客户案例 | 使用 BigQuery 和 AutoML 消除电视行业的数据孤岛和分散

news/2024/9/20 1:30:11/ 标签: 大数据

在这个客户案例中，我们会介绍一家大众媒体公司如何利用 BigQuery 和 AutoML 消除数据孤岛和分散。通过参考真实的 Google Cloud 案例研究，我们总结了 Google Cloud 的服务和产品如何使客户的业务受益。

Cloud Ace - 谷歌云 | 谷歌云全球战略合作伙伴 | 云服务器据点最多经销商

客户所属行业：广告媒体

项目期间引入的 Google Cloud 产品和配置列表：

BigQuery：数据集成与分析

Cloud Storage：数据积累

App Engine、Cloud SQL、Cloud Scheduler、Pub/Sub、Compute Engine：数据收集

Cloud AutoML、Vision API：数据分析

Google Analytics 360、Google Ad Manager：业务工具

Dialogflow：聊天机器人构建（计划中）

引入 Google Cloud 之前的情况和挑战

在引入谷歌云之前，我们的电视台客户认识到，专注于互联网领域对未来经营战略来说是非常重要的，因此他们需要高效整合和分析大量数据的能力。

最初，他们使用其他公司的数据整合平台和MVP（最小可行产品）开发方法构建数据基础设施，并由节目制作、广告、销售、新闻等多个部门使用，以提升节目和广告的价值，快速做出业务决策，提高业务效率。

虽然在前六个月取得了一定的成果，但随着数据的增加，资源限制导致高级数据分析的性能下降，此外，数据孤岛和分散也成为问题。

● MVP (Minimum Viable Product，最小可行性产品)：一种产品开发方法，指的是向初始用户提供具有最低限度功能的产品版本。主要目的是在进行重大投资之前在市场上测试产品理念并获得用户反馈。通过尽早将产品推向市场，可以节省资源，并尽早确定产品开发的方向。

● 数据孤岛：数据孤岛是指数据分散且无法在组织内不同部门或系统之间共享的状态。数据孤岛会阻碍整个组织的数据一致性、可访问性和高效利用。促进组织内的数据共享和集成可以消除孤岛并最大限度地发挥数据的价值。

谷歌云解决方案：数据整合，焕新体验

为了解决数据孤岛和分散性的问题，客户采用了 Google Cloud 作为新的数据整合平台。主要原因是 BigQuery 是一个完全托管的大数据分析工具，能够快速分析大量数据，以高性价比实现大数据分析。这大大提高了数据分析的效率和速度。

此外，与Google Analytics 360 和 Google Ad Manager 等工具的兼容性也是采用的原因之一。通过与这些工具的集成，从数据收集到分析和业务决策的流程得到简化，扩大了数据利用的范围。

引入 Cloud Cloud 期间的情况和表现

引入 Google Cloud 需要进行为期一个月的 PoC（Proof of Concept,概念验证），以确认新技术和解决方案在实际业务环境中的适用性。在此期间，工程师测试了 Google Cloud 服务，评估了性能和可用性，并学习了数据集成和分析所需的设置和操作。

他们为新数据基础设施的设计和构建做好了准备。在 PoC 成功后，公司决定采用 Google Cloud。大约一个月后，仪表板被部署到用户部门。这些仪表板以可视化方式显示集成数据并支持业务决策。这种先进的数据利用实现了快速决策和效率。

构建 Google Cloud 项目的具体配置

基本配置以BigQuery为中心，前端使用 Cloud Storage 进行数据收集，使用 App Engine、Cloud SQL、Cloud Scheduler、Pub/Sub 和 Compute Engine。使用 Cloud AutoML 和 Vision API 分析 BigQuery 中积累的数据。还利用各种 Google Cloud 服务进行监控。使用的所有产品：#App Engine #BigQuery #Cloud Pub/Sub#Cloud Scheduler #Cloud SQL #Cloud Storage#Compute Engine #Dialogflow#Google Ad Manager #Google Analytics 360#Pub/Sub #Vision API