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 Graphabfragen, 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 Graphendaten als Tabellen dargestellt werden, müssen Sie Self-Joins oder rekursive Joins ausführen, um Ihre Daten zu durchlaufen. Die Darstellung der Logik für das Durchlaufen von Graphen in SQL führt zu komplexen Abfragen, die schwer zu schreiben, zu warten und zu debuggen sind. Mit BigQuery Graph können Sie Beziehungen auf intuitivere Weise durchlaufen und Muster in Ihren Graphendaten erkennen.

Hauptmerkmale

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

  • Einheitliche relationale und Graphdaten: 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.

  • Visualisierung von Graphen: Die Ergebnisse von Graph-Abfragen werden in einem 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 mit Spanner Graph: BigQuery Graph und Spanner Graph verwenden dasselbe Grafschema und dieselbe Abfragesprache. Sie können betriebliche Graph-Arbeitslasten in Spanner ausführen und komplexe Graph-Analysen in BigQuery, ohne Ihre Daten neu modellieren oder Ihre Abfragen übersetzen zu müssen.

  • Abfragen in natürlicher Sprache: Sie können konversationelle Analysen verwenden, um Fragen zu Ihrem Diagramm zu stellen. KI-Agents können SQL- und GQL-Abfragen schreiben und Visualisierungen Ihrer Ausgabe erstellen. Außerdem können sie Beschreibungen, Synonyme und Messwerte verwenden, die in Ihrem Diagramm definiert sind, um die Qualität der Ergebnisse zu verbessern. Wenn Sie mit einem KI-Agenten über ein Diagramm chatten möchten, verwenden Sie den Look Graph-Beispiel-Agenten auf der Seite Agents, um Fragen zum bigquery-public-data.thelook_ecommerce.graph-Diagramm zu stellen.

Anwendungsfälle

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

  • Erkennung von Finanzbetrug: Komplexe Beziehungen zwischen Nutzern, Konten und Transaktionen analysieren, um verdächtige Muster und Anomalien wie Geldwäsche und unregelmäßige Verbindungen zwischen Entitäten zu erkennen, die mit relationalen Datenbanken nur schwer zu erkennen sind.

  • 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.

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

  • Fertigung und Lieferkettenmanagement: Verwenden Sie Diagrammmuster für effiziente Wirkungsanalysen, Kostenübersichten und Compliance-Prüfungen, indem Sie Teile, Lieferanten, Bestellungen, Verfügbarkeit und Mängel im Diagramm modellieren.

  • 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.

Tutorials

In den folgenden Tutorials wird die Verwendung von BigQuery Graph in verschiedenen Szenarien beschrieben:

Preise

BigQuery Graph verwendet das standardmäßige kapazitätsbasierte BigQuery-Preismodell, damit Sie nur für die Rechen- und Speicherressourcen bezahlen, die Sie 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-Kapazitätsberechnungspreise, die in Slots gemessen werden.

Speicher

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

Nächste Schritte