Vertex AI Search per il retail verrà rinominato in Vertex AI Search per il commercio. Stiamo aggiornando i contenuti in base al nuovo branding.

Questa pagina è stata tradotta dall'API Cloud Translation.

Esportare i dati in BigQuery

Questa pagina descrive come caricare i dati di prodotti di vendita al dettaglio ed eventi utente in BigQuery. Una volta che i dati sono in BigQuery, potrai utilizzarli per eseguire la previsione delle vendite con Vertex AI e visualizzarli nelle dashboard di Looker preimpostate.

Se i tuoi dati di commercio sono già nelle tabelle di eventi utente e di prodotto in BigQuery, in Vertex AI Search per il formato commerciale, puoi saltare questa pagina e andare direttamente a Generare dashboard che mostrano indicatori di rendimento chiave e Generare previsioni di vendita dai dati di vendita al dettaglio. Per ulteriori informazioni sul formato, consulta Schema del prodotto e Informazioni sugli eventi utente.

Prima di iniziare

Prima di poter esportare i dati di commercio in BigQuery, devi aver completato le procedure descritte in Prima di iniziare. Sono inclusi l'importazione delle informazioni del catalogo e degli eventi utente.

Per ulteriori informazioni sull'importazione, consulta:

Creare un set di dati in BigQuery

Devi creare uno o due set di dati in BigQuery per memorizzare i dati sugli eventi utente e sui prodotti.

Puoi utilizzare un set di dati per contenere entrambi i tipi di dati oppure puoi creare due set di dati, uno per ogni tipo di dati.

Devi creare i set di dati nello stesso progetto in cui hai implementato Vertex AI Search for Commerce.

Se non hai mai utilizzato BigQuery nel tuo progetto, abilita l'API BigQuery e assicurati di disporre del ruolo IAM che ti consente di creare set di dati e tabelle.

Consulta Prima di iniziare e Controllo dell'accesso con IAM nella documentazione di BigQuery.
Crea un set di dati in BigQuery nella regione multipla degli Stati Uniti. Ad esempio, retail_data.

Nota: i dati sugli eventi utente di Vertex AI Search for Commerce non possono essere esportati in regioni diverse dagli Stati Uniti. Tieni presente che Vertex AI Search for Commerce non utilizza PII. Se scegli una regione dell'UE per la posizione del set di dati, i dati dei clienti di BigQuery principali si trovano nell'UE. I dati dei clienti BigQuery principali sono definiti nei Termini specifici del servizio di BigQuery.
(Facoltativo) Per inserire i dati sugli eventi utente in un set di dati distinto dai dati di prodotto, crea un secondo set di dati. Ad esempio, assegnagli il nome retail_user_event_data.

Per ulteriori informazioni sulla creazione di set di dati BigQuery, consulta la documentazione di BigQuery.

Questo set di dati verrà utilizzato per contenere le tabelle di dati esportate. Le seguenti procedure descrivono come eseguire l'esportazione.

Esportare il catalogo Vertex AI Search per il commercio in una tabella BigQuery

Utilizza il metodo ExportProducts per esportare il tuo catalogo di vendita al dettaglio in una tabella BigQuery.

Prima di utilizzare i dati della richiesta, apporta le seguenti sostituzioni:

PROJECT_ID: l'ID del progetto dell'API Vertex AI Search for Commerce in cui hai creato il set di dati BigQuery.
BRANCH_ID: l'ID del ramo del catalogo. Utilizza default_branch per recuperare i dati dal ramo predefinito. Per ulteriori informazioni, consulta Rami del catalogo.
DATASET_ID: il nome del set di dati che hai creato in Crea un set di dati in BigQuery. Ad esempio, utilizza retail_data o retail_product_data. Il set di dati deve trovarsi nello stesso progetto. Non aggiungere l'ID progetto al campo datasetId qui.
TABLE_ID_PREFIX: un prefisso per l'ID tabella. Questo prefisso non può essere una stringa vuota. Viene aggiunto un suffisso di retail_products per completare il nome della tabella. Ad esempio, se il prefisso è test, la tabella si chiama test_retail_products.

Corpo JSON della richiesta:

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

Per inviare la richiesta, espandi una di queste opzioni:

curl (Linux, macOS o Cloud Shell)

Nota: il seguente comando presuppone che tu abbia eseguito l'accesso all'interfaccia a riga di comando gcloud con il tuo account utente eseguendo gcloud init o gcloud auth login oppure utilizzando Cloud Shell, che ti consente di accedere automaticamente all'interfaccia a riga di comando gcloud. Puoi controllare l'account attualmente attivo eseguendo gcloud auth list.

Salva il corpo della richiesta in un file denominato request.json. Esegui questo comando nel terminale per creare o sovrascrivere questo file nella directory corrente:

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

Quindi, esegui il seguente comando per inviare la richiesta 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: il comando seguente presuppone che tu abbia eseguito l'accesso alla CLI gcloud con il tuo account utente eseguendo gcloud init o gcloud auth login . Puoi controllare l'account attualmente attivo eseguendo gcloud auth list.

Salva il corpo della richiesta in un file denominato request.json. Esegui questo comando nel terminale per creare o sovrascrivere questo file nella directory corrente:

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

Quindi, esegui il seguente comando per inviare la richiesta 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

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "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"
        }
      ]
    }
  }
}

Esportare gli eventi utente in una tabella BigQuery

Utilizza il metodo userEvents.export per esportare gli eventi utente di vendita al dettaglio in una tabella BigQuery:

Prima di utilizzare i dati della richiesta, apporta le seguenti sostituzioni:

PROJECT_ID: l'ID del progetto dell'API Vertex AI Search for Commerce in cui hai creato il set di dati BigQuery.
DATASET_ID: il nome del set di dati che hai creato in Creare un set di dati in BigQuery. Ad esempio, utilizza retail_data o retail_product_data.
TABLE_ID_PREFIX: un prefisso per l'ID tabella. Questo prefisso non può essere una stringa vuota. Viene aggiunto un suffisso di retail_products per completare il nome della tabella. Ad esempio, se il prefisso è test, la tabella è denominata test_retail_products.

Corpo JSON della richiesta:

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

Per inviare la richiesta, espandi una di queste opzioni:

curl (Linux, macOS o Cloud Shell)

Salva il corpo della richiesta in un file denominato request.json. Esegui questo comando nel terminale per creare o sovrascrivere questo file nella directory corrente:

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

Quindi, esegui il seguente comando per inviare la richiesta 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)

Salva il corpo della richiesta in un file denominato request.json. Esegui questo comando nel terminale per creare o sovrascrivere questo file nella directory corrente:

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

Quindi, esegui il seguente comando per inviare la richiesta 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

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "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"
        }
      ]
    }
  }
}

Informazioni sui dati esportati

Di seguito sono riportate alcune informazioni sui dati di commercio che esporti nelle tabelle BigQuery:

I dati esportati nelle tabelle BigQuery del progetto sono viste autorizzate, non viste materializzate.
Non puoi modificare o aggiornare i dati in queste tabelle.
I prodotti vengono aggiornati ogni ora.
Gli eventi utente vengono aggiornati in tempo quasi reale.

Informazioni sui dati sugli eventi utente esportati

Di seguito sono riportate alcune informazioni sulle informazioni sul prodotto incluse nei dati sugli eventi utente esportati.

Informazioni sul prezzo del prodotto

Il modo in cui le informazioni sul prezzo del prodotto vengono restituite dal metodo userEvents.export dipende da quanto segue:

Hai incluso le informazioni sui prezzi nei dati sugli eventi utente al momento dell'importazione. Quando chiami il metodo userEvents.export, il prezzo restituito con un evento utente è il prezzo del prodotto al momento dell'evento.
Non hai incluso le informazioni sui prezzi nei dati sugli eventi utente, ma le hai incluse nei dati di prodotto al momento dell'importazione. Quando chiami il metodo userEvents.export, il prezzo restituito con un evento utente non è necessariamente il prezzo del prodotto al momento dell'evento. Si tratta del prezzo trovato nei dati di prodotto al momento dell'importazione.
Non hai incluso informazioni sui prezzi nei dati sugli eventi utente e non sono disponibili informazioni sui prezzi nei dati di prodotto. Quando chiami il metodo userEvents.export, non viene restituito alcun prezzo con gli eventi utente.

Altre informazioni sul prodotto

Tutte le informazioni sul prodotto (tranne il prezzo) vengono unite alle informazioni sugli eventi utente al momento della chiamata al metodo userEvents.export. I valori dei prodotti possono cambiare dal momento dell'evento utente al momento in cui chiami userEvents.export. Per questo motivo, i valori dei prodotti diversi dal prezzo restituiti nella tabella degli eventi utente potrebbero essere diversi dai valori del prodotto al momento dell'evento utente.

(Facoltativo) Verifica che le nuove tabelle siano in BigQuery

Dopo aver esportato i dati di prodotto e sugli eventi utente in BigQuery, assicurati che siano presenti nuove tabelle.

In BigQuery, vai al set di dati o ai set di dati che hai creato in Creare un set di dati in BigQuery.
Apri i set di dati e assicurati di vedere le due tabelle che hai esportato. Ad esempio, cerca le tabelle con nomi che terminano con retail_products e retail_user_events.

Per ulteriori informazioni sull'utilizzo delle tabelle BigQuery, consulta Eseguire query e visualizzare i dati.

Consulta la pagina Governance dei dati per saperne di più su come Vertex AI Search for Commerce gestisce i dati dei clienti.