La analítica predictiva es una de las grandes ventajas de combinar BigQuery con BigQuery ML (BQML). Gracias a BQML, puedes crear, entrenar y usar modelos de machine learning directamente dentro de BigQuery, sin salir del entorno SQL. Esto permite que equipos de analítica o marketing puedan hacer predicciones sobre ventas, usuarios o eventos sin necesidad de mover datos a Python o R.

¿Qué es BigQuery ML?

BigQuery ML es una extensión de SQL que permite, principalmente, llevar a cabo acciones de predicción:

• Crear modelos de regresión, clasificación, series temporales o clustering.
• Entrenar modelos usando tablas existentes en BigQuery.
• Hacer predicciones directamente con SQL, integrando resultados en dashboards.

Esto evita tener que exportar grandes volúmenes de datos a entornos externos, acelerando la analítica.

Casos de uso típicos

Con BQML puedes predecir:

• Ventas futuras a partir de datos históricos (REGRESSION).
• Probabilidad de churn de un cliente (CLASSIFICATION).
• Demanda de productos por fecha usando series temporales (ARIMA_PLUS).
• Segmentación de usuarios para marketing (KMEANS).

3. Flujo básico para predecir datos

Supongamos que quieres predecir el número de compras diarias de tu e-commerce.

3.1. Preparar los datos

BigQuery ML requiere que los datos estén en formato tabular:

SELECT
  DATE(event_timestamp) AS day,
  COUNTIF(event_name='purchase') AS purchases,
  COUNT(DISTINCT user_pseudo_id) AS unique_users,
  SUM(CAST(event_params.value.int_value AS INT64)) AS revenue
FROM
  `proyecto.dataset.events_*`,
  UNNEST(event_params) AS event_params
WHERE
  event_name IN ('purchase', 'session_start')
GROUP BY
  day
ORDER BY
  day;

3.2. Crear un modelo de regresión

CREATE OR REPLACE MODEL `proyecto.dataset.model_purchases`
OPTIONS(model_type='linear_reg', input_label_cols=['purchases']) AS
SELECT
  unique_users,
  revenue,
  purchases
FROM
  `proyecto.dataset.daily_metrics`;

Qué hace este query:

• model_type=’linear_reg’ → modelo de regresión lineal.
• input_label_cols=[‘purchases’] → columna que queremos predecir.
• Los features son unique_users y revenue.

3.4 Hacer predicciones

SELECT
  *
FROM
  ML.PREDICT(MODEL `proyecto.dataset.model_purchases`,
    (SELECT
       unique_users,
       revenue
     FROM
       `proyecto.dataset.daily_metrics`
     WHERE
       day = DATE_ADD(CURRENT_DATE(), INTERVAL 1 DAY)
    )
  );

• Con ML.PREDICT puedes predecir valores futuros.
• En este ejemplo, estimamos compras para mañana usando usuarios y revenue proyectados.

4. Buenas prácticas

1. Normaliza los datos si hay features con escalas muy distintas.
2. Reentrena el modelo periódicamente si los datos cambian rápido.
3. Evalúa la precisión antes de usar predicciones para decisiones críticas.
4. Considera modelos más avanzados como ARIMA_PLUS para series temporales con estacionalidad.

5. Integración con dashboards

Una vez que tu modelo esté entrenado y generando predicciones:

• Puedes crear una vista en BigQuery con los resultados.
• Conectar la vista a Looker Studio, Tableau o Power BI.
• Mostrar predicciones de ventas, tráfico o compras en tiempo real para tu equipo.

Conclusión

BigQuery ML permite que los analistas y equipos de negocio hagan machine learning directamente sobre sus datos en la nube, sin exportaciones ni infraestructura adicional. Con unos pocos comandos SQL puedes:

• Entrenar modelos.
• Evaluar su desempeño.
• Generar predicciones para tomar decisiones basadas en datos.