A Vertex AI para Pesquisa no varejo está sendo renomeada como Vertex AI para Pesquisa no comércio. Estamos atualizando o conteúdo para refletir o novo branding.

Esta página foi traduzida pela API Cloud Translation.

Exportar seus dados para o BigQuery

Esta página descreve como fazer upload de dados de produtos de varejo e eventos do usuário no BigQuery. Depois que os dados estiverem no BigQuery, você poderá usá-los para fazer previsões de vendas com a Vertex AI e conferir os dados em painéis do Looker pré-criados.

Se os dados de comércio já estiverem nas tabelas de eventos de produto e usuário no BigQuery, no formato de pesquisa da Vertex AI para comércio, você pode pular esta página e ir diretamente para Acessar painéis que mostram os principais indicadores de performance e Gerar previsões de vendas com dados de varejo. Para mais informações sobre o formato, consulte Esquema do produto e Sobre os eventos do usuário.

Antes de começar

Antes de exportar seus dados de comércio para o BigQuery, você precisa ter concluído os procedimentos em Antes de começar. Isso inclui importar as informações do catálogo e os eventos do usuário.

Para mais informações sobre importação, consulte:

Criar um conjunto de dados no BigQuery

Você precisa criar um ou dois conjuntos de dados no BigQuery para armazenar os dados de eventos de produto e usuário.

Você pode usar um conjunto de dados para armazenar os dois tipos de dados ou criar dois conjuntos de dados, um para cada tipo de dados.

É necessário criar os conjuntos de dados no mesmo projeto em que você implementou a Vertex AI para Pesquisa de comércio.

Se você nunca usou o BigQuery no seu projeto, ative a API BigQuery e verifique se tem o papel do IAM que permite criar conjuntos de dados e tabelas.

Consulte Antes de começar e Controle de acesso com o IAM na documentação do BigQuery.
Crie um conjunto de dados no BigQuery na multirregião EUA. Por exemplo, chame-o de retail_data.

Observação: os dados de eventos do usuário da Vertex AI para Pesquisa no comércio não podem ser exportados para regiões fora dos EUA. A Vertex AI para Pesquisa para Commerce não usa PII. Se você escolher uma região da UE como o local do conjunto de dados, os principais dados de cliente do BigQuery vão ficar na União Europeia. Os dados do seu cliente principal do BigQuery são definidos nos Termos específicos do serviço do BigQuery.
Opcional: para colocar os dados de eventos do usuário em um conjunto de dados separado dos dados do produto, crie um segundo conjunto de dados. Por exemplo, chame-o de retail_user_event_data.

Para mais informações sobre como criar conjuntos de dados do BigQuery, consulte a documentação do BigQuery.

Esse conjunto de dados será usado para armazenar as tabelas de dados exportadas. Os procedimentos a seguir descrevem como exportar.

Exportar seu catálogo da Vertex AI para Pesquisa de comércio para uma tabela do BigQuery

Use o método ExportProducts para exportar seu catálogo de varejo para uma tabela do BigQuery.

Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:

PROJECT_ID: o ID do projeto da API Vertex AI Search for Commerce em que você criou o conjunto de dados do BigQuery.
BRANCH_ID: o ID da ramificação do catálogo. Use default_branch para receber dados da ramificação padrão. Para mais informações, consulte Filiais do catálogo.
DATASET_ID: o nome do conjunto de dados que você criou em Criar um conjunto de dados no BigQuery. Por exemplo, use retail_data ou retail_product_data. O conjunto de dados precisa estar no mesmo projeto. Não adicione o ID do projeto ao campo datasetId.
TABLE_ID_PREFIX: um prefixo para o ID da tabela. Esse prefixo não pode ser uma string vazia. Um sufixo de retail_products é adicionado para completar o nome da tabela. Por exemplo, se o prefixo for test, a tabela será chamada test_retail_products.

Corpo JSON da solicitação:

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

Para enviar a solicitação, expanda uma destas opções:

curl (Linux, macOS ou Cloud Shell)

Observação: o comando a seguir pressupõe que você fez login na CLI gcloud com sua conta de usuário executando gcloud init ou gcloud auth login, ou usando o Cloud Shell, que faz login automaticamente na CLI gcloud. . É possível verificar a conta ativa atual executando gcloud auth list.

Salve o corpo da solicitação em um arquivo chamado request.json. Execute o comando a seguir no terminal para criar ou substituir esse arquivo no diretório atual:

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

Depois execute o comando a seguir para enviar a solicitação 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)

Observação: o comando a seguir pressupõe que você fez login na CLI gcloud com sua conta de usuário executando gcloud init ou gcloud auth login . É possível verificar a conta ativa atual executando gcloud auth list.

Salve o corpo da solicitação em um arquivo chamado request.json. Execute o comando a seguir no terminal para criar ou substituir esse arquivo no diretório atual:

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

Depois execute o comando a seguir para enviar a solicitação 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

Você receberá uma resposta JSON semelhante a esta:

{
  "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"
        }
      ]
    }
  }
}

Exportar seus eventos de usuário para uma tabela do BigQuery

Use o método userEvents.export para exportar seus eventos de usuário de varejo para uma tabela do BigQuery:

Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:

PROJECT_ID: o ID do projeto da API Vertex AI Search for Commerce em que você criou o conjunto de dados do BigQuery.
DATASET_ID: o nome do conjunto de dados que você criou em Criar um conjunto de dados no BigQuery. Por exemplo, use retail_data ou retail_product_data.
TABLE_ID_PREFIX: um prefixo para o ID da tabela. Esse prefixo não pode ser uma string vazia. Um sufixo de retail_products é adicionado para completar o nome da tabela. Por exemplo, se o prefixo for test, a tabela será chamada test_retail_products.

Corpo JSON da solicitação:

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

Para enviar a solicitação, expanda uma destas opções:

curl (Linux, macOS ou Cloud Shell)

Salve o corpo da solicitação em um arquivo chamado request.json. Execute o comando a seguir no terminal para criar ou substituir esse arquivo no diretório atual:

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

Depois execute o comando a seguir para enviar a solicitação 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)

Salve o corpo da solicitação em um arquivo chamado request.json. Execute o comando a seguir no terminal para criar ou substituir esse arquivo no diretório atual:

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

Depois execute o comando a seguir para enviar a solicitação 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

Você receberá uma resposta JSON semelhante a esta:

{
  "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"
        }
      ]
    }
  }
}

Sobre os dados exportados

Confira o que você precisa saber sobre os dados de comércio eletrônico exportados para as tabelas do BigQuery:

Os dados exportados para as tabelas do BigQuery no seu projeto são visualizações autorizadas, não visualizações materializadas.
Não é possível mudar ou atualizar os dados nessas tabelas.
Os produtos são atualizados a cada hora.
Os eventos do usuário são atualizados quase em tempo real.

Sobre os dados de eventos do usuário exportados

Confira informações sobre o produto incluído nos dados de eventos do usuário exportados.

Informações de preço do produto

A forma como as informações de preço do produto são retornadas pelo método userEvents.export depende do seguinte:

Você incluiu informações de preço nos dados de eventos do usuário no momento da ingestão. Quando você chama o método userEvents.export, o preço retornado com um evento de usuário é o preço do produto no momento do evento.
Você não incluiu informações de preço nos dados de eventos do usuário, mas incluiu informações de preço nos dados do produto no momento da ingestão. Quando você chama o método userEvents.export, o preço retornado com um evento de usuário não é necessariamente o preço do produto no momento do evento. É o preço encontrado nos dados do produto no momento da transferência.
Você não incluiu informações de preço nos dados de eventos do usuário e não há informações de preço disponíveis nos dados do produto. Quando você chama o método userEvents.export, nenhum preço é retornado com eventos de usuário.

Outras informações do produto

Todas as informações do produto (exceto o preço) são combinadas às informações do evento do usuário no momento em que você chama o método userEvents.export. Os valores do produto podem mudar do momento do evento do usuário para o momento em que você chama userEvents.export. Por esse motivo, os valores de produtos que não são de preço retornados na tabela de eventos do usuário podem ser diferentes dos valores do produto no momento do evento do usuário.

Opcional: confirmar se as novas tabelas estão no BigQuery

Depois de exportar os dados de produtos e de eventos do usuário para o BigQuery, verifique se as novas tabelas estão presentes.

No BigQuery, navegue até o conjunto de dados que você criou em Criar conjunto de dados no BigQuery.
Abra os conjuntos de dados e verifique se as duas tabelas exportadas aparecem. Por exemplo, procure tabelas com nomes que terminam em retail_products e retail_user_events.

Para mais informações sobre como trabalhar com tabelas do BigQuery, consulte Consultar e visualizar dados.

Consulte a página Governança de dados para mais informações sobre como a Vertex AI para Pesquisa de comércio processa os dados do cliente.