使用 BigQuery 圖表和 Spanner 圖表

本文將比較 BigQuery Graph 和 Spanner Graph，協助您決定要使用哪種圖形解決方案。

這項比較僅供參考，並非絕對值。 BigQuery 圖表和 Spanner Graph 的功能有許多重疊之處，使用者應根據自身工作負載需求，判斷要使用哪項功能。

何時該使用 BigQuery Graph 和 Spanner Graph

BigQuery Graph 和 Spanner Graph 適用於不同類型的圖形工作負載。BigQuery Graph 適用於大規模深入分析，而 Spanner Graph 則適用於即時作業。

BigQuery Graph

BigQuery Graph 經過最佳化調整，能對大型圖表執行複雜查詢。您可以分析全球模式、找出歷史趨勢，並發掘大型資料集中的隱藏關係。

技術特性包括大規模最佳化效能、平行處理、對圖表的重要部分進行複雜查詢、密集運算，以及複雜的匯總。

常見用途包括：

  • 離線詐欺偵測：在客戶圖表的整個網路中，找出與已知詐欺者有關聯的其他可疑使用者，這些使用者在幾度連結內共用相同的電子郵件、電話或地址。如需詐欺偵測教學課程，請參閱「Spanner 和 BigQuery：即時詐欺防禦 Shield」。
  • 最佳化供應鏈：建立物料清單圖，代表最終產品與其組件之間的關係，以利規劃庫存。分析所有產品線的頂層產品及其根元件，計算產品交貨日期並瞭解物料供應情形。
  • 客戶 360 度區隔：建立客戶 360 度圖表，瞭解產品訂閱、轉換和流失的客戶歷程。您可以使用這項功能找出顧客流失的原因、使用模式，並運用圖表將顧客區隔化，以及在整個目標對象中指定目標對象。

Spanner Graph

Spanner Graph 適用於即時作業。這項服務專為需要立即對一小組圖形元素執行 k-hop 查詢、在毫秒內偵測詐欺、執行身分和依附元件驗證的沿襲追蹤，以及提供即時建議的應用程式進行最佳化。

技術特性包括延遲時間可預測且抖動極小、每秒查詢次數 (QPS) 會隨著 Spanner 節點數量線性擴充，以及近乎無限的擴充性。此外，這項服務還內建圖形儲存空間，可交錯處理節點和邊緣資料表、隨時保持可用性、確保全域一致性，並從單一或一組圖形節點開始，執行點查和多跳查詢。

常見用途包括：

  • 即時詐欺偵測：在幾毫秒內，根據已知詐欺裝置和帳戶的圖表，檢查信用卡刷卡交易。
  • 自主網路營運：建構網路的數位孿生，即時監控及最佳化效能。
  • 實體解析：從不同 PII (電子郵件、電話、Vemo ID) 建立連結身分叢集，做為真實來源。在放送廣告前，使用標準設定檔進行身分查詢、執行即時詐欺偵測，以及訓練特徵商店。

BigQuery Graph 和 Spanner Graph 如何搭配運作

BigQuery Graph 和 Spanner Graph 共同提供全方位解決方案。舉例來說，在客戶 360 檢視應用情境中：

  1. 即時洞察：客戶服務專員根據即時購買和運送統計資料，使用 Spanner Graph 處理使用者對運送錯誤產品的申訴。
  2. 複製或查詢：您可以使用 Spanner 變更串流，將資料從 Spanner 複製到 BigQuery，不必進行複雜的擷取、轉換和載入 (ETL) 作業；也可以使用 BigQuery 聯合查詢，直接從 BigQuery 查詢 Spanner 資料。
  3. 分析模式：資料科學家使用 BigQuery 圖表，在相同資料中找出「流失熱點」，並將顧客標示為「有流失風險」。
  4. 意見回饋迴路：「有流失風險」標籤會透過反向擷取、轉換和載入 (ETL) 支援，推送至 Spanner Graph，為這位顧客產生優惠碼，以防顧客流失。

在 BigQuery 圖表和 Spanner Graph 之間移動資料

您可以視工作負載需求，在 Spanner Graph 和 BigQuery 圖表之間移動資料：

  • 正向 ETL：如要將資料從 Spanner 移至 BigQuery 以進行分析查詢，請使用 Dataflow 範本。

  • 反向 ETL：雖然您可以直接從 BigQuery Graph 查詢 Spanner 資料，但有時可能需要將 BigQuery 資料匯入 Spanner Graph。使用 EXPORT DATA SQL 陳述式。詳情請參閱「瞭解反向 ETL 管道」。

功能比較

下表詳細列出各項功能最適合的產品：

功能 BigQuery Graph (離線/批次) Spanner Graph (線上/即時)
圖形模型、查詢和視覺化 統一的圖形模型和圖形查詢語言，全都採用 GoogleSQL (ISO SQL 標準的一部分)。圖表視覺化介面相同。 統一的圖形模型和圖形查詢語言，全都採用 GoogleSQL (ISO SQL 標準的一部分)。圖表視覺化介面相同。
主要工作負載 離線 (批次)：匯總大量資料集。 線上 (即時)：大量低延遲讀取/寫入作業。
查詢延遲 秒數到小時數。已針對掃描 TB/PB 級資料進行最佳化。 毫秒轉換為秒。對於面向使用者的應用程式至關重要。
查詢模式 全域或整個圖表：「誰的『網路觸及人數』超過 5,000 人？」 本地或鄰近地區：「誰是我的朋友的朋友，但不在我的直接圈子內？」
擴充規模 PB 級規模，近乎無限，專為大規模歷史資料而設計。 可水平擴充，規模近乎無限，適合儲存熱門資料。
資料更新間隔 近乎即時或批次。可存取不同來源的資料 (例如使用 Spanner Data Boost 的 Spanner Graph 資料、Bigtable、Cloud Storage 或 Amazon S3)。 即時同步一致性。
輸入資料 資料湖泊、歷史記錄、封存的交易資料。 即時應用程式串流、使用者互動。
資料遷移 使用預先建構的範本 (批次、串流)，將 Spanner 資料擷取、轉換及載入 (ETL) 至 BigQuery。透過 EXPORT_DATA，將 BigQuery 資料匯出至 Spanner (反向 ETL)。查詢同盟 (零 ETL)，搭配外部結構定義。 使用預先建構的範本 (批次、串流)，將 Spanner 資料擷取、轉換及載入 (ETL) 至 BigQuery。透過 EXPORT_DATA，將 BigQuery 資料匯出至 Spanner (反向 ETL)。查詢同盟 (零 ETL)，搭配外部結構定義。

後續步驟