Einführung in BigQuery Graph

Mit BigQuery Graph können Sie die Analysefunktionen von BigQuery nutzen, um Grafikanalysen in großem Maßstab durchzuführen. Wenn Sie Ihre Daten als Diagramm mit Knoten und Kanten modellieren, können Sie mit der Graph Query Language (GQL) komplexe, verborgene Beziehungen zwischen Datenpunkten finden, die mit SQL nur schwer zu ermitteln wären.

Sie können Knoten- und Kantentabellen direkt aus Tabellen oder Ansichten erstellen, in denen Entitäten und Beziehungen zwischen Entitäten gespeichert sind. Sie müssen Ihre vorhandenen Workflows nicht ändern oder Ihre Daten replizieren, um sie in Graph-Abfragen zu verwenden.

BigQuery Graph unterstützt eine Schnittstelle für Graph-Abfragen, die mit dem ISO-GQL-Standard und dem ISO-Standard für Property Graph Queries (SQL/PGQ) kompatibel ist. So können Sie relationale und Graphmodelle kombinieren, indem Sie bewährte SQL-Funktionen mit der Ausdrucksstärke des Graphmusterabgleichs kombinieren.

Vorteile von BigQuery Graph

Graphen sind eine natürliche Möglichkeit, Beziehungen in Daten darzustellen. Graphdatenbanken werden für Betrugserkennung, Empfehlungen, Community-Erkennung, Wissensgraphen, Kundenprofile, Datenkatalogisierung und Herkunftstracking verwendet.

Wenn Ihre Grafdaten als Tabellen dargestellt werden, müssen Sie Self-Joins oder rekursive Joins ausführen, um Ihre Daten zu durchlaufen. Wenn Sie die Logik für das Durchlaufen von Grafen in SQL ausdrücken, führt das zu komplexen Abfragen, die schwer zu schreiben, zu warten und zu debuggen sind. Mit BigQuery Graph können Sie Beziehungen in Ihren Graphdaten intuitiver durchsuchen und Muster erkennen.

Hauptmerkmale

  • Integrierte Diagramme: Die ISO GQL-Schnittstelle bietet eine vertraute, speziell entwickelte Grafikumgebung, die auf offenen Standards basiert.

  • Einheitliche relationale und grafische Darstellung: Die vollständige Interoperabilität zwischen Graphabfragen und SQL beseitigt Datensilos und ermöglicht es Ihnen, das optimale Tool für jeden Anwendungsfall auszuwählen, ohne dass ein operativer Aufwand für das Extrahieren, Transformieren und Laden (ETL) erforderlich ist.

  • Integrierte Suchfunktionen: Umfangreiche Vektor- und Volltextsuchfunktionen lassen sich in Graph integrieren, sodass Sie semantische Bedeutung und Keywords in der Graphanalyse verwenden können.

  • Diagrammvisualisierung: Die Ergebnisse von Graph-Abfragen werden in einem visuell ansprechenden Graph-Format dargestellt, das die Datenexploration, -untersuchung und -erklärung erheblich erleichtert.

  • Leistung und Skalierbarkeit: Graph-Arbeitslasten basieren auf der skalierbaren, kostengünstigen und verteilten Analyse-Engine von BigQuery.

  • Integration in Spanner Graph: BigQuery Graph und Spanner Graph verwenden dasselbe Grafschema und dieselbe Abfragesprache. Sie können betriebliche Diagramm-Arbeitslasten in Spanner ausführen und komplexe Diagrammanalysen in BigQuery durchführen, ohne Ihre Daten neu modellieren oder Ihre Abfragen übersetzen zu müssen.

  • Abfrage in natürlicher Sprache: Sie können mit konversationeller Analyse Fragen zu Ihrem Diagramm stellen. KI-Agenten können SQL- und GQL-Abfragen schreiben und Visualisierungen Ihrer Ausgabe erstellen. Agents können auch Beschreibungen, Synonyme und Messwerte verwenden, die in Ihrem Diagramm definiert sind, um die Qualität der Ergebnisse zu verbessern. Wenn Sie einen KI-Agenten zu einem Diagramm befragen möchten, chatten Sie mit dem Look Graph-Agenten über das bigquery-public-data.thelook_ecommerce.graph-Diagramm.

Anwendungsfälle

Mit BigQuery Graph lassen sich viele Arten von Analysearbeitslasten für Diagramme erstellen, darunter:

  • Erkennung von Finanzbetrug: Analysieren Sie komplexe Beziehungen zwischen Nutzern, Konten und Transaktionen, um verdächtige Muster und Anomalien wie Geldwäsche und unregelmäßige Verbindungen zwischen Einheiten zu erkennen, die mit relationalen Datenbanken nur schwer zu erkennen sind. Eine Anleitung zur Betrugserkennung finden Sie unter Betrugserkennung mit BigQuery Graph.

  • Kundenprofile: Kundenbeziehungen, ‑präferenzen und ‑einkaufsverläufe erfassen Sie erhalten ein ganzheitliches Bild von jedem Kunden, um personalisierte Empfehlungen, gezielte Marketingkampagnen und einen besseren Kundenservice zu ermöglichen. Eine Anleitung zu Kundenprofilen finden Sie unter 360°-Kundenempfehlungen mit BigQuery Graph erstellen.

  • Soziale Netzwerke: Nutzeraktivitäten und ‑interaktionen erfassen und Graphmustervergleich für Freundesempfehlungen und die Suche nach Inhalten verwenden.

  • Fertigung und Lieferkettenmanagement: Mithilfe von Diagrammmustern können Sie effiziente Analysen der Auswirkungen, Kostenübersichten und Compliance-Prüfungen durchführen, indem Sie Teile, Lieferanten, Bestellungen, Verfügbarkeit und Mängel im Diagramm modellieren. Ein Tutorial zu Lieferketten finden Sie unter Rückverfolgbarkeit der Lieferkette mit BigQuery Graph.

  • Gesundheitswesen Erfassen Sie Patientenbeziehungen, Erkrankungen, Diagnosen und Behandlungen, um die Analyse der Ähnlichkeit von Patienten und die Behandlungsplanung zu erleichtern.

  • Transport: Orte, Verbindungen, Entfernungen und Kosten im Diagramm modellieren und dann Diagrammabfragen verwenden, um die optimale Route zu finden.

Preise

BigQuery Graph verwendet das standardmäßige kapazitätsbasierte BigQuery-Preismodell, damit Sie nur für die Rechen- und Speicherressourcen bezahlen, die Sie auch tatsächlich nutzen.

Compute

Wenn Sie BigQuery Graph verwenden möchten, benötigen Sie eine Reservierung mit der Enterprise- oder Enterprise Plus-Version. Für Graph-Abfragen gelten die BigQuery-Kapazitätsrechenpreise, die in Slots gemessen werden.

Speicher

Die Speicherung der zugrunde liegenden Tabellen, die zum Definieren Ihrer Diagramme verwendet werden, wird Ihnen nur einmal in Rechnung gestellt. Die Speicherkosten entsprechen den Standardpreisen für die BigQuery-Speicherung (aktiver oder langfristiger Speicher), unabhängig davon, wie viele Grafiken auf diesen Tabellen basieren.

Nächste Schritte