„Einzelhandel“ wird in „Vertex AI Search for Retail“ umbenannt. Wir aktualisieren derzeit unsere Inhalte gemäß dem neuen Branding.

Diese Seite wurde von der Cloud Translation API übersetzt.

Daten nach BigQuery exportieren

Auf dieser Seite wird beschrieben, wie Sie Daten zu Einzelhandelsprodukten und Nutzerereignissen in BigQuery hochladen. Nachdem sich Ihre Daten in BigQuery befinden, können Sie damit Verkaufsprognosen mit Vertex AI erstellen und die Daten in vordefinierten Looker-Dashboards ansehen.

Wenn sich Ihre Einzelhandelsdaten bereits in Produkt- und Nutzerereignistabellen in BigQuery befinden, können Sie diese Seite überspringen und direkt zu Dashboards mit wichtigen Leistungskennzahlen abrufen und Umsatzprognosen aus Einzelhandelsdaten erstellen springen. Weitere Informationen zum Format finden Sie unter Produktschema und Nutzerereignisse.

Hinweise

Bevor Sie Ihre Einzelhandelsdaten nach BigQuery exportieren können, müssen Sie die Schritte unter Vorbereitung ausführen. Dazu gehört auch der Import Ihrer Kataloginformationen und Nutzerereignisse.

Weitere Informationen zum Importieren finden Sie unter:

Dataset in BigQuery erstellen

Sie müssen ein oder zwei Datasets in BigQuery erstellen, um Ihre Produkt- und Nutzerereignisdaten zu speichern. Sie können einen Datensatz für beide Datentypen verwenden oder zwei Datensätze erstellen, einen für jeden Datentyp.

Sie müssen die Datasets in demselben Projekt erstellen, in dem Sie Vertex AI Search for Retail implementiert haben.

Wenn Sie BigQuery in Ihrem Projekt noch nicht 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 Vorab und Zugriffssteuerung mit IAM.
Erstellen Sie ein Dataset in BigQuery in der Multiregion USA (mehrere Regionen in den USA). Nennen Sie es beispielsweise retail_data. Wenn Sie das Dataset in einer anderen Region erstellen, schlägt der Export Ihrer Daten nach BigQuery fehl.

Weitere Informationen zum Erstellen eines Datasets finden Sie in der BigQuery-Dokumentation unter Datasets erstellen.

In diesem Datensatz werden die von Ihnen exportierten Datentabellen gespeichert. Im Folgenden wird beschrieben, wie Sie Daten exportieren.
Optional: Wenn Sie Ihre Nutzerereignisdaten in einem separaten Datensatz von Ihren Produktdaten speichern möchten, erstellen Sie einen zweiten Datensatz. Benennen Sie ihn beispielsweise retail_user_event_data.

Vertex AI Search for Retail-Katalog in eine BigQuery-Tabelle exportieren

Verwenden Sie die Methode ExportProducts, 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 Retail 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 oder retail_product_data. Das Dataset muss sich im selben Projekt befinden. Fügen Sie die Projekt-ID hier nicht in das Feld datasetId ein.
TABLE_ID_PREFIX: Ein Präfix für die Tabellen-ID. Dieses Präfix darf kein leerer String sein. Um den Tabellennamen zu vervollständigen, wird das Suffix retail_products hinzugefügt. Wenn das Präfix beispielsweise test lautet, heißt die Tabelle test_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:

curl (Linux, macOS oder Cloud Shell)

Hinweis: Der folgende Befehl setzt voraus, dass Sie sich mit Ihrem Nutzerkonto bei der gcloud-Befehlszeile angemeldet haben. Dazu haben Sie gcloud init oder gcloud auth login ausgeführt oder die Cloud Shell genutzt, die Sie automatisch bei der gcloud-Befehlszeile anmeldet. Um herauszufinden, welches Konto gerade aktiv ist, führen Sie gcloud auth list aus.

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json. Führen Sie folgenden Befehl im Terminal aus, um diese Datei im aktuellen Verzeichnis zu erstellen oder zu überschreiben:

cat > request.json << 'EOF'
{
  "outputConfig":
  {
    "bigqueryDestination":
    {
      "datasetId": "DATASET_ID",
        "tableIdPrefix": "TABLE_ID_PREFIX",
        "tableType": "view"
    }
  }
}
EOF

Führen Sie dann folgenden Befehl aus, um Ihre REST-Anfrage zu senden:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://retail.googleapis.com/v2alpha/projects/PROJECT_ID/locations/global/catalogs/default_catalog/branches/BRANCH_ID/products:export"

PowerShell (Windows)

Hinweis: Der folgende Befehl setzt voraus, dass Sie sich mit Ihrem Nutzerkonto bei der gcloud-Befehlszeile angemeldet haben. Dazu führen Sie gcloud init oder gcloud auth login aus. Um herauszufinden, welches Konto gerade aktiv ist, führen Sie gcloud auth list aus.

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json. Führen Sie folgenden Befehl im Terminal aus, um diese Datei im aktuellen Verzeichnis zu erstellen oder zu überschreiben:

@'
{
  "outputConfig":
  {
    "bigqueryDestination":
    {
      "datasetId": "DATASET_ID",
        "tableIdPrefix": "TABLE_ID_PREFIX",
        "tableType": "view"
    }
  }
}
'@  | Out-File -FilePath request.json -Encoding utf8

Führen Sie dann folgenden Befehl aus, um Ihre REST-Anfrage zu senden:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://retail.googleapis.com/v2alpha/projects/PROJECT_ID/locations/global/catalogs/default_catalog/branches/BRANCH_ID/products:export" | Select-Object -Expand Content

Sie sollten in etwa folgende JSON-Antwort 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

Verwenden Sie die Methode userEvents.export, um Ihre Nutzerereignisse aus dem Einzelhandel in eine BigQuery-Tabelle zu exportieren:

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

PROJECT_ID: Die ID des Vertex AI Search for Retail API-Projekts, in dem Sie das BigQuery-Dataset erstellt haben.
DATASET_ID: Der Name des Datasets, das Sie unter Dataset in BigQuery erstellen erstellt haben. Verwenden Sie z. B. retail_data oder retail_product_data.
TABLE_ID_PREFIX: Ein Präfix für die Tabellen-ID. Dieses Präfix darf kein leerer String sein. Um den Tabellennamen zu vervollständigen, wird das Suffix retail_products hinzugefügt. Wenn das Präfix beispielsweise test lautet, heißt die Tabelle test_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:

curl (Linux, macOS oder Cloud Shell)

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json. Führen Sie folgenden Befehl im Terminal aus, um diese Datei im aktuellen Verzeichnis zu erstellen oder zu überschreiben:

cat > request.json << 'EOF'
{
  "outputConfig":
  {
    "bigqueryDestination":
    {
      "datasetId": "DATASET_ID",
        "tableIdPrefix": "TABLE_ID_PREFIX",
        "tableType": "view"
    }
  }
}
EOF

Führen Sie dann folgenden Befehl aus, um Ihre REST-Anfrage zu senden:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://retail.googleapis.com/v2alpha/projects/PROJECT_ID/locations/global/catalogs/default_catalog/userEvents:export"

PowerShell (Windows)

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json. Führen Sie folgenden Befehl im Terminal aus, um diese Datei im aktuellen Verzeichnis zu erstellen oder zu überschreiben:

@'
{
  "outputConfig":
  {
    "bigqueryDestination":
    {
      "datasetId": "DATASET_ID",
        "tableIdPrefix": "TABLE_ID_PREFIX",
        "tableType": "view"
    }
  }
}
'@  | Out-File -FilePath request.json -Encoding utf8

Führen Sie dann folgenden Befehl aus, um Ihre REST-Anfrage zu senden:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://retail.googleapis.com/v2alpha/projects/PROJECT_ID/locations/global/catalogs/default_catalog/userEvents:export" | Select-Object -Expand Content

Sie sollten in etwa folgende JSON-Antwort 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"
        }
      ]
    }
  }
}

Exportierte Daten

Hier finden Sie einige Informationen zu den Einzelhandelsdaten, die Sie in BigQuery-Tabellen exportieren:

Die Daten, die in BigQuery-Tabellen in Ihrem Projekt exportiert werden, sind autorisierte Ansichten, 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

Im Folgenden finden Sie Informationen zu den Produktinformationen, die in den exportierten Nutzerereignisdaten enthalten sind.

Produktpreisinformationen

Wie Produktpreisinformationen von der userEvents.export-Methode zurückgegeben werden, hängt von Folgendem ab:

Sie haben bei der Datenaufnahme 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 Ihren Nutzerereignisdaten angegeben, aber bei der Datenaufnahme Preisinformationen in Ihre Produktdaten aufgenommen. 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 Datenaufnahme in Ihren Produktdaten enthalten war.
Sie haben keine Preisinformationen in Ihren Nutzerereignisdaten angegeben und es sind auch keine Preisinformationen in Ihren Produktdaten verfügbar. Wenn Sie die Methode userEvents.export aufrufen, wird mit Nutzerereignissen kein Preis zurückgegeben.

Sonstige Produktinformationen

Alle Produktinformationen (außer Preis) werden zum Zeitpunkt des Aufrufs der Methode userEvents.export mit den Informationen zu Nutzerereignissen zusammengeführt. Produktwerte können sich zwischen dem Zeitpunkt des Nutzerereignisses und dem Zeitpunkt ändern, zu dem Sie userEvents.export aufrufen. Aus diesem Grund können sich die nicht preisbezogenen Produktwerte, die in der Tabelle „Nutzerereignis“ zurückgegeben werden, von den Produktwerten zum Zeitpunkt des Nutzerereignisses unterscheiden.

Optional: Prüfen, ob sich die neuen Tabellen in BigQuery befinden

Nachdem Sie Ihre Produktdaten und Nutzerereignisdaten nach BigQuery exportiert haben, prüfen Sie, ob neue Tabellen vorhanden sind.

Rufen Sie in BigQuery das oder die Datasets auf, die Sie unter Dataset in BigQuery erstellen erstellt haben.
Öffnen Sie die Datensätze und prüfen Sie, ob die beiden exportierten Tabellen angezeigt werden. Suchen Sie beispielsweise nach Tabellen mit Namen, die auf retail_products und retail_user_events enden.