Usa lenguaje natural para analizar datos con el Agente de ciencia de datos

Crea un notebook de Colab Enterprise y conéctate a un entorno de ejecución

Los notebooks de Colab Enterprise son recursos de código de BigQuery Studio con tecnología de Dataform. Puedes usar notebooks para completar flujos de trabajo de análisis y AA con SQL, Python y otros paquetes y APIs comunes.

Para crear un notebook nuevo y conectarlo al entorno de ejecución predeterminado, sigue estos pasos:

1. Ve a la página de BigQuery.

   Ir a BigQuery

2. En el panel izquierdo, expande tu proyecto y, luego, haz clic en Notebooks.

3. Haz clic en Nuevo notebook > Notebook vacío.

4. Haz clic en Guardar.

5. Para ver el notebook nuevo, haz clic en la pestaña Notebooks. Es posible que debas hacer clic en Actualizar Actualizar .

6. En tu notebook sin título, haz clic en more_vert Abrir acciones y, luego, elige Cambiar nombre.

7. En Nombre del notebook, ingresa predict_liquor_sales y, luego, haz clic en Cambiar nombre.

8. Haz clic en la pestaña predict_liquor_sales.

9. En la barra de herramientas del notebook, haz clic en Conectar para conectarlo al entorno de ejecución predeterminado.

Usa el Agente de ciencia de datos para analizar los datos

El Agente de ciencia de datos es un asistente potenciado por Gemini que puede escribir código, explicarlo y solucionar problemas con él directamente en tu notebook. Puede ayudarte con tareas que abarcan desde el análisis exploratorio de datos hasta la generación de predicciones y previsiones de aprendizaje automático, además de las que se indican aquí:

• Generación de planes: Crea un plan paso a paso para resolver un problema de ciencia de datos.
• Exploración y limpieza de datos. Identifica los valores faltantes y los valores atípicos, y visualiza las distribuciones.
• Ingeniería de atributos: Convertir atributos categóricos y crear otros nuevos
• Entrenamiento y evaluación de modelos. Entrena modelos, como regresión lineal o bosque aleatorio, y compara su rendimiento.

En este instructivo, usarás el Agente de ciencia de datos para analizar datos en el conjunto de datos públicos de ventas minoristas de licores de Iowa y crear un modelo que prevea las ventas de licores.

Para usar el Agente de ciencia de datos y analizar los datos, sigue estos pasos:

1. En tu notebook de predict_liquor_sales, si la ventana de chat de Gemini no está abierta, haz clic en spark Alternar Gemini en Colab para abrir el diálogo de chat.

2. En la interfaz de chat, ingresa la siguiente instrucción:

   Analyze the liquor sales data from
   bigquery-public-data.iowa_liquor_sales.sales by performing exploratory data
   analysis. Find the stores that sold the most gallons of alcohol across
   all products. Then, create a model that predicts liquor sales by store by
   using BigQuery ML. Visualize the results, evaluate the model,
   summarize the model's performance, and provide any key insights.
   

3. Verifica que el modelo esté configurado como Gemini 3.0 Flash.

4. Haz clic en Enviar.

5. Revisa el plan que generó el agente. El plan es similar al siguiente.

   "Analicé la solicitud de datos de ventas de bebidas alcohólicas de Iowa y creé un plan estratégico. Como los datos se almacenan en BigQuery y especificaste que usarás BigQuery ML, comenzaremos con la exploración de datos, identificaremos las tiendas con mejor rendimiento y, luego, compilaremos un modelo de regresión para predecir las ventas. Este es el plan paso a paso:

   • Exploración y creación de perfiles de datos: Realiza una exploración inicial de la tabla "bigquery-public-data.iowa_liquor_sales.sales" para comprender la distribución de los datos, verificar si hay valores faltantes y comprobar la calidad de los datos de las columnas clave, como la información de la tienda, el volumen vendido y los dólares de ventas.
   • Identify Top Stores by Volume: Agrega el total de galones de alcohol vendidos por cada tienda en todos los productos y, luego, identifica las tiendas con mejor rendimiento.
   • Preparación de los datos: Agrega los datos de entrenamiento agrupando las ventas de licor por tienda y seleccionando las características pertinentes para el modelo de predicción.
   • Desarrollo del modelo: Entrena un modelo de regresión con BigQuery ML para predecir las ventas de licor de cada tienda.
   • Evaluación del modelo: Evalúa el rendimiento del modelo entrenado con métricas de regresión estándares.
   • Predicción del modelo: Genera predicciones para las ventas de bebidas alcohólicas con el modelo entrenado.
   • Visualización: Crea un diagrama de dispersión que compare las ventas de licor previstas con los valores reales para evaluar visualmente la precisión del modelo.
   • Finalizar tarea: Resume el rendimiento del modelo, proporciona estadísticas clave sobre las ventas en la tienda y concluye el análisis".

6. Después de revisar el plan, haz clic en Aceptar y ejecutar. El agente genera la primera subtarea: explorar y crear perfiles de los datos. El agente se detiene hasta que revises y aceptes el código. Si el agente está esperando la entrada del usuario, las celdas generadas se renderizan con un fondo verde.

7. Revisa la celda de código generada y el razonamiento que proporcionó el agente.

   

8. Haz clic en Aceptar y ejecutar. Si el agente tiene problemas con su enfoque, proporciona razonamiento sobre cómo corregir el problema y te solicita que aceptes el código alterado.

9. Revisa el resultado en la celda de código.

   

   Debajo de los resultados, el agente crea una nueva celda para completar la siguiente subtarea: encontrar las tiendas con las mayores ventas de licor.

   

10. Revisa el código SQL generado que consulta los datos de las principales tiendas según la cantidad de galones de alcohol vendidos. Puedes examinar el razonamiento del agente si ves la celda de texto Reasoning sobre el código. Si te aseguras de que el código es correcto, haz clic en Aceptar y ejecutar.

11. Examina los resultados de la consulta en el resultado de la celda. Los resultados son similares a los siguientes:

    

12. Revisa el código y el razonamiento que generó el agente para la siguiente subtarea: preparar los datos para el entrenamiento de modelos.

    

13. Después de verificar que el código SQL sea correcto, haz clic en Aceptar y ejecutar.

14. Revisa el resultado en la celda de código. Deberías ver un mensaje similar a JOB ID 123456 successfully executed..

15. Revisa el código y el razonamiento que generó el agente para la siguiente subtarea: entrenar el modelo de regresión.

    

16. Después de ver el código y la explicación, haz clic en Aceptar y ejecutar.

17. Revisa el resultado en la celda de código. Deberías ver un mensaje similar a JOB ID 123456 successfully executed..

18. Revisa el código y el razonamiento que generó el agente para la siguiente subtarea: evaluación del modelo.

    

19. Después de ver el código y la explicación, haz clic en Aceptar y ejecutar.

20. Revisa el resultado en la celda de código.

    

21. Revisa el código y el razonamiento que generó el agente para la siguiente subtarea: generar predicciones.

    

22. Después de ver el código y la explicación, haz clic en Aceptar y ejecutar.

23. Revisa el resultado en la celda de código. Deberías ver un mensaje similar a JOB ID 123456 successfully executed..

    Después de que se ejecuta la consulta, el agente crea una celda de código para la siguiente subtarea: visualizar los datos.

    

24. Después de ver el código y la explicación, haz clic en Aceptar y ejecutar.

25. Revisa el resultado en la celda de código. Verás un gráfico que compara las ventas reales de licor con las previstas. El gráfico es similar al siguiente:

    

    Después de generar el gráfico, el agente genera un resumen de los resultados con los hallazgos y las estadísticas clave.

    

26. Después de revisar el resumen, haz clic en Aceptar para completar el plan.