Usa BigQuery Graph y Spanner Graph

Este documento te ayuda a determinar qué solución de grafo usar comparando BigQuery Graph y Spanner Graph.

Esta comparación sirve como recomendación y no pretende ser absoluta. Hay una superposición significativa de funciones entre BigQuery Graph y Spanner Graph, y los usuarios deben identificar sus propias necesidades de carga de trabajo para determinar qué función usar.

Cuándo usar BigQuery Graph y Spanner Graph

BigQuery Graph y Spanner Graph entregan diferentes tipos de cargas de trabajo de grafos. BigQuery Graph es para el análisis profundo a gran escala, mientras que Spanner Graph es para las operaciones en tiempo real.

BigQuery Graph

BigQuery Graph está optimizado para ejecutar consultas complejas en grafos grandes. Puedes analizar patrones globales, identificar tendencias históricas y descubrir relaciones ocultas en conjuntos de datos masivos.

Sus características técnicas incluyen un rendimiento optimizado a gran escala, procesamiento paralelo, consultas complejas en una parte significativa del grafo, procesamiento intensivo y agregaciones complejas.

Los siguientes son algunos de los casos de uso comunes:

  • Detección de fraudes sin conexión: Encuentra otros usuarios sospechosos que estén conectados con estafadores conocidos en toda tu red en un gráfico de clientes, dentro de algunos grados de conexiones que comparten el mismo correo electrónico, teléfono o dirección. Para obtener un instructivo sobre la detección de fraudes, consulta Spanner y BigQuery: Escudo de defensa contra el fraude en tiempo real.
  • Optimización de la cadena de suministro: Crea un grafo de la lista de materiales que represente las relaciones entre los productos finales y sus componentes para la planificación del inventario. Calcula las fechas de entrega de los productos y comprende la disponibilidad de los materiales analizando los productos de nivel superior hasta sus componentes raíz en todas las líneas de productos.
  • Segmentación de Customer 360: Crea un gráfico de Customer 360 para comprender los recorridos de los clientes para las suscripciones, las conversiones y la deserción de productos. Usa esto para identificar por qué los clientes abandonan, identificar los patrones de uso y usar el grafo para la segmentación de clientes y la segmentación por público en todo el público.

Spanner Graph

Spanner Graph es para operaciones en tiempo real. Está optimizado para aplicaciones que necesitan realizar consultas de k saltos que tocan un conjunto pequeño de elementos de grafo de forma instantánea, detectar fraudes en milisegundos, realizar un seguimiento de linaje para verificar la identidad y la dependencia, y entregar recomendaciones en vivo.

Entre sus características técnicas, se incluyen la latencia predecible con una fluctuación mínima, las consultas por segundo (QPS) que se escalan de forma lineal con la cantidad de nodos de Spanner y el escalamiento prácticamente ilimitado. También cuenta con almacenamiento de grafos integrado con intercalación de tablas de nodos y bordes, disponibilidad siempre activa, coherencia global y consultas de búsqueda de puntos y de varios saltos a partir de un solo nodo de grafo o un conjunto de nodos de grafo.

Los siguientes son algunos de los casos de uso comunes:

  • Detección de fraudes en tiempo real: Verifica el deslizamiento de una tarjeta de crédito con un grafo de dispositivos y cuentas fraudulentos conocidos en milisegundos.
  • Operaciones de red autónomas: Crea un gemelo digital de tu red para supervisar y optimizar el rendimiento en tiempo real.
  • Resolución de entidades: Crea clústeres de identidades vinculadas como fuente de verdad a partir de diferentes IIP (correo electrónico, teléfono, ID de Venmo). Usa los perfiles canónicos para la búsqueda de identidad antes de entregar anuncios, realizar la detección de fraudes en tiempo real y entrenar Feature Store.

Cómo funcionan BigQuery Graph y Spanner Graph en conjunto

BigQuery Graph y Spanner Graph funcionan juntos para proporcionar una solución integral. Por ejemplo, en un caso de uso de vista de 360° del cliente, se puede hacer lo siguiente:

  1. Estadísticas en tiempo real: Un agente de servicio al cliente usa Spanner Graph para administrar los reclamos de los usuarios sobre el envío del producto incorrecto en función de las estadísticas de compra y entrega en tiempo real.
  2. Replica o consulta: Puedes replicar datos de Spanner a BigQuery con flujos de cambios de Spanner sin procesos complejos de extracción, transformación y carga (ETL), o consultar datos de Spanner directamente desde BigQuery con consultas federadas de BigQuery.
  3. Analiza patrones: Un científico de datos usa BigQuery Graph para identificar un "punto de acceso de deserción" en esos mismos datos y etiquetar al cliente como "en riesgo".
  4. Ciclo de reacción: Las etiquetas "en riesgo" se envían a Spanner Graph con compatibilidad con extracción, transformación y carga (ETL) inversa para generar un código de cupón para este cliente y evitar la deserción.

Mueve datos entre BigQuery Graph y Spanner Graph

Puedes mover datos entre Spanner Graph y BigQuery Graph para satisfacer los requisitos de tu carga de trabajo:

  • ETL de reenvío: Para mover datos de Spanner a BigQuery para consultas analíticas, usa una plantilla de Dataflow.

  • ETL inverso: Si bien puedes consultar datos de Spanner directamente desde BigQuery Graph, puede haber situaciones en las que necesites transferir datos de BigQuery a Spanner Graph. Usa la instrucción de SQL EXPORT DATA. Para obtener más detalles, consulta Información sobre la canalización de ETL inversa.

Comparación de funciones

En la siguiente tabla, se proporciona un desglose detallado de las funciones según el producto para el que están más optimizadas:

Función BigQuery Graph (sin conexión/por lotes) Spanner Graph (en línea/en tiempo real)
Modelo, consulta y visualización de grafos Modelado de grafos unificado y lenguaje de consulta de grafos, todo con la tecnología de GoogleSQL, parte del estándar ISO SQL. La misma interfaz para la visualización de gráficos. Modelado de grafos unificado y lenguaje de consulta de grafos, todo con la tecnología de GoogleSQL, parte del estándar ISO SQL. La misma interfaz para la visualización de gráficos.
Carga de trabajo principal Sin conexión (por lotes): agregaciones en conjuntos de datos masivos. En línea (en tiempo real): alto volumen de lecturas y escrituras de baja latencia.
Latencia de las consultas De segundos a horas. Optimizado para analizar terabytes o petabytes. Milisegundos a segundos. Es fundamental para las apps para el usuario.
Patrón de consulta Global o todo el grafo: "¿Quién tiene un 'Alcance de red' de más de 5,000 personas?" Local o de vecindario: "¿Quiénes son amigos de mis amigos, pero no están en mi círculo inmediato?"
Escala Escala de petabytes, prácticamente ilimitada, optimizada para datos históricos a gran escala. Escalable de forma horizontal, escala prácticamente ilimitada, optimizada para datos activos.
Actualidad de los datos Casi en tiempo real o por lotes. Puede acceder a datos de diferentes fuentes (por ejemplo, datos de Spanner Graph con Data Boost para Spanner, Bigtable, Cloud Storage o Amazon S3). Coherencia sólida en tiempo real
Entrada de datos Data lakes, registros históricos y datos de transacciones archivados. Transmisiones de aplicaciones en vivo, interacciones de los usuarios
Movimiento de datos De Spanner a BigQuery (extracción, transformación y carga [ETL] de reenvío) con plantillas compiladas previamente (por lotes, transmisión). De BigQuery a Spanner (ETL inverso) con EXPORT_DATA. Federación de consultas (sin ETL) con esquema externo. De Spanner a BigQuery (extracción, transformación y carga [ETL] de reenvío) con plantillas compiladas previamente (por lotes, transmisión). De BigQuery a Spanner (ETL inverso) con EXPORT_DATA. Federación de consultas (sin ETL) con esquema externo.

¿Qué sigue?