1. Giriş
Bu codelab'de, karmaşık tedarik zinciri ve lojistik sorunlarını çözmek için BigQuery Graph'ten nasıl yararlanacağınızı öğreneceksiniz.
Gıda güvenliği ve kalite kontrolüne odaklanan bir restoran tedarik zinciri ağını modelleyeceksiniz. Tedarikçiden gelen kontamine bir malzeme gibi gıda güvenliğiyle ilgili bir sorun ortaya çıktığında zaman çok önemlidir. "Etki alanını" belirlemek ve hızlı bir şekilde nokta atışı geri çağırma işlemi gerçekleştirmek, maliyetleri azaltabilir ve müşterileri koruyabilir.

Geleneksel ilişkisel modeller, öğeleri birden fazla aşamada (Tedarikçi -> Dağıtım Merkezi -> Kantin -> Mağaza -> Bitmiş Ürün) izlemek için karmaşık, çok adımlı JOIN işlemleri gerektirir. BigQuery Graph ile bu bağlantıları doğrudan modelleyerek ISO GQL (Grafik Sorgu Dili) standardını kullanan sezgisel ve hızlı sorgular yapabilirsiniz.
Neler öğreneceksiniz?
- Mevcut BigQuery tablolarında grafik modeli tanımlama
- BigQuery'de özellik grafiği oluşturma
- Üst ve alt akış etkilerini izlemek için geçiş sorguları çalıştırma
İhtiyacınız olanlar
- Faturalandırmanın etkin olduğu bir Google Cloud projesi.
- Google Cloud Shell.
Maliyet Tahmini
Bu laboratuvarın BigQuery analiz ücretleri açısından 5 ABD dolarından daha düşük maliyetli olması beklenir. Bu tutar, yeni kullanıcılar için Ücretsiz Katman tahsisatları dahilindedir.
2. Kurulum ve Gereksinimler
Cloud Shell'i açın
Çalışmalarınızın büyük kısmını, Google Cloud'u kullanmak için ihtiyacınız olan her şeyi içeren yüklü bir ortam olan Cloud Shell'de yapacaksınız.
- Google Cloud Console'a gidin.
- Sağ üstteki araç çubuğunda Cloud Shell'i etkinleştir simgesini tıklayın.
- İstenirse Devam'ı tıklayın.
Ortam değişkenlerini ayarlama
Cloud Shell'de, gelecekteki komutları basitleştirmek için proje kimliğinizi ayarlayın.
export PROJECT_ID=$(gcloud config get-value project)
API'leri etkinleştir
Gerekli BigQuery API'yi etkinleştirmek için şu komutu çalıştırın:
gcloud services enable bigquery.googleapis.com
3. Şema ve tabloları oluşturma
Tedarik zinciri bileşenlerinizi temsil eden bir veri kümesi ve tablolar oluşturacaksınız:
item: Genel öğe tanımı (ör. domates, tavuk).location: Tesisler (tedarikçiler, dağıtım merkezleri, kafeler).itemlocation: Envanter konumlarını temsil eden kesişim tablosu.bom: BoM (Ağırlık ilişkilerini tanımlar. Örneğin, A öğesi B öğesine girer).makes:itemlocation,itemile eşlenir.stored_at:itemlocationdeğerinilocationile eşler.
Veri Kümesi Oluştur
Bu laboratuvardaki SQL komutlarını Cloud Shell veya BigQuery Konsolu'nu kullanarak çalıştırabilirsiniz.
BigQuery konsolunu kullanmak için:
- BigQuery konsolunu yeni bir sekmede açın.
- Bu laboratuvardaki her SQL snippet'ini düzenleyiciye yapıştırın, ardından çalıştırmak için Run (Çalıştır) düğmesini tıklayın.

Şemayı oluşturmak için Cloud Shell'de aşağıdaki komutu çalıştırın veya BigQuery Console'u kullanın. SQL'inizde düğüm değişkenlerini kullanacaksınız.

Not: (1) Bu işlemi Google Colab'de yürütmek için BigQuery sihirli komutlarını da kullanabilirsiniz: %%bigquery Aşağıdaki snippet, projenizde grafik verilerinizi barındıracak restoran şemasını oluşturur. (2) Google Colab'den çalıştırıyorsanız %%bigquery –project <PROJECT_ID> kullanmanız gerekir. PROJECT_ID alanının, kullanmak istediğiniz projeyle eşlendiğinden emin olun: PROJECT_ID = "argolis-project-340214" # @param {"type":"string"} (3) Colab kullanıyorsanız gereksinimlerinize bağlı olarak bazı kitaplıkları yüklemeniz gerekir. Grafik görselleştirmeyi kullanacaksanız kitaplığı pip ile yüklediğinizden emin olun: spanner-graph-notebook==1.1.5

%%bigquery --project=$PROJECT_ID
CREATE SCHEMA IF NOT EXISTS restaurant ;
Tablo oluşturma
Tabloları oluşturmak için aşağıdaki SQL kodunu çalıştırın.
%%bigquery --project=$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. Örnek Veriler Yükleniyor
Bu laboratuvarı tamamen bağımsız hale getirmek için tabloları saf SQL LOAD DATA ifadeleri kullanarak örneklenmiş verilerle dolduracaksınız. Bu, Tedarikçi ile başlayan, Dağıtım Merkezi (DM) ve Yemekhane Mutfağı'ndan geçerek Perakende Kafe'ye ulaşan bir ağı temsil eder.
Verileri yüklemek için aşağıdaki SQL sorgularını çalıştırın:

Not: Doğrudan BigQuery Studio'da çalıştırıyorsanız %%bigquery'yi atlayabilirsiniz.
%%bigquery --project=$PROJECT_ID
-- Load Item
LOAD DATA OVERWRITE `restaurant.item`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/item2.csv'], skip_leading_rows = 1);
-- Load Location
LOAD DATA OVERWRITE `restaurant.location`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/location.csv'], skip_leading_rows = 1);
-- Load ItemLocation
LOAD DATA OVERWRITE `restaurant.itemlocation`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/itemlocation.csv'], skip_leading_rows = 1);
-- Load BOM
LOAD DATA OVERWRITE `restaurant.bom`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/bom2.csv'], skip_leading_rows = 1);
-- Load Makes
LOAD DATA OVERWRITE `restaurant.makes`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/makes.csv'], skip_leading_rows = 1);
-- Load StoredAt
LOAD DATA OVERWRITE `restaurant.stored_at`
FROM FILES (format = 'CSV', uris = ['gs://supply_chain_demo/itemlocation.csv'], skip_leading_rows = 1);
5. Kısıtlama ekleme ve grafiği tanımlama
Grafiği oluşturmadan önce standart SQL birincil anahtar ve yabancı anahtar kısıtlamalarını kullanarak semantik ilişkileri tanımlarsınız. Bunlar, BigQuery'nin düğüm tanımlayıcılarını anlamasına ve kenar tablolarını düğüm tablolarına bağlamasına yardımcı olur.
Özellik grafiği oluşturma
Şimdi bu tabloları restaurant.bombod adlı tek bir uyumlu grafik yapısında birleştirin.
Şunları tanımlarsınız:
- Düğümler:
item,location,itemlocation - Kenarlar:
makes,stored_atveconsists_of(BOM)
%%bigquery --project=$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. Tedarik zincirini görselleştirme
Tedarik zinciri ağının tamamını görmek için yukarıdan aşağıya geçiş sorgusu çalıştırabilirsiniz. Standart bir not defterinde veya bunu destekleyen bir kullanıcı arayüzünde (ör. %%bigquery --graph) bu, görsel bir harita döndürür.
Düğümleri ve kenarları ayarlamak için mutlak grafik sorguları kullanın.
Not: Daha önce de belirtildiği gibi, bu işlemi Google Colab veya Colab Enterprise not defterlerinde yürütmek için BigQuery sihirli komutlarını da kullanabilirsiniz: %%bigquery Ayrıca, grafiği Google Colab veya Colab Enterprise not defterlerinde görselleştirmek için –graph işaretini şu şekilde ekleyin: %%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
Çıkış:

7. 1. Kullanım Alanı: Üst Akış Şikayetini İzleme
Senaryo: Bir müşteri, New York mağazasındaki sandviçinde bulunan tavuğun kalitesinden şikayet ediyor. Bitmiş ürünü geriye doğru izleyerek montaj aşamalarını görmeniz gerekir.
Geçiş Sorgusu
Sorguyu, Graph Traversal sorgu biçimini kullanarak çalıştırın. Bu, alt bileşenleri üst bileşenlere bağlayan consists_of kenarı inceler.
%%bigquery --project=$PROJECT_ID --graph
GRAPH restaurant.bombod
MATCH p=(a:itemlocation)-[c:consists_of]->(b:itemlocation)
OPTIONAL MATCH q=(b)-[d:stored_at]-(e)
return to_json(p) as ppath, to_json(q) as qpath
consists_of kenar tablosundaki (Ingredient -> Finished) ok yönü nedeniyle, yukarı akış yönünde yapılan bir arama, bağımlı malzemeleri ve depolama konumlarını hızlı bir şekilde izole eden bağlantılar sağlar.
Çıkış: 
8. 2. Kullanım Alanı: Etki Analizi
Senaryo: Columbus, Ohio'daki dağıtım merkezi kar fırtınası nedeniyle kapandı. Bu durumdan hemen etkilenecek olan alt hazırlıkları veya bitmiş ürünleri öğrenmeniz gerekiyor.
Geçiş Sorgusu
Dağıtım merkezini temsil eden belirli bir location ile başlar, orada depolanan envanteri belirler ve hangi bitmiş ürünlerin bu envantere ihtiyaç duyduğunu görürsünüz.
# @title Impact of a storm on a DC
%%bigquery --project=$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
Çıkış: 
9. 3. Kullanım Alanı: Alt Akış Geri Çağırma
Senaryo: Bir tedarikçi, belirli bir kontamine ürün grubu hakkında sizi bilgilendiriyor: Tedarikçiden gelen Salkım Domatesler. Kafelerde etkilenen tüm nihai menü öğelerini bulmanız gerekiyor.
Geçiş Sorgusu
Kirlenmiş ham maddenin konumunu arar, ardından nihai olarak etkilenen öğeleri bulmak için aşağı akış yönünde bir yol geçişi gerçekleştirirsiniz.
%%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
Bu sorgu, "Domates" ile eşleşen ve üst akış ilişkisiyle iç içe geçmiş tüm öğeleri bulur. Bu sayede, hangi kafe öğelerinin geri çağrılması gerektiğini keşfetmek için yayılan güçlü bir eşleme elde edilir.
Çıkış: 
10. Temizleme
Çalışma alanınızda kalan ücretlerden kaçınmak için adımları tamamladıktan sonra kaynakları silin.
DROP SCHEMA `restaurant` CASCADE;
11. Sonuç
Tebrikler! BigQuery Graph'i kullanarak bir tedarik zincirini modellediniz ve etki analizi yaptınız.
Özet
Şunları öğrendiniz:
- Birincil/yabancı anahtarlarla grafiğe dayalı ilişkisel ilişkiler tanımlama
- Birleştirilmiş bir mülk grafiği oluşturun.
- Graph Query geçiş mantığını kullanarak çok düğümlü ilişkilerde verimli bir şekilde gezinin.
Grafik mimarisi hakkında daha fazla bilgi edinmek için Google Cloud belgelerini inceleyin.