概览

在本实验中，您将担任 Cymbal Superstore 概念验证项目的数据分析师，使用 Gemini 和 BigQuery 分析数据并预测产品销售情况。在这个项目中，您还需要验证 Gemini 是否能帮助分析师生成新的 SQL 查询、补全查询以及解释复杂查询。

实验中所用的数据基于 BigQuery 公共数据集，特别是 bigquery-public-data.thelook_ecommerce 数据集，其中包含合成电子商务和数字营销数据。

本实验假定您熟悉结构化查询语言 (SQL) 和基本的数据分析任务。不要求您具备 Google Cloud 产品相关知识。如果您刚开始接触 BigQuery，请参阅 BigQuery 快速入门。

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：

• 借助 Gemini 解答有关 Google Cloud 数据分析产品和应用场景的问题。
• 在 BigQuery 中输入提示，让 Gemini 解释及生成 SQL 查询。
• 构建机器学习 (ML) 模型，预测未来周期数据。

设置

对于每个实验，您都会免费获得一个新的 Google Cloud 项目及一组资源，它们都有固定的使用时限。

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据
   • 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据。请勿使用您的 Google Cloud 账号凭据。 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。

激活 Cloud Shell

Cloud Shell 是一种包含开发工具的虚拟机。它提供了一个 5 GB 的永久性主目录，并且在 Google Cloud 上运行。Cloud Shell 可让您通过命令行访问 Google Cloud 资源。gcloud 是 Google Cloud 的命令行工具。它会预先安装在 Cloud Shell 上，且支持 Tab 键自动补全功能。

1. 在 Google Cloud Console 的导航窗格中，点击激活 Cloud Shell ()。

2. 点击继续。
   预配和连接到环境需要一些时间。若连接成功，也就表明您已通过身份验证，且相关项目的 ID 会被设为您的 PROJECT_ID。例如：

命令示例

• 列出有效的帐号名称：

gcloud auth list

（输出）

Credentialed accounts: - <myaccount>@<mydomain>.com (active)

（输出示例）

Credentialed accounts: - google1623327_student@qwiklabs.net

• 列出项目 ID：

gcloud config list project

（输出）

[core] project = <project_ID>

（输出示例）

[core] project = qwiklabs-gcp-44776a13dea667a6

任务 1. 配置环境和账号

在此任务中，您需要配置环境、账号和用户，以便启用 Cloud AI Companion API 以使用 Gemini。

1. 使用您的实验凭证登录 Google Cloud 控制台，并打开 Cloud Shell 终端窗口。

2. 在 Cloud Shell 中运行以下命令，设置项目 ID 和区域环境变量：

   PROJECT_ID=$(gcloud config get-value project) REGION={{{project_0.default_region|set at lab start}}} echo "PROJECT_ID=${PROJECT_ID}" echo "REGION=${REGION}"

3. 运行以下命令，将已登录的 Google 用户账号存储到环境变量中：

   USER=$(gcloud config get-value account 2> /dev/null) echo "USER=${USER}"

4. 启用 Cloud AI Companion API 以便使用 Gemini：

   gcloud services enable cloudaicompanion.googleapis.com --project ${PROJECT_ID}

5. 为您的 Google Skills 用户账号授予必要的 IAM 角色，以使用 Gemini：

   gcloud projects add-iam-policy-binding ${PROJECT_ID} --member user:${USER} --role=roles/cloudaicompanion.user gcloud projects add-iam-policy-binding ${PROJECT_ID} --member user:${USER} --role=roles/serviceusage.serviceUsageViewer

   添加这些角色后，用户即可开始使用 Gemini 助理。

如需验证是否已完成以下目标，请点击检查我的进度： 启用相关 API 并设置 IAM 角色。

任务 2. 在 BigQuery 中创建数据集并启用 Gemini 功能

在此任务中，您将在 BigQuery 中创建数据集并启用 Gemini 功能。

打开 BigQuery 控制台

1. 在 Google Cloud 控制台中，点击导航菜单下的 BigQuery。
   您会看到欢迎在 Cloud 控制台中使用 BigQuery 对话框，其中会显示快速入门指南的链接以及界面更新。

2. 点击完成以关闭对话框。

创建数据集

1. 在探索器面板中，针对 选择查看操作 ()，然后选择创建数据集。

   您需要创建数据集来存储数据库对象，包括表和模型。

2. 在创建数据集窗格中，输入以下信息：

   字段	值
   数据集 ID	bqml_tutorial

   将其他字段保留默认值。

3. 点击创建数据集。

在 BigQuery 中启用 Gemini 功能

1. 如需在 BigQuery 中打开 Gemini 功能，请点击工具栏中的 Gemini Code Assist ()。如果未显示，请刷新页面。

2. 如果系统提示，请点击启用以启用 Gemini for Google Cloud API。

3. Gemini 窗格中将显示“欢迎使用 Gemini”。点击开始对话。

   注意：如果开始对话按钮无法点击，请刷新页面，然后再次打开 Gemini。

4. 点击查询编辑器左侧面板中的 Gemini 图标 ()。在 SQL 查询中的 Gemini 窗格中，选择以下所有选项：

   • 自动补全

   • 自动生成

   • 解释

注意：若要在 BigQuery 中停用 Gemini 功能，请取消选择要停用的 Gemini 功能。

如需验证是否已完成以下目标，请点击检查我的进度： 创建数据集。

任务 3. 使用 Gemini 分析数据

Gemini 可帮助您发现和分析可用数据。

在查询数据之前，您需要知道自己可以访问哪些数据。每个数据产品的数据整理和存储方式各不相同。如需获取帮助，您可以向 Gemini 发送自然语言语句（或称为提示），例如：“How do I view which datasets and tables are available to me in BigQuery?”

如果您想了解不同数据查询系统的特征，可以输入提示来向 Gemini 询问具体的产品信息，如下所示：

• “How do I get started with BigQuery?”

• “What are the benefits of using BigQuery for data analysis?”

• “How does BigQuery handle auto-scaling for queries?”

在此任务中，您将输入提示来让 Gemini 回答有关数据的问题。

输入提示来让 Gemini 回答有关数据的问题

1. 如果尚未打开 Gemini Cloud Assist，在 BigQuery 控制台的工具栏中，点击 Gemini Cloud Assist ()。

2. 在 Gemini 窗格中，输入以下提示：

   How do I learn which datasets and tables are available to me in BigQuery?

3. 点击发送提示 ()。

   Gemini 不会将您的提示或其回答用作训练模型的数据。如需了解详情，请参阅 Gemini for Google Cloud 如何使用您的数据。

   Gemini 给出的回答可能类似以下内容：

4. 如需重置对话记录，请在 Gemini 窗格中点击更多操作，点击 + 发起新对话图标，即可打开新对话窗口。

注意：对话记录状态仅保留在内存中，在您切换到另一个工作区或关闭 Google Cloud 控制台后不会保留。

任务 4. 输入提示，让 Gemini 解释销售数据集中的 SQL 查询

Gemini 可以辅助您处理 SQL 相关工作。例如，当您使用他人编写的 SQL 查询时，Gemini in BigQuery 可以使用通俗易懂的语言解释复杂的查询。此类解释有助于您理解查询语法、底层架构和业务情境。

如需输入提示来让 Gemini 解释 SQL 查询示例，请按照以下步骤操作：

1. 在 BigQuery 控制台中，点击 SQL 查询以创建新的 SQL 查询。

2. 在查询编辑器中，粘贴您想让 Gemini 解释的查询。

   例如，您可能想了解销售数据集内数据表和查询之间的关系，可能还希望获得帮助来编写使用该数据集的查询。在以下示例查询中，您也许知道使用了哪些表，但对于查询的其他部分，可能需要花些时间解析和理解。

   SELECT u.id as user_id, u.first_name, u.last_name, avg(oi.sale_price) as avg_sale_price FROM `bigquery-public-data.thelook_ecommerce.users` as u JOIN `bigquery-public-data.thelook_ecommerce.order_items` as oi ON u.id = oi.user_id GROUP BY 1,2,3 ORDER BY avg_sale_price DESC LIMIT 10

3. 选择想让 Gemini 解释的查询，然后右键点击该所选查询。在菜单中，点击解释当前选择。

   SQL 解释会显示在 Cloud Assist 窗格中。

   对于上一步的示例查询，Gemini 将返回类似以下内容的解释：

   The intent of this query is to find the top 10 users by average sale price. The query first joins the users and order_items tables on the user_id column. It then groups the results by user_id , first_name , and last_name, and calculates the average sale price for each group. The results are then ordered by average sale price in descending order, and the top 10 results are returned. 注意：作为一种生成式工具，Gemini Code Assist 每次给出的回答可能会略有不同，但核心要点会保持一致。

如需验证是否已完成以下目标，请点击检查我的进度： 输入提示，让 Gemini 解释销售数据集中的 SQL 查询。

任务 5. 生成 SQL 查询，按日期和产品对销售额进行分组

您可以输入提示，让 Gemini 根据您的数据架构生成 SQL 查询。即使您没有任何代码基础、对数据架构的了解有限或仅掌握基础 SQL 语法，Gemini 也可以推荐一个或多个 SQL 语句。

在此任务中，您会生成一个查询，列出每天的热销产品。这类查询通常比较复杂，但您可以使用 Gemini 自动创建语句。然后，使用 thelook_ecommerce 数据集内的表，提示 Gemini 生成按订单项和产品名称计算销售额的查询。

查看公共数据集中的“order_items”和“products”表

1. 点击探索器，然后依次点击 + 添加数据 > 公共数据集。

2. 在搜索 Marketplace 中，输入 thelook。“theLook Ecommerce”公共数据集将显示在列表中。

3. 点击 theLook eCommerce。

4. 点击查看数据集。

一个新的 BigQuery 标签页即会打开，焦点将定位到 bigquery-public-data:thelook_ecommerce 数据集上。

5. 点击传统版探索器 ()，展开添加到探索器面板的 bigquery-public-data。

6. 向下滚动并找到 thelook_ecommerce，然后展开该数据集。您会看到 order_items 和 products 表。

7. 点击 order_items 表。该表的数据架构即会显示。

8. 点击 products 表。该表的数据架构即会显示。

   注意：先查看表架构，然后再根据 Gemini 中的提示运行查询，有助于避免出现错误和潜在幻觉。

输入提示来生成查询

1. 点击 打开一个新的未命名查询标签页。

2. 在查询标签页中，点击借助 Gemini 生成 SQL，复制并粘贴以下提示，然后点击生成。

# Generate a BigQuery SQL query to calculate the daily total sales for each product. The query should join the order_items table with the products table, both from the bigquery-public-data.thelook_ecommerce dataset, using a LEFT JOIN on the product ID. The final output must include the order date, product ID, product name, and the total sales, rounded to two decimal places. Use descriptive aliases for the tables and group by the column names rather than their positions. Please ensure the results are ordered with the highest total sales at the top.

Gemini 将推荐类似以下内容的 SQL 查询。如果您遇到任何错误，请重新运行提示，或者执行以下命令。

# Generate a BigQuery SQL query to calculate the daily total sales for each product. The query should join the order_items table with the products table, both from the bigquery-public-data.thelook_ecommerce dataset, using a LEFT JOIN on the product ID. The final output must include the order date, product ID, product name, and the total sales, rounded to two decimal places. Use descriptive aliases for the tables and group by the column names rather than their positions. Please ensure the results are ordered with the highest total sales at the top. SELECT DATE(order_items.created_at) AS order_date, order_items.product_id, products.name AS product_name, ROUND(SUM(order_items.sale_price), 2) AS total_sales FROM `bigquery-public-data.thelook_ecommerce.order_items` AS order_items LEFT JOIN `bigquery-public-data.thelook_ecommerce.products` AS products ON order_items.product_id = products.id GROUP BY order_date, order_items.product_id, product_name ORDER BY total_sales DESC; Note: Gemini might suggest multiple SQL statements for your prompt.

1. 若要接受建议的代码，请点击插入，然后点击运行以执行 SQL 语句。您还可以滚动浏览建议的 SQL 语句，并接受语句中建议的具体字词。

2. 在查询结果窗格中，查看查询结果。

如需验证是否已完成以下目标，请点击检查我的进度： 生成 SQL 查询，按日期和产品对销售额进行分组。

任务 6. 构建预测模型并查看结果

在此任务中，您将使用 BigQuery ML 构建一个预测模型，并输入 Gemini 提示来使用该模型查询数据。

构建模型

您可以使用以下示例查询，并将实际销售额作为模型的输入。该查询将用于创建 ML 模型。

• 若要创建预测 ML 模型，请在 BigQuery SQL 编辑器中运行以下 SQL 命令：

  CREATE MODEL bqml_tutorial.sales_forecasting_model OPTIONS(MODEL_TYPE='ARIMA_PLUS', time_series_timestamp_col='date_col', time_series_data_col='total_sales', time_series_id_col='product_id') AS SELECT sum(sale_price) as total_sales, DATE(created_at) as date_col, product_id FROM `bigquery-public-data.thelook_ecommerce.order_items` AS t1 INNER JOIN `bigquery-public-data.thelook_ecommerce.products` AS t2 ON t1.product_id = t2.id GROUP BY 2, 3;

  您可以借助 Gemini 来理解此查询。

  注意：此查询大约需要 10 分钟才能完成。在模型运行期间，您还可以向 Gemini 提出一些问题，例如“What is an ARIMA_PLUS model type?”

  模型创建后，“结果”窗格中会显示类似于以下内容的消息：

  Successfully created model named sales_forecasting_model.

输入提示，使用该模型查询数据

1. 点击 打开新的未命名查询标签页。

2. 在查询标签页中，点击借助 Gemini 生成 SQL，输入以下提示，然后点击生成。

   # Use sales_forecasting_model from the bqml_tutorial dataset in my project to generate a forecast and return all the resulting data.

   Gemini 将推荐类似以下内容的 SQL 查询。如果您遇到任何错误，请重新运行提示，或者执行以下命令。

   # Use sales_forecasting_model from the bqml_tutorial dataset in my project to generate a forecast and return all the resulting data. SELECT * FROM ML.FORECAST(MODEL `bqml_tutorial.sales_forecasting_model`) 注意：Gemini 可能会根据您的提示推荐多个 SQL 查询语句。

3. 若要接受建议的代码，请点击插入，然后点击运行以执行 SQL 语句。您还可以滚动浏览建议的 SQL 语句，并接受语句中建议的具体字词。

4. 在查询结果窗格中，查看查询结果。

如需验证是否已完成以下目标，请点击检查我的进度： 构建预测模型并查看结果。

恭喜！

在本实验中，您学习了如何执行以下任务：

• 借助 Gemini 解答有关 Google Cloud 数据分析产品和应用场景的问题。
• 在 BigQuery 中输入提示，让 Gemini 解释及生成 SQL 查询。
• 构建机器学习 (ML) 模型，预测未来周期数据。

可选阅读资源

现在，您已了解如何在 BigQuery 中使用 Gemini 分析数据，如果您想详细了解 Gemini，请参阅撰写更好的 Gemini for Google Cloud 提示。

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。

版权所有 2026 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。