‫Cortex for Meridian

בדף הזה מפורט תהליך ההכנה של הנתונים והאוטומציה בענן עבור Google Meridian. ‫Cortex Framework ל-Meridian מייעל את בדיקת ההשפעה של התמהיל השיווקי (MMM) בקוד פתוח באמצעות נתונים מכמה רשתות ומכירות. ‫Cortex Framework מפשט את התהליך הזה באמצעות מודלים של נתונים שהוגדרו מראש והפיכת ההפעלה של מודל הקוד הפתוח Meridian לאוטומטית באמצעות שירותים כמו Colab Enterprise ו-Workflows. Google Cloud

אחד מיתרונות המפתח של Google Cloud Cortex Framework הוא לספק בסיס של נתונים ובינה מלאכותית (AI) לבינה ארגונית מהדור הבא, שמאפשרת ניתוח נתונים בתחומים מרכזיים כמו מכירות, שיווק, מילוי הזמנות וניהול מלאי.

‫Cortex Framework for marketing מספק מדדי ביצועים מרכזיים (KPI) ומדדים חוצי פלטפורמות מדיה. המדדים האלה הם חלק חשוב משלב הכנת הנתונים לפני יצירת המודל, לצורך הפעלת ה-MMM בקוד פתוח האחרון של Google שנקרא Meridian. מפרסמים, סוכנויות ושותפים יכולים להשתמש ב-Google Cloud Cortex Framework Data Foundation כדי להאיץ את תהליך הכנת הנתונים לפני יצירת המודל.

‫Cortex for Meridian מפשט את תהליך ההכנה של המודל על ידי איסוף ושינוי נתונים ממקורות נתונים של Cortex Framework, כולל:

• תובנות לגבי מוצרים ומדיה שונים.
• ‫SAP (ECC ו-S/4 HANA)
• Oracle EBS

מידע נוסף מופיע במאמרי העזרה של Meridian.

קובץ תצורה

במהלך ההרצה של מחברת, המערכת מאחזרת פרמטרים של תצורה מהקובץ cortex_meridian_config.json שנמצא בתיקייה configuration ב-Cloud Storage.

שימו לב: לא נכללים פרמטרים של הגדרות ברירת מחדל של Meridian, כי צריך לבחור את הפרמטרים האלה בזהירות רבה, כי הם משפיעים ישירות על ההתנהגות והתוצאות של המודל. במאמר בנושא מודלים של Meridian מוסבר איך להגדיר את תצורת המודל בהתאם לצרכים ולמטרות העסקיות הייחודיים שלכם.

הערה: כדי לקבל עזרה בכוונון עדין של מודל Meridian, אפשר לפנות לנציג Google Ads.

הערה: אם יש לכם שאלות או בעיות שקשורות ל-Google Cloud Cortex Framework עצמו, תוכלו לעיין בקטע תמיכה ב-Cortex Framework.

בקטע הבא מופיעות דוגמאות לקובצי YAML שונים של הגדרות להרצת Meridian:

מכירות

דוגמה לקובץ YAML של הגדרות למכירות כמדדי KPI:

{
  "cortex_bq_project_id": "PROJECT_ID",
  "cortex_meridian_marketing_data_set_id": "K9_REPORTING",
  "cortex_meridian_marketing_view_name": "CrossMediaSalesInsightsWeeklyAgg",
  "column_mappings": {
      "controls": [],
      "geo": "geo",
      "kpi": "number_of_sales_orders",
      "media": [
          "Tiktok_impression",
          "Meta_impression",
          "YouTube_impression",
          "GoogleAds_impression"
      ],
      "media_spend": [
          "Tiktok_spend",
          "Meta_spend",
          "YouTube_spend",
          "GoogleAds_spend"
      ],
      "population": "population",
      "revenue_per_kpi": "average_revenue_per_sales_order",
      "time": "time"
  },
  "channel_names": [
      "TikTok",
      "Meta",
      "YouTube",
      "GoogleAds"
  ],
  "data_processing": {
      "kpi_type": "{USE_CASE_SPECIFIC}",
      "roi_mu": {USE_CASE_SPECIFIC},
      "roi_sigma": {USE_CASE_SPECIFIC},
      "sample": {
          "prior": {USE_CASE_SPECIFIC},
          "posterior": {
              "n_chains": {USE_CASE_SPECIFIC},
              "n_adapt": {USE_CASE_SPECIFIC},
              "n_burnin": {USE_CASE_SPECIFIC},
              "n_keep": {USE_CASE_SPECIFIC}
          }
      }
  }
}

המרות

דוגמאות לקובצי YAML של הגדרות להמרות כמדדי KPI:

...
    "kpi": "conversions",
    "revenue_per_kpi": "",
...

בטבלה הבאה מתואר הערך של כל פרמטר הגדרה מתוך קובץ cortex_meridian_config.json:

.

פרמטר	משמעות	ערך ברירת המחדל	תיאור
cortex_bq_project_id	פרויקט עם מערכי הנתונים של Cortex Framework.	{PROJECT_ID}	מזהה הפרויקט Google Cloud .
cortex_meridian_marketing_data_set_id	מערך נתונים ב-BigQuery עם Cortex לתצוגת Meridian.	ערך ההגדרה של k9.datasets.reporting בקובץ config.json.	מערך הנתונים שמכיל את התצוגה cortex_meridian_marketing_view_name.
cortex_meridian_marketing_view_name	תצוגה ב-BigQuery עם Cortex לנתוני שיווק ומכירות של Meridian.	"CrossMediaSalesInsightsWeeklyAgg"	התצוגה שמכילה נתונים שיווקיים ומכירות מצטברים שבועיים.
column_mappings.controls	אופציונלי: יכול להכיל את המשתנים המבלבלים שיש להם השפעה סיבתית גם על מדד הביצועים המרכזי וגם על מדד המדיה.	[]	לפרטים על בניית מודלים של נתוני Meridian לגבי משתני בקרה, אפשר לעיין במאמר בנושא משתני בקרה.
column_mappings.geo	העמודות שמספקות מידע גיאוגרפי.	"geo"	פרטים על מודלים של נתונים ב-Meridian זמינים במאמר איסוף וארגון הנתונים.
column_mappings.kpi	יעד ה-KPI של המודל.	‫"number_of_sales_orders" או 'conversions" '.	פרטים על מודלים של נתונים ב-Meridian זמינים במאמר איסוף וארגון הנתונים.
column_mappings.media	מערך של עמודות שמספקות חשיפות לערוץ.	[ "Tiktok_impression", "Meta_impression", "YouTube_impression", "GoogleAds_impression" ]	פרטים על מודלים של נתונים ב-Meridian זמינים במאמר איסוף וארגון הנתונים.
column_mappings.media_spend	עמודות שמציגות את ההוצאות בערוץ.	[ "Tiktok_spend", "Meta_spend", "YouTube_spend", "GoogleAds_spend" ]	פרטים על מודלים של נתונים ב-Meridian זמינים במאמר איסוף וארגון הנתונים.
column_mappings.population	האוכלוסייה בכל מיקום גיאוגרפי.	"population"	פרטים על מודלים של נתונים ב-Meridian זמינים במאמר איסוף וארגון הנתונים.
column_mappings.revenue_per_kpi	ההכנסה הממוצעת ליחידת KPI.	"average_revenue_per_sales_order" או ""	פרטים על מודלים של נתונים ב-Meridian זמינים במאמר איסוף וארגון הנתונים.
column_mappings.time	העמודה של השעה – תחילת השבוע (יום שני).	"time"	פרטים על מודלים של נתונים ב-Meridian זמינים במאמר איסוף וארגון הנתונים.
channel_names	מערך של שמות ערוצים.	[ "TikTok", "Meta", "YouTube", "GoogleAds" ]	השמות שמשמשים לערוץ – אינדקס צריכים להיות זהים לערכים column_mappings.media וcolumn_mappings.media_spend.
data_processing.kpi_type	יכול להיות שה-KPI הוא הכנסה או KPI אחר שאינו הכנסה. אפשר להשתמש גם בסוג KPI שאינו קשור להכנסות, גם אם בסופו של דבר ההכנסה היא ה-KPI.	"{USE_CASE_SPECIFIC}"	פרטים על מודל הנתונים של Meridian עבור KPI מופיעים במאמר בנושא KPI.
data_processing.roi_mu	התפלגות פריורית על החזר ה-ROI של כל ערוץ מדיה. roi_mu (בשימוש עם ROI_M ב-Notebook).	{USE_CASE_SPECIFIC}	כדי להבין איך מתבצע עיבוד הנתונים ב-Meridian, חשוב לקרוא את המאמרים הבאים: הגדרת המודל והפניה ל-API.
data_processing.roi_sigma	התפלגות פריורית של החזר ה-ROI של כל ערוץ מדיה roi_sigma (בשימוש עם ROI_M במחברת).	{USE_CASE_SPECIFIC}	כדי להבין איך מתבצע עיבוד הנתונים ב-Meridian, חשוב לקרוא את המאמרים הבאים: הגדרת המודל והפניה ל-API.
data_processing.sample.prior	מספר הדגימות שנלקחו מההתפלגות הפריורית.	{USE_CASE_SPECIFIC}	כדי לקבל פרטים על עיבוד נתונים ב-Meridian, חשוב לקרוא ולהבין את המאמרים הבאים: הגדרות ברירת מחדל קודמות של פרמטרים והפניית API.
data_processing.sample.posterior.n_chains	מספר שרשראות ה-MCMC.	{USE_CASE_SPECIFIC}	כדי להבין איך מתבצע עיבוד הנתונים ב-Meridian, חשוב לקרוא את המאמרים הבאים: הגדרת המודל והפניה ל-API
data_processing.sample.posterior.n_adapt	מספר הניסיונות להתאמה לכל שרשרת.	{USE_CASE_SPECIFIC}	כדי להבין איך מתבצע עיבוד הנתונים ב-Meridian, חשוב לקרוא את המאמרים הבאים: הגדרת המודל והפניה ל-API.
data_processing.sample.posterior.n_burnin	מספר הניסיונות לשרשרת.	{USE_CASE_SPECIFIC}	כדי להבין איך מתבצע עיבוד הנתונים ב-Meridian, חשוב לקרוא את המאמרים הבאים: הגדרת המודל והפניה ל-API.
data_processing.sample.posterior.n_keep	מספר הניסיונות לכל שרשרת שצריך לשמור להסקת מסקנות.	{USE_CASE_SPECIFIC}	כדי להבין איך מתבצע עיבוד הנתונים ב-Meridian, חשוב לקרוא את המאמרים הבאים: הגדרת המודל והפניה ל-API.

תאימות ל-Meridian

התשתית של Cortex Framework Data Foundation ו-Meridian מופצות בנפרד. בהערות לגבי הגרסה של Cortex Framework מופיעה סקירה כללית של הגרסאות שלו. ב-Meridian's GitHub repository אפשר לראות את הגרסאות האחרונות של Meridian שזמינות. הדרישות המוקדמות של Meridian וההמלצות למערכת זמינות במדריך למשתמש של Meridian.

הגרסאות של Cortex Framework Data Foundation נבדקות עם גרסה ספציפית של Meridian. אפשר למצוא את Meridian התואם ב-notebook של Jupyter, כמו שמוצג בתמונה הבאה:

איור 1. ‫Meridian.

כדי לעדכן לגרסה חדשה יותר של Meridian, משנים את השורה המתאימה בנוטבוק. חשוב לזכור שאולי יהיה צורך לבצע התאמות נוספות בקוד במחברת.

מודל נתונים

בקטע הזה מתואר CrossMediaSalesInsightsWeeklyAgg מודל הנתונים באמצעות דיאגרמת קשר בין ישויות (ERD).

הפלטפורמה Cortex for Meridian מסתמכת על תצוגה אחת, CrossMediaSalesInsightsWeeklyAgg, כדי לפעול. מקור הנתונים של התצוגה המפורטת הזו נקבע על ידי הגדרת התצורה k9.Meridian.salesDataSourceType, שיכולה להיות:

• ‫BYOD (Bring Your Own Data): שילוב נתונים בהתאמה אישית.
• ‫SAP_SALES: נתוני מכירות ממערכות SAP.
• ‫ORACLE_SALES: נתוני מכירות ממערכות Oracle EBS.

בקטע הבא מוצגים דיאגרמות של קשרים בין ישויות (ERD) עבור CrossMediaForMeridian:

BYOD

איור 2. ‫CortexForMeridian בלי נתוני מכירות.

SAP

איור 3. CortexForMeridian עם נתוני SAP.

OracleEBS

איור 4. ‫CortexForMeridian עם נתונים מ-Oracle EBS.

בטבלה הבאה מוצגת הסכימה המפורטת של התצוגה CrossMediaSalesInsightsWeeklyAgg, שהיא חלק מ-Cortex for Meridian:

עמודה	סוג	תיאור
geo	String	האזור הגיאוגרפי שמשמש לצבירה של כל שאר הערכים.
פעם	String	מאפיין הזמן שמשמש לצבירה של כל שאר הערכים.
Tiktok_impression	מספר שלם	מספר הפעמים שהמודעות שלכם הוצגו ב-TikTok.
Meta_impression	מספר שלם	מספר הפעמים שהמודעות שלכם הוצגו במטא.
YouTube_impression	מספר שלם	מספר הפעמים שהמודעות שלכם הוצגו ב-YouTube.
GoogleAds_impression	מספר שלם	מספר הפעמים שהמודעות שלכם הוצגו ב-Google Ads.
Tiktok_spend	Float	הסכום שהוצא על פרסום ב-TikTok.
Meta_spend	Float	הסכום שהוצא על פרסום במטא.
YouTube_spend	Float	הסכום שהוצא על פרסום ב-YouTube.
GoogleAds_spend	Float	הסכום שהוצא על פרסום ב-Google Ads.
target_currency	String	מטבע היעד שמשמש לכל עמודות ההכנסות.
המרות	מספר שלם	המרות.
number_of_sales_orders	מספר שלם	מספר הזמנות המכירה מ-Oracle EBS או מ-SAP.
average_revenue_per_sales_order	Float	ההכנסה הממוצעת לכל הזמנת מכירות מ-Oracle EBS או מ-SAP.
population	מספר שלם	גודל האוכלוסייה במיקום הגיאוגרפי.

פריסה

בדף הזה מפורטים השלבים להטמעה של Cortex Framework ב-Meridian, כדי להפעיל את הפתרון הטוב ביותר ל-MMM בסביבת Google Cloud .

כדי להתחיל, אפשר לעיין במאמר הדגמה של פריסת Meridian.

הערה: מערך הנתונים הציבורי שמשמש כאן לאחזור נתוני המפקד זמין רק באזור הגיאוגרפי המרובה US. אם אתם פורסים במיקום אחר ב-BigQuery, כדאי לקרוא מידע נוסף על שכפול הנתונים למיקום שבחרתם בשיקולים כלליים.

ארכיטקטורה

‫Cortex for Meridian משתמש ב-Cortex Framework לשיווק ובנתונים מכמה רשתות בשילוב עם נתוני מכירות. אתם יכולים לייבא נתוני מכירות מ-Oracle EBS, מ-SAP או ממערכת מקור אחרת.

בתרשים הבא מתוארים הרכיבים העיקריים של Cortex for Meridian:

איור 5. ארכיטקטורת Cortex for Meridian.

רכיבים ושירותים של Meridian

במהלך הפריסה של Cortex Framework Data Foundation (ראו תנאים מוקדמים לפריסה), אפשר להפעיל את Cortex ל-Meridian על ידי הגדרת deployMeridian ל-true בקובץ config.json. האפשרות הזו מפעילה צינור Cloud Build נוסף, שמתקין את הרכיבים והשירותים הבאים שנדרשים ל-Meridian:

• תצוגה מפורטת ב-BigQuery: תצוגה מפורטת נוצרת במערך הנתונים של הדיווח ב-K9 בשם CrossMediaSalesInsightsWeeklyAgg. כך אפשר להריץ שאילתות על נתוני שיווק ועל נתוני מכירות מ-Cortex Framework. ההטמעה בפועל של התצוגה ומקורות הנתונים הבסיסיים תלויה במקור נתוני המכירות שתבחרו במהלך ההטמעה.

• קטגוריה של Cloud Storage: הקטגוריה PROJECT_ID-cortex-meridian מכילה את כל הארטיפקטים שנדרשים ל-Cortex for Meridian ושנוצרים על ידו בתיקיות הבאות:

  • ‫configuration: הגדרת ההגדרות והפרמטרים של Cortex for Meridian. הוא משמש את קובץ ה-notebook של Colab Enterprise במהלך ההרצה של קובץ ה-notebook.
  • ‫csv: נתוני הפלט הגולמיים מהרצת Meridian יישמרו כאן כקובצי CSV.
  • ‫models: המודל שנוצר מהרצת Meridian יישמר כאן.
  • ‫notebook-run-logs: כאן יישמרו עותקים של מחברות לכל הרצה ויומנים.
  • ‫notebooks: מכיל את המחברת הראשית עם קוד והיגיון להפעלת Cortex for Meridian. המחברת הזו נועדה להתאמה אישית נוספת כדי לתמוך בצרכים ובדרישות הספציפיים שלכם.
  • ‫reporting: התיקייה שבה יישמרו דוחות מהרצות של Meridian. הוא מכיל גם תבנית HTML ליצירת דוח סקירה כללית עם קישורים לפלט של דוחות מ-Meridian.

• ‫Colab Enterprise:‏ Colab Enterprise הוא שירות מנוהל ב- Google Cloud שמספק סביבה מאובטחת לשיתוף פעולה בתהליכי עבודה של מדע הנתונים ולמידת מכונה באמצעות מחברות Jupyter. הוא מציע תכונות כמו תשתית מנוהלת, אמצעי בקרה לאבטחה ברמה שמתאימה לארגונים ושילוב עם שירותים אחרים של Google Cloud Google, ולכן הוא מתאים לצוותים שעובדים עם מידע אישי רגיש וזקוקים לניהול מדיניות חזק. סביבה מנוהלת להרצת מחברת Jupyter.

‫Cortex for Meridian משתמש ב-Colab Enterprise כדי להגדיר תבנית זמן ריצה עם התשתית הנדרשת לאוטומציה של הרצות Meridian.

איור 6. תבנית של סביבת זמן ריצה ל-Meridian ב-Colab Enterprise.

כשמפעילים את צינור הנתונים מקצה לקצה באמצעות תהליך עבודה, נוצרת הפעלה. הפעולה הזו תריץ עותק של מסמך ה-notebook הנוכחי של Jupyter מ-Cloud Storage עם ההגדרות העדכניות.

איור 7. הפעלות של Meridian ב-Colab Enterprise.

• תהליך העבודה: Cloud Workflow בשם cortex-meridian-execute-notebook מתזמר את הביצוע של צינור הנתונים המלא של Cortex for Meridian. תהליך העבודה יפעיל את Colab Enterprise API שיוצר סביבת זמן ריצה על סמך תבנית זמן הריצה, יבצע הפעלה של מחברת עם ההגדרות הנוכחיות ולבסוף ישמור את כל התוצאות ב-Cloud Storage.

  

  איור 8. Workflows for Meridian.

  יש שתי אפשרויות הגדרה אופציונליות לתהליך העבודה:

  1. אם יש לך הגדרות JSON חדשות של Cortex for Meridian שאפשר להזין בתור קלט לתהליך העבודה. אם תעשו את זה, התהליך ייצור גיבוי של ההגדרה הישנה ויעדכן את ההגדרה עם הקלט שלכם. מידע נוסף זמין במאמר בנושא REPLACE.

  

  איור 9. דוגמה לשינוי של קובץ JSON חדש של קלט ולהרצה שלו.
  1. pre_notebook_execution השלב הזה הוא מקום מצוין להתחיל בו כל משימה נוספת שרוצים להפוך לאוטומטית לפני שמריצים את המחברת. לדוגמה, טעינת נתונים ממקורות מחוץ ל-Google Cloud Cortex Framework.

• חשבון שירות: צריך לספק חשבון שירות ייעודי במהלך הפריסה. הפעולה הזו נדרשת כדי להריץ את תהליך העבודה ואת קובץ ה-notebook ב-Colab Enterprise.

פרמטרים נוספים לפריסה של Meridian

בקובץ config.json מוגדרות ההגדרות שנדרשות להפעלת Meridian עם Cortex Framework. הקובץ הזה מכיל את הפרמטרים הבאים של Cortex for Meridian:

   "k9": {
...
        "deployMeridian": false,
...

    "Meridian":{
            "salesDataSourceType": "",
            "salesDatasetID":"",
            "deploymentType": "",
            "defaultNotebookFile":"meridian_cortex_marketing.ipynb",
            "defaultConfigFile":"cortex_meridian_config.json",
            "gcsBucketNameSuffix": "cortex-meridian",
            "workflow": {
                "template": "create_notebook_execution_run.yaml",
                "name": "cortex-meridian-execute-notebook",
                "region": "us-central1"
            },
            "runnerServiceAccount": "cortex-meridian-colab-runner",
            "colabEnterprise": {
                "region": "us-central1",
                "runtimeTemplateName": "cortex-meridian-template",
                "runtimeMachine_type": "n1-highmem-32",
                "runtimeAcceleratorCoreCount": 1,
                "runtimeAcceleratorType": "NVIDIA_TESLA_T4",
                "executionName": "cortex-meridian-execution",
                "notebookRunLogsFolder": "notebook-run-logs"
            }
        }
}

בטבלה הבאה מפורטים הערך והתיאור של כל פרמטר של Meridian:

פרמטר	משמעות	ערך ברירת המחדל	תיאור
k9.deployMeridian	האם לפרוס את Meridian.	false	בוחרים אם לפרוס את Cortex for Meridian כחלק מפריסת Data Foundation.
k9.Meridian.salesDataSourceType	המקור של נתוני המכירות.	-	אפשר לבחור בין BYOD, SAP או OracleEBS
k9.Meridian.salesDatasetID	המזהה של מערך נתוני המכירות.	-	המזהה של מערך נתוני המכירות. משתנה בהתאם להגדרות של Cortex Data Foundation.
k9.Meridian.deploymentType	המאפיין מגדיר אם הפריסה היא נקייה או מצטברת.	-	בוחרים בין initial לבין incremental.
k9.Meridian.defaultNotebookFile	קובץ notebook של Jupyter.	meridian_cortex_marketing.ipynb	השם של קובץ ה-Notebook שנמצא בתיקייה notebooks ב-Cloud Storage.
k9.Meridian.defaultConfigFile	קובץ ההגדרות להרצת הנוטבוק.	cortex_meridian_config.json	הוא מכיל את Cortex להגדרת Meridian שמשמש להרצת המחברת. הוא חייב להיות בתיקייה configuration ב-Cloud Storage.
k9.Meridian.gcsBucketNameSuffix	הסיומת של הקטגוריה של Cortex for Meridian Cloud Storage.	cortex-meridian	שם הקטגוריה המלא יהיה {PROJECT_ID}-cortex-meridian כברירת מחדל.
k9.Meridian.workflow.template	התבנית של תהליך העבודה.	create_notebook_execution_run.yaml	התבנית ליצירת תהליך העבודה. תהליך העבודה משמש ל התחלת ביצוע של מחברת.
k9.Meridian.workflow.name	השם של תהליך העבודה.	cortex-meridian-execute-notebook	השם שמופיע ב Google Cloud פורטל של תהליך העבודה.
k9.Meridian.workflow.region	האזור שבו נפרס תהליך העבודה.	us-central1	האזור שבו נפרס תהליך העבודה. בדרך כלל, הוא בוחר את אותה הגדרה כמו בשאר הפריסה.
k9.Meridian.runnerServiceAccount	השם של חשבון השירות של Cortex for Meridian.	cortex-meridian-colab-runner	השם של חשבון השירות שמשמש להרצת תהליך העבודה וההרצות של Colab Enterprise.
k9.Meridian.colabEnterprise.region	האזור שבו מתבצעות ההרצות של Colab Enterprise.	us-central1	האזור שבו מתבצעות ההרצות של Colab Enterprise. בדרך כלל, המערכת בוחרת את אותו האזור כמו בשאר הפריסה.
k9.Meridian.colabEnterprise.runtimeTemplateName	השם של תבנית זמן הריצה ב-Colab Enterprise.	cortex-meridian-template	השם של תבנית זמן הריצה ב-Colab Enterprise.
k9.Meridian.colabEnterprise.runtimeMachine_type	סוג המכונה לזמן הריצה של מחברת Colab Enterprise.	n1-highmem-32	סוג המכונה לזמן הריצה של מחברת Colab Enterprise.
k9.Meridian.colabEnterprise.runtimeAcceleratorCoreCount	מספר הליבות.	1	מספר ליבות מאיץ ה-GPU לזמן הריצה של קובץ notebook של Colab Enterprise.
k9.Meridian.colabEnterprise.runtimeAcceleratorType	סוג המאיץ לסביבת זמן הריצה של קובץ notebook של Colab Enterprise.	NVIDIA_TESLA_T4	סוג ה-GPU.
k9.Meridian.colabEnterprise.executionName	השם של ההפעלה של זמן הריצה של מחברת Colab Enterprise.	cortex-meridian-execution	השם שיוצג בממשק האינטרנט של Colab Enterprise – Executions.
k9.Meridian.colabEnterprise.notebookRunLogsFolder	שם התיקייה להרצות בזמן ריצה.	notebook-run-logs	ההרצות של קובץ notebook ב-Colab Enterprise ישמרו כאן את היומנים ואת העותקים של ההרצה של ה-notebook.

תהליך עבודה

תהליכי עבודה משמשים כממשק העיקרי להפעלת Cortex for Meridian. תהליך עבודה שמוגדר כברירת מחדל בשם cortex-meridian-execute-notebook נפרס כחלק מ-Cortex for Meridian.

הרצת Notebook

כדי להתחיל הפעלה חדשה של Cortex for Meridian, פועלים לפי השלבים הבאים:

1. עוברים אל cortex-meridian-execute-notebook ה-Notebook ב-Workflows.
2. לוחצים על Execute (הפעלה) כדי להתחיל הפעלה חדשה.
3. בהרצות הראשונות, משאירים את שדה להזנת קלט ריק כדי להשתמש בתצורת ברירת המחדל שמאוחסנת בקובץ התצורה cortex_meridian_config.json ב-Cloud Storage.
4. לוחצים שוב על ביצוע כדי להמשיך.

5. אחרי השהיה קצרה, יוצג הסטטוס של הפעלת תהליך העבודה:

   

   איור 10. דוגמה לפרטי ההרצה.

6. אפשר לעקוב אחרי התקדמות ההרצה של קובץ ה-notebook ב-Colab Enterprise.

שלבים בתהליך העבודה

תהליך העבודה cortex-meridian-execute-notebook כולל את השלבים הבאים:

שלב	שלב משנה	תיאור
init	-	מאתחלים פרמטרים.
checkInputForConfig	-	בודקים אם קובץ JSON חדש של הגדרות סופק כקלט של תהליך העבודה.
	logBackupConfigFileName	מתעד ביומן את שם הקובץ של הגדרות הגיבוי.
	backupConfigFile	מבצע גיבוי של קובץ ההגדרות ב-Cloud Storage.
	logBackupResult	התוצאה של הקריאה ל-Cloud Storage API נרשמת ביומן.
	updateGCSConfigFile	מעדכנים את קובץ ההגדרות ב-Cloud Storage עם הערכים החדשים.
pre_notebook_execution	-	השלב הזה ריק כברירת מחדל. אתם יכולים להתאים אותו אישית. לדוגמה, טעינת נתונים או שלבים רלוונטיים אחרים לפני שמריצים את המחברת. מידע נוסף זמין במאמרים סקירה כללית של Workflows ומחברים של Workflows.
create_notebook_execution_run	-	יוצרים את ההרצה של מחברת Colab Enterprise (באמצעות סקריפט מעטפת ב-Cloud Build).
notebook_execution_run_started	-	הפלט של תוצאת ההשלמה.

התאמה אישית של תהליך העבודה של Meridian

כדי להתאים אישית את הרצת Meridian, אפשר לספק קובץ JSON משלכם להגדרות בשדה להזנת קלט של Workflows:

1. מזינים את ה-JSON המלא של ההגדרה ששונתה בשדה להזנת קלט.
2. לאחר מכן, תהליך העבודה ימשיך כך:
   1. מחליפים את קובץ cortex_meridian_config.json הקיים ב-Cloud Storage ב-JSON שסיפקתם.
   2. יוצרים גיבוי של קובץ התצורה המקורי בספרייה Cloud Storage/configuration.
   3. שם קובץ הגיבוי יהיה בפורמט cortex_meridian_config_workflow_backup_workflow_execution_id.json, כאשר workflow_execution_id הוא מזהה ייחודי של ההפעלה הנוכחית של תהליך העבודה (לדוגמה, cortex_meridian_config_workflow_backup_3e3a5290-fac0-4d51-be5a-19b55b2545de.json)

סקירה כללית של Jupyter notebook

הפונקציונליות העיקרית של טעינת נתוני קלט כדי להריץ את מודל Meridian מנוהלת על ידי מחברת Python‏ meridian_cortex_marketing.ipynb, שנמצאת בתיקייה notebooks בקטגוריה של Cloud Storage.

תהליך ההרצה של מחברת כולל את השלבים הבאים:

1. מתקינים את החבילות הנדרשות (כולל Meridian) ומייבאים את הספריות הנדרשות.
2. טעינת פונקציות עזר לאינטראקציה עם Cloud Storage ו-BigQuery.
3. מאחזר את ההגדרות של ההרצה מקובץ configuration/cortex_meridian_config.json ב-Cloud Storage.
4. טעינת נתונים מ-Cortex Framework מהתצוגה Cortex Framework Data Foundation ב-BigQuery.
5. מגדירים את מפרט המודל של Meridian וממפים את מודלי הנתונים של Cortex Framework Data Foundation לשיווק ולמכירות לסכימת הקלט של מודל Meridian.
6. הפעלת דגימה של Meridian ויצירת דוח סיכום שנשמר ב-Cloud Storage ‏ (/reporting).
7. מריצים את הכלי לאופטימיזציה של תקציבים לתרחיש ברירת המחדל ומייצאים את דוח הסיכום ל-Cloud Storage ‏ (/reporting).
8. שמירת המודל ב-Cloud Storage‏ (/models).
9. שמירת תוצאות CSV ב-Cloud Storage‏ (/csv).
10. מפיקים דוח סקירה כללית ושומרים אותו ב-Cloud Storage‏ (/reporting).

ייבוא של מחברת להרצה ועריכה ידניות

כדי להתאים אישית את המחברת או להריץ אותה באופן ידני, מייבאים אותה מ-Cloud Storage:

1. עוברים אל Colab Enterprise.
2. לוחצים על המחברות שלי.
3. לוחצים על Import.
4. בוחרים באפשרות Cloud Storage כמקור לייבוא ובוחרים את ה-Notebook מ-Cloud Storage.
5. לוחצים על Import.

6. המחברת תיטען ותיפתח.

   הערה: ה-Notebook שיובא הוא עותק. כדי לעדכן את המחברת שמשמשת להרצות אוטומטיות, שומרים את השינויים בחזרה ב-/notebooks, ודוחפים את הקובץ הקיים.

תוצאות של הרצות Notebook

כדי לבדוק את תוצאות ההרצה של מחברת, פותחים עותק מלא של המחברת עם כל הפלט של התאים:

1. עוברים אל Executions ב-Colab Enterprise.
2. בוחרים את האזור הרלוונטי מהתפריט הנפתח.
3. לצד ההרצה של ה-Notebook שרוצים לראות את התוצאות שלה, לוחצים על הצגת התוצאה.
4. התוצאה של הפעלת המחברת תיפתח בכרטיסייה חדשה ב-Colab Enterprise.
5. כדי לראות את התוצאה, לוחצים על הכרטיסייה החדשה.

תבנית של סביבת זמן הריצה

‫Google Cloud Colab Enterprise משתמש בתבניות של זמן ריצה כדי להגדיר סביבות הפעלה שהוגדרו מראש. תבנית מוגדרת מראש של זמן ריצה, שמתאימה להרצת מחברת Meridian, כלולה בפריסת Cortex for Meridian. התבנית הזו משמשת באופן אוטומטי ליצירת סביבות זמן ריצה להרצת מחברות.

איור 11. תבנית של סביבת זמן הריצה.

במקרה הצורך, אפשר ליצור תבניות נוספות של זמן ריצה באופן ידני.