Retail est renommé Vertex AI Search pour le commerce. Nous sommes en train de mettre à jour le contenu pour refléter le nouveau branding.

Cette page a été traduite par l'API Cloud Translation.

Exporter vos données vers BigQuery

Cette page explique comment importer des données sur les produits et les événements utilisateur dans BigQuery. Une fois vos données dans BigQuery, vous pourrez les utiliser pour effectuer des prévisions de ventes avec Vertex AI et afficher les données dans des tableaux de bord Looker prédéfinis.

Si vos données retail se trouvent déjà dans des tables de produits et d'événements utilisateur dans BigQuery, dans Vertex AI Search for retail format, vous pouvez ignorer cette page et accéder directement à Obtenir des tableaux de bord qui affichent des indicateurs clés de performance et Générer des prévisions de ventes à partir de données retail. Pour en savoir plus sur le format, consultez Schéma de produit et À propos des événements utilisateur.

Avant de commencer

Avant de pouvoir exporter vos données de vente au détail vers BigQuery, vous devez avoir suivi les procédures décrites dans la section Avant de commencer. Cela inclut l'importation de vos informations de catalogue et de vos événements utilisateur.

Pour en savoir plus sur l'importation, consultez les pages suivantes:

Créer un ensemble de données dans BigQuery

Vous devez créer un ou deux ensembles de données dans BigQuery pour stocker vos données sur les produits et les événements utilisateur. Vous pouvez utiliser un seul ensemble de données pour contenir les deux types de données ou créer deux ensembles de données, un pour chaque type de données.

Vous devez créer les ensembles de données dans le même projet que celui dans lequel vous avez implémenté Vertex AI Search pour le commerce.

Si vous n'avez jamais utilisé BigQuery dans votre projet, activez l'API BigQuery et assurez-vous de disposer du rôle IAM qui vous permet de créer des ensembles de données et des tables.

Consultez les sections Avant de commencer et Contrôle des accès avec IAM dans la documentation BigQuery.
Créez un ensemble de données dans BigQuery dans la zone multirégionale États-Unis (plusieurs régions aux États-Unis). Par exemple, nommez-le retail_data. Si vous créez votre ensemble de données dans une autre région, l'exportation de vos données vers BigQuery échoue.

Pour en savoir plus sur la création d'un ensemble de données, consultez la section Créer des ensembles de données dans la documentation BigQuery.

Cet ensemble de données servira à stocker la ou les tables de données que vous exportez. Les procédures suivantes décrivent comment exporter.
Facultatif: Pour placer vos données d'événement utilisateur dans un ensemble de données distinct de vos données produit, créez un deuxième ensemble de données. Par exemple, nommez-le retail_user_event_data.

Exporter votre catalogue Vertex AI Search pour le commerce vers une table BigQuery

Utilisez la méthode ExportProducts pour exporter votre catalogue de produits dans une table BigQuery.

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

PROJECT_ID: ID du projet de l'API Vertex AI Search for retail dans lequel vous avez créé l'ensemble de données BigQuery.
BRANCH_ID: ID de la branche du catalogue. Utilisez default_branch pour obtenir des données à partir de la branche par défaut. Pour en savoir plus, consultez la section Branches de catalogue.
DATASET_ID: nom de l'ensemble de données que vous avez créé dans Créer un ensemble de données dans BigQuery. Par exemple, utilisez retail_data ou retail_product_data. L'ensemble de données doit se trouver dans le même projet. N'ajoutez pas l'ID du projet au champ datasetId.
TABLE_ID_PREFIX: Préfixe de l'ID de la table. Ce préfixe ne peut pas être une chaîne vide. Un suffixe retail_products est ajouté pour compléter le nom de la table. Par exemple, si le préfixe est test, la table est nommée test_retail_products.

Corps JSON de la requête :

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

Pour envoyer votre requête, développez l'une des options suivantes :

curl (Linux, macOS ou Cloud Shell)

Remarque : La commande suivante suppose que vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login, ou en utilisant Cloud Shell, qui vous connecte automatiquement à la CLI gcloud. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json. Exécutez la commande suivante dans le terminal pour créer ou écraser ce fichier dans le répertoire actuel :

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

Exécutez ensuite la commande suivante pour envoyer votre requête 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)

Remarque : La commande suivante suppose que vous vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json. Exécutez la commande suivante dans le terminal pour créer ou écraser ce fichier dans le répertoire actuel :

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

Exécutez ensuite la commande suivante pour envoyer votre requête 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

Vous devriez recevoir une réponse JSON de ce type :

{
  "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"
        }
      ]
    }
  }
}

Exporter vos événements utilisateur vers une table BigQuery

Utilisez la méthode userEvents.export pour exporter vos événements utilisateur dans une table BigQuery:

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

PROJECT_ID: ID du projet de l'API Vertex AI Search for retail dans lequel vous avez créé l'ensemble de données BigQuery.
DATASET_ID: nom de l'ensemble de données que vous avez créé dans Créer un ensemble de données dans BigQuery. Par exemple, utilisez retail_data ou retail_product_data.
TABLE_ID_PREFIX: Préfixe de l'ID de la table. Ce préfixe ne peut pas être une chaîne vide. Un suffixe retail_products est ajouté pour compléter le nom de la table. Par exemple, si le préfixe est test, la table est nommée test_retail_products.

Corps JSON de la requête :

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

Pour envoyer votre requête, développez l'une des options suivantes :

curl (Linux, macOS ou Cloud Shell)

Enregistrez le corps de la requête dans un fichier nommé request.json. Exécutez la commande suivante dans le terminal pour créer ou écraser ce fichier dans le répertoire actuel :

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

Exécutez ensuite la commande suivante pour envoyer votre requête 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)

Enregistrez le corps de la requête dans un fichier nommé request.json. Exécutez la commande suivante dans le terminal pour créer ou écraser ce fichier dans le répertoire actuel :

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

Exécutez ensuite la commande suivante pour envoyer votre requête 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

Vous devriez recevoir une réponse JSON de ce type :

{
  "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"
        }
      ]
    }
  }
}

À propos des données exportées

Voici quelques points à connaître sur les données de vente au détail que vous exportez vers des tables BigQuery:

Les données exportées vers les tables BigQuery de votre projet sont des vues autorisées, et non des vues matérialisées.
Vous ne pouvez pas modifier ni mettre à jour les données de ces tableaux.
Les produits sont actualisés toutes les heures.
Les événements utilisateur sont actualisés en temps quasi réel.

À propos des données d'événement utilisateur exportées

Voici quelques informations à connaître sur les informations produit incluses avec les données d'événement utilisateur exportées.

Informations sur le prix des produits

La façon dont les informations sur le prix des produits sont renvoyées par la méthode userEvents.export dépend des éléments suivants:

Vous avez inclus des informations sur les prix dans vos données d'événement utilisateur au moment de l'ingestion. Lorsque vous appelez la méthode userEvents.export, le prix renvoyé avec un événement utilisateur correspond au prix du produit au moment de l'événement.
Vous n'avez pas inclus d'informations sur les prix avec vos données d'événement utilisateur, mais vous en avez inclus dans vos données produit au moment de l'ingestion. Lorsque vous appelez la méthode userEvents.export, le prix renvoyé avec un événement utilisateur n'est pas nécessairement celui du produit au moment de l'événement. Il s'agit du prix indiqué dans vos données produit au moment de l'ingestion.
Vous n'avez pas inclus d'informations sur les prix avec vos données d'événement utilisateur, et aucune information sur les prix n'est disponible dans vos données produit. Lorsque vous appelez la méthode userEvents.export, aucun prix n'est renvoyé avec les événements utilisateur.

Autres informations sur le produit

Toutes les informations sur le produit (sauf le prix) sont associées aux informations sur l'événement utilisateur au moment où vous appelez la méthode userEvents.export. Les valeurs des produits peuvent changer entre le moment de l'événement utilisateur et le moment où vous appelez userEvents.export. Pour cette raison, les valeurs de produit autres que le prix renvoyées dans le tableau des événements utilisateur peuvent être différentes des valeurs de produit au moment de l'événement utilisateur.

Facultatif: Vérifier que les nouvelles tables sont dans BigQuery

Une fois que vous avez exporté vos données produit et vos données sur les événements utilisateur vers BigQuery, assurez-vous que de nouvelles tables sont présentes.

Dans BigQuery, accédez à l'ensemble de données ou aux ensembles de données que vous avez créés dans Créer un ensemble de données dans BigQuery.
Ouvrez le ou les ensembles de données et vérifiez que les deux tables que vous avez exportées s'affichent. Par exemple, recherchez les tables dont le nom se termine par retail_products et retail_user_events.