1. Pengantar
Dalam codelab ini, Anda akan mempelajari cara memanfaatkan BigQuery Graph untuk menyelesaikan masalah supply chain dan logistik yang kompleks.
Anda akan membuat model jaringan supply chain restoran yang berfokus pada keamanan pangan dan kontrol kualitas. Saat muncul masalah keamanan pangan, misalnya bahan yang terkontaminasi dari pemasok, waktu adalah hal yang sangat penting. Mengidentifikasi "radius ledakan" dan melakukan penarikan produk secara tepat dan cepat dapat menghemat biaya dan melindungi pelanggan.

Model relasional tradisional memerlukan operasi JOIN multi-langkah yang kompleks untuk melacak item melalui beberapa tahap (Pemasok -> DC -> Komisariat -> Toko -> Item Jadi). Dengan BigQuery Graph, kami memodelkan koneksi ini secara langsung, sehingga memungkinkan kueri yang intuitif dan cepat menggunakan standar ISO GQL (Graph Query Language).
Yang akan Anda pelajari
- Cara menentukan model grafik di atas tabel BigQuery yang ada.
- Cara membuat Graf Properti di dalam BigQuery.
- Cara menjalankan kueri traversal untuk melacak dampak upstream dan downstream.
Yang Anda butuhkan
- Project Google Cloud yang mengaktifkan penagihan.
- Google Cloud Shell.
Estimasi Biaya
Lab ini diperkirakan akan memerlukan biaya kurang dari $5 USD dalam biaya analisis BigQuery, yang masih termasuk dalam alokasi Paket Gratis untuk pengguna baru.
2. Penyiapan dan Persyaratan
Buka Cloud Shell
Anda akan melakukan sebagian besar pekerjaan di Cloud Shell, lingkungan yang dimuat dan dilengkapi dengan semua yang Anda perlukan untuk menggunakan Google Cloud.
- Buka Konsol Google Cloud.
- Klik ikon Activate Cloud Shell di toolbar kanan atas.
- Klik Continue jika diminta.
Menyiapkan Variabel Lingkungan
Di Cloud Shell, tetapkan Project ID Anda untuk menyederhanakan perintah di masa mendatang.
export PROJECT_ID=$(gcloud config get-value project)
Mengaktifkan API
Jalankan perintah ini untuk mengaktifkan BigQuery API yang diperlukan:
gcloud services enable bigquery.googleapis.com
3. Membuat Skema dan Tabel
Anda akan membuat set data dan tabel yang mewakili komponen supply chain Anda:
item: Definisi item umum (misalnya, Tomat, Ayam).location: Fasilitas (Pemasok, pusat distribusi, kafe).itemlocation: Tabel persimpangan yang mewakili lokasi inventaris.bom: Daftar Kebutuhan Bahan (menentukan relasi berat, misalnya Item A masuk ke Item B).makes: Memetakanitemlocationkeitem.stored_at: Memetakanitemlocationkelocation.
Buat Set data
Anda dapat menjalankan perintah SQL di lab ini menggunakan Cloud Shell atau Konsol BigQuery.
Untuk menggunakan konsol BigQuery:
- Buka Konsol BigQuery di tab baru.
- Tempel setiap cuplikan SQL dari lab ini ke editor, lalu klik tombol Run untuk menjalankannya.

Jalankan perintah berikut di Cloud Shell atau gunakan Konsol BigQuery untuk membuat skema. Anda akan menggunakan variabel node di SQL.

Catatan: (1) Untuk mengeksekusi ini di Google Colab, Anda juga dapat menggunakan perintah magic BigQuery: %%bigquery Cuplikan berikut membuat skema restoran dalam project Anda untuk menampung data grafik. (2) Anda harus menggunakan %%bigquery –project <PROJECT_ID> jika menjalankan dari Google Colab. Pastikan kolom PROJECT_ID dipetakan ke project yang sesuai yang ingin Anda gunakan: PROJECT_ID = "argolis-project-340214" # @param {"type":"string"} (3) Jika Anda menggunakan colab, Anda harus menginstal beberapa library, bergantung pada kebutuhan Anda. Jika Anda akan menggunakan visualisasi grafik, pastikan Anda menginstal library ini dengan pip: spanner-graph-notebook==1.1.5

%%bigquery --project=$PROJECT_ID
CREATE SCHEMA IF NOT EXISTS restaurant ;
Membuat Tabel
Jalankan kode SQL berikut untuk membuat tabel.
%%bigquery --project=$PROJECT_ID
-- 1. Item Table
DROP TABLE IF EXISTS `restaurant.item`;
CREATE TABLE `restaurant.item` (
itemKey STRING,
itemName STRING,
itemCategory STRING,
shelfLifeDays INT64,
PRIMARY KEY (itemKey) NOT ENFORCED
);
-- 2. Location Table
DROP TABLE IF EXISTS `restaurant.location`;
CREATE TABLE `restaurant.location` (
locationKey STRING,
locationType STRING,
locationCity STRING,
locationState STRING,
dunsNumber INT64,
PRIMARY KEY (locationKey) NOT ENFORCED
);
-- 3. ItemLocation Table
DROP TABLE IF EXISTS `restaurant.itemlocation`;
CREATE TABLE `restaurant.itemlocation` (
itemLocationKey STRING,
itemKey STRING,
locationKey STRING,
variants INT64,
PRIMARY KEY (itemLocationKey) NOT ENFORCED,
-- Foreign Key Definitions
FOREIGN KEY (itemKey) REFERENCES `restaurant.item`(itemKey) NOT ENFORCED,
FOREIGN KEY (locationKey) REFERENCES `restaurant.location`(locationKey) NOT ENFORCED
);
-- 4. BOM Table
DROP TABLE IF EXISTS `restaurant.bom`;
CREATE TABLE `restaurant.bom` (
bomKey INT64,
parentItemLocation STRING,
childItemLocation STRING,
childQuantity FLOAT64,
PRIMARY KEY (bomKey) NOT ENFORCED
);
-- 5. Makes Table
DROP TABLE IF EXISTS `restaurant.makes`;
CREATE TABLE `restaurant.makes` (
itemLocationKey STRING,
itemKey STRING,
locationKey STRING,
variants INT64,
PRIMARY KEY (itemLocationKey) NOT ENFORCED
);
DROP TABLE IF EXISTS `restaurant.stored_at`;
CREATE TABLE `restaurant.stored_at` (
itemLocationKey STRING,
itemKey STRING,
locationKey STRING,
variants INT64,
PRIMARY KEY (itemLocationKey) NOT ENFORCED
);
4. Memuat Data Sampel
Agar lab ini sepenuhnya mandiri, Anda akan mengisi tabel dengan data sampel menggunakan pernyataan LOAD DATA SQL murni. Ini mewakili jaringan yang dimulai dengan Pemasok, melintasi Pusat Distribusi (DC) dan Dapur Komisaris, dan mendarat di Kafe Retail.
Jalankan kueri SQL berikut untuk memuat data:

Catatan: Anda dapat menghilangkan %%bigquery jika menjalankan langsung di BigQuery Studio
%%bigquery --project=$PROJECT_ID
-- Load Item
LOAD DATA OVERWRITE `restaurant.item`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/item2.csv'], skip_leading_rows = 1);
-- Load Location
LOAD DATA OVERWRITE `restaurant.location`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/location.csv'], skip_leading_rows = 1);
-- Load ItemLocation
LOAD DATA OVERWRITE `restaurant.itemlocation`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/itemlocation.csv'], skip_leading_rows = 1);
-- Load BOM
LOAD DATA OVERWRITE `restaurant.bom`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/bom2.csv'], skip_leading_rows = 1);
-- Load Makes
LOAD DATA OVERWRITE `restaurant.makes`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/makes.csv'], skip_leading_rows = 1);
-- Load StoredAt
LOAD DATA OVERWRITE `restaurant.stored_at`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/itemlocation.csv'], skip_leading_rows = 1);
5. Menambahkan Batasan dan Menentukan Grafik
Sebelum membuat grafik, Anda mendeklarasikan hubungan semantik menggunakan batasan Kunci Utama dan Kunci Asing SQL standar. Kunci ini memandu BigQuery dalam memahami ID Node dan menghubungkan tabel Edge ke tabel Node.
Membuat Graf Properti
Sekarang, Anda akan menyatukan tabel-tabel ini menjadi satu struktur Grafik yang kohesif bernama restaurant.bombod.
Anda menentukan:
- Node:
item,location,itemlocation - Edge:
makes,stored_at, danconsists_of(BOM)
%%bigquery --project=$PROJECT_ID
CREATE OR REPLACE PROPERTY GRAPH `restaurant.bombod`
NODE TABLES (
`restaurant.item` KEY (itemKey) LABEL item PROPERTIES ALL COLUMNS,
`restaurant.location` KEY (locationKey) LABEL location PROPERTIES ALL COLUMNS,
`restaurant.itemlocation` KEY (itemLocationKey) LABEL itemlocation PROPERTIES ALL COLUMNS
)
EDGE TABLES (
`restaurant.makes`
KEY (itemLocationKey)
SOURCE KEY (itemLocationKey) REFERENCES `restaurant.itemlocation`(itemLocationKey)
DESTINATION KEY (itemKey) REFERENCES `restaurant.item`(itemKey)
LABEL makes PROPERTIES ALL COLUMNS,
`restaurant.bom`
KEY (bomKey)
SOURCE KEY (childItemLocation) REFERENCES `restaurant.itemlocation`(itemLocationKey)
DESTINATION KEY (parentItemLocation) REFERENCES `restaurant.itemlocation`(itemLocationKey)
LABEL consists_of PROPERTIES ALL COLUMNS,
`restaurant.stored_at`
KEY (itemLocationKey)
SOURCE KEY (itemLocationKey) REFERENCES `restaurant.itemlocation`(itemLocationKey)
DESTINATION KEY (locationKey) REFERENCES `restaurant.location`(locationKey)
LABEL stored_at PROPERTIES ALL COLUMNS
);
6. Memvisualisasikan Supply Chain
Anda dapat menjalankan kueri traversal top-down untuk melihat seluruh jaringan supply chain. Di notebook standar atau UI yang mendukungnya (seperti %%bigquery --graph), tindakan ini akan menampilkan peta visual.
Gunakan kueri grafik absolut untuk menyiapkan node dan edge.
Catatan: Seperti yang disebutkan sebelumnya, untuk mengeksekusi ini di Google Colab atau Notebook Colab Enterprise, Anda juga dapat menggunakan perintah magic BigQuery: %%bigquery Selain itu, untuk memvisualisasikan grafik di Google Colab atau Notebook Colab Enterprise, sertakan flag –graph sebagai: %%bigquery –graph
%%bigquery --project=$PROJECT_ID --graph output
Graph restaurant.bombod
match p=(a:itemlocation)-[c:consists_of]->(b:itemlocation)
match q=(a)-[d:stored_at]->(e:location)
optional match z=(f)-[g:makes]-(b)
return to_json(p) as ppath, to_json(q) as qpath, to_json(z) as zpath
Output:

7. Kasus Penggunaan 1: Melacak Keluhan Upstream
Skenario: Seorang pelanggan mengeluhkan kualitas ayam dalam sandwich-nya di toko New York. Anda perlu melacak item yang sudah jadi ke belakang untuk melihat tahap perakitan langsungnya.
Kueri Traversal
Jalankan kueri menggunakan format kueri Graph Traversal. Langkah ini akan melihat edge consists_of yang menghubungkan rakitan downstream hingga bahan upstream.
%%bigquery --project=$PROJECT_ID --graph
GRAPH restaurant.bombod
MATCH p=(a:itemlocation)-[c:consists_of]->(b:itemlocation)
OPTIONAL MATCH q=(b)-[d:stored_at]-(e)
return to_json(p) as ppath, to_json(q) as qpath
Karena arah panah di consists_of Edge Table (Ingredient -> Finished), penelusuran yang mengalir ke hulu akan menghasilkan link yang dengan cepat mengisolasi bahan dan lokasi penyimpanan yang bergantung.
Output: 
8. Kasus Penggunaan 2: Analisis Dampak
Skenario: Badai salju telah menutup Pusat Distribusi di Columbus, OH. Anda perlu mengetahui persiapan downstream atau item jadi mana yang langsung terpengaruh.
Kueri Traversal
Anda memulai dari location tertentu yang mewakili Pusat Distribusi, mengidentifikasi inventaris yang disimpan di sana, dan melihat item jadi apa yang memerlukannya.
# @title Impact of a storm on a DC
%%bigquery --project=$PROJECT_ID --graph
Graph restaurant.bombod
match path1=(z:itemlocation)-[m:stored_at]->(dc:location) where dc.locationKey like '%DC-Sysco-Columbus-OH%'
match path2=(z:itemlocation)-[c:consists_of]->(b:itemlocation)
match path3=(b:itemlocation)-[n:makes]->(item:item)
optional match path4=(b)-[p:stored_at]->(q:location)
return to_json(path1) as path1, to_json(path2) as path2,to_json(path3) as path3, to_json(path4) as path4
Output: 
9. Kasus Penggunaan 3: Penarikan Downstream
Skenario: Pemasok memberi tahu Anda tentang batch tertentu produk yang terkontaminasi: Vine-Ripened Tomatoes dari Pemasok. Anda perlu menemukan semua item menu akhir yang terpengaruh di kafe.
Kueri Traversal
Anda mencari lokasi bahan mentah yang terkontaminasi, lalu melakukan penelusuran jalur yang mengalir ke hilir untuk menemukan item yang pada akhirnya terpengaruh.
%%bigquery --project=$PROJECT_ID --graph
Graph restaurant.bombod
match path1=(a:itemlocation)-[c:consists_of]->(b:itemlocation)-[e:makes]->(f:item) where f.itemKey like '%Tomato%'
return to_json(path1) as result
Kueri ini menemukan semua item yang cocok dengan pola 'Tomato' dan yang terkait dengan hubungan upstream, sehingga menjadikannya pemetaan yang efektif yang menyebar untuk menemukan item kafe mana yang harus ditarik.
Output: 
10. Pembersihan
Hapus resource setelah Anda menyelesaikan langkah-langkah panduan untuk menghindari biaya sisa di ruang kerja Anda.
DROP SCHEMA `restaurant` CASCADE;
11. Kesimpulan
Selamat! Anda telah memodelkan supply chain dan menjalankan analisis dampak menggunakan BigQuery Graph.
Rangkuman
Anda telah mempelajari cara:
- Mendeklarasikan hubungan relasional yang berfokus pada grafik dengan Kunci utama/asing.
- Membuat Grafik Properti Terpadu.
- Menavigasi hubungan multi-node secara efisien menggunakan logika traversal Graph Query.
Untuk mendapatkan lebih banyak insight arsitektur grafik, buka dokumen Google Cloud.