Чтение прогнозов BigQuery ML в SAP с помощью ABAP SDK для Google Cloud

Чтение прогнозов BigQuery ML в SAP с использованием ABAP SDK для Google Cloud

О практической работе

Последнее обновление: июл. 30, 2025

Авторы: Ajith Urimajalu

1. Введение

В этой лабораторной работе вы создадите модель машинного обучения (ML) в BigQuery и получите прогнозы на основе этой модели с помощью ABAP SDK для Google Cloud .

Вы будете использовать следующие сервисы Google Cloud:

BigQuery
Cloud Shell

Что вы построите

Вам предстоит создать следующее:

Модель машинного обучения (ML) BigQuery.
Учетная запись службы с ролью пользователя задания BigQuery для вызова API BigQuery.
Программа ABAP для вызова API BigQuery и получения прогнозов из модели машинного обучения.

2. Требования

Браузер, например Chrome или Firefox .
Проект Google Cloud с включенным биллингом или создание 90-дневной бесплатной пробной учетной записи для Google Cloud Platform.
SAP GUI (Windows или Java) установлен в вашей системе. Если SAP GUI уже установлен на вашем ноутбуке, подключитесь к SAP, используя внешний IP-адрес виртуальной машины в качестве IP-адреса сервера приложений. Если вы используете Mac, вы также можете установить SAP GUI для Java, доступный по этой ссылке.

3. Прежде чем начать

В Google Cloud Console на странице выбора проекта выберите или создайте проект Google Cloud (например: abap-sdk-poc ).
Убедитесь, что для вашего облачного проекта включена оплата. Узнайте, как проверить, включена ли оплата для проекта . Пропустите этот шаг, если вы используете 90-дневную бесплатную пробную версию .
Вы будете использовать Cloud Shell — среду командной строки, работающую в Google Cloud.
В Cloud Console нажмите «Активировать Cloud Shell» в правом верхнем углу:

Выполните следующие команды в Cloud Shell для аутентификации вашей учётной записи и установите проект по умолчанию abap-sdk-poc . Зона us-west4-b используется в качестве примера. При необходимости измените проект и зону в следующих командах по своему усмотрению.

gcloud auth login
gcloud config set project abap-sdk-poc
gcloud config set compute/zone us-west4-b

У вас должен быть доступ к системе SAP с установленным ABAP SDK для Google Cloud.
Перед выполнением этой лабораторной работы необходимо выполнить практическую работу 1 ( Установка пробной версии ABAP Platform 1909 на Google Cloud Platform и установка ABAP SDK для Google Cloud) и практическую работу 2 ( Настройка аутентификации ABAP SDK с использованием токенов для SAP, размещенного на виртуальной машине Compute Engine ).
Если вы выполнили лабораторную работу 1 и 2, то в вашем распоряжении будет система ABAP Platform Trial 1909 в Google Cloud, а также необходимая настройка для аутентификации и подключения.
Если вы не выполнили лабораторные работы 1 и 2, у вас не будет всей необходимой инфраструктуры и подключения для выполнения шагов, описанных в этой лабораторной работе. Поэтому перед выполнением этой лабораторной работы необходимо выполнить лабораторные работы 1 и 2.

4. Включите BigQuery API V2 в вашем проекте Google Cloud

В Cloud Console нажмите «Активировать Cloud Shell» в правом верхнем углу:

Выполните следующие команды в Cloud Shell, чтобы включить API BigQuery:

gcloud services enable bigquery.googleapis.com

При успешном выполнении вы увидите сообщение, показанное ниже.

Теперь в вашем проекте Google Cloud должен быть включен API BigQuery.

5. Создайте учетную запись службы для безопасного доступа к BigQuery

Для безопасного получения прогнозов машинного обучения из модели BigQuery ML необходимо создать сервисную учётную запись с ролями « Пользователь заданий BigQuery» и «Просмотрщик данных BigQuery» , которые позволят вашей программе выполнять запросы (как задания) в рамках проекта и читать данные из таблиц. Эта роль предоставляет только необходимые разрешения для создания заданий и чтения данных, минимизируя риски безопасности.

Создать учетную запись службы

Чтобы создать учетную запись службы с необходимой ролью, выполните следующие действия:

Выполните следующую команду в терминале Cloud Shell:

gcloud iam service-accounts create abap-sdk-bigquery-jobuser --display-name="Service Account for BigQuery Job user"

Теперь добавьте необходимые роли в учетную запись службы, созданную на предыдущем шаге:

gcloud projects add-iam-policy-binding abap-sdk-poc --member='serviceAccount:abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com' --role='roles/bigquery.jobUser'

gcloud projects add-iam-policy-binding abap-sdk-poc --member='serviceAccount:abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com' --role='roles/bigquery.dataViewer'

Приведённая выше команда использует abap-sdk-poc в качестве заполнителя для проекта Google Cloud. Замените abap-sdk-poc идентификатором вашего проекта.

Чтобы убедиться, что роль добавлена, перейдите на страницу IAM . Созданная вами учётная запись службы должна быть указана вместе с назначенной ей ролью.

6. Создание модели машинного обучения BigQuery

В этой лабораторной работе мы создадим модель k-средних для кластеризации набора данных о прокате велосипедов в Лондоне. Вы можете применить алгоритм k-средних для группировки данных в кластеры. В отличие от контролируемого машинного обучения, которое занимается предиктивной аналитикой, неконтролируемое обучение занимается описательной аналитикой. Его цель — понимать данные и принимать решения на их основе.

Создайте свой набор данных

Чтобы создать набор данных BigQuery для хранения вашей модели машинного обучения, выполните следующие действия:

В консоли Google Cloud перейдите на страницу BigQuery. Перейдите на страницу BigQuery.
На панели проводника щелкните имя своего проекта.
Щелкните Просмотреть действия > Создать набор данных .

На странице «Создать набор данных» выполните следующие действия:

В качестве идентификатора набора данных введите bqml_tutorial .
В поле «Тип местоположения » выберите «Мультирегион» , а затем — «ЕС» (несколько регионов Европейского Союза) . Публичный набор данных London Bicycle Hires хранится в мультирегионе ЕС. Ваш набор данных должен находиться в том же месте.
Оставьте остальные настройки по умолчанию без изменений и нажмите Создать набор данных .

Создать модель k-средних

Теперь, когда ваш набор данных настроен, следующим шагом будет создание модели k-средних на его основе. Вы можете создать и обучить модель k-средних с помощью оператора CREATE MODEL с опцией model_type=kmeans .

Чтобы выполнить запрос и создать модель k-средних, выполните следующие шаги:

Перейти на страницу BigQuery . Перейти на страницу BigQuery.
На панели редактора выполните следующий оператор SQL:

CREATE OR REPLACE MODEL `bqml_tutorial.london_station_clusters`
  OPTIONS(model_type='kmeans', num_clusters=4) AS
WITH
  hs AS (
  SELECT
    h.start_station_name AS station_name,
  IF
    (EXTRACT(DAYOFWEEK
      FROM
        h.start_date) = 1
      OR EXTRACT(DAYOFWEEK
      FROM
        h.start_date) = 7,
      "weekend",
      "weekday") AS isweekday,
    h.duration,
    ST_DISTANCE(ST_GEOGPOINT(s.longitude,
        s.latitude),
      ST_GEOGPOINT(-0.1,
        51.5))/1000 AS distance_from_city_center
  FROM
    `bigquery-public-data.london_bicycles.cycle_hire` AS h
  JOIN
    `bigquery-public-data.london_bicycles.cycle_stations` AS s
  ON
    h.start_station_id = s.id
  WHERE
    h.start_date BETWEEN CAST('2015-01-01 00:00:00' AS TIMESTAMP)
    AND CAST('2016-01-01 00:00:00' AS TIMESTAMP) ),
  stationstats AS (
  SELECT
    station_name,
    isweekday,
    AVG(duration) AS duration,
    COUNT(duration) AS num_trips,
    MAX(distance_from_city_center) AS distance_from_city_center
  FROM
    hs
  GROUP BY
    station_name, isweekday)
SELECT
  * EXCEPT(station_name, isweekday)
FROM
  stationstats

На панели навигации в разделе «Ресурсы» разверните имя своего проекта, щелкните bqml_tutorial , а затем щелкните london_station_clusters .
Перейдите на вкладку «Схема» . Схема модели содержит три атрибута станции, которые BigQuery ML использовал для кластеризации. Схема должна выглядеть следующим образом:

Перейдите на вкладку «Оценка» . На этой вкладке отображаются визуализации кластеров, выявленных с помощью модели k-средних. В разделе «Числовые признаки » столбчатые диаграммы отображают до 10 наиболее важных значений числовых признаков для каждого центроида. Вы можете выбрать признаки для визуализации в раскрывающемся меню.

7. Получайте прогнозы BigQuery ML с помощью ABAP SDK для Google Cloud

Теперь, когда вы настроили предварительные условия на стороне Google Cloud, вы готовы выполнить шаги в своей системе SAP для получения прогнозов из модели машинного обучения с использованием ABAP SDK для Google Cloud.

Создать конфигурацию клиентского ключа

Для настройки аутентификации и подключения ABAP SDK для Google Cloud использует таблицы /GOOG/CLIENT_KEY и /GOOG/SERVIC_MAP.

Чтобы сохранить конфигурацию в таблице /GOOG/CLIENT_KEY , выполните следующие действия:

В графическом интерфейсе SAP введите код транзакции SPRO .
Нажмите ссылку SAP IMG .
Нажмите ABAP SDK для Google Cloud > Основные настройки > Настроить ключ клиента.

Введите следующие значения в перечисленные поля, все остальные поля оставьте пустыми:

Поле	Ценить
Имя ключа Google Cloud	BIGQUERY_ML
Имя учетной записи облачной службы Google	abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com
Область применения Google Cloud	https://www.googleapis.com/auth/cloud-platform
Идентификатор проекта	abap-sdk-poc
Класс авторизации	/GOOG/CL_AUTH_GOOGLE

Создайте отчет ABAP для получения прогнозов из модели BigQuery ML

Чтобы создать отчет ABAP, выполните следующие действия:

В графическом интерфейсе SAP перейдите к коду транзакции SE38 и создайте программу-отчет с именем ZDEMO_BIGQUERY_ML_PREDICT.
В открывшемся всплывающем окне укажите данные, как показано на следующем изображении:

В следующем всплывающем окне выберите Локальный объект или укажите имя пакета, если необходимо.
В редакторе ABAP добавьте следующий код:

REPORT zdemo_bigquery_ml_predict.

types:
  begin of lty_query_result,
    centroid_id     type i,
    station_name    type string,
    isweekday       type string,
    num_trips       type i,
    distance_from_city type string,
  end of lty_query_result,
  ltt_query_result type standard table of lty_query_result.

DATA:
  lv_project_id TYPE string,
  ls_input      TYPE /goog/cl_bigquery_v2=>ty_103,
  ls_output     TYPE lty_query_result,
  lt_output     TYPE ltt_query_result.

CONSTANTS:
  lc_newline TYPE c VALUE cl_abap_char_utilities=>newline.

TRY.
    "Initialize Bigquery object, pass the client key name that you have configured in /GOOG/CLIENT_KEY table
    DATA(lo_bq) = NEW /goog/cl_bigquery_v2( iv_key_name = 'BIGQUERY_ML' ).

    "Populate relevant parameters
    lv_project_id = lo_bq->gv_project_id.

    ls_input-default_dataset-project_id = 'abap-sdk-poc'.
    ls_input-default_dataset-dataset_id = 'bqml_tutorial'.

    "This query gets predictions from
    ls_input-query =
                | WITH | && lc_newline &&
                | hs AS ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | h.start_station_name AS station_name, | && lc_newline &&
                | IF | && lc_newline &&
                | (EXTRACT(DAYOFWEEK | && lc_newline &&
                | FROM | && lc_newline &&
                | h.start_date) = 1 | && lc_newline &&
                | OR EXTRACT(DAYOFWEEK | && lc_newline &&
                | FROM | && lc_newline &&
                | h.start_date) = 7, | && lc_newline &&
                | "weekend", | && lc_newline &&
                | "weekday") AS isweekday, | && lc_newline &&
                | h.duration, | && lc_newline &&
                | ST_DISTANCE(ST_GEOGPOINT(s.longitude, | && lc_newline &&
                | s.latitude), | && lc_newline &&
                | ST_GEOGPOINT(-0.1, | && lc_newline &&
                | 51.5))/1000 AS distance_from_city_center | && lc_newline &&
                | FROM | && lc_newline &&
                | `bigquery-public-data.london_bicycles.cycle_hire` AS h | && lc_newline &&
                | JOIN | && lc_newline &&
                | `bigquery-public-data.london_bicycles.cycle_stations` AS s | && lc_newline &&
                | ON | && lc_newline &&
                | h.start_station_id = s.id | && lc_newline &&
                | WHERE | && lc_newline &&
                | h.start_date BETWEEN CAST('2015-01-01 00:00:00' AS TIMESTAMP) | && lc_newline &&
                | AND CAST('2016-01-01 00:00:00' AS TIMESTAMP) ), | && lc_newline &&
                | stationstats AS ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | station_name, | && lc_newline &&
                | isweekday, | && lc_newline &&
                | AVG(duration) AS duration, | && lc_newline &&
                | COUNT(duration) AS num_trips, | && lc_newline &&
                | MAX(distance_from_city_center) AS distance_from_city_center | && lc_newline &&
                | FROM | && lc_newline &&
                | hs | && lc_newline &&
                | GROUP BY | && lc_newline &&
                | station_name, isweekday ) | && lc_newline &&
                | SELECT | && lc_newline &&
                | * EXCEPT(nearest_centroids_distance) | && lc_newline &&
                | FROM | && lc_newline &&
                | ML.PREDICT( MODEL `bqml_tutorial.london_station_clusters`, | && lc_newline &&
                | ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | * | && lc_newline &&
                | FROM | && lc_newline &&
                | stationstats | && lc_newline &&
                | WHERE | && lc_newline &&
                | REGEXP_CONTAINS(station_name, 'Kennington'))) |.

    "Call API method: bigquery.jobs.query
    CALL METHOD lo_bq->query_jobs
      EXPORTING
        iv_p_project_id = lv_project_id
        is_input        = ls_input
      IMPORTING
        es_output       = DATA(ls_response)
        ev_ret_code     = DATA(lv_ret_code)
        ev_err_text     = DATA(lv_err_text)
        es_err_resp     = DATA(ls_err_resp).

    IF lo_bq->is_success( lv_ret_code ).
      "API Call successful, loop through the data & display the result
      IF ls_response-job_complete = abap_true.
        LOOP AT ls_response-rows ASSIGNING FIELD-SYMBOL(<ls_row>).
          LOOP AT <ls_row>-f ASSIGNING FIELD-SYMBOL(<ls_value>).
            ASSIGN <ls_value>-v->* TO FIELD-SYMBOL(<ls_field_value>).
            CASE sy-tabix.
              WHEN 1.
                ls_output-centroid_id = <ls_field_value>.
              WHEN 2.
                ls_output-station_name = <ls_field_value>.
              WHEN 3.
                ls_output-isweekday = <ls_field_value>.
              WHEN 4.
                ls_output-num_trips = <ls_field_value>.
              WHEN 5.
                ls_output-distance_from_city = <ls_field_value>.
            ENDCASE.
          ENDLOOP.
          APPEND ls_output TO lt_output.
          CLEAR ls_output.
        ENDLOOP.
        IF lt_output IS NOT INITIAL.
          cl_demo_output=>new( )->begin_section( 'ML.Predict Query Details'
                               )->write_text( ls_input-query
                               )->write_text( 'Dataset: bigquery-public-data.london_bicycles'
                               )->end_section(
                               )->begin_section( 'ML.Predict Query Results'
                               )->write_data( lt_output
                               )->end_section(
                               )->display( ).
        ENDIF.
      ENDIF.
    ELSE.
      "Display error message in case the API call fails
      MESSAGE lv_err_text TYPE 'E'.
    ENDIF.

    "Close HTTP Connection
    lo_bq->close( ).

  CATCH /goog/cx_sdk INTO DATA(lo_exception).
    MESSAGE lo_exception->get_text( ) TYPE 'E'.
ENDTRY.

Сохраните и активируйте отчет.
Выполнить отчет (F8).

При успешном выполнении вы должны увидеть отчет, как показано ниже:

8. Поздравления

Отличная работа по выполнению лабораторной работы «Получение прогнозов на основе модели машинного обучения (ML) BigQuery с использованием ABAP SDK для Google Cloud»!

Вы успешно получили прогнозы модели машинного обучения BigQuery прямо из вашей системы SAP! Вы открыли новый уровень интеграции между ABAP и Google Cloud Services. Расширьте свои горизонты с другими интересными практическими занятиями по ABAP SDK для Google Cloud:

Использование API перевода с ABAP SDK для Google Cloud
Загрузка большого объекта в контейнер облачного хранилища с использованием фрагментации
Извлечение учетных данных/секретов из Secret Manager с помощью ABAP SDK для Google Cloud
Вызовите Vertex AI test-bison из ABAP

9. Уборка

Если вы не хотите продолжать работу с дополнительными практическими занятиями, связанными с ABAP SDK для Google Cloud, пожалуйста, продолжите очистку.

Удалить проект

Внимание : удаление проекта имеет следующие последствия:

Всё в проекте будет удалено. Если вы использовали существующий проект для задач в этом документе, при его удалении вы также удалите всю остальную работу, выполненную в рамках проекта.
Пользовательские идентификаторы проектов утеряны. При создании этого проекта вы могли создать собственный идентификатор проекта, который захотите использовать в будущем. Чтобы сохранить URL-адреса, использующие этот идентификатор проекта, например URL-адрес appspot.com , удалите выбранные ресурсы внутри проекта, а не весь проект.

Если вы планируете изучить несколько архитектур, учебных пособий или быстрых стартов, повторное использование проектов может помочь вам избежать превышения квот проекта.

Удалить проект Google Cloud:

gcloud projects delete abap-sdk-poc

Удалить отдельные ресурсы

Удалить вычислительный экземпляр:

gcloud compute instances delete abap-trial-docker

Удалить правила брандмауэра:

gcloud compute firewall-rules delete sapmachine

Удалить учетную запись службы:

gcloud iam service-accounts delete \
    abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com

Сообщить об ошибке