Daten nach BigQuery exportieren

Auf dieser Seite wird beschrieben, wie Sie Einzelhandelsprodukt- und Nutzerereignisdaten in BigQuery hochladen. Nachdem sich Ihre Daten in BigQuery befinden, können Sie damit Umsatzprognosen mit Vertex AI erstellen und die Daten in vorgefertigten Looker-Dashboards ansehen.

Wenn sich Ihre Handelsdaten bereits in Produkt- und Nutzerereignistabellen in BigQuery im AI Commerce Search-Format befinden, können Sie diese Seite überspringen und direkt zu Dashboards mit wichtigen Leistungs indikatoren und Umsatzprognosen aus Einzelhandels daten gehen. Weitere Informationen zum Format finden Sie unter Produktschema und Nutzerereignisse.

Hinweis

Bevor Sie Ihre Handelsdaten in BigQuery exportieren können, müssen Sie die Schritte unter Erste Einrichtungausgeführt haben.

Dazu zählen:

Dataset in BigQuery erstellen

Sie müssen ein oder zwei Datasets in BigQuery erstellen, um Ihre Produkt- und Nutzerereignisdaten zu speichern.

Sie können ein Dataset für beide Datentypen verwenden oder zwei Datasets erstellen, eines für jeden Datentyp.

Sie müssen die Datasets in demselben Projekt erstellen, in dem Sie AI Commerce Search implementiert haben.

  1. Wenn Sie BigQuery noch nicht in Ihrem Projekt verwendet haben, aktivieren Sie die BigQuery API und prüfen Sie, ob Sie die IAM-Rolle haben, mit der Sie Datasets und Tabellen erstellen können.

    Weitere Informationen finden Sie unter Hinweis und Zugriffssteuerung mit IAM in der BigQuery-Dokumentation.

  2. Erstellen Sie ein Dataset in BigQuery in der US-Multiregion. Nennen Sie es beispielsweise retail_data.

  3. Optional: Wenn Sie Ihre Nutzerereignisdaten in einem separaten Dataset von Ihren Produktdaten speichern möchten, erstellen Sie ein zweites Dataset. Nennen Sie es beispielsweise retail_user_event_data.

Weitere Informationen zum Erstellen von BigQuery-Datasets finden Sie in der BigQuery-Dokumentation.

In diesem Dataset werden die Datentabellen gespeichert, die Sie exportieren. In den folgenden Schritten wird beschrieben, wie Sie Daten exportieren.

AI Commerce Search-Katalog in eine BigQuery-Tabelle exportieren

Verwenden Sie die export-Methode, um Ihren Einzelhandelskatalog in eine BigQuery-Tabelle zu exportieren.

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: Die ID des AI Commerce Search API-Projekts, in dem Sie das BigQuery Dataset erstellt haben.
  • BRANCH_ID: Die ID der Katalog Verzweigung. Verwenden Sie default_branch, um Daten aus der Standardverzweigung abzurufen. Weitere Informationen finden Sie unter Katalogverzweigungen.
  • DATASET_ID: Der Name des Datasets, das Sie unter Dataset in BigQuery erstellen erstellt haben. Verwenden Sie beispielsweise retail_data oder retail_product_data. Das Dataset muss sich im selben Projekt befinden. Fügen Sie dem Feld datasetId hier nicht die Projekt-ID hinzu.
  • TABLE_ID_PREFIX: Ein Präfix für die Tabellen-ID. Dieses Präfix darf keine leere String sein. Ein Suffix von _retail_products_BRANCH_ID wird hinzugefügt, um den Tabellennamen zu vervollständigen. Wenn das Präfix beispielsweise test ist, heißt die Tabelle _test_retail_products_BRANCH_ID.

JSON-Text der Anfrage: 

{
  "outputConfig":
  {
    "bigqueryDestination":
    {
      "datasetId": "DATASET_ID",
        "tableIdPrefix": "TABLE_ID_PREFIX",
        "tableType": "view"
    }
  }
}

Wenn Sie die Anfrage senden möchten, maximieren Sie eine der folgenden Optionen:

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

{
  "name": "projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/branches/BRANCH_ID/operations/17986570020347019923",
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.cloud.retail.v2alpha.ExportProductsResponse",
    "outputResult": {
      "bigqueryResult": [
        {
          "datasetId": "DATASET_ID",
          "tableId": "TABLE_ID_PREFIX_retail_products_BRANCH_ID"
        }
      ]
    }
  }
}

Nutzerereignisse in eine BigQuery-Tabelle exportieren

Verwenden Sie die Methode userEvents.export, um Ihre Einzelhandelsnutzerereignisse in eine BigQuery-Tabelle zu exportieren:

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: Die ID des AI Commerce Search API-Projekts, in dem Sie das BigQuery Dataset erstellt haben.
  • DATASET_ID: Der Name des Datasets, das Sie unter Dataset in BigQuery erstellen erstellt haben. Verwenden Sie beispielsweise retail_data oder retail_product_data.
  • TABLE_ID_PREFIX: Ein Präfix für die Tabellen-ID. Dieses Präfix darf keine leere String sein. Ein Suffix von retail_products wird hinzugefügt, um den Tabellennamen zu vervollständigen. Wenn das Präfix beispielsweise test ist, heißt die Tabelle test_retail_products.

JSON-Text der Anfrage: 

{
  "outputConfig":
  {
    "bigqueryDestination":
    {
      "datasetId": "DATASET_ID",
        "tableIdPrefix": "TABLE_ID_PREFIX",
        "tableType": "view"
    }
  }
}

Wenn Sie die Anfrage senden möchten, maximieren Sie eine der folgenden Optionen:

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

{
  "name": "projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/operations/17203443067109586170",
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.cloud.retail.v2alpha.ExportUserEventsResponse",
    "outputResult": {
      "bigqueryResult": [
        {
          "datasetId": "DATASET_ID",
          "tableId": "TABLE_ID_PREFIX_retail_user_events"
        }
      ]
    }
  }
}

Informationen zu den exportierten Daten

Hier finden Sie Informationen zu den Handelsdaten, die Sie in BigQuery-Tabellen exportieren:

  • Die Daten, die in BigQuery-Tabellen in Ihrem Projekt exportiert werden, sind autorisierte Ansichten, keine materialisierten Ansichten.

  • Sie können die Daten in diesen Tabellen nicht ändern oder aktualisieren.

  • Produkte werden stündlich aktualisiert.

  • Nutzerereignisse werden nahezu in Echtzeit aktualisiert.

Informationen zu den exportierten Nutzerereignisdaten

Hier finden Sie Informationen zu den Produktinformationen, die in den exportierten Nutzerereignisdaten enthalten sind.

Produktpreisinformationen

Die Art und Weise, wie Produktpreisinformationen von der Methode userEvents.export zurückgegeben werden, hängt von Folgendem ab:

  • Sie haben zum Zeitpunkt der Datenaufnahme Preisinformationen in Ihre Nutzerereignisdaten aufgenommen. Wenn Sie die Methode userEvents.export aufrufen, ist der Preis, der mit einem Nutzerereignis zurückgegeben wird, der Preis des Produkts zum Zeitpunkt des Ereignisses.

  • Sie haben keine Preisinformationen in Ihre Nutzerereignisdaten aufgenommen, aber zum Zeitpunkt der Datenaufnahme Preisinformationen in Ihre Produktdaten aufgenommen. Wenn Sie die Methode userEvents.export aufrufen, ist der Preis, der mit einem Nutzerereignis zurückgegeben wird, nicht unbedingt der Preis des Produkts zum Zeitpunkt des Ereignisses. Es ist der Preis, der zum Zeitpunkt der Aufnahme in Ihren Produktdaten gefunden wurde.

  • Sie haben keine Preisinformationen in Ihre Nutzerereignisdaten aufgenommen und in Ihren Produktdaten sind keine Preisinformationen verfügbar. Wenn Sie die Methode userEvents.export aufrufen, wird kein Preis mit Nutzerereignissen zurückgegeben.

Weitere Produktinformationen

Alle Produktinformationen (außer dem Preis) werden mit den Nutzerereignisinformationen zusammengeführt, wenn Sie die Methode userEvents.export aufrufen. Die Produktwerte können sich zwischen dem Zeitpunkt des Nutzerereignisses und dem Zeitpunkt, an dem Sie userEvents.export aufrufen, ändern. Aus diesem Grund können sich die nicht preisbezogenen Produktwerte, die in der Nutzerereignistabelle zurückgegeben werden, von den Produktwerten zum Zeitpunkt des Nutzerereignisses unterscheiden.

Optional: Prüfen, ob sich die neuen Tabellen in BigQuery befinden

Nachdem Sie Ihre Produktdaten und Nutzerereignisdaten in BigQuery exportiert haben, prüfen Sie, ob neue Tabellen vorhanden sind.

  1. Rufen Sie in BigQuery das Dataset oder die Datasets auf, die Sie unter Dataset in BigQuery erstellen erstellt haben.

  2. Öffnen Sie die Datasets und prüfen Sie, ob die beiden Tabellen angezeigt werden, die Sie exportiert haben. Suchen Sie beispielsweise nach Tabellen, deren Namen auf _retail_products_BRANCH_ID und retail_user_events enden.

Weitere Informationen zum Arbeiten mit BigQuery-Tabellen finden Sie unter Daten abfragen und ansehen.

Weitere Informationen zum Umgang von AI Commerce Search mit Kundendaten finden Sie auf der Seite Data Governance.