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 die Graph Query Language (GQL) verwenden, um komplexe, verborgene Beziehungen zwischen Datenpunkten zu 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, Knowledge Graphs, Kundenprofile, Data Catalog und Lineage-Tracking verwendet.
Wenn Ihre Diagrammdaten als Tabellen dargestellt werden, müssen Sie Self Joins oder rekursive Joins ausführen, um Ihre Daten zu durchlaufen. Das Ausdrücken der Logik für die Graph-Durchquerung 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 Diagrammfunktionen. 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 Bedeutung 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 neu modellieren oder Ihre Abfragen übersetzen zu müssen.
Abfrage in natürlicher Sprache: Mit konversationeller Analyse Fragen zu Ihrem Diagramm 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, können Sie den Beispiel-KI-Agenten
Look Graphin BigQuery auf der Seite „KI-Agenten“ verwenden, um Fragen zum Diagrammbigquery-public-data.thelook_ecommerce.graphzu 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 Graphmusterabgleich 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 der Patientenähnlichkeit 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.
Zusammenarbeit von BigQuery Graph und Spanner Graph
BigQuery Graph ist für analytische Graph-Arbeitslasten konzipiert und konzentriert sich auf umfassende Analysen im großen Maßstab. Es ist für das Aufdecken globaler Muster, das Identifizieren historischer Trends und das Scannen von Petabyte an Daten mithilfe von Parallelverarbeitung optimiert. Wenn Ihre Anwendung Echtzeitvorgänge, vorhersagbare Latenz im Millisekundenbereich oder k-Hop-Abfragen erfordert, die von einem einzelnen Knoten ausgehen (z. B. Live-Betrugserkennung oder Bereitstellung von Live-Empfehlungen), verwenden Sie stattdessen Spanner Graph.
BigQuery Graph und Spanner Graph bieten zusammen eine umfassende Lösung. Der folgende Anwendungsfall für Customer 360 beschreibt, wie sie sich gegenseitig ergänzen:
- Echtzeit-Informationen erfassen: Ein Kundenservicemitarbeiter verwendet Spanner Graph, um Nutzerbeschwerden über den Versand des falschen Produkts anhand von Echtzeit-Kauf- und Lieferstatistiken zu bearbeiten.
- Daten replizieren oder abfragen. Sie können Daten von Spanner nach BigQuery replizieren, indem Sie Spanner-Änderungsstreams verwenden, ohne komplexe ETL-Vorgänge (Extrahieren, Transformieren und Laden) auszuführen. Alternativ können Sie Spanner-Daten direkt aus BigQuery abfragen, indem Sie föderierte BigQuery-Abfragen verwenden.
- Muster analysieren: Ein Data Scientist verwendet BigQuery Graph, um einen „Abwanderungs-Hotspot“ in denselben Daten zu identifizieren und den Kunden als „gefährdet“ zu kennzeichnen.
- Feedback-Loop verbessern: Die Labels „at-risk“ werden mit Reverse-ETL-Unterstützung an Spanner Graph übertragen, um einen Gutscheincode für diesen Kunden zu generieren und so eine Abwanderung zu verhindern.
Daten zwischen BigQuery Graph und Spanner Graph verschieben
Sie können Daten zwischen Spanner Graph und BigQuery Graph verschieben, um sie an Ihre Arbeitslastanforderungen anzupassen:
Forward ETL. Wenn Sie Daten für analytische Abfragen von Spanner nach BigQuery verschieben möchten, verwenden Sie eine Dataflow-Vorlage.
Reverse-ETL: Sie können Spanner-Daten zwar direkt über BigQuery Graph abfragen, aber es kann Szenarien geben, in denen Sie BigQuery-Daten in Spanner Graph einbinden müssen. Verwenden Sie die SQL-Anweisung
EXPORT DATA. Weitere Informationen finden Sie unter Reverse-ETL-Pipeline.
Tutorials
In den folgenden Anleitungen wird gezeigt, wie Sie BigQuery Graph in verschiedenen Szenarien verwenden:
- Betrugserkennung mit BigQuery Graph
- Customer-360-Empfehlungen mit BigQuery Graph erstellen
- Rückverfolgbarkeit der Lieferkette mit BigQuery Graph
- Spanner und BigQuery: Echtzeit-Fraud Defense Shield
- Semantische Suche in einem Graphen ausführen
- Wechselwirkungen zwischen Medikamenten mit BigQuery Graph analysieren
- Anti-money laundering & fraud prevention with BigQuery GraphRAG
- Kundenidentitätsauflösung mit BigQuery Graph
- Entscheidungen von KI-Agenten mit BigQuery Graph nachvollziehen
Preise
Zum Ausführen von GQL-Abfragen müssen Sie On-Demand-Preise verwenden oder eine Reservierung mit der Enterprise- oder Enterprise Plus-Version haben.
Speicher
Ihnen wird nur einmal der Speicherplatz für die zugrunde liegenden Tabellen in Rechnung gestellt, die zum Definieren Ihrer Graphen verwendet werden. Die Speicherkosten richten sich nach den standardmäßigen BigQuery-Speicherpreisen (aktiver oder Langzeitspeicher), unabhängig davon, wie viele Graphmodelle auf diesen Tabellen erstellt werden.