准备工作
- 实验会创建一个 Google Cloud 项目和一些资源，供您使用限定的一段时间
- 实验有时间限制，并且没有暂停功能。如果您中途结束实验，则必须重新开始。
- 在屏幕左上角，点击开始实验即可开始
检查点
Enable relevant APIs and set IAM roles
/ 20
Create a dataset
/ 20
Prompt Gemini to explain SQL queries in a sales dataset
/ 20
Generate a SQL query that groups sales by day and product
/ 20
Build a forecasting model and view results
/ 20
实验设置说明和要求
保护您的账号和进度。请务必在无痕浏览器窗口中，使用实验凭证运行此实验。
在 Gemini 協助下分析資料
实验说明和任务
此内容尚未针对移动设备进行优化。
为获得最佳体验，请在桌面设备上访问通过电子邮件发送的链接。
總覽
在本實驗室，您將擔任資料分析師，使用 Gemini 和 BigQuery 分析資料並預測產品銷售情形，完成 Cymbal Superstore 概念驗證專案的一部分。這項專案中，您也將判斷分析師能否使用 Gemini，協助產生新的 SQL 查詢、補全查詢和瞭解複雜查詢。
本實驗室使用的資料以「bigquery-public-data.thelook_ecommerce」資料集為基礎。這個資料集屬於 BigQuery 公開資料集，含有電子商務和數位行銷的合成資料。
本實驗室假設您熟悉 SQL (結構化查詢語言) 與基本的資料分析工作，但不必具備 Google Cloud 產品知識。如果您剛開始使用 BigQuery，請參考 BigQuery 快速入門導覽課程。
目標
本實驗室將說明如何執行下列工作：
- 讓 Gemini 回答您的問題，解說 Google Cloud 資料分析產品和用途。
- 運用提示詞，讓 Gemini 提供說明，並在 BigQuery 產生 SQL 查詢。
- 建構機器學習 (ML) 模型，預測未來週期。
設定
每個實驗室都會提供新的 Google Cloud 專案和一組資源，讓您在時限內免費使用。
-
按一下「Start Lab」按鈕。如果研究室會產生費用，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)
-
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，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：如果頁面中顯示「選擇帳戶」對話方塊，請點選「使用其他帳戶」。 -
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。
-
點選「下一步」。
-
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。
-
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。 -
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。
啟用 Cloud Shell
Cloud Shell 是含有多項開發工具的虛擬機器，提供永久的 5 GB 主目錄，並在 Google Cloud 中運作。Cloud Shell 可讓您透過指令列存取 Google Cloud 資源。gcloud 是 Google Cloud 的指令列工具，已預先安裝於 Cloud Shell，並支援 Tab 鍵完成功能。
-
在控制台的右上方，點按「啟用 Cloud Shell」按鈕
。
-
點按「繼續」。
請稍候片刻，等待系統完成佈建作業並連線至環境。連線建立後，即代表您已通過驗證，且專案已設為「PROJECT_ID」。
指令範例
- 列出目前使用的帳戶名稱：
輸出內容
輸出內容範例
- 列出專案 ID：
輸出內容
輸出內容範例
工作 1：設定環境和帳戶
這項工作中，您將設定環境、帳戶和使用者，以便使用 Gemini 的 Cloud AI Companion API。
-
使用實驗室憑證登入 Google Cloud 控制台，然後開啟 Cloud Shell 終端機視窗。
-
執行下列指令，在 Cloud Shell 設定專案 ID 和區域環境變數：
PROJECT_ID=$(gcloud config get-value project) REGION={{{project_0.default_region|set at lab start}}} echo "PROJECT_ID=${PROJECT_ID}" echo "REGION=${REGION}" -
執行下列指令，將已登入的 Google 使用者帳戶儲存在環境變數中：
USER=$(gcloud config get-value account 2> /dev/null) echo "USER=${USER}" -
啟用 Gemini 的 Cloud AI Companion API：
gcloud services enable cloudaicompanion.googleapis.com --project ${PROJECT_ID} -
授予 Google Skills 使用者帳戶必要的 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 新增角色後，使用者即可透過 Gemini 取得協助。
點按「Check my progress」確認目標已達成。
工作 2：建立資料集，並在 BigQuery 啟用 Gemini 功能
這項工作中，您將建立資料集，並在 BigQuery 啟用 Gemini 功能。
開啟 BigQuery 控制台
-
前往 Google Cloud 控制台，點選「導覽選單」中的「BigQuery」。
畫面會顯示「歡迎使用 Cloud 控制台中的 BigQuery」對話方塊，其中包含快速入門指南的連結和使用者介面更新內容。 -
按一下「完成」，關閉對話方塊。
建立資料集
-
在「Explorer」面板找出
，依序選取「查看動作」圖示 和「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。
-
在「建立資料集」窗格，輸入以下資訊：
欄位 值 資料集 ID bqml_tutorial 其他欄位均保留預設值。
-
點選「建立資料集」。
在 BigQuery 啟用 Gemini 功能
-
請點選工具列中的「Gemini Cloud Assist」圖示 (
)，在 BigQuery 開啟 Gemini 功能。如果找不到，請重新整理頁面。
-
出現系統提示時，請點選「啟用」來啟用 Gemini for Google Cloud API。
-
Gemini 窗格會顯示「Welcome to Gemini」訊息。點選「開始對話」。
注意：如果「開始對話」按鈕未啟用，請重新整理頁面，並再次開啟 Gemini。 -
在查詢編輯器的左側面板，點選「Gemini」圖示 (
)。在「SQL 查詢內建 Gemini」窗格，選取下列所有選項：
-
自動補全
-
自動產生
-
說明
-
點按「Check my progress」確認目標已達成。
工作 3：使用 Gemini 分析資料
Gemini 可協助發掘及分析可用的資料。
開始查詢資料前，您需要知道自己可存取哪些資料。每種資料產品整理和儲存資料的方式不盡相同。如需說明，可以向 Gemini 傳送自然語言陳述式 (即提示詞)，例如「如何查看我可以在 BigQuery 使用哪些資料集和資料表？」
如果想瞭解不同資料查詢系統的特性，可以使用類似如下的提示詞，要求 Gemini 提供特定產品資訊：
-
「如何開始使用 BigQuery？」
-
「將 BigQuery 用於資料分析的好處為何？」
-
「BigQuery 如何針對查詢自動調整資源配置？」
這項工作中，您將透過提示詞，讓 Gemini 解答資料相關疑問。
提示 Gemini 解答資料相關疑問
-
如果 Gemini Cloud Assist 尚未開啟，請在 BigQuery 控制台的工具列，點選「Gemini Cloud Assist」圖示 (
-
在「Gemini」窗格輸入以下提示詞：
如何得知我可以在 BigQuery 使用哪些資料集和資料表？ -
點選「傳送提示詞」圖示
。
我們不會將您的提示詞或 Gemini 的回覆用做模型訓練資料。詳情請參閱「Gemini for Google Cloud 如何使用您的資料」。 Gemini 的回應會類似如下：
- 點選「Gemini」窗格中的「更多動作」圖示，然後依序點選「+ 新對話」和「新對話」，即可視需要重設對話記錄。
工作 4：運用提示詞，讓 Gemini 說明銷售資料集內的 SQL 查詢
Gemini 可協助您使用 SQL。舉例來說，如果您使用其他開發人員撰寫的 SQL 查詢，Gemini in BigQuery 能以淺顯的用語說明複雜的查詢。有了這類說明，您就能瞭解查詢語法、底層結構定義和業務情境。
請按照下列步驟，提示 Gemini 說明 SQL 查詢範例：
-
點選 BigQuery 控制台中的「SQL 查詢」，建立新的 SQL 查詢。
-
在查詢編輯器貼上要 Gemini 說明的查詢。
舉例來說，您可能想瞭解銷售資料集中的資料表和查詢有何關聯，並希望 Gemini 協助撰寫使用該資料集的查詢。您或許能從以下範例查詢，瞭解所用的資料表，但可能需要一段時間，才能剖析和瞭解查詢的其他部分。
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 -
選取要讓 Gemini 說明的查詢，然後按一下滑鼠右鍵，點按選單中的「說明目前選取的查詢」。
SQL 說明會顯示在「Cloud Assist」窗格。
Gemini 會使用前一步驟中的範例查詢，提供類似如下的說明：
本查詢用於尋找平均銷售金額前 10 高的使用者。本查詢在「user_id」資料欄彙整了「users」和「order_items」資料表，再依「user_id」、「first_name」與「last_name」將結果分類，並計算各群組的平均銷售金額。最後，本查詢會傳回前 10 項結果，並依平均銷售金額，由高至低排序。 注意：Gemini Code Assist 是生成式工具，每次生成的回覆會略有不同，但重點應該類似。
點按「Check my progress」確認目標已達成。
工作 5：產生 SQL 查詢，根據日期和產品分類銷售資料
您可以使用提示詞，要求 Gemini 根據資料結構定義產生 SQL 查詢。即使您未編寫程式碼、不太瞭解資料結構定義，或只具備 SQL 語法的基礎知識，Gemini 都可以建議一或多個 SQL 陳述式。
這項工作中，您將產生查詢，列出每天的熱銷產品。這類查詢通常很複雜，但您可以使用 Gemini 自動建立陳述式。接著，您可以使用 thelook_ecommerce 資料集中的資料表，提示 Gemini 生成查詢，根據訂單產品和產品名稱計算銷售量。
查看公開資料集內的「order_items」和「products」資料表
-
依序點選「Explorer」>「+ 新增資料」>「公開資料集」。
-
在「搜尋 Marketplace」輸入
thelook。清單中會出現「theLook Ecommerce」公開資料集。 -
點選「thelook Ecommerce」。
-
點選「查看資料集」。
BigQuery 會開啟新分頁，當中應為「bigquery-public-data:thelook_ecommerce」資料集。
-
點選「傳統版 Explorer」圖示 (
)，然後展開已新增至「Explorer」面板的「bigquery-public-data」。
-
向下捲動並找出「thelook_ecommerce」，然後展開該資料集，當中列出「
order_items」和「products」資料表。 -
點按「
order_items」資料表，資料結構定義隨即顯示。 -
點按「
products」資料表，資料結構定義隨即顯示。注意：依據 Gemini 提示詞執行查詢前，建議您先檢查資料表的結構定義，避免出現錯誤和幻覺。
使用提示詞生成查詢
-
點選
圖示，開啟新的「未命名的查詢」分頁。
-
在查詢分頁，點選「透過 Gemini 生成 SQL」，複製下列提示詞並貼上，然後點選「生成」。
Gemini 會提議如下的 SQL 查詢。如果發生錯誤，請重新執行提示詞或執行下列指令。
-
如要接受建議的程式碼，請按下 Insert 鍵，並點選「執行」來執行 SQL 陳述式。您也可以捲動瀏覽建議的 SQL 程式碼，接受陳述式中建議的特定字詞。
-
在「查詢結果」窗格，檢視查詢結果。
點按「Check my progress」確認目標已達成。
工作 6：建構預測模型並查看結果
這項工作中，您將使用 BigQuery ML 建構預測模型，並依據 Gemini 提示詞進行查詢。
建構模型
您將搭配使用下列範例查詢與實際銷售資料，讓系統將這些資料輸入至模型。查詢會用來建立機器學習模型。
-
如要建立機器學習預測模型，請在「BigQuery SQL 編輯器」執行下列 SQL：
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; 您可以透過 Gemini 瞭解這項查詢。
注意：這項查詢約需 10 分鐘才能完成。模型執行期間，您也可以透過提示詞詢問 Gemini，例如「ARIMA_PLUS 模型類型是什麼？」 模型建立後，「結果」窗格會顯示訊息，類似如下：
已成功建立「sales_forecasting_model」模型。
使用提示詞查詢模型
-
點選
-
在查詢分頁，點選「透過 Gemini 生成 SQL」，輸入下列提示詞，然後點選「生成」。
# 使用我的專案中「bqml_tutorial」資料集的「datasetsales_forecasting_model」，生成預測資料並傳回所有結果。 Gemini 會提議如下的 SQL 查詢。如果發生錯誤，請重新執行提示詞或執行下列指令。
# 使用我的專案中「bqml_tutorial」資料集的「datasetsales_forecasting_model」，生成預測資料並傳回所有結果。 SELECT * FROM ML.FORECAST(MODEL `bqml_tutorial.sales_forecasting_model`) 注意事項：Gemini 可能會針對提示詞，提供多項 SQL 陳述式建議。 -
如要接受建議的程式碼，請按下 Insert 鍵，並點選「執行」來執行 SQL 陳述式。您也可以捲動瀏覽建議的 SQL 程式碼，接受陳述式中建議的特定字詞。
-
在「查詢結果」窗格，檢視查詢結果。
點按「Check my progress」確認目標已達成。
恭喜！
您在本實驗室學到了以下技能：
- 讓 Gemini 回答您的問題，解說 Google Cloud 資料分析產品和用途。
- 運用提示詞，讓 Gemini 提供說明，並在 BigQuery 產生 SQL 查詢。
- 建構機器學習 (ML) 模型，預測未來週期。
選讀內容
您已學到如何透過 Gemini 使用 BigQuery 分析資料，如果想進一步瞭解 Gemini，請參閱這篇文章，學習在 Google Cloud 撰寫優質的 Gemini 提示詞。
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。
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。
