Daten nach BigQuery exportieren

Auf dieser Seite wird beschrieben, wie Einzelhandelsprodukt- und Nutzerereignisdaten in BigQuery hochgeladen werden. Sobald sich Ihre Daten in BigQuery befinden, können Sie sie verwenden, um Verkaufsprognosen mit Vertex AI durchzuführen und die Daten in vordefinierten Looker-Dashboards anzuzeigen.

Wenn Ihre Einzelhandelsdaten bereits in Produkt- und Nutzerereignistabellen in BigQuery im Format Vertex AI Search für den Einzelhandel vorhanden sind, können Sie diese Seite überspringen und direkt zu Dashboards mit Leistungskennzahlen und Umsatzprognosen aus Einzelhandelsdaten wechseln. Weitere Informationen zum Format finden Sie unter Produktschema und Informationen zu Nutzerereignissen.

Hinweise

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

Weitere Informationen zum Importieren finden Sie hier:

• Kataloginformationen importieren
• Nutzerereignisse in Echtzeit aufzeichnen
• Bisherige Nutzerereignisse importieren

Dataset in BigQuery erstellen

Sie müssen ein oder zwei Datasets in BigQuery für Ihre Produkt- und Nutzerereignisdaten erstellen. Sie können ein Dataset für beide Datentypen verwenden oder zwei Datasets erstellen, eines für jeden Datentyp.

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

1. Wenn Sie BigQuery noch nicht in Ihrem Projekt verwendet haben, aktivieren Sie die BigQuery API und prüfen Sie, ob Sie die IAM-Rolle zum Erstellen von Datasets und Tabellen haben.

   Weitere Informationen finden Sie unter Vorbereitung und Zugriffssteuerung mit IAM in der BigQuery-Dokumentation.

2. Erstellen Sie in BigQuery ein Dataset am multiregionalen Standort US (mehrere Regionen in den USA). Nennen Sie es z. B. retail_data. Wenn Sie Ihr Dataset in einer anderen Region erstellen, schlägt der Export Ihrer Daten nach BigQuery fehl.

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

   Dieses Dataset wird für die Datentabellen verwendet, die Sie exportieren. Im Folgenden wird das Exportieren beschrieben.

3. Optional: Wenn Sie die Nutzerereignisdaten in einem anderen Dataset als Ihre Produktdaten platzieren möchten, erstellen Sie ein zweites Dataset. Nennen Sie es z. B. retail_user_event_data.

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

Verwenden Sie die Methode products.export, um Ihren Einzelhandelskatalog in eine BigQuery-Tabelle zu exportieren.

Hinweis: Beim folgenden Befehl wird davon ausgegangen, dass Sie sich mit Ihrem Nutzerkonto in der gcloud-Befehlszeile angemeldet haben. Dazu haben Sie gcloud init oder gcloud auth login ausgeführt oder Cloud Shell verwendet, wodurch Sie automatisch in der gcloud-Befehlszeile angemeldet werden.

Bevor Sie die Anfragedaten verwenden, ersetzen Sie die folgenden Werte:

• 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 beispielsweise 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: Präfix für die Tabellen-ID. Dieses Präfix darf kein leerer String sein. Das Suffix retail_products wird hinzugefügt, um den Tabellennamen zu vervollständigen. Wenn das Präfix beispielsweise test lautet, hat die Tabelle den Namen test_retail_products.

JSON-Text anfordern:

{
  "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:Die Umgebungsvariable GOOGLE_APPLICATION_CREDENTIALS muss auf den Pfad zur Datei mit dem privaten Schlüssel Ihres Dienstkontos festgelegt sein.

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 application-default 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:Die Umgebungsvariable GOOGLE_APPLICATION_CREDENTIALS muss auf den Pfad zur Datei mit dem privaten Schlüssel Ihres Dienstkontos festgelegt sein.

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 application-default 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 Einzelhandelsnutzerereignisse in eine BigQuery-Tabelle zu exportieren:

Hinweis: Beim folgenden Befehl wird davon ausgegangen, dass Sie sich mit Ihrem Nutzerkonto in der gcloud-Befehlszeile angemeldet haben. Dazu haben Sie gcloud init oder gcloud auth login ausgeführt oder Cloud Shell verwendet, wodurch Sie automatisch in der gcloud-Befehlszeile angemeldet werden.

Bevor Sie die Anfragedaten verwenden, ersetzen Sie die folgenden Werte:

• 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 beispielsweise retail_data oder retail_product_data.
• TABLE_ID_PREFIX: Präfix für die Tabellen-ID. Dieses Präfix darf kein leerer String sein. Das Suffix retail_products wird hinzugefügt, um den Tabellennamen zu vervollständigen. Wenn das Präfix beispielsweise test lautet, heißt die Tabelle test_retail_products.

JSON-Text anfordern:

{
  "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:Die Umgebungsvariable GOOGLE_APPLICATION_CREDENTIALS muss auf den Pfad zur Datei mit dem privaten Schlüssel Ihres Dienstkontos festgelegt sein.

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 application-default 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)

Hinweis:Die Umgebungsvariable GOOGLE_APPLICATION_CREDENTIALS muss auf den Pfad zur Datei mit dem privaten Schlüssel Ihres Dienstkontos festgelegt sein.

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 application-default 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

Im Folgenden finden Sie wichtige Informationen zu den Einzelhandelsdaten, 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 weder ändern noch aktualisieren.

• Die Produkte werden stündlich aktualisiert.

• Nutzerereignisse werden nahezu in Echtzeit aktualisiert.

Exportierte Nutzerereignisdaten

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

Informationen zum Produktpreis

Wie Produktpreisinformationen durch die Methode userEvents.export zurückgegeben werden, hängt von Folgendem ab:

• Sie haben Ihren Nutzerereignisdaten zum Zeitpunkt der Aufnahme Preisinformationen hinzugefügt. Wenn du die Methode userEvents.export aufrufst, entspricht der mit einem Nutzerereignis zurückgegebene Preis dem Preis des Produkts zum Zeitpunkt des Ereignisses.

• Sie haben in Ihren Nutzerereignisdaten keine Preisinformationen angegeben, aber zum Zeitpunkt der Aufnahme die Preisinformationen in den Produktdaten. Wenn du die Methode userEvents.export aufrufst, entspricht der mit einem Nutzerereignis zurückgegebene Preis nicht unbedingt dem Preis des Produkts zum Zeitpunkt des Ereignisses. Es handelt sich dabei um den Preis aus Ihren Produktdaten zum Zeitpunkt der Aufnahme.

• Sie haben in Ihren Nutzerereignisdaten keine Preisinformationen angegeben und in Ihren Produktdaten sind keine Preisinformationen verfügbar. Wenn Sie die Methode userEvents.export aufrufen, wird bei Nutzerereignissen kein Preis zurückgegeben.

Weitere Produktinformationen

Alle Produktinformationen (außer der Preis) werden mit Nutzerereignisinformationen zusammengeführt, wenn Sie die Methode userEvents.export aufrufen. Produktwerte können sich vom Zeitpunkt des Nutzerereignisses bis zu dem Zeitpunkt ändern, zu dem Sie userEvents.export aufrufen. Aus diesem Grund können sich die in der Nutzerereignistabelle zurückgegebenen Nicht-Preis-Produktwerte von den Produktwerten zum Zeitpunkt des Nutzerereignisses unterscheiden.

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

Prüfen Sie nach dem Export Ihrer Produktdaten und Nutzerereignisdaten nach BigQuery, ob neue Tabellen vorhanden sind.

1. Rufen Sie in BigQuery das Dataset oder die Datasets auf, die Sie unter Dataset in BigQuery erstellen erstellt haben.

2. Öffnen Sie die Datasets und prüfen Sie, ob die beiden exportierten Tabellen angezeigt werden. Suchen Sie beispielsweise nach Tabellen, deren Namen auf retail_products und retail_user_events enden.