Se cambiará el nombre de Vertex AI Search para la venta minorista a Vertex AI Search para comercios. Estamos actualizando el contenido para reflejar el nuevo desarrollo de la marca.

Se usó la API de Cloud Translation para traducir esta página.

Exporta tus datos a BigQuery

En esta página, se describe cómo subir datos de productos de venta minorista y eventos de usuarios a BigQuery. Una vez que tus datos estén en BigQuery, podrás usarlos para realizar previsiones de ventas con Vertex AI y ver los datos en paneles de Looker precompilados.

Si tus datos de comercio ya están en las tablas de eventos de productos y usuarios de BigQuery, en Vertex AI Search para el formato de comercio, puedes omitir esta página y ir directamente a Obtén paneles que muestren indicadores de rendimiento clave y Genera pronósticos de ventas a partir de datos de venta minorista. Para obtener más información sobre el formato, consulta el esquema del producto y Acerca de los eventos de usuario.

Antes de comenzar

Para poder exportar tus datos de comercio a BigQuery, debes completar los procedimientos que se indican en Antes de comenzar. Esto incluye importar la información de tu catálogo y tus eventos de usuario.

Para obtener más información sobre la importación, consulta los siguientes artículos:

Crea un conjunto de datos en BigQuery

Debes crear uno o dos conjuntos de datos en BigQuery para almacenar tus datos de productos y eventos de usuarios.

Puedes usar un conjunto de datos para almacenar ambos tipos de datos o crear dos conjuntos de datos, uno para cada tipo de datos.

Debes crear los conjuntos de datos en el mismo proyecto en el que implementaste Vertex AI Search for Commerce.

Si nunca antes usaste BigQuery en tu proyecto, habilita la API de BigQuery y asegúrate de tener el rol de IAM que te permite crear conjuntos de datos y tablas.

Consulta Antes de comenzar y Control de acceso con IAM en la documentación de BigQuery.
Crea un conjunto de datos en BigQuery en la ubicación multirregión de EE.UU. Por ejemplo, asígnale el nombre retail_data.

Nota: Los datos de eventos de usuario de Vertex AI Search para el comercio no se pueden exportar a regiones que no sean de EE.UU. Ten en cuenta que Vertex AI Search for Commerce no usa PII. Si eliges una región de la UE para la ubicación del conjunto de datos, tus datos principales del cliente de BigQuery residirán en la UE. Los datos principales del cliente de BigQuery se definen en las condiciones específicas del servicio de BigQuery.
Opcional: Para colocar tus datos de eventos de usuario en un conjunto de datos independiente de tus datos de productos, crea un segundo conjunto de datos. Por ejemplo, asígnale el nombre retail_user_event_data.

Para obtener más información sobre la creación de conjuntos de datos de BigQuery, consulta la documentación de BigQuery.

Este conjunto de datos se usará para contener las tablas de datos que exportes. En los siguientes procedimientos, se describe cómo exportar.

Exporta tu catálogo de Vertex AI Search para el comercio a una tabla de BigQuery

Usa el método ExportProducts para exportar tu catálogo de venta minorista a una tabla de BigQuery.

Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:

PROJECT_ID: Es el ID del proyecto de la API de Vertex AI Search for commerce en el que creaste el conjunto de datos de BigQuery.
BRANCH_ID: Es el ID de la rama del catálogo. Usa default_branch para obtener datos de la rama predeterminada. Para obtener más información, consulta Ramas del catálogo.
DATASET_ID: Es el nombre del conjunto de datos que creaste en Cómo crear un conjunto de datos en BigQuery. Por ejemplo, usa retail_data o retail_product_data. El conjunto de datos debe estar en el mismo proyecto. No agregues el ID del proyecto al campo datasetId aquí.
TABLE_ID_PREFIX: Es un prefijo para el ID de la tabla. Este prefijo no puede ser una cadena vacía. Se agrega un sufijo de retail_products para completar el nombre de la tabla. Por ejemplo, si el prefijo es test, la tabla se llamará test_retail_products.

Cuerpo JSON de la solicitud:

{
  "outputConfig":
  {
    "bigqueryDestination":
    {
      "datasetId": "DATASET_ID",
        "tableIdPrefix": "TABLE_ID_PREFIX",
        "tableType": "view"
    }
  }
}

Para enviar tu solicitud, expande una de estas opciones:

curl (Linux, macOS o Cloud Shell)

Nota: Con el siguiente comando, se supone que accediste a la CLI de gcloud con tu cuenta de usuario a través de la ejecución de gcloud init o gcloud auth login, o a través del uso de Cloud Shell, que accede de forma automática a la CLI de gcloud. Para comprobar la cuenta activa actual, ejecuta gcloud auth list.

Guarda el cuerpo de la solicitud en un archivo llamado request.json. Ejecuta el comando siguiente en la terminal para crear o reemplazar este archivo en el directorio actual:

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

Luego, ejecuta el siguiente comando para enviar tu solicitud de REST:

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)

Nota: El siguiente comando supone que accediste a la CLI de gcloud con tu cuenta de usuario mediante la ejecución de gcloud init o gcloud auth login. Para comprobar la cuenta activa actual, ejecuta gcloud auth list.

Guarda el cuerpo de la solicitud en un archivo llamado request.json. Ejecuta el comando siguiente en la terminal para crear o reemplazar este archivo en el directorio actual:

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

Luego, ejecuta el siguiente comando para enviar tu solicitud de REST:

$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

Deberías recibir una respuesta JSON similar a la que se muestra a continuación:

{
  "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"
        }
      ]
    }
  }
}

Exporta tus eventos de usuario a una tabla de BigQuery

Usa el método userEvents.export para exportar tus eventos de usuario de venta minorista a una tabla de BigQuery:

Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:

PROJECT_ID: Es el ID del proyecto de la API de Vertex AI Search for commerce en el que creaste el conjunto de datos de BigQuery.
DATASET_ID: Es el nombre del conjunto de datos que creaste en Cómo crear un conjunto de datos en BigQuery. Por ejemplo, usa retail_data o retail_product_data.
TABLE_ID_PREFIX: Es un prefijo para el ID de la tabla. Este prefijo no puede ser una cadena vacía. Se agrega un sufijo de retail_products para completar el nombre de la tabla. Por ejemplo, si el prefijo es test, la tabla se llama test_retail_products.

Cuerpo JSON de la solicitud:

{
  "outputConfig":
  {
    "bigqueryDestination":
    {
      "datasetId": "DATASET_ID",
        "tableIdPrefix": "TABLE_ID_PREFIX",
        "tableType": "view"
    }
  }
}

Para enviar tu solicitud, expande una de estas opciones:

curl (Linux, macOS o Cloud Shell)

Guarda el cuerpo de la solicitud en un archivo llamado request.json. Ejecuta el comando siguiente en la terminal para crear o reemplazar este archivo en el directorio actual:

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

Luego, ejecuta el siguiente comando para enviar tu solicitud de REST:

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)

Guarda el cuerpo de la solicitud en un archivo llamado request.json. Ejecuta el comando siguiente en la terminal para crear o reemplazar este archivo en el directorio actual:

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

Luego, ejecuta el siguiente comando para enviar tu solicitud de REST:

$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

Deberías recibir una respuesta JSON similar a la que se muestra a continuación:

{
  "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"
        }
      ]
    }
  }
}

Acerca de los datos exportados

A continuación, se incluyen algunos aspectos que debes tener en cuenta sobre los datos de comercio que exportas a las tablas de BigQuery:

Los datos que se exportan a las tablas de BigQuery en tu proyecto son vistas autorizadas, no vistas materializadas.
No puedes cambiar ni actualizar los datos de estas tablas.
Los productos se actualizan cada hora.
Los eventos de usuario se actualizan casi en tiempo real.

Acerca de los datos de eventos de usuario exportados

A continuación, se incluyen algunos aspectos que debes saber sobre la información del producto que se incluye con los datos de eventos del usuario exportados.

Información sobre el precio de los productos

La forma en que el método userEvents.export muestra la información de precios de los productos depende de lo siguiente:

Incluiste información de precios en tus datos de eventos del usuario en el momento de la transferencia. Cuando llamas al método userEvents.export, el precio que se muestra con un evento del usuario es el precio del producto en el momento del evento.
No incluiste información de precios en tus datos de eventos de usuario, pero sí en tus datos de productos en el momento de la transferencia. Cuando llamas al método userEvents.export, el precio que se muestra con un evento de usuario no es necesariamente el precio del producto en el momento del evento. Es el precio que se encuentra en tus datos de productos en el momento de la transferencia.
No incluiste información de precios en tus datos de eventos del usuario y no hay información de precios disponible en tus datos de productos. Cuando llamas al método userEvents.export, no se muestra ningún precio con los eventos del usuario.

Otra información del producto

Toda la información del producto (excepto el precio) se une a la información del evento del usuario en el momento en que llamas al método userEvents.export. Los valores de los productos pueden cambiar desde el momento del evento del usuario hasta el momento en que llamas a userEvents.export. Por este motivo, los valores de productos que no son de precio que se muestran en la tabla de eventos del usuario pueden ser diferentes de los valores del producto en el momento del evento del usuario.

Opcional: Confirma que las tablas nuevas estén en BigQuery

Después de exportar tus datos de productos y datos de eventos del usuario a BigQuery, asegúrate de que haya tablas nuevas.

En BigQuery, navega al conjunto de datos o conjuntos de datos que creaste en Cómo crear un conjunto de datos en BigQuery.
Abre los conjuntos de datos y asegúrate de ver las dos tablas que exportaste. Por ejemplo, busca tablas con nombres que terminan en retail_products y retail_user_events.

Si deseas obtener más información para trabajar con tablas de BigQuery, consulta Consulta y visualiza datos.

Revisa la página Administración de datos para obtener más información sobre cómo Vertex AI Search for commerce controla los datos de los clientes.