1. บทนำ
ใน Codelab นี้ คุณจะได้เรียนรู้วิธีใช้ประโยชน์จาก BigQuery Graph เพื่อแก้ปัญหาซัพพลายเชนและโลจิสติกส์ที่ซับซ้อน
คุณจะสร้างโมเดลเครือข่ายซัพพลายเชนของร้านอาหารที่มุ่งเน้นด้านความปลอดภัยของอาหารและการควบคุมคุณภาพ เมื่อเกิดปัญหาด้านความปลอดภัยของอาหาร เช่น ส่วนผสมที่ปนเปื้อนจากซัพพลายเออร์ เวลาเป็นสิ่งสำคัญ การระบุ "ขอบเขตความเสียหาย" และการเรียกคืนสินค้าอย่างรวดเร็วและแม่นยำจะช่วยลดต้นทุนและปกป้องลูกค้าได้

โมเดลเชิงสัมพันธ์แบบดั้งเดิมต้องใช้การดำเนินการ JOIN ที่ซับซ้อนและมีหลายขั้นตอนเพื่อติดตามสินค้าผ่านหลายขั้นตอน (ซัพพลายเออร์ -> ศูนย์กระจายสินค้า -> โรงครัวกลาง -> ร้านค้า -> สินค้าสำเร็จรูป) BigQuery Graph ช่วยให้เราสร้างโมเดลการเชื่อมต่อเหล่านี้ได้โดยตรง ซึ่งช่วยให้ทำการค้นหาได้อย่างรวดเร็วและเข้าใจง่ายโดยใช้มาตรฐาน ISO GQL (Graph Query Language)
สิ่งที่คุณจะได้เรียนรู้
- วิธีกำหนดโมเดลกราฟบนตาราง BigQuery ที่มีอยู่
- วิธีสร้างกราฟพร็อพเพอร์ตี้ภายใน BigQuery
- วิธีเรียกใช้การค้นหาแบบข้ามผ่านเพื่อติดตามผลกระทบทั้งในระดับต้นน้ำและปลายน้ำ
สิ่งที่คุณต้องมี
- โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
- Google Cloud Shell
ค่าใช้จ่ายโดยประมาณ
ห้องทดลองนี้คาดว่าจะมีค่าใช้จ่ายในการวิเคราะห์ BigQuery น้อยกว่า $5 USD ซึ่งอยู่ในการจัดสรรรุ่นฟรีสำหรับผู้ใช้ใหม่
2. การตั้งค่าและข้อกำหนด
เปิด Cloud Shell
คุณจะทำงานส่วนใหญ่ใน Cloud Shell ซึ่งเป็นสภาพแวดล้อมที่โหลดไว้ซึ่งมาพร้อมกับทุกสิ่งที่คุณต้องการเพื่อใช้ Google Cloud
- ไปที่คอนโซล Google Cloud
- คลิกไอคอนเปิดใช้งาน Cloud Shell ในแถบเครื่องมือด้านขวาบน
- คลิกต่อไปหากได้รับข้อความแจ้ง
ตั้งค่าตัวแปรสภาพแวดล้อม
ใน Cloud Shell ให้ตั้งค่ารหัสโปรเจ็กต์เพื่อลดความซับซ้อนของคำสั่งในอนาคต
export PROJECT_ID=$(gcloud config get-value project)
เปิดใช้ API
เรียกใช้คำสั่งนี้เพื่อเปิดใช้ BigQuery API ที่จำเป็น
gcloud services enable bigquery.googleapis.com
3. การสร้างสคีมาและตาราง
คุณจะสร้างชุดข้อมูลและตารางที่แสดงถึงองค์ประกอบของซัพพลายเชน ดังนี้
item: คำจำกัดความของสินค้าทั่วไป (เช่น มะเขือเทศ ไก่)location: สถานที่ (ซัพพลายเออร์ ศูนย์กระจายสินค้า ร้านกาแฟ)itemlocation: ตาราง Intersection ที่แสดงสถานที่ตั้งของสินค้าคงคลังbom: Bill of Materials (กำหนดความสัมพันธ์ของน้ำหนัก เช่น สินค้า ก อยู่ในสินค้า ข)makes: แมปitemlocationกับitemstored_at: แมปitemlocationกับlocation
สร้างชุดข้อมูล
คุณสามารถเรียกใช้คำสั่ง SQL ในห้องทดลองนี้โดยใช้ Cloud Shell หรือคอนโซล BigQuery ก็ได้
วิธีใช้คอนโซล BigQuery
- เปิด BigQuery Console ในแท็บใหม่
- วางข้อมูลโค้ด SQL แต่ละรายการจากห้องทดลองนี้ลงในเครื่องมือแก้ไข แล้วคลิกปุ่มเรียกใช้เพื่อดำเนินการ

เรียกใช้คำสั่งต่อไปนี้ใน Cloud Shell หรือใช้คอนโซล BigQuery เพื่อสร้างสคีมา คุณจะใช้ตัวแปรโหนดใน SQL

หมายเหตุ: (1) หากต้องการดำเนินการนี้ใน Google Colab คุณยังใช้คำสั่ง BigQuery Magic ได้ด้วย: %%bigquery ข้อมูลโค้ดต่อไปนี้จะสร้างสคีมาร้านอาหารภายในโปรเจ็กต์เพื่อเก็บข้อมูลกราฟ (2) คุณจะต้องใช้ %%bigquery –project <PROJECT_ID> หากเรียกใช้จาก Google Colab ตรวจสอบว่าช่อง PROJECT_ID แมปกับโปรเจ็กต์ที่เหมาะสมที่คุณต้องการใช้: PROJECT_ID = "argolis-project-340214" # @param {"type":"string"} (3) หากใช้ Colab คุณจะต้องติดตั้งไลบรารีบางรายการ ทั้งนี้ขึ้นอยู่กับข้อกำหนดของคุณ หากคุณจะใช้การแสดงภาพกราฟ ให้ตรวจสอบว่าคุณได้ติดตั้งไลบรารี spanner-graph-notebook==1.1.5 โดยใช้ pip

%%bigquery --project=$PROJECT_ID
CREATE SCHEMA IF NOT EXISTS restaurant ;
สร้างตาราง
เรียกใช้โค้ด SQL ต่อไปนี้เพื่อสร้างตาราง
%%bigquery --project=$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. กำลังโหลดข้อมูลจากการสุ่มตัวอย่าง
เพื่อให้ห้องทดลองนี้ทำงานได้ด้วยตัวเองอย่างสมบูรณ์ คุณจะต้องป้อนข้อมูลตัวอย่างลงในตารางโดยใช้คำสั่ง SQL LOAD DATA แบบล้วนๆ ซึ่งแสดงถึงเครือข่ายที่เริ่มต้นด้วยซัพพลายเออร์ ผ่านศูนย์กระจายสินค้า (DC) และครัวกลาง และสิ้นสุดที่ร้านกาแฟค้าปลีก
เรียกใช้การค้นหา SQL ต่อไปนี้เพื่อโหลดข้อมูล

หมายเหตุ: คุณสามารถละเว้น %%bigquery ได้หากเรียกใช้ใน BigQuery Studio โดยตรง
%%bigquery --project=$PROJECT_ID
-- Load Item
LOAD DATA OVERWRITE `restaurant.item`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/item2.csv'], skip_leading_rows = 1);
-- Load Location
LOAD DATA OVERWRITE `restaurant.location`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/location.csv'], skip_leading_rows = 1);
-- Load ItemLocation
LOAD DATA OVERWRITE `restaurant.itemlocation`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/itemlocation.csv'], skip_leading_rows = 1);
-- Load BOM
LOAD DATA OVERWRITE `restaurant.bom`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/bom2.csv'], skip_leading_rows = 1);
-- Load Makes
LOAD DATA OVERWRITE `restaurant.makes`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/makes.csv'], skip_leading_rows = 1);
-- Load StoredAt
LOAD DATA OVERWRITE `restaurant.stored_at`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/itemlocation.csv'], skip_leading_rows = 1);
5. การเพิ่มข้อจำกัดและการกำหนดกราฟ
ก่อนสร้างกราฟ คุณต้องประกาศความสัมพันธ์เชิงความหมายโดยใช้ข้อจำกัดคีย์หลักและคีย์นอกของ SQL มาตรฐาน ซึ่งจะช่วยให้ BigQuery เข้าใจตัวระบุโหนดและเชื่อมต่อตาราง Edge กับตารางโหนดได้
สร้างกราฟพร็อพเพอร์ตี้
ตอนนี้ คุณจะรวมตารางเหล่านี้เข้าเป็นโครงสร้างกราฟที่เชื่อมโยงกันเป็นหนึ่งเดียวที่เรียกว่า restaurant.bombod
คุณเป็นผู้กำหนดสิ่งต่อไปนี้
- โหนด:
item,location,itemlocation - Edges:
makes,stored_atและconsists_of(BOM)
%%bigquery --project=$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. การแสดงภาพซัพพลายเชน
คุณสามารถเรียกใช้การค้นหาการส่งผ่านจากบนลงล่างเพื่อดูเครือข่ายซัพพลายเชนทั้งหมด ใน Notebook มาตรฐานหรือ UI ที่รองรับ (เช่น %%bigquery --graph) ฟังก์ชันนี้จะแสดงแผนภาพ
ใช้การค้นหากราฟแบบสัมบูรณ์เพื่อตั้งค่าโหนดและขอบ
หมายเหตุ: ตามที่กล่าวไว้ก่อนหน้านี้ หากต้องการดำเนินการนี้ใน Google Colab หรือ Colab Enterprise Notebooks คุณยังใช้คำสั่ง Magic ของ BigQuery ได้ด้วย: %%bigquery นอกจากนี้ หากต้องการแสดงภาพกราฟใน Google Colab หรือ Colab Enterprise Notebooks ให้ใส่แฟล็ก –graph เป็น %%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
เอาต์พุต:

7. กรณีการใช้งานที่ 1: การติดตามการร้องเรียนจากต้นทาง
สถานการณ์: ลูกค้าร้องเรียนเกี่ยวกับคุณภาพของไก่ในแซนด์วิชที่ร้านสาขากรุงเทพฯ คุณต้องติดตามย้อนกลับจากสินค้าที่เสร็จสมบูรณ์เพื่อดูขั้นตอนการประกอบที่เกิดขึ้นก่อนหน้าทันที
การค้นหาการส่งผ่านข้อมูล
เรียกใช้การค้นหาโดยใช้รูปแบบการค้นหา Graph Traversal ซึ่งจะพิจารณาขอบ consists_of ที่เชื่อมโยงการประกอบขั้นปลายกับส่วนประกอบขั้นต้น
%%bigquery --project=$PROJECT_ID --graph
GRAPH restaurant.bombod
MATCH p=(a:itemlocation)-[c:consists_of]->(b:itemlocation)
OPTIONAL MATCH q=(b)-[d:stored_at]-(e)
return to_json(p) as ppath, to_json(q) as qpath
เนื่องจากทิศทางของลูกศรในตาราง Edge consists_of (Ingredient -> Finished) การค้นหาที่ไหลขึ้นไปตามต้นน้ำจะแสดงลิงก์ที่แยกวัสดุและสถานที่จัดเก็บที่เกี่ยวข้องได้อย่างรวดเร็ว
เอาต์พุต: 
8. กรณีการใช้งานที่ 2: การวิเคราะห์ผลกระทบ
สถานการณ์: พายุหิมะทำให้ศูนย์กระจายสินค้าในโคลัมบัส รัฐโอไฮโอ ต้องปิดทำการ คุณจำเป็นต้องทราบว่าการเตรียมการขั้นปลายหรือสินค้าสำเร็จรูปใดบ้างที่ได้รับผลกระทบทันที
การค้นหาการส่งผ่านข้อมูล
คุณเริ่มต้นที่ location ที่เฉพาะเจาะจงซึ่งแสดงถึงศูนย์กระจายสินค้า ระบุสินค้าคงคลังที่จัดเก็บไว้ที่นั่น และดูว่าสินค้าสำเร็จรูปใดที่ต้องใช้สินค้าคงคลังเหล่านั้น
# @title Impact of a storm on a DC
%%bigquery --project=$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
เอาต์พุต: 
9. กรณีการใช้งานที่ 3: การเรียกคืนดาวน์สตรีม
สถานการณ์: ซัพพลายเออร์แจ้งให้คุณทราบเกี่ยวกับผลิตภัณฑ์ที่ปนเปื้อนเฉพาะชุด ได้แก่ มะเขือเทศสุกบนต้นจากซัพพลายเออร์ คุณต้องค้นหารายการเมนูสุดท้ายที่ได้รับผลกระทบทั้งหมดที่ร้านกาแฟ
การค้นหาการส่งผ่านข้อมูล
คุณค้นหาตำแหน่งของวัตถุดิบที่ปนเปื้อน จากนั้นทำการข้ามเส้นทางที่ไหลลงมาเพื่อค้นหารายการที่ได้รับผลกระทบสูงสุด
%%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
การค้นหานี้จะค้นหารายการทั้งหมดที่มีรูปแบบตรงกับ "มะเขือเทศ" และเชื่อมโยงกับความสัมพันธ์แบบอัปสตรีม ทำให้เป็นการแมปที่มีประสิทธิภาพซึ่งจะเผยแพร่เพื่อค้นหาว่าต้องเรียกคืนรายการใดในคาเฟ่
เอาต์พุต: 
10. ล้าง
ลบทรัพยากรเมื่อทำตามขั้นตอนในคำแนะนำแบบทีละขั้นเสร็จแล้วเพื่อหลีกเลี่ยงค่าใช้จ่ายที่ค้างอยู่ในพื้นที่ทำงาน
DROP SCHEMA `restaurant` CASCADE;
11. บทสรุป
ยินดีด้วย คุณได้สร้างโมเดลซัพพลายเชนและทำการวิเคราะห์ผลกระทบโดยใช้ BigQuery Graph แล้ว
สรุป
คุณได้เรียนรู้วิธีทำสิ่งต่อไปนี้
- ประกาศความสัมพันธ์เชิงสัมพันธ์ที่เน้นกราฟด้วยคีย์หลัก/คีย์นอก
- สร้างกราฟพร็อพเพอร์ตี้แบบรวม
- ไปยังส่วนต่างๆ ของความสัมพันธ์แบบหลายโหนดได้อย่างมีประสิทธิภาพโดยใช้ตรรกะการข้ามผ่าน Graph Query
หากต้องการดูข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับสถาปัตยกรรมกราฟ โปรดไปที่เอกสารประกอบของ Google Cloud