Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Benutzerdefiniertes Dashboard oder Analyse für Ihre CO₂-Bilanzdaten erstellen
Neben der Standardansicht und dem Datenexport der CO₂-Bilanz können Sie mit den exportierten Daten benutzerdefinierte Dashboards und Analysen erstellen. Diese Flexibilität ermöglicht eine individuelle Datenvisualisierung und Detailgenauigkeit, sodass Sie fundiertere Informationen erhalten, um die Verwaltung Ihres CO₂-Fußabdrucks an Ihre spezifischen Anforderungen anzupassen.
Google Tabellen verwenden
So erstellen Sie mit Google Tabellen ein benutzerdefiniertes Dashboard für Ihre CO₂-Bilanzdaten:
Emissionsdaten mit unterschiedlicher Granularität schätzen, indem Carbon Footprint-Daten mit Cloud Billing-Daten zusammengeführt werden
Sie können Ihre CO₂-Bilanzexportdaten mit Ihren Cloud Billing-Exportdaten kombinieren, um Ihre CO₂-Emissionen mit unterschiedlichen Detaillierungsgraden aufzurufen. So können Analysen auf benutzerdefinierten Label-, Tag- oder Ressourcenebenen durchgeführt werden, um Bereiche zu identifizieren, in denen die Umweltauswirkungen reduziert werden können. So können Sie Emissionsdaten auf Instanzebene und Emissionsdaten auf Tag- oder Labelebene annähernd ermitteln:
Datensätze zusammenführen: Fassen Sie zuerst die detaillierten stündlichen Cloud Billing-Nutzungskosten auf Monatsebene zusammen, gruppiert nach Abrechnungskonto-ID, Projekt, Produkt, Ressource und Region, bevor Sie sie zusammenführen. Anschließend können Sie die exportierten Carbon Footprint-Daten mit den detaillierten Nutzungskostendaten aus Cloud Billing zusammenführen. Verwenden Sie dazu die gemeinsamen Dimensionen „Rechnungskonto-ID“, „Projekt“, „Produkt“, „Region“ und „Monat“.
Emissionen auf Ressourcenebene schätzen: Sie können Daten zu CO₂-Emissionen (zusammengefasst nach Abrechnungskonto-ID, Projekt, Produkt, Region und Monat) auf einzelne Ressourcenebenen herunterbrechen. Diese Schätzung kann durchgeführt werden, indem die Emissionen proportional auf der Grundlage des Beitrags der einzelnen Ressourcen zu den Listenkosten innerhalb einer bestimmten Rechnungskonto-ID, eines bestimmten Projekts, Produkts, einer bestimmten Region und eines bestimmten Monats verteilt werden. Wenn Sie „cost_at_list“ verwenden, werden die Nebenwirkungen potenzieller Preisnachlässe vermieden. Implementieren Sie Validierungsschritte, um eine mögliche doppelte Erfassung von Emissionen zu erkennen und zu vermeiden.
Wichtiger Hinweis: Die mit dieser kostenbasierten Verteilung geschätzten Emissionen auf Ressourcenebene sind Näherungswerte, da sowohl die Kosten als auch die Emissionen mit der Nutzung skalieren. Diese Methode ist zwar kein präzises Maß für die Auswirkungen einzelner Ressourcen, hilft aber, Ressourcen mit hoher Auslastung für die Optimierung zu priorisieren.
Datasets zusammenführen: Fassen Sie zuerst die stündlichen Standardnutzungskostendaten von Cloud Billing auf Monatsebene zusammen, gruppiert nach Rechnungskonto-ID, Projekt, Produkt, Tag oder Labels und Region, bevor Sie sie zusammenführen. Anschließend können Sie die exportierten CO₂-Fußabdruckdaten mit den standardmäßigen Nutzungskostendaten von Cloud Billing zusammenführen. Verwenden Sie dazu die gemeinsamen Dimensionen „Rechnungskonto-ID“, „Projekt“, „Produkt“, „Region“ und „Monat“.
Emissionen auf Tag- oder Labelebene schätzen: Aggregieren Sie die Emissionsdaten im zusammengeführten Datensatz nach Tags oder Labels und anderen Dimensionen nach Bedarf.
Wichtiger Hinweis: Die mit diesem Ansatz auf Tag- oder Labelebene aggregierten Emissionen sind Näherungswerte und spiegeln möglicherweise nicht genau den tatsächlichen Energieverbrauch und die tatsächlichen Emissionen wider.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-18 (UTC)."],[[["\u003cp\u003eLearn how to create a custom dashboard for your Carbon Footprint data using Google Sheets, involving exporting data, using pivot tables, and creating charts.\u003c/p\u003e\n"],["\u003cp\u003eDiscover how to build a custom report in Looker Studio for your Carbon Footprint data by exporting to BigQuery, creating a report, connecting to BigQuery, and adding charts.\u003c/p\u003e\n"],["\u003cp\u003eExplore the process of creating a custom dashboard in Looker for existing Looker customers, which involves exporting data to BigQuery and installing the Carbon Footprint block.\u003c/p\u003e\n"],["\u003cp\u003eYou can further understand the data by understanding the data schema and methodology behind Carbon Footprint.\u003c/p\u003e\n"]]],[],null,["# Create a custom dashboard or analysis for your Carbon Footprint data\n====================================================================\n\nBeyond Carbon Footprint's default view and data export, you can create custom dashboards and analyses using the exported data. This flexibility allows for tailored data visualization and granularity, enabling deeper insights to optimize your carbon footprint management according to your specific requirements.\n\nUsing Google Sheets\n-------------------\n\nFollow these steps to create a custom dashboard for your\nCarbon Footprint data using [Google Sheets](https://www.google.com/sheets/about/).\n\n1. [Export your entire carbon footprint to a sheet](/carbon-footprint/docs/export#sheets)\n2. Use a [pivot table](https://support.google.com/docs/answer/1272900) to create custom reporting on your exported data.\n3. Create a [chart](https://support.google.com/docs/answer/63824) to visualize the results of the pivot table.\n\nUse Looker Studio\n-----------------\n\nFollow these steps to create a custom [Looker Studio](https://lookerstudio.google.com/)\nreport for your Carbon Footprint data.\n\n1. [Export your carbon footprint to BigQuery](/carbon-footprint/docs/export)\n2. [Create a new Looker Studio report](https://support.google.com/looker-studio/answer/6292570)\n3. [Connect to BigQuery](https://support.google.com/looker-studio/answer/6370296) by selecting the dataset you previously chose when configuring the Carbon Footprint export.\n4. [Add charts to your report](https://support.google.com/looker-studio/answer/6293184) using the data source created in the previous step.\n\nUse Looker\n----------\n\nFollow these steps to create a custom [Looker](https://looker.com/)\ndashboard for your Carbon Footprint data.\nThis option is recommended if you are an existing Looker customer.\n\n1. [Export your carbon footprint to BigQuery](/carbon-footprint/docs/export)\n2. Install the [Carbon Footprint block](https://marketplace.looker.com/marketplace/detail/carbon)\n\nEstimate emissions data at different granularity by joining Carbon Footprint data with Cloud Billing data\n---------------------------------------------------------------------------------------------------------\n\nYou can combine your Carbon Footprint export data with your\nCloud Billing export data to view your carbon\nYou can combine your Carbon Footprint export data with your\nCloud Billing export data to view your carbon\nemissions at different levels of granularity. This allows for analysis at\ncustomized label, tag, or resource levels, supporting the identification\nof areas for reducing your environmental impact. You can follow these steps\nto approximate either instance-level emissions data and tag or label level\nemissions data.\n\n### Approximate instance-level emissions data\n\n1. **Export Data to BigQuery** : Export [Carbon Footprint data](/carbon-footprint/docs/export) and [Cloud Billing **detailed** usage cost data](/billing/docs/how-to/export-data-bigquery-tables/detailed-usage) to BigQuery respectively.\n\n2. **Join Datasets** : First, aggregate the hourly Cloud Billing detailed usage cost data to the monthly level, grouped by billing account ID, project, product, resource, and region before joining. Then join exported Carbon Footprint data with [Cloud Billing **detailed** usage cost data](/billing/docs/how-to/export-data-bigquery-tables/detailed-usage) using the common dimensions of billing account ID, project, product, region, and month.\n\n3. **Estimate Resource-Level Emissions**: Break down carbon emissions data (aggregated by billing account ID, project, product, region, and month) to the individual resource level. This estimation can be performed by proportionally distributing the emissions based on each resource's contribution to the cost at list within any given billing account ID, project, product, region, and month. Using cost_at_list avoids side effect of potential pricing discounts. Implement validation steps to identify and mitigate any potential double counting of emissions.\n\n**Important Note**: Resource-level emissions estimated using this cost-based distribution are approximations, as both cost and emissions scale with usage. While not a precise measure of individual resource impact, this method helps prioritize high-usage resources for optimization.\n\n### Approximate tag or label level emissions data\n\n1. **Export Data to BigQuery** : Export [Carbon Footprint data](/carbon-footprint/docs/export) and [Cloud Billing **standard** usage cost data](/billing/docs/how-to/export-data-bigquery-tables/standard-usage) to BigQuery respectively.\n\n2. **Join Datasets** : First, aggregate the hourly Cloud Billing standard usage cost data to the monthly level, grouped by billing account ID, project, product, **tag** or **labels** , and region before joining. Then join exported Carbon Footprint data with [Cloud Billing **standard** usage cost data](/billing/docs/how-to/export-data-bigquery-tables/standard-usage) using the common dimensions of billing account ID, project, product, region, and month.\n\n3. **Estimate Tag-Level or Label-level Emissions** : With the joined dataset, aggregate emissions data by **tag** or **labels** and other dimensions as needed.\n\n**Important Note**: Tag-Level or label-level emissions aggregated using this approach are approximations and may not accurately reflect the actual energy consumption and emissions.\n\nWhat's next?\n------------\n\n- [Read about the data schema used in the export](/carbon-footprint/docs/data-schema).\n- [Understand the methodology behind Carbon Footprint](/carbon-footprint/docs/methodology)"]]
