Auf dieser Seite wird beschrieben, wie Sie Einzelhandelsprodukt- und Nutzerereignisdaten in BigQuery hochladen. Sobald sich Ihre Daten in BigQuery befinden, können Sie damit Umsatzprognosen mit Vertex AI erstellen und die Daten in vorgefertigten Looker-Dashboards ansehen.
Wenn Ihre Commerce-Daten bereits in Produkt- und Nutzerereignistabellen in BigQuery im Format von Vertex AI Search for Commerce enthalten sind, können Sie diese Seite überspringen und direkt zu Dashboards mit wichtigen Leistungsmesswerten abrufen und Umsatzprognosen aus Einzelhandelsdaten erstellen gehen. Weitere Informationen zum Format finden Sie unter Produktschema und Nutzerereignisse.
Hinweise
Bevor Sie Ihre Commerce-Daten in BigQuery exportieren können, müssen Sie die Schritte unter Erste Einrichtung ausführen.
Dazu zählen:
- Kataloginformationen importieren
- Nutzerereignisse in Echtzeit aufzeichnen
- Bisherige Nutzerereignisse importieren
Dataset in BigQuery erstellen
Sie müssen ein oder zwei Datasets in BigQuery erstellen, um Ihre Produkt- und Nutzerereignisdaten zu speichern.
Sie können ein Dataset für beide Datentypen verwenden oder zwei Datasets erstellen, eines für jeden Datentyp.
Sie müssen die Datasets in demselben Projekt erstellen, in dem Sie Vertex AI Search for Commerce implementiert haben.
Wenn Sie BigQuery noch nicht in Ihrem Projekt verwendet haben, aktivieren Sie die BigQuery API und prüfen Sie, ob Sie die IAM-Rolle haben, mit der Sie Datasets und Tabellen erstellen können.
Weitere Informationen finden Sie in der BigQuery-Dokumentation unter Vorbereitung und Zugriffssteuerung mit IAM.
Erstellen Sie ein Dataset in BigQuery in der US-Multiregion. Nennen Sie ihn beispielsweise
retail_data
.Optional: Wenn Sie Ihre Nutzerereignisdaten in einem separaten Dataset von Ihren Produktdaten platzieren möchten, erstellen Sie ein zweites Dataset. Nennen Sie sie beispielsweise
retail_user_event_data
.
Weitere Informationen zum Erstellen von BigQuery-Datasets finden Sie in der BigQuery-Dokumentation.
In diesem Dataset werden die Datentabellen gespeichert, die Sie exportieren. In den folgenden Anleitungen wird beschrieben, wie Sie Daten exportieren.
Vertex AI Search for Commerce-Katalog in eine BigQuery-Tabelle exportieren
Verwenden Sie die Methode export
, um Ihren Retail-Katalog in eine BigQuery-Tabelle zu exportieren.
Ersetzen Sie diese Werte in den folgenden Anfragedaten:
- PROJECT_ID: Die ID des Vertex AI Search for Commerce API-Projekts, in dem Sie das BigQuery-Dataset erstellt haben.
-
BRANCH_ID: Die ID des Katalogzweigs. Verwenden Sie
default_branch
, um Daten aus dem Standardzweig abzurufen. Weitere Informationen finden Sie unter Katalogzweige. -
DATASET_ID: Der Name des Datasets, das Sie unter
Dataset in BigQuery erstellen erstellt haben. Verwenden Sie z. B.
retail_data
oderretail_product_data
. Das Dataset muss sich im selben Projekt befinden. Fügen Sie die Projekt-ID hier nicht in das FelddatasetId
ein. -
TABLE_ID_PREFIX: Ein Präfix für die Tabellen-ID. Dieses Präfix darf kein leerer String sein. Ein Suffix von
retail_products
wird hinzugefügt, um den Tabellennamen zu vervollständigen. Wenn das Präfix beispielsweisetest
ist, lautet der Name der Tabelletest_retail_products
.
JSON-Text der Anfrage:
{ "outputConfig": { "bigqueryDestination": { "datasetId": "DATASET_ID", "tableIdPrefix": "TABLE_ID_PREFIX", "tableType": "view" } } }
Wenn Sie die Anfrage senden möchten, maximieren Sie eine der folgenden Optionen:
Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:
{ "name": "projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/branches/0/operations/17986570020347019923", "done": true, "response": { "@type": "type.googleapis.com/google.cloud.retail.v2alpha.ExportProductsResponse", "outputResult": { "bigqueryResult": [ { "datasetId": "DATASET_ID", "tableId": "TABLE_ID_PREFIX_retail_products" } ] } } }
Nutzerereignisse in eine BigQuery-Tabelle exportieren
Mit der Methode userEvents.export
können Sie Ihre Retail-Nutzerereignisse in eine BigQuery-Tabelle exportieren:
Ersetzen Sie diese Werte in den folgenden Anfragedaten:
- PROJECT_ID: Die ID des Vertex AI Search for Commerce API-Projekts, in dem Sie das BigQuery-Dataset erstellt haben.
-
DATASET_ID: Der Name des Datasets, das Sie in Dataset in BigQuery erstellen erstellt haben. Verwenden Sie z. B.
retail_data
oderretail_product_data
. -
TABLE_ID_PREFIX: Ein Präfix für die Tabellen-ID. Dieses Präfix darf kein leerer String sein. Ein Suffix von
retail_products
wird hinzugefügt, um den Tabellennamen zu vervollständigen. Wenn das Präfix beispielsweisetest
ist, heißt die Tabelletest_retail_products
.
JSON-Text der Anfrage:
{ "outputConfig": { "bigqueryDestination": { "datasetId": "DATASET_ID", "tableIdPrefix": "TABLE_ID_PREFIX", "tableType": "view" } } }
Wenn Sie die Anfrage senden möchten, maximieren Sie eine der folgenden Optionen:
Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:
{ "name": "projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/operations/17203443067109586170", "done": true, "response": { "@type": "type.googleapis.com/google.cloud.retail.v2alpha.ExportUserEventsResponse", "outputResult": { "bigqueryResult": [ { "datasetId": "DATASET_ID", "tableId": "TABLE_ID_PREFIX_retail_user_events" } ] } } }
Informationen zu den exportierten Daten
Hier finden Sie wichtige Informationen zu den Commerce-Daten, die Sie in BigQuery-Tabellen exportieren:
Die Daten, die in BigQuery-Tabellen in Ihrem Projekt exportiert werden, sind autorisierte Ansichten und keine materialisierten Ansichten.
Sie können die Daten in diesen Tabellen nicht ändern oder aktualisieren.
Die Produkte werden stündlich aktualisiert.
Nutzerereignisse werden nahezu in Echtzeit aktualisiert.
Exportierte Nutzerereignisdaten
Hier finden Sie Informationen zu den Produktinformationen, die in den exportierten Nutzerereignisdaten enthalten sind.
Produktpreisinformationen
Wie Produktpreisinformationen von der Methode userEvents.export
zurückgegeben werden, hängt von Folgendem ab:
Sie haben zum Zeitpunkt der Aufnahme Preisinformationen in Ihre Nutzerereignisdaten aufgenommen. Wenn Sie die Methode
userEvents.export
aufrufen, ist der mit einem Nutzerereignis zurückgegebene Preis der Preis des Produkts zum Zeitpunkt des Ereignisses.Sie haben keine Preisinformationen in Ihre Nutzerereignisdaten aufgenommen, aber zum Zeitpunkt der Erfassung Preisinformationen in Ihre Produktdaten. Wenn Sie die Methode
userEvents.export
aufrufen, ist der mit einem Nutzerereignis zurückgegebene Preis nicht unbedingt der Preis des Produkts zum Zeitpunkt des Ereignisses. Das ist der Preis, der zum Zeitpunkt der Aufnahme in Ihren Produktdaten angegeben war.Sie haben keine Preisinformationen in Ihre Nutzerereignisdaten aufgenommen und es sind keine Preisinformationen in Ihren Produktdaten verfügbar. Wenn Sie die Methode
userEvents.export
aufrufen, wird kein Preis mit Nutzerereignissen zurückgegeben.
Weitere Produktinformationen
Alle Produktinformationen (außer dem Preis) werden mit Nutzerereignisinformationen zusammengeführt, wenn Sie die Methode userEvents.export
aufrufen. Produktwerte können sich zwischen dem Zeitpunkt des Nutzerereignisses und dem Zeitpunkt, zu dem Sie userEvents.export
aufrufen, ändern. Aus diesem Grund können die in der Nutzerereignistabelle zurückgegebenen Produktwerte, die nicht den Preis betreffen, von den Produktwerten zum Zeitpunkt des Nutzerereignisses abweichen.
Optional: Prüfen, ob die neuen Tabellen in BigQuery vorhanden sind
Nachdem Sie Ihre Produktdaten und Nutzerereignisdaten nach BigQuery exportiert haben, sollten Sie prüfen, ob neue Tabellen vorhanden sind.
Rufen Sie in BigQuery das Dataset oder die Datasets auf, die Sie unter Dataset in BigQuery erstellen erstellt haben.
Öffnen Sie die Datasets und prüfen Sie, ob die beiden exportierten Tabellen angezeigt werden. Suchen Sie beispielsweise nach Tabellen, deren Namen auf
retail_products
undretail_user_events
enden.
Weitere Informationen zum Arbeiten mit BigQuery-Tabellen finden Sie unter Daten abfragen und aufrufen.
Weitere Informationen zum Umgang mit Kundendaten in Vertex AI Search for Commerce finden Sie auf der Seite Data Governance.