Einführung in BigQuery Graph

Mit BigQuery Graph können Sie die Analysefunktionen von BigQuery nutzen, um Diagrammanalysen in großem Umfang 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 finden 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 Graphabfragen zu verwenden.

BigQuery Graph unterstützt eine Graph-Abfrageschnittstelle, die mit dem ISO-GQL-Standard und dem ISO-Property-Graph-Queries-Standard (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 die Betrugserkennung, Empfehlungen, Community-Erkennung, Wissensgraphen, Kundenprofile, Data Cataloging und Lineage-Tracking verwendet.

Wenn Ihre Grafikdaten als Tabellen dargestellt werden, müssen Sie Self Joins oder rekursive Joins ausführen, um Ihre Daten zu durchlaufen. Das Ausdrücken der Logik für die Graphdurchquerung in SQL führt zu komplexen Abfragen, die schwer zu schreiben, zu verwalten und zu debuggen sind. Mit BigQuery Graph können Sie Beziehungen und Muster in Ihren Grafikdaten intuitiver erkennen.

Hauptmerkmale

  • Integrierte Diagrammfunktion. Die ISO-GQL-Schnittstelle bietet eine vertraute, speziell entwickelte Graph-Umgebung, die auf offenen Standards basiert.

  • Einheitliche relationale und Graphdatenbank. Die vollständige Interoperabilität zwischen Graphabfragen und SQL bricht Datensilos auf und ermöglicht es Ihnen, das optimale Tool für jeden Anwendungsfall auszuwählen, ohne dass ein operativer Aufwand für das Extrahieren, Transformieren und Laden (ETL) entsteht.

  • Integrierte Suchfunktionen: Umfangreiche Vektor- und Volltextsuchfunktionen sind in Graph integriert, sodass Sie semantische Bedeutungen und Keywords in der Graphanalyse verwenden können.

  • Graphvisualisierung Die Ergebnisse von Graphabfragen werden in einem visuell ansprechenden Graphformat angezeigt, das die Datenexploration, -untersuchung und -erklärung erheblich vereinfacht.

  • Leistung und Skalierbarkeit: Grafikarbeitslasten werden von der skalierbaren, kostengünstigen und verteilten Analyse-Engine von BigQuery unterstützt.

  • Integration in Spanner Graph: BigQuery Graph und Spanner Graph verwenden dasselbe Graphschema und dieselbe Abfragesprache. Sie können operative Graph-Arbeitslasten in Spanner ausführen und komplexe Graph-Analysen in BigQuery durchführen, ohne Ihre Daten umgestalten oder Ihre Abfragen übersetzen zu müssen.

  • Abfrage in natürlicher Sprache: Mit konversationeller Analyse Fragen zu Ihrem Graphen stellen. KI-Agenten können SQL- und GQL-Abfragen schreiben und Visualisierungen Ihrer Ausgabe bereitstellen. Agenten können auch Beschreibungen, Synonyme und Messwerte verwenden, die in Ihrem Graphen definiert sind, um die Qualität der Ergebnisse zu verbessern. Wenn Sie mit einem KI-Agenten über ein Diagramm chatten möchten, verwenden Sie den Beispiel-KI-Agenten Look Graph auf der Seite „KI-Agenten“ in BigQuery, um Fragen zum Diagramm bigquery-public-data.thelook_ecommerce.graph zu stellen.

Anwendungsfälle

Mit BigQuery Graph können Sie viele Arten von analytischen Graph-Arbeitslasten 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 Entitäten zu erkennen, die mit relationalen Datenbanken nur schwer zu erkennen sind.

  • Kundenprofile: Kundenbeziehungen, Präferenzen und Kaufhistorien verfolgen. Sie erhalten einen ganzheitlichen Überblick über jeden Kunden, um personalisierte Empfehlungen, gezielte Marketingkampagnen und einen verbesserten Kundenservice zu ermöglichen.

  • Soziale Netzwerke: Erfassen Sie Nutzeraktivitäten und -interaktionen und verwenden Sie Graph Pattern Matching für Freundschaftsempfehlungen und die Inhaltserkennung.

  • Fertigung und Lieferkettenmanagement: Verwenden Sie Graphmuster für effiziente Auswirkungsanalysen, Kostenaufstellungen und Compliance-Prüfungen, indem Sie Teile, Lieferanten, Bestellungen, Verfügbarkeit und Mängel im Graphen modellieren.

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

  • Transportwesen: Modellieren Sie Orte, Verbindungen, Entfernungen und Kosten im Graphen und verwenden Sie dann Graphabfragen, um die optimale Route zu finden.

Tutorials

In den folgenden Anleitungen wird gezeigt, wie Sie BigQuery Graph in verschiedenen Szenarien verwenden:

Preise

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

Compute

Zum Ausführen von GQL-Abfragen benötigen Sie eine Reservierung mit der Enterprise- oder Enterprise Plus-Version. Wenn Sie On-Demand-Preise verwenden, können Sie die Funktion GRAPH_EXPAND aufrufen, um SQL-Abfragen für Ihren Graphen auszuführen. Für Graphabfragen werden die BigQuery-Kapazitätsrechenpreise verwendet, die in Slots gemessen werden.

Speicher

Die Speicherung der zugrunde liegenden Tabellen, die zum Definieren Ihrer Graphen verwendet werden, wird Ihnen nur einmal in Rechnung gestellt. Die Speicherkosten richten sich nach den standardmäßigen BigQuery-Speicherpreisen (aktiver oder langfristiger Speicher), unabhängig davon, wie viele Graphmodelle auf diesen Tabellen basieren.

Nächste Schritte