Reduzindo ameaças de fraude no cartão de crédito com Machine Learning

to be confirmed
TBD–TBD
to be confirmed
Quase todas as empresas dependem de transações por cartão de crédito para abastecer os negócios e facilitar a troca de fundos. Na verdade, muitas delas, especialmente as digitais, agora só aceitam essa forma de pagamento.

Essa saturação do mercado tem atraído usuários de má-fé que procuram usar a popularidade do cartão de crédito para benefício próprio. As perdas globais decorrentes de fraudes de pagamento triplicaram nos últimos 10 anos. De acordo com a Merchant Savvy, esse tipo de fraude continuará a aumentar e o custo relacionado deve ser de US$ 40,62 bilhões em 2027 – 25% a mais do que em 2020. A fraude de cartão de crédito foi classificada como o principal tipo de roubo de identidade. Somente no Reino Unido, 7,5 a cada 100 libras gastas em cartões foram desviadas em ações fraudulentas. O prejuízo total foi de 620,8 milhões de libras devido à fraude em cartões emitidos no Reino Unido em 2019. (Fonte)


Com o aumento do custo de gerenciamento e combate à fraude, as instituições financeiras estão percebendo rapidamente a importância de criar e manter modelos de previsão em grande escala para desafios comerciais específicos. O Google Cloud fornece uma plataforma completa de nuvem de dados que escalona de forma automática com processamento de dados em tempo real (Dataflow), um armazenamento de dados extensível e adaptável (BigQuery), aprendizado da máquina integrado (BigQuery ML) e inferência em tempo real (AI Platform) para ajudar as organizações a economizar tempo e dinheiro ao atender aos objetivos delas quanto a dados e análises. 


Necessidade de uma solução inteligente em tempo real

As abordagens clássicas de detecção de fraude usam a lógica baseada em regras e, às vezes, o aprendizado de máquina para identificar e operacionalizar mitigações de transações fraudulentas comuns. Esse pode ser um processo longo, trabalhoso e caro, já que o volume de transações, a complexidade e os tipos de fraude aumentaram desde a primeira utilização desses sistemas, assim como a velocidade necessária para tomar medidas a respeito. Qualquer atraso na detecção de fraudes pode causar perdas comerciais significativas para bancos e instituições financeiras em termos de reputação, perda monetária e tempo gasto em investigação.

Essa abordagem de detecção de fraude de cartão de crédito se concentra no pipeline completo, desde a ingestão de dados até a análise e inferência avançadas, usando o aprendizado de máquina e um painel de controle prático que identifica e categoriza possíveis transações de alto risco e facilita a ação. O processamento é em tempo real para que a fraude possa ser detectada e mitigada quando preciso, e a abordagem de implementação foca a acessibilidade, escalonabilidade e facilidade de adaptação para atender às necessidades específicas do negócio.



Geração de insights úteis

Os insights identificados em um pipeline avançado em tempo real são realmente úteis quando você sabe como usá-los. Para tornar essas descobertas vantajosas, esse padrão de detecção de fraude em tempo real pode publicar alertas quanto a possíveis fraudes. Essas notificações são enviadas para o Pub/Sub e podem funcionar com outros sistemas, conforme necessário. O padrão também é incorporado com um painel do Data Studio, para narrativa e geração de insights impactantes orientados para os negócios, e um painel do Cloud Monitoring, para monitorar a integridade do pipeline e gerar alertas para mitigar possíveis problemas (veja a postagem do blog técnico para mais detalhes sobre essa experiência e as opções de monitoramento).


Esse painel mostra um exemplo do que uma organização pode ver em relação aos números e porcentagens de transações fraudulentas e ao montante perdido por fraude, que pode ser analisado por categoria, estado e comerciante durante um período. É necessário que os investigadores possam detectar transações com o maior risco, o que é resolvido com uma pontuação de risco e não apenas uma classificação binária de "fraudulenta" ou "genuína".

Com relação ao nível de confiança das fraudes, as transações podem ser agrupadas em de risco baixo, médio e alto. Esses intervalos de agrupamento são facilmente personalizáveis no painel, com base no apetite de risco da organização. Veja a seguir um exemplo de como essas informações seriam exibidas.


Os resultados desse painel podem ser usados para iniciar as ações apropriadas, como camada de autenticação adicional para transações de risco médio e prevenção de transações do grupo de alto risco.


Adapte o padrão de design às suas necessidades

Combinando as informações demográficas dos clientes e o fluxo de dados transacionais em tempo real, criamos uma solução que se alinha com os esquemas de dados mais usados. Nosso padrão e a demonstração aproveitam os dados gerados sinteticamente para que você possa ver rapidamente como a solução funciona e adaptá-la à sua configuração específica.

As transações e os dados do cliente são de natureza confidencial, exigindo o devido cuidado para desidentificar e proteger alguns valores. Nossa solução de detecção de fraudes de cartão de crédito pode ser estendida e usar o Cloud Data Loss Prevention para fornecer a proteção exigida e ainda permitir as análises e insights necessários.


Aproveitando a inteligência escalonável

Riscos que crescem rápido exigem uma abordagem de adaptação rápida. Nesse caso, dois modelos de aprendizado de máquina executados simultaneamente permitem identificar fraudes tanto em dados transacionais e demográficos autônomos quanto ao longo do tempo. A abordagem de dois modelos melhora o desempenho, identifica melhor as ameaças e reduz os falsos positivos que criam ruídos desnecessários:

  1. Análise de dados: o primeiro modelo processa informações transacionais e demográficas na forma em que se encontram a partir do conjunto de dados com foco na análise em tempo real.
  2. Análise de atividade: para melhorar a precisão além do disponível com os dados autônomos, o segundo modelo analisa a atividade histórica dos cartões de crédito com os atributos apropriados para uma visão aprofundada.

Esse exemplo de redução de ruído e maior precisão demonstra o potencial para que as organizações se concentrem nas transações que provavelmente precisam de atenção, o que, por sua vez, pode melhorar o uso dos recursos internos e criar as bases para experiências de alta qualidade para o cliente.


Experimente

Essa abordagem está disponível para ajudar você a atender às necessidades da sua organização. Veja os detalhes do nosso padrão e confira o tutorial para saber mais sobre o padrão e como usá-lo e adaptá-lo.


PLACEHOLDER
PLACEHOLDER
to be confirmed
TBD–TBD
to be confirmed
to be confirmed
to be confirmed, to be confirmed

Agenda

  • 8:30 AM–09:30 AM
    Registrations
  • 9:30 AM–09:40 AM
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
  • 9:40 AM–10:00 AM
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ
  • 10:00 AM–10:40 AM
    Fast analytics at scale with Google BigQuery
    Speaker: Name, Title, Organization
  • 10:40 AM–11:00 AM
    Break
  • 11:00 AM–11:20 AM
    Session Title
    Speaker: Name, Title, Organization
  • 11:20 AM–11:40 AM
    Session Title
    Speaker: Name, Title, Organization
  • 11:40 AM–12:40 PM
    Lunch
  • 12:40 PM–01:00 PM
    Session Title
    Speaker: Name, Title, Organization
  • 1:00 PM–01:20 PM
    Session Title
    Speaker: Name, Title, Organization
  • 1:20 PM–01:40 PM
    Session Title
    Speaker: Name, Title, Organization
  • 1:40 PM–02:40 PM
    Closing keynote: Lorem ipsum dolor sit
    Speaker: Name, Title, Organization
  • 2:40 PM–03:40 PM
    Happy hour

Agenda

Track 1

Track 2

  • 8:30 AM–09:30 AM
    Registrations
    Registrations
  • 9:30 AM–09:40 AM
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
  • 9:40 AM–10:00 AM
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ

Track 1

Track 2

Track 3

  • 8:30 AM–09:30 AM
    Registrations
    Registrations
    Registrations
  • 9:30 AM–09:40 AM
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
  • 9:40 AM–10:00 AM
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ

Dois tipos de equipe de previsão de demanda

Historicamente, as grandes organizações têm usado dois tipos de equipe de previsão de demanda. Elas são a equipe de Previsão de Negócios e a equipe de Previsão Científica.

A equipe de Previsão de Negócios normalmente usa soluções de previsão de planejamento de recursos empresariais (ERP, na sigla em inglês) ou de software como serviço (SaaS), ou até mesmo uma solução improvisada, que não requer um nível avançado de habilidade em ciência de dados. Esses ERPs geram previsões totalmente automatizadas. Os membros da equipe são, em geral, de áreas de gestão corporativa e, em vez de habilidades técnicas avançadas, têm funções com vasto domínio e conhecimento comercial. Muitas grandes empresas físicas usam essa abordagem. Esses tipos de solução têm bom escalonamento, mas requerem tempo e recursos significativos para implementação e suporte. Isso normalmente inclui grandes equipes de implementação e DevOps, várias instâncias dedicadas de computação e armazenamento de dados, e longos ciclos de atualização de previsões em lote com tempo fixo e programado.

A equipe de Previsão Científica conta com profissionais PhD ou MSc que trabalham dentro de uma organização de ciência de dados ou tecnologia e são especialistas em Python ou R. Eles usam uma plataforma de IA na nuvem e executam todas as previsões de ponta a ponta: escolha, criação, treinamento e avaliação de um modelo. Em seguida, implantam o modelo para a produção e comunicam os resultados às partes interessadas e à liderança empresarial. Esse tipo de equipe é frequentemente encontrado em organizações digitais.

Um novo tipo de equipe de previsão

Recentemente, surgiu um novo tipo híbrido de equipe de previsão. Ele é usado em empresas que buscam se basear mais em dados e modelos, mas não têm os recursos para investir em um ERP caro ou contratar um cientista de dados PhD. Os membros têm um bom conhecimento de previsão e planejamento de demanda, mas não têm experiência ou recursos organizacionais suficientes para implantar modelos personalizados em grande escala. Mesmo assim, esse tipo de equipe, se tiver as ferramentas certas, tem o potencial para unir o melhor dos dois mundos: a modelagem avançada da Previsão Científica e o profundo conhecimento da área da Previsão de Negócios.

Resposta a imprevistos

Como quase todas as empresas vivenciaram em 2020, alguns eventos, como a pandemia da COVID-19, confundem os indicadores de previsão de demanda, tornando os modelos existentes questionáveis.

Com uma solução de previsão de ERP, mesmo uma pequena mudança na cadeia de suprimentos e configuração da rede da loja resultará em uma alteração nos padrões de demanda que requer uma reconfiguração extensa da solução de planejamento da demanda e exige a ajuda de uma grande equipe de suporte. O BigQuery ML reduz a complexidade, eliminando a necessidade desses ajustes por eventos esperados e inesperados, e, por ser sem servidor, escalona automaticamente e economiza custos com tempo e esforços de DevOps. A regeneração das previsões para se adaptar a uma mudança na configuração da cadeia de suprimentos agora acontece em algumas horas, não semanas.

Primeiros passos com um padrão de referência do BigQuery ML

Para facilitar o uso das ferramentas do Google Cloud, como o BigQuery ML, lançamos recentemente os padrões de referência do Smart Analytics, que são guias de referência técnica com exemplo de código para casos de uso comuns de análise. Vocês nos disseram que queriam maneiras fáceis de usar as ferramentas de análise, e os padrões de referência anteriores cobrem casos de uso como previsão do valor de vida útil do cliente, propensão à compra, sistemas de recomendação de produtos e muito mais.

Nosso mais novo padrão de referência no GitHub ajudará você a gerar previsões de séries temporais em grande escala. O padrão mostrará como usar dados históricos de vendas para treinar um modelo de previsão de demanda usando o BigQuery ML e depois ver os resultados em um painel de controle.

Para mais detalhes e orientações sobre esse processo, confira nossa explicação técnica, em que usamos dados históricos de transações de vendas de bebidas alcoólicas de Iowa para fazer uma previsão para os próximos 30 dias. No blog, você aprenderá a:

  • Pré-processar os dados no formato correto necessário para criar um modelo de previsão de demanda usando o BigQuery ML;
  • Usar vários modelos de série temporal BQ ARIMA no BigQuery ML;
  • Avaliar os modelos e gerar previsões para o horizonte de previsão desejado;
  • Criar um painel de controle para ver a demanda prevista usando o Data Studio;
  • Configurar consultas programadas para reajustar automaticamente os modelos com frequência.

Vamos descrever melhor os conceitos que acabamos de apresentar.

O BigQuery ML interliga a Previsão de Negócios e a Previsão Científica

Com os recursos que descrevemos, vemos como o BQML ajuda a preencher a lacuna entre as duas abordagens atuais de previsão em grande escala, permitindo que você crie sua própria plataforma de previsão de demanda sem a necessidade de cientistas de dados de séries temporais altamente especializados. É a solução ideal para métodos híbridos de previsão, com ferramentas que geram previsões em grande escala e em tempo real.

Como o BigQuery ML permite que você treine e implante modelos de ML usando SQL, ele democratiza seus desafios de modelagem de dados, disponibilizando as ferramentas de previsão de demanda e os insights comerciais para mais pessoas na sua organização.

Por exemplo, o modelo ARIMA do BigQuery ML ajuda os varejistas a se recuperarem de eventos inesperados, podendo gerar milhares de previsões com novos dados em um período mais curto. Você pode recalibrar as previsões de demanda de forma mais econômica, detectar mudanças nas tendências e realizar múltiplas iterações que capturam novos padrões à medida que eles surgem, sem mobilizar toda uma equipe de DevOps para isso.

Ao usar o BigQuery ML como mecanismo de previsão, você pode interligar suas equipes de previsão híbrida ou de negócios e as equipes avançadas de ciência de dados. Por exemplo, seus analistas de previsão serão responsáveis por gerar previsões estatísticas de referência com o BigQuery e revisá-las, mas o cientista de dados sênior fará uma análise de impacto causal mais avançada em alguns dos dados de demanda, se necessário, ou uma avaliação do efeito da COVID-19 na mudança dos padrões de demanda. Pense nisso como "DemandOps" em vez de "DevOps".

Isso também será possível se você já tiver ferramentas de planejamento de demanda de ERP, bastando exportar suas previsões e dados de vendas para o BigQuery sempre que forem atualizados, ou conforme necessário. É provável que um varejista tenha várias previsões de séries temporais sendo executadas por funções de negócios separadas. Sua equipe de merchandising realiza as previsões de demanda táticas e operacionais, o financeiro, as previsões de receita de primeira linha, e a cadeia de suprimentos, as próprias previsões para planejamento de capacidade no nível do data center, cada uma usando um conjunto de ferramentas específicas. Essas previsões são geradas de forma isolada, mas reconciliá-las melhoraria a precisão e forneceria à organização uma visão holística importante dos negócios que as previsões e análises individuais não oferecem.

Por exemplo, com base em indicadores do mercado e do produto, o merchandising pode prever um aumento na demanda de um determinado produto. A cadeia de suprimentos, separadamente, sabe de vários fatores de estresse de fabricação e logística que apontam uma diminuição no envio de produtos. Em geral, essa discrepância não é detectada durante várias semanas e é resolvida com e-mails e reuniões. Até lá, já é tarde demais, uma vez que as decisões de planejamento conflitantes já foram tomadas pelas equipes individualmente e os danos já foram causados. Usar o BigQuery como uma plataforma centralizada de análise de previsão permitiria a um varejista detectar essa discrepância em questão de horas ou dias e reagir de acordo, em vez de ter que reverter as decisões de planejamento várias semanas depois.

O BigQuery e o BigQuery ML, além dos eficientes recursos de modelagem BQARIMA, oferecem a plataforma perfeita para a colaboração entre equipes de previsão díspares e diversas.

O Google Cloud disponibiliza várias soluções para ajudar a melhorar suas capacidades de previsão de demanda e otimizar os níveis de inventário em meio a tempos incertos. Além das ferramentas do BigQuery ML descritas neste blog, você também pode usar:

  • Seus frameworks de código aberto preferidos em instâncias Jupyterlab do AI Platform do Cloud para criar os próprios modelos de séries temporais, tanto estatísticos quanto baseados em ML;
  • O AutoML Forecast para selecionar e treinar automaticamente modelos avançados de séries temporais de aprendizado profundo;
  • Nossa futura solução de previsão totalmente gerenciada, a Demand AI (atualmente em estado experimental);
  • As soluções de um parceiro, como ao9, para implementar uma plataforma de planejamento de varejo com recursos de previsão no Google Cloud.

Para mais exemplos de padrões de referência de análise de dados, confira a seção de previsão no nosso catálogo. Quer começar com BigQuery ML? Leia mais na nossa introdução ao produto.

Gostaria de saber mais sobre os recursos do BigQuery ML? Inscreva-se aqui para ter acesso a um treinamento gratuito sobre como treinar, avaliar e prever a demanda de inventário em dados de vendas do varejo com o BigQuery ML.

Speakers

Firstname Lastname

Developer Advocate of Machine Learning,

Google Cloud

Nulla quis lorem ut libero malesuada feugiat. Proin eget tortor risus. Praesent sapien massa, convallis a pellentesque nec, egestas non nisi. Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Vivamus suscipit tortor eget felis porttitor volutpat.Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Mauris blandit aliquet elit, eget tincidunt nibh pulvinar.

Nulla quis lorem ut libero malesuada feugiat. Proin eget tortor risus. Praesent sapien massa, convallis a pellentesque nec, egestas non nisi. Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Vivamus suscipit tortor eget felis porttitor volutpat.Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Mauris blandit aliquet elit, eget tincidunt nibh pulvinar.

Nulla quis lorem ut libero malesuada feugiat. Proin eget tortor risus. Praesent sapien massa, convallis a pellentesque nec, egestas non nisi. Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Vivamus suscipit tortor eget felis porttitor volutpat.Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Mauris blandit aliquet elit, eget tincidunt nibh pulvinar.

Nulla quis lorem ut libero malesuada feugiat. Proin eget tortor risus. Praesent sapien massa, convallis a pellentesque nec, egestas non nisi. Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Vivamus suscipit tortor eget felis porttitor volutpat.Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Mauris blandit aliquet elit, eget tincidunt nibh pulvinar.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Our partners

Platinum

Partner
Partner
Partner
Partner
Partner
Partner
Partner

Silver

Partner
Partner
Partner
Partner

Three-promo module. 40 characters max = two lines max on mobile.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

Two-promo module. 40 characters max = two lines max on mobile.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

One-promo module. 40 characters max = two lines max on mobile.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

Choose your city

Country one

Country two

Country three

Register now

Register

We have received your registration. You will receive an email with your registration status shortly.

In the mean time, get started with Google Cloud to browse solutions, products and services

Follow us