Utilizza BigQuery Graph e Spanner Graph

Questo documento ti aiuta a determinare quale soluzione di grafi utilizzare confrontando BigQuery Graph e Spanner Graph.

Questo confronto funge da consiglio e non è da considerarsi assoluto. Esiste una significativa sovrapposizione di funzionalità tra BigQuery Graph e Spanner Graph e gli utenti devono identificare le esigenze dei propri workload per determinare quale funzionalità utilizzare.

Quando utilizzare BigQuery Graph e Spanner Graph

BigQuery Graph e Spanner Graph gestiscono diversi tipi di workload dei grafi. BigQuery Graph è destinato all'analisi approfondita su larga scala, mentre Spanner Graph è destinato alle operazioni in tempo reale.

Grafo BigQuery

BigQuery Graph è ottimizzato per l'esecuzione di query complesse su grafi di grandi dimensioni. Puoi analizzare i pattern globali, identificare le tendenze storiche e scoprire relazioni nascoste in set di dati di grandi dimensioni.

Le sue caratteristiche tecniche includono prestazioni ottimizzate su larga scala, elaborazione parallela, query complesse su una parte significativa del grafico, calcolo intensivo e aggregazioni complesse.

I casi d'uso comuni includono:

  • Rilevamento di frodi offline: trova altri utenti sospetti collegati a truffatori noti in tutta la tua rete in un grafico dei clienti, entro pochi gradi di connessioni che condividono lo stesso indirizzo email, numero di telefono o indirizzo. Per un tutorial sul rilevamento delle frodi, consulta Spanner e BigQuery: scudo di Fraud Defense in tempo reale.
  • Ottimizzazione della catena di fornitura: crea un grafico della distinta base che rappresenti le relazioni tra i prodotti finali e i relativi componenti per la pianificazione dell'inventario. Calcola le date di consegna dei prodotti e comprendi la disponibilità dei materiali analizzando i prodotti di livello superiore fino ai loro componenti principali in tutte le linee di prodotti.
  • Segmentazione Customer 360: crea un grafico Customer 360 per comprendere i customer journey per abbonamenti ai prodotti, conversioni e abbandono. Utilizza questi dati per identificare i motivi per cui i clienti abbandonano, identificare i pattern di utilizzo e utilizzare il grafico per la segmentazione dei clienti e il targeting per pubblico nell'intero pubblico.

Spanner Graph

Spanner Graph è destinato alle operazioni in tempo reale. È ottimizzato per le applicazioni che devono eseguire query k-hop che toccano istantaneamente un piccolo insieme di elementi del grafo, rilevare attività fraudolente in millisecondi, eseguire il tracciamento della derivazione per la verifica dell'identità e delle dipendenze e fornire consigli in tempo reale.

Le sue caratteristiche tecniche includono una latenza prevedibile con un jitter minimo, query al secondo (QPS) che scalano in modo lineare con il numero di nodi Spanner e una scalabilità praticamente illimitata. Inoltre, offre archiviazione di grafi integrata con l'interleaving di tabelle di nodi e archi, disponibilità sempre attiva, coerenza globale e query di ricerca di punti e multi-hop a partire da un singolo nodo del grafo o da un insieme di nodi del grafo.

I casi d'uso comuni includono:

  • Rilevamento delle frodi in tempo reale: confronta una transazione con carta di credito con un grafico di dispositivi e account fraudolenti noti in pochi millisecondi.
  • Operazioni di rete autonome: crea un gemello digitale della tua rete per il monitoraggio e l'ottimizzazione delle prestazioni in tempo reale.
  • Risoluzione delle entità: crea cluster di identità collegate come fonte di verità da diverse PII (email, telefono, ID Venmo). Utilizza i profili canonici per la ricerca dell'identità prima di pubblicare annunci, esegui il rilevamento delle attività fraudolente in tempo reale e addestra i Feature Store.

Come funzionano insieme BigQuery Graph e Spanner Graph

BigQuery Graph e Spanner Graph collaborano per fornire una soluzione completa. Ad esempio, in un caso d'uso di Customer 360:

  1. Insight in tempo reale: un agente dell'assistenza clienti utilizza Spanner Graph per gestire i reclami degli utenti relativi alla spedizione del prodotto sbagliato in base alle statistiche di acquisto e consegna in tempo reale.
  2. Replica o esegui query: puoi replicare i dati da Spanner a BigQuery utilizzando Spanner Change Streams senza complessi processi di estrazione, trasformazione e caricamento (ETL) oppure eseguire query sui dati di Spanner direttamente da BigQuery utilizzando le query federate di BigQuery.
  3. Analisi dei pattern: un data scientist utilizza BigQuery Graph per identificare gli "hotspot di abbandono" sugli stessi dati per etichettare il cliente come "a rischio".
  4. Feedback Loop: le etichette "a rischio" vengono inviate a Spanner Graph con il supporto di estrazione, trasformazione e caricamento (ETL) inverso per generare un codice coupon per questo cliente al fine di prevenire l'abbandono.

Sposta i dati tra BigQuery Graph e Spanner Graph

Puoi spostare i dati tra Spanner Graph e BigQuery Graph in base ai requisiti del tuo workload:

  • ETL diretto: per spostare i dati da Spanner a BigQuery per le query analitiche, utilizza un template Dataflow.

  • ETL inverso: anche se puoi eseguire query sui dati di Spanner direttamente da BigQuery Graph, potrebbero esserci scenari in cui devi trasferire i dati di BigQuery in Spanner Graph. Utilizza l'istruzione SQL EXPORT DATA. Per maggiori dettagli, consulta Informazioni sulla pipeline ETL inversa.

Confronto delle funzioni

La tabella seguente fornisce un'analisi dettagliata delle funzionalità in base al prodotto per cui sono più ottimizzate:

Funzionalità BigQuery Graph (offline/batch) Spanner Graph (online/in tempo reale)
Modello, query e visualizzazione del grafico Modellazione di grafi e linguaggio di query dei grafi unificati, tutti basati su GoogleSQL, parte dello standard ISO SQL. Stessa interfaccia per la visualizzazione del grafico. Modellazione unificata dei grafi e linguaggio di query dei grafi, tutto basato su GoogleSQL, parte dello standard ISO SQL. Stessa interfaccia per la visualizzazione del grafico.
Workload principale Offline (batch): aggregazioni su set di dati di grandi dimensioni. Online (in tempo reale): volume elevato di letture/scritture a bassa latenza.
Latenza delle query Da secondi a ore. Ottimizzato per la scansione di terabyte/petabyte. Millisecondi in secondi. Fondamentale per le app rivolte agli utenti.
Pattern di query Globale o grafico intero: "Chi ha una 'Copertura della rete' di oltre 5000 persone?" Locale o di quartiere: "Chi è amico dei miei amici, ma non fa parte della mia cerchia ristretta?"
Scala Scalabilità nell'ordine dei petabyte, praticamente illimitata, ottimizzata per dati storici su larga scala. Scalabile in orizzontale, scalabilità praticamente illimitata, ottimizzato per i dati ad accesso frequente.
Aggiornamento dei dati Quasi in tempo reale o in batch. Può accedere ai dati da diverse origini (ad esempio, dati Spanner Graph utilizzando Data Boost per Spanner, Bigtable, Cloud Storage o Amazon S3). Elevata coerenza in tempo reale.
Input di dati Data lake, log storici, dati delle transazioni archiviati. Stream di applicazioni live, interazioni degli utenti.
Spostamento dei dati Da Spanner a BigQuery (estrazione, trasformazione e caricamento (ETL) in avanti) con modelli predefiniti (batch, flussi di dati). Da BigQuery a Spanner (ETL inverso) con EXPORT_DATA. Federazione delle query (zero-ETL) con schema esterno. Da Spanner a BigQuery (estrazione, trasformazione e caricamento (ETL) in avanti) con modelli predefiniti (batch, flussi di dati). Da BigQuery a Spanner (ETL inverso) con EXPORT_DATA. Federazione delle query (zero-ETL) con schema esterno.

Passaggi successivi