料表，練習方式不拘。

最後，您需要花點時間回答實驗室日誌中的問題，回顧在本實驗室學到的內容，思考如何在自己的實際工作中，應用資料表探索工具和資料深入分析功能。

設定和需求

瞭解以下事項後，再點選「Start Lab」按鈕

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

您將在真正的雲端環境完成實作實驗室活動，而不是模擬或示範環境。為此，我們會提供新的暫時憑證，供您在實驗室活動期間登入及存取 Google Cloud。

為了順利完成這個實驗室，請先確認：

• 可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。

注意事項：請使用無痕模式 (建議選項) 或私密瀏覽視窗執行此實驗室，這可以防止個人帳戶和學員帳戶之間的衝突，避免個人帳戶產生額外費用。

• 是時候完成實驗室活動了！別忘了，活動一旦開始將無法暫停。

注意事項：務必使用實驗室專用的學員帳戶。如果使用其他 Google Cloud 帳戶，可能會產生額外費用。

如何開始研究室及登入 Google Cloud 控制台

1. 點選「Start Lab」按鈕。如果實驗室會產生費用，畫面上會出現選擇付款方式的對話方塊。左側的「Lab Details」窗格會顯示下列項目：

   • 「Open Google Cloud console」按鈕
   • 剩餘時間
   • 必須在這個研究室中使用的臨時憑證
   • 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，也能按一下滑鼠右鍵，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，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：如果頁面中顯示「選擇帳戶」對話方塊，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. 點選「下一步」。

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. 點選「下一步」。

   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：如果使用自己的 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：如要使用 Google Cloud 產品和服務，請點選「導覽選單」，或在「搜尋」欄位輸入服務或產品名稱。

工作 1：生成點餐單品項資料表的洞察結果

在這項工作，您會為 coffee_on_wheels 資料集內的 order_item 資料表啟用資料深入分析功能。

任何人都能透過資料深入分析工具探索資料，並取得洞察結果，無須編寫複雜的 SQL 查詢。

1. 前往 Google Cloud 控制台，依序點按「導覽選單」>「BigQuery」>「Studio」。

2. 點按歡迎彈出式視窗中的「完成」。

3. 在「傳統版 Explorer」面板展開 專案。您會在清單底部找到 coffee_on_wheels 資料集。

4. 展開「coffee_on_wheels」資料集，您會看見 order_item 資料表。

5. 點按「order_item」資料表，即可找到 order_item 結構定義。請查看結構定義詳情。

6. 點按「深入分析結果」分頁標籤，您會看見「尚未產生深入分析資訊」訊息。這是正常現象，因為您尚未在實驗室環境生成洞察結果。

7. 請點按「生成但不發布」按鈕。

8. 從「區域」下拉式選單選取「」區域，然後點按「生成」，Gemini 會開始生成 order_item 資料表的洞察結果。

   注意：生成資料表洞察結果需要幾分鐘的時間，這是正常現象。請等待洞察結果生成完畢，再確認這項工作是否完成。您稍後會回來使用 order_item 資料表的洞察結果。

點選「Check my progress」，確認目標已達成。 生成點餐單品項資料表的洞察結果。

工作 2：運用資料表探索工具，查看地點資料表詳情

等待洞察結果生成的期間，您會使用資料表探索工具這項 BigQuery 功能，查看 coffee_on_wheels 資料集內的 location 資料表。您也會透過資料表探索工具建立基本查詢，找出與 Coffee Cart Connection、Empire Espresso 和 Street Sips 咖啡車相關聯的所有欄位。

使用資料表探索工具

1. 點按「傳統版 Explorer」面板中的「location」資料表，您會看見 location 資料表的結構定義。請查看結構定義詳情。

2. 點按「資料表探索工具」分頁標籤。您會發現 BigQuery Studio 頁面出現變化，頂端出現「不重複值」專區，底部則出現「產生的查詢」專區，當中列出下列查詢：

   SELECT * FROM `{{{project_0.project_id|set at lab start}}}.coffee_on_wheels.location`;

   請在「不重複值」專區操作，點按「選取欄位」按鈕來新增欄位。您會發現「產生的查詢」專區中的查詢出現變化。

選取欄位並建立基本查詢

1. 點按「選取欄位」，您會看見資料表中的所有欄位。

2. 選取所有欄位並點按「儲存」，接著您會看見各欄位的互動式資訊卡，當中顯示資料集內各欄位最常見的值。您可以參考資訊卡中的值來修改查詢。不過在 SQL 陳述式，您一次只能使用一張資訊卡做為篩選條件 (WHERE 子句)。

3. 接著，您將使用 location_name 資訊卡建立新的查詢。請點按下列值：

   • Coffee Cart Connection
   • Street Sips
   • Empire Espresso Explorer
   注意：選取這些值之後，BigQuery 會顯示「這段指令碼會在執行時處理 5.7 KB 的資料」。這代表執行查詢時，指令碼會處理的資料量。

   另外，您會發現查詢如下所示：

   SELECT `city_id`, `company_id`, `location_id`, `location_name`, `location_type` FROM `{{{project_0.project_id|set at lab start}}}.coffee_on_wheels.location` WHERE (`location_name` IN ('Coffee Cart Connection', 'Empire Espresso Explorer', 'Street Sips'));

4. 點按「套用」。您會發現其他資訊卡中的值出現變化。

5. 點按「複製到查詢」。

6. BigQuery Studio 中會開啟名為未命名的查詢的新分頁。

7. 點按「執行」。您會得到 3 個資料列，分別為各咖啡車的 city_id、company_id、location_id、location_name 和 location_type。

   恭喜！您剛剛以資料表探索工具編寫了第一項查詢，而且未使用 SQL 程式碼。

總結來說，資料表探索工具可讓您在 BigQuery 著手探索資料，這項工具非常適合 SQL 初學者，或是想要快速解讀資料的使用者。

使用資料表探索工具時請留意幾個重要事項：

• 這項視覺化工具僅支援一次探索一個資料表。
• 不支援複雜作業，例如跨多個資料表的 join。
• 只能生成簡單的 SQL 查詢。舉例來說，您無法建立內含 AND 或 OR 等運算元的複雜 WHERE 子句陳述式。
• 無法在 AI 輔助下撰寫複雜的查詢。

回顧時間

1. 綜合考量 BigQuery 功能和您手上的資料，您會如何運用資料表探索工具？

點選「Check my progress」，確認目標已達成。運用資料表探索工具，查看地點資料表詳情。

工作 3：不使用程式碼，直接查詢點餐單品項資料表

您在先前工作生成的洞察結果已可使用。在這項工作中，您會運用根據這些洞察結果生成的提示來查詢 order_item 資料表，而且不使用程式碼。

選取洞察結果並執行相關聯的查詢

1. 點按「傳統版 Explorer」面板中的「order_item」資料表，然後查看結構定義和相關聯的欄位。

2. 點按「深入分析結果」。請注意，您現在應該會看見稍早生成的洞察結果。

   注意：各項洞察結果會以問句呈現，開頭為 who、what、when、where 和 how，或是以 calculate、identify、find 等動詞開頭。

3. 請查看洞察結果清單，並搜尋類似下方的洞察結果：

   What is the total revenue generated from each menu item? 注意：這項洞察結果可能是依據「This query calculates the total revenue generated by each menu item.」(這項查詢計算了個別菜單品項產生的總收益) 這樣的詞句生成。 注意：洞察結果由 Gemini 生成，實際語句不一定與上方完全相同，這是因為 Gemini 是依據資料集內容和經過訓練的模型，預測出洞察結果。請搜尋類似的內容，查看 order_item 資料表中個別菜單品項的總收益。如果需要使用這則範例提示，只要點按「生成洞察資料」按鈕，就能重新生成洞察結果。

4. 找到類似的洞察結果之後，請展開該項洞察結果，查看底層 SQL 程式碼，您應該會看見類似下方的查詢：

   SELECT menu_id, SUM(item_total) AS total_revenue FROM `coffee_on_wheels.order_item` GROUP BY menu_id;

5. 點按「複製到查詢」，BigQuery Studio 中就會開啟新分頁「未命名的查詢」，當中列出問題 (用於生成查詢的提示) 和查詢。

6. 點按「執行」。查詢執行完畢之後，就會顯示結果。注意到結果包含兩個欄位：菜單 ID 和個別菜單品項產生的總收益。這項資訊雖然實用，但我們無法快速得知哪個品項的收益最高，而且總收益欄位也包含多餘的小數位數。這個情況同樣不需要 SQL 程式碼即可解決。

不使用程式碼，將查詢轉換為僅含兩個小數位數

1. 選取查詢。

2. 在 SELECT 陳述式的左側，依序點按 圖示和「轉換」。畫面中會顯示對話方塊，內含空白的文字欄位和「生成」按鈕。您可以在這裡以自然語言轉換查詢。

3. 輸入下列提示詞：

   將 total_revenue 的結果四捨五入至小數點後兩位數。

4. 點按「產生」，原始查詢會以紅底文字呈現，修改過的查詢則為綠底文字。

5. 如果同意系統建議的新查詢，請點按「插入」。查詢會插入「未命名的查詢」分頁，應會如下所示：

   -- What is the total revenue generated by each menu item? -- Display total_revenue as 2 decimal points. SELECT menu_id, ROUND(SUM(item_total), 2) AS total_revenue FROM `{{{project_0.project_id|set at lab start}}}.coffee_on_wheels.order_item` GROUP BY 1;

6. 點按「執行」。您會發現 total_revenue 欄位的格式有變，現在結果只包含兩個小數位數。

轉換查詢，按照遞減順序排列結果

1. 選取查詢。

2. 在 SELECT 陳述式的左側，依序點按 圖示和「轉換」。

3. 輸入下列提示詞：

   按照遞減順序排列 total_revenue 欄位。

4. 點按「產生」，原始查詢會以紅底文字呈現，修改過的查詢則為綠底文字。

5. 如果同意系統建議的新查詢，請點按「插入」。查詢會插入「未命名的查詢」分頁，應會如下所示：

   -- What is the total revenue generated from each menu item? -- Display total_revenue as 2 decimal points. -- Order the total_revenue field in descending order. SELECT menu_id, ROUND(SUM(item_total), 2) AS total_revenue FROM `{{{project_0.project_id|set at lab start}}}.coffee_on_wheels.order_item` GROUP BY menu_id ORDER BY total_revenue DESC;

6. 點按「執行」。您會發現 total_revenue 欄位已按照遞減順序排列，總收益最高的菜單品項排在最上面。

恭喜！您已成功透過資料深入分析功能選取並轉換洞察結果，而且未使用 SQL 程式碼。

總結來說，任何人都能透過 BigQuery 資料洞察功能探索資料，並取得洞察結果，不必編寫複雜的 SQL 查詢。

以下整理 BigQuery 深入分析功能的幾個重點：

• 這項工具適合用來探索及解讀資料，非常適合 SQL 初學者或想要開始分析資料的使用者。
• 您可以運用 Gemini，依據資料的中繼資料生成查詢，輕鬆取得所需的洞察結果。
• 這項工具可以幫助您發揮資料潛藏的價值。

回顧時間

1. 以 order_item 資料表來說，您認為哪些洞察結果最實用？

2. 綜合考量 BigQuery 功能和您手上的資料，您會如何運用資料深入分析功能？

點選「Check my progress」，確認目標已達成。 不使用程式碼，直接查詢點餐單品項資料表。

工作 4：查看菜單和點餐單資料表

在這項工作中，您會探索 coffee_on_wheels 資料集內其餘的菜單和點餐單資料表，並使用實驗室日誌回答下方的問題。您已學會使用資料深入分析功能和資料表探索工具，不妨加以活用並回答下列問題。如果願意，也可以自行編寫查詢，不過請留意這個實驗室的剩餘時間。請預留 5 分鐘確認所有進度均已達成，以獲得完成實驗室的學分。

1. 找出各飲品大小平均價格最高的三個品項。

   • 什麼資料表含有這類資訊？
   • 哪項工具可以幫助您回答這個問題？

2. 找出來自 location_id 37 的所有點餐單。

   • 什麼資料表含有這類資訊？
   • 來自這個地點的點餐單有多少？
   • 您會運用哪項工具找出所有點餐單？

3. 哪項工具對您的用途較有幫助，資料表探索工具還是資料深入分析功能？為什麼？

回答完所有問題之後，歡迎查看實驗室日誌解答。

恭喜！

透過這個實驗室，您學會生成資料洞察結果，並運用這些洞察結果查詢 coffee_on_wheels 資料集，而且未使用程式碼。您也學會如何不使用程式碼，透過資料表探索工具探索地點資料表，並生成基本查詢。最後，您思考了如何將這些功能應用於自己的資料和 BigQuery 用途。

後續行動/瞭解詳情

回想您在這個實驗室和日誌回覆學到的重點，並與團隊成員分享。點按下列連結學更多：

• 資料深入分析
• 資料表探索工具
• Gemini 模型
• 生成式 AI

Google Cloud 教育訓練與認證

協助您瞭解如何充分運用 Google Cloud 的技術。我們的課程會介紹專業技能和最佳做法，讓您可以快速掌握要領並持續進修。我們提供從基本到進階等級的訓練課程，並有隨選、線上和虛擬課程等選項，方便您抽空參加。認證可協助您驗證及證明自己在 Google Cloud 技術方面的技能和專業知識。

使用手冊上次更新日期：2025 年 11 月 28 日

實驗室上次測試日期：2025 年 11 月 28 日

Copyright 2026 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。