BigQuery Graph की मदद से, Customer 360 के सुझाव देने वाले ऐप्लिकेशन बनाना

1. परिचय

इस कोडलैब में, आपको BigQuery Graph का इस्तेमाल करके, काल्पनिक खुदरा कंपनी Cymbal Pets के लिए, ग्राहक की पूरी जानकारी देने वाला व्यू और सुझाव देने वाला इंजन बनाने का तरीका बताया जाएगा. BigQuery में सीधे तौर पर ग्राफ़ डेटा बनाने, क्वेरी करने, और उसका विश्लेषण करने के लिए, एसक्यूएल का इस्तेमाल किया जाएगा. साथ ही, बेहतर प्रॉडक्ट सुझाव पाने के लिए, इसे वेक्टर सर्च के साथ जोड़ा जाएगा.

BigQuery Graph की मदद से, अपने डेटा की इकाइयों (जैसे कि ग्राहक, प्रॉडक्ट, और ऑर्डर) के बीच के संबंधों को ग्राफ़ के तौर पर मॉडल किया जा सकता है. इससे, ग्राहक के व्यवहार और प्रॉडक्ट में उनकी दिलचस्पी से जुड़े मुश्किल सवालों के जवाब आसानी से दिए जा सकते हैं.

इस्तेमाल के उदाहरण वाला डायग्राम

आपको क्या करना होगा

Cymbal Pets ग्राफ़ के लिए, BigQuery डेटासेट और स्कीमा बनाना
Cloud Storage से सैंपल डेटा (ग्राहक, प्रॉडक्ट, ऑर्डर, स्टोर) लोड करें
इन इकाइयों को कनेक्ट करने वाला BigQuery में प्रॉपर्टी ग्राफ़ बनाएं
ग्राफ़ क्वेरी का इस्तेमाल करके, ग्राहक की खरीदारी के इतिहास को विज़ुअलाइज़ करना
वेक्टर सर्च का इस्तेमाल करके, प्रॉडक्ट के सुझाव देने वाला सिस्टम बनाना
"साथ में खरीदे गए" ग्राफ़ के संबंधों का इस्तेमाल करके, सुझावों को बेहतर बनाएं

आपको किन चीज़ों की ज़रूरत होगी

कोई वेब ब्राउज़र, जैसे कि Chrome
बिलिंग की सुविधा वाला Google Cloud प्रोजेक्ट

यह कोडलैब, सभी लेवल के डेवलपर के लिए है. इसमें शुरुआती डेवलपर भी शामिल हैं.

2. शुरू करने से पहले

Google Cloud प्रोजेक्ट बनाना

Google Cloud Console में जाकर, Google Cloud प्रोजेक्ट चुनें या बनाएं.
पक्का करें कि आपके Cloud प्रोजेक्ट के लिए बिलिंग की सुविधा चालू हो.

Cloud Shell शुरू करना

Google Cloud कंसोल में सबसे ऊपर मौजूद, Cloud Shell चालू करें पर क्लिक करें.
पुष्टि करें:

gcloud auth list

अपने प्रोजेक्ट की पुष्टि करें:

gcloud config get project

अगर ज़रूरी हो, तो इसे सेट करें:

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

एपीआई चालू करें

ज़रूरी BigQuery API को चालू करने के लिए, यह निर्देश चलाएं:

gcloud services enable bigquery.googleapis.com

3. स्कीमा तय करना

सबसे पहले, आपको एक डेटासेट बनाना होगा, ताकि उसमें ग्राफ़ से जुड़ी टेबल सेव की जा सकें. साथ ही, आपको अपने नोड और एज के लिए स्कीमा तय करना होगा.

इस कोडलैब के लिए, हम एसक्यूएल कमांड को लागू करेंगे. इन कमांड को BigQuery Studio > SQL एडिटर में चलाया जा सकता है. इसके अलावा, Cloud Shell में bq query कमांड का इस्तेमाल किया जा सकता है. हम मान लेंगे कि आपने एक से ज़्यादा लाइनों वाले CREATE स्टेटमेंट का बेहतर तरीके से इस्तेमाल करने के लिए, BigQuery SQL एडिटर का इस्तेमाल किया है.
cymbal_pets_demo डेटासेट बनाएं:

CREATE SCHEMA IF NOT EXISTS cymbal_pets_demo;

order_items, products, orders, stores, customers, और co_related_products_for_angelica के लिए टेबल बनाएं. ये टेबल, हमारे ग्राफ़ के लिए सोर्स डेटा के तौर पर काम करेंगी.

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.order_items
(
  order_id INT64,
  product_id INT64,
  order_item_id INT64,
  quantity INT64,
  price FLOAT64,
  PRIMARY KEY (order_id, product_id, order_item_id) NOT ENFORCED
)
CLUSTER BY order_item_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.products
(
  product_id INT64,
  product_name STRING,
  brand STRING,
  category STRING,
  subcategory INT64,
  animal_type INT64,
  search_keywords INT64,
  price FLOAT64,
  description STRING,
  inventory_level INT64,
  supplier_id INT64,
  average_rating FLOAT64,
  uri STRING,
  embedding ARRAY<FLOAT64>,
  PRIMARY KEY (product_id) NOT ENFORCED
)
CLUSTER BY product_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.orders
(
  customer_id INT64,
  order_id INT64,
  shipping_address_city STRING,
  store_id INT64,
  order_date DATE,
  order_type STRING,
  payment_method STRING,
  PRIMARY KEY (order_id) NOT ENFORCED
)
PARTITION BY order_date
CLUSTER BY order_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.stores
(
  store_id INT64,
  store_name STRING,
  address_state STRING,
  address_city STRING,
  latitude FLOAT64,
  longitude FLOAT64,
  opening_hours STRUCT<Monday STRING, Tuesday STRING, Wednesday STRING, Thursday STRING, Friday STRING, Saturday STRING, Sunday STRING>,
  manager_id INT64,
  PRIMARY KEY (store_id) NOT ENFORCED
)
CLUSTER BY store_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.customers
(
  customer_id INT64,
  first_name STRING,
  last_name STRING,
  email STRING,
  gender STRING,
  address_city STRING,
  address_state STRING,
  loyalty_member BOOL,
  PRIMARY KEY (customer_id) NOT ENFORCED
)
CLUSTER BY customer_id;

CREATE TABLE IF NOT EXISTS cymbal_pets_demo.co_related_products_for_angelica
(
  angelica_product_id INT64,
  other_product_id INT64,
  co_purchase_count INT64
);

अब आपने अपने ग्राफ़ डेटा के लिए स्ट्रक्चर तय कर लिया है.

4. डेटा लोड करना

अब Cloud Storage से सैंपल डेटा लेकर, टेबल में भरें.

BigQuery एसक्यूएल एडिटर में, यहां दिए गए LOAD DATA स्टेटमेंट चलाएं:

LOAD DATA INTO `cymbal_pets_demo.customers`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/customers/*.avro']
);

LOAD DATA INTO `cymbal_pets_demo.order_items`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/order_items/*.avro']
);

LOAD DATA INTO `cymbal_pets_demo.orders`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/orders/*.avro']
);

LOAD DATA INTO `cymbal_pets_demo.products`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/products/*.avro']
);

LOAD DATA INTO `cymbal_pets_demo.stores`
FROM FILES (
    format = 'AVRO',
    uris = ['gs://sample-data-and-media/cymbal-pets/tables/stores/*.avro']
);

आपको एक मैसेज दिखेगा, जिसमें यह पुष्टि की जाएगी कि हर टेबल में लाइनें लोड हो गई हैं.

5. प्रॉपर्टी ग्राफ़ बनाना

डेटा लोड होने के बाद, अब प्रॉपर्टी ग्राफ़ तय किया जा सकता है. इससे BigQuery को यह पता चलता है कि कौनसी टेबल नोड (जैसे, ग्राहक, प्रॉडक्ट) और कौनसी टेबल किनारों (जैसे, "विज़िट किया", "रखा", "है") को दिखाती हैं.

ग्राफ़ स्कीमा

यह डीडीएल स्टेटमेंट चलाएं:

CREATE OR REPLACE PROPERTY GRAPH cymbal_pets_demo.PetsOrderGraph
NODE TABLES (
  cymbal_pets_demo.customers KEY(customer_id) LABEL Customer,
  cymbal_pets_demo.products KEY(product_id) LABEL Products,
  cymbal_pets_demo.stores KEY(store_id) LABEL Stores,
  cymbal_pets_demo.orders KEY(order_id) LABEL Orders
)
EDGE TABLES (
  cymbal_pets_demo.orders as customer_to_store_edge
    KEY (order_id)
    SOURCE KEY (customer_id) references customers(customer_id)
    DESTINATION KEY (store_id) references stores(store_id)
    LABEL Visited
    PROPERTIES ALL COLUMNS,

  cymbal_pets_demo.order_items
    KEY (order_item_id)
    SOURCE KEY (order_id) references orders(order_id)
    DESTINATION KEY (product_id) references products(product_id)
    LABEL Has
    PROPERTIES ALL COLUMNS,

  cymbal_pets_demo.orders as customer_to_orders_edge
    KEY (order_id)
    SOURCE KEY (customer_id) references customers(customer_id)
    DESTINATION KEY (order_id) references orders(order_id)
    LABEL Placed
    PROPERTIES ALL COLUMNS,

  cymbal_pets_demo.co_related_products_for_angelica
    KEY (angelica_product_id)
    SOURCE KEY (angelica_product_id) references products(product_id)
    DESTINATION KEY (other_product_id) references products(product_id)
    LABEL BoughtTogether
    PROPERTIES ALL COLUMNS
);

इससे PetsOrderGraph ग्राफ़ बनता है. इसकी मदद से, हम GRAPH_TABLE ऑपरेटर का इस्तेमाल करके ग्राफ़ ट्रैवर्सल कर सकते हैं.

6. सभी ग्राहकों की खरीदारी का इतिहास विज़ुअलाइज़ करना

BigQuery Studio में नई नोटबुक खोलें.

नई नोटबुक बनाएं

इस कोडलैब के विज़ुअलाइज़ेशन और सुझाव वाले हिस्सों के लिए, हम BigQuery Studio में Google Colab नोटबुक का इस्तेमाल करेंगे. इससे हमें ग्राफ़ के नतीजों को आसानी से देखने में मदद मिलती है.

BigQuery Graph Notebook को IPython Magics के तौर पर लागू किया जाता है. TO_JSON फ़ंक्शन के साथ %%bigquery मैजिक कमांड जोड़कर, नतीजों को विज़ुअलाइज़ किया जा सकता है. इसके बारे में यहां बताया गया है.

मान लें कि Cymbal Pets को सभी खरीदारों और किसी खास समयावधि में की गई उनकी खरीदारी का 360 डिग्री विज़ुअलाइज़ेशन चाहिए.

नई सेल में यह कोड चलाएं:

%%bigquery --graph

GRAPH cymbal_pets_demo.PetsOrderGraph
  # finds the customer node and then finds all
  # the Orders nodes that are connected to that customer through the
  # Placed relationship
  MATCH (customer:Customer)-[placed:Placed]->(ordr:Orders)-[has:Has]->(product:Products)
  # filters the Orders nodes to only include those where the
  # order_date is within the last 3 months.
  WHERE ordr.order_date >= date('2024-11-27')
  # # This line finds all the Products nodes that are connected to the
  # # filtered Orders nodes through the Has relationship.
  MATCH p=(customer:Customer)-[placed:Placed]->(ordr:Orders)-[has:Has]->(product:Products)
  LIMIT 40
  RETURN 
    TO_JSON(p) as paths

आपको ग्राफ़ के नतीजे का विज़ुअल रिप्रेजेंटेशन दिखेगा.

सभी खरीदारों की खरीदारी का इतिहास

7. एंजेलिका की खरीदारी का इतिहास दिखाओ

मान लें कि Cymbal Pets को एंजेलिका रसेल नाम की ग्राहक के बारे में ज़्यादा जानकारी चाहिए. उन्हें यह विश्लेषण करना है कि एंजेलिका ने पिछले तीन महीनों में कौन-कौनसे प्रॉडक्ट खरीदे और वह किन-किन स्टोर पर गई.

%%bigquery --graph

GRAPH cymbal_pets_demo.PetsOrderGraph
  # finds the customer node with the name "Angelica Russell" and then finds all
  # the Orders nodes that are connected to that customer through the
  # Placed relationship and all the Products nodes that are connected to the
  # filtered Orders nodes through the Has relationship.
   MATCH p=(customer:Customer {first_name: 'Angelica', last_name: 'Russell'})-[placed:Placed]->(ordr:Orders)-[has:Has]->(product:Products)
  # filters the Orders nodes to only include those where the
  # order_date is within the last 3 months.
  WHERE ordr.order_date >= date('2024-11-27')
  # finds the Stores nodes where Angelica placed order from
  MATCH p2=(customer)-[visited:Visited]->(store:Stores)
  RETURN
    TO_JSON(p) as path, TO_JSON(p2) as path2

एंजेलिका की खरीदारी का इतिहास

8. वेक्टर सर्च का इस्तेमाल करके प्रॉडक्ट के सुझाव देना

Cymbal Pets, एंजेलिका को हाल ही में खरीदे गए प्रॉडक्ट के आधार पर सुझाव देना चाहता है. हम वेक्टर सर्च का इस्तेमाल करके, ऐसे प्रॉडक्ट ढूंढ सकते हैं जिनकी एम्बेडिंग, उसकी पिछली खरीदारी से मिलती-जुलती हो.

नई Colab सेल में, यहां दी गई एसक्यूएल स्क्रिप्ट चलाएं. यह स्क्रिप्ट:

यह कुकी, उन प्रॉडक्ट की पहचान करती है जिन्हें Angelica ने हाल ही में खरीदा है.
products टेबल में मौजूद मिलते-जुलते चार सबसे अच्छे प्रॉडक्ट ढूंढने के लिए, VECTOR_SEARCH का इस्तेमाल करता है.

ध्यान दें: इस चरण में यह माना जाता है कि आपने प्रॉडक्ट टेबल में एम्बेडिंग कॉलम बनाने के लिए, AI.GENERATE_EMBEDDINGS फ़ंक्शन पहले ही चला लिया है.

%%bigquery
DECLARE products_bought_by_angelica ARRAY<INT64>;

-- 1. Get IDs of products bought by Angelica
SET products_bought_by_angelica = (
  SELECT ARRAY_AGG(product_id) FROM
   GRAPH_TABLE(
    cymbal_pets_demo.PetsOrderGraph
      MATCH (c:Customer {first_name: 'Angelica', last_name: 'Russell'})-[placed:Placed]->(o:Orders)
      WHERE o.order_date >= date('2024-11-27')
      MATCH (o)-[has_edge:Has]->(p:Products)
      RETURN DISTINCT p.product_id as product_id
  ));

-- 2. Find similar products using vector search
SELECT 
  query.product_name as AngelicaBought, 
  base.product_name as RecommendedProducts, 
  base.category
FROM
  VECTOR_SEARCH(
    TABLE cymbal_pets_demo.products,
    'embedding',
    (SELECT * FROM cymbal_pets_demo.products
     WHERE product_id IN UNNEST(products_bought_by_angelica)),
    'embedding',
    top_k => 4)
WHERE query.product_name <> base.product_name;

आपको सुझाए गए प्रॉडक्ट की एक सूची दिखेगी. ये प्रॉडक्ट, सेमेंटिक तौर पर एंजेलिका के खरीदे गए प्रॉडक्ट से मिलते-जुलते होंगे.

वेक्टर सर्च के नतीजे

9. "साथ में खरीदे गए" रिलेशनशिप का इस्तेमाल करके दिया गया सुझाव

सुझाव देने की एक और असरदार तकनीक "कोलेबोरेटिव फ़िल्टरिंग" है. इसमें ऐसे प्रॉडक्ट के सुझाव दिए जाते हैं जिन्हें अक्सर अन्य उपयोगकर्ता एक साथ खरीदते हैं. हमने इसे अपने ग्राफ़ में BoughtTogether एज के तौर पर मॉडल किया है.

साथ में खरीदे जाने वाले प्रॉडक्ट के सुझाव देने के लिए, Cymbal Pets ने ऑफ़लाइन ग्राफ़ क्वेरी का इस्तेमाल किया. इससे, एंजेलिका के खरीदे गए हर प्रॉडक्ट के लिए, सबसे ज़्यादा सुझाव दिए जाने वाले प्रॉडक्ट का पता लगाया जा सका.

%%bigquery
CREATE OR REPLACE TABLE cymbal_pets_demo.co_related_products_for_angelica AS
SELECT
    angelica_product_id,
    other_product_id,
    co_purchase_count
FROM (
    SELECT
        angelicaProduct.product_id AS angelica_product_id,
        otherProduct.product_id AS other_product_id,
        count(otherProduct) AS co_purchase_count,
        # ensures that the row numbering is done separately for each angelica_product_id
        ROW_NUMBER() OVER (PARTITION BY angelicaProduct.product_id ORDER BY count(otherProduct) DESC) AS rn
    FROM
        GRAPH_TABLE (cymbal_pets_demo.PetsOrderGraph
          MATCH (angelica:Customer {first_name: 'Angelica', last_name: 'Russell'})-[:Placed]->(o:Orders)-[:Has]->(angelicaProduct:Products)
          WHERE o.order_date >= date('2024-11-27')
          WITH angelica, angelicaProduct
          MATCH (otherCustomer:Customer)-[:Placed]->(otherOrder:Orders)-[:Has]->(angelicaProduct) # Find orders where Angelica's products were bought
          WHERE otherCustomer <> angelica # Exclude Angelica's own orders
          WITH angelicaProduct, otherOrder
          MATCH (otherOrder)-[:HAS]->(otherProduct:Products) # Find other products in those orders
          WHERE angelicaProduct <> otherProduct # Exclude the original product.
          RETURN angelicaProduct, otherProduct, otherOrder
        )
    GROUP BY
        angelicaProduct.product_id, otherProduct.product_id
)
WHERE rn <= 3; # only keep top 3 co-related products

सुझाव देने का लॉजिक

इस क्वेरी को चलाकर, ऐसे प्रॉडक्ट के सुझाव दें जो BoughtTogether एज के ज़रिए, एंजेलिका की खरीदारी से सीधे तौर पर जुड़े हों:

%%bigquery
SELECT * FROM GRAPH_TABLE(
  cymbal_pets_demo.PetsOrderGraph
  MATCH (customer:Customer {first_name: 'Angelica', last_name: 'Russell'})-[placed:Placed]->(ordr:Orders)
  WHERE ordr.order_date >= date('2024-11-27')
  MATCH (ordr)-[has:Has]->(product:Products)
  MATCH (product)-[bought_together:BoughtTogether]->(recommended_product:Products)
  RETURN 
    product.product_name AS OriginalProduct,
    recommended_product.product_name AS Recommended,
    bought_together.co_purchase_count AS Strength
);

यह क्वेरी, Customer -> Order -> Product -> (BoughtTogether) -> Recommended Product के हिसाब से काम करती है. इससे आपको खरीदारी के सामूहिक व्यवहार के आधार पर सुझाव मिलते हैं.

साथ में खरीदे गए

10. व्यवस्थित करें

अपने Google Cloud खाते से लगातार शुल्क लिए जाने से बचने के लिए, इस कोडलैब के दौरान बनाई गई संसाधन मिटाएं.

डेटासेट और सभी टेबल मिटाने के लिए:

DROP SCHEMA IF EXISTS cymbal_pets_demo CASCADE;

अगर आपने इस कोडलैब के लिए कोई नया प्रोजेक्ट बनाया है, तो उसे भी मिटाया जा सकता है:

gcloud projects delete $PROJECT_ID

11. बधाई हो

बधाई हो! आपने BigQuery Graph का इस्तेमाल करके, Customer 360 व्यू और सुझाव इंजन को सफलतापूर्वक बना लिया है.

आपको क्या सीखने को मिला

BigQuery में प्रॉपर्टी ग्राफ़ बनाने का तरीका.
ग्राफ़ नोड और किनारों में डेटा लोड करने का तरीका.
GRAPH_TABLE और MATCH का इस्तेमाल करके, ग्राफ़ पैटर्न के बारे में क्वेरी करने का तरीका.
हाइब्रिड सुझावों के लिए, ग्राफ़ क्वेरी को वेक्टर सर्च के साथ कैसे जोड़ा जाता है.

अगले चरण

BigQuery Graph के दस्तावेज़ देखें.
BigQuery में वेक्टर सर्च के बारे में ज़्यादा जानें.