Looker Blocks

Blok Looker adalah model data siap pakai untuk pola analitis dan sumber data umum. Gunakan kembali pekerjaan yang telah dilakukan orang lain, bukan memulai dari awal, lalu sesuaikan blok dengan spesifikasi Anda. Mulai dari pola SQL yang dioptimalkan hingga model data yang sepenuhnya dibuat, Blok Looker dapat digunakan sebagai titik awal untuk pemodelan data yang cepat dan fleksibel di Looker.

Anda dapat memperoleh Blok untuk menyesuaikan dan menambahkannya ke instance Looker dari berbagai sumber, termasuk yang berikut:

  • Looker Marketplace mandiri, tempat Anda dapat menjelajahi Blok dan mengakses kode sumbernya.
  • Looker Marketplace yang dapat diakses dari instance Looker Anda. Dari Marketplace ini, Anda dapat menjelajahi dan menginstal Blok Looker — yang disebut "model" — langsung ke instance Looker Anda. Lihat halaman dokumentasi Menggunakan Looker Marketplace untuk mengetahui informasi selengkapnya tentang cara menginstal alat dari Looker Marketplace.

Jenis Blok Looker

Blok Looker menawarkan berbagai kemampuan, seperti berikut:

  • Blok data, yang mencakup set data publik dan model LookML lengkap, memerlukan penyalinan model LookML dari repositori GitHub untuk mengakses tabel yang dimodelkan. Blok ini tidak dapat disesuaikan. Lihat Menggunakan blok data di halaman ini untuk mengetahui petunjuk mendetail.

  • Aplikasi pengumpulan data, seperti Segment dan Snowplow, melacak peristiwa dalam format yang relatif standar. Hal ini memungkinkan pembuatan pola desain yang sudah dibuatkan template — yang mampu melakukan pembersihan, transformasi, dan analisis data — yang dapat digunakan oleh pelanggan mana pun yang menggunakan aplikasi ini.

  • Aplikasi web lain — seperti Salesforce — memungkinkan Anda menambahkan kolom kustom untuk pengguna internal. Tentu saja, hal ini membuat data dalam format yang kurang standar. Oleh karena itu, kami dapat membuat template beberapa model data agar analisis dapat berjalan, tetapi Anda harus menyesuaikan bagian yang tidak standar.

  • Ada juga kartu untuk insight bisnis umum. Blok ini adalah pola desain SQL atau LookML yang dioptimalkan dan independen dari sumber data. Misalnya, banyak perusahaan ingin menganalisis nilai umur pelanggan dari waktu ke waktu. Ada beberapa asumsi yang diterapkan dalam pola ini, tetapi pola tersebut dapat disesuaikan agar sesuai dengan kebutuhan bisnis spesifik Anda. Pola ini mencerminkan sudut pandang Looker tentang cara terbaik untuk melakukan jenis analisis tertentu.

Blok Looker dapat dijelajahi di direktori instance publik Looker Marketplace di marketplace.looker.com.

Menginstal Blok Looker

Untuk menginstal Blok Looker dari Marketplace yang terkait dengan instance Looker Anda, ikuti petunjuk tentang menginstal alat dari Marketplace.

Untuk menginstal Blok Looker dari marketplace.looker.com, ikuti petunjuk dalam kode sumber blok.

Setiap Blok Looker memiliki petunjuk penggunaan tertentu.

Standardisasi dan penyesuaian

Tingkat penyesuaian yang mungkin perlu Anda lakukan pada blok bergantung pada seberapa terstandarisasi skema database Anda. Sebagian besar Blok Looker memerlukan penyesuaian agar sesuai dengan skema data Anda.

Beberapa blok menunjukkan Eksplorasi dan tampilan dalam file yang sama. Hal ini dilakukan agar mudah dilihat, tetapi secara umum Anda harus menyalin bagian LookML yang sesuai ke tempat yang sesuai dalam model data Anda. Lihat halaman dokumentasi Jenis file dalam project LookML untuk mengetahui informasi selengkapnya.

Terkadang, Anda mungkin perlu membuat file LookML baru dalam model data untuk menampung contoh.

Menggunakan blok data

Blok data adalah jenis Blok Looker khusus yang menyediakan set data serta model data. Blok data mencakup sumber data publik, seperti:

  • Data demografis: Metrik demografis umum dari American Community Survey di tingkat negara bagian, county, area tabulasi kode pos, dan bahkan tingkat kelompok blok sensus.
  • Data cuaca: Pelaporan cuaca di Amerika Serikat di tingkat kode pos dari tahun 1920 hingga hari sebelumnya. Blok ini diperbarui setiap malam.

Prosedur untuk mengakses set data blok data bervariasi, bergantung pada skema database Anda. Bagian berikut berisi petunjuk untuk mengakses set data di database ini:

Mengakses set data di Google BigQuery

Jika memiliki akun Google BigQuery yang sudah ada, Anda dapat mengakses set data yang dihosting BigQuery di Looker. Langsung buka bagian Menambahkan blok data ke project di halaman ini.

Jika belum memiliki akun Google BigQuery, Anda dapat menyiapkan uji coba gratis, lalu mengakses set data publik Looker di BigQuery.

Mengakses set data di database lain

Data yang ditransformasi untuk set data Amazon Redshift, MySQL, PostgreSQL, atau Oracle tersedia secara publik di Google Cloud Service dan S3 sehingga Anda dapat langsung mengimpornya ke database pilihan Anda.

Kami juga telah menyediakan Data Definition Language (DDL) untuk setiap set data di Repositori GitHub. Pernyataan DDL mungkin perlu diubah untuk jenis data di database yang Anda pilih, tetapi harus memberikan gambaran tentang jenis kolom untuk setiap tabel.

Download data langsung dari salah satu lokasi berikut:

Mengakses model LookML

Buat fork salah satu repositori GitHub kami ke repositori GitHub baru (yang dihosting oleh Looker atau perusahaan Anda) yang kemudian dapat Anda perluas atau perbaiki dalam instance Anda:

Menambahkan blok data ke project

Selain metode yang dijelaskan di bagian ini, Anda juga dapat menggunakan penyempurnaan LookML untuk membangun LookML tampilan dan Jelajah dalam project Anda.

Untuk menambahkan blok data ke project Anda:

  1. Tambahkan project baru ke instance Looker Anda.

  2. Fork atau salin repositori GitHub yang disebutkan sebelumnya untuk mengakses LookML bawaan. Pastikan untuk membuat repositori GitHub baru.

  3. Hapus file dialek database lainnya dari repo. Blok Looker biasanya akan berisi file untuk Google BigQuery, Amazon Redshift, dan Snowflake. Misalnya, jika Anda menyiapkan blok data di Google BigQuery, Anda hanya memerlukan file tampilan Google BigQuery, file Eksplorasi Google BigQuery, dan file model Google BigQuery.

  4. Ganti nama koneksi dalam file model dengan koneksi database tempat data untuk blok data berada. Jika Anda menggunakan Google BigQuery atau Snowflake, gunakan koneksi database yang akan Anda perluas atau sempurnakan.

    Semua logika gabungan ada dalam file .explore di setiap repositori. Ini adalah file yang akan Anda sertakan dalam langkah-langkah berikut, setelah Anda menyiapkan manifes project.

  5. Di project Looker utama tempat Anda akan memperluas atau menyempurnakan blok data, buat file manifes project.

  6. Tambahkan LookML berikut ke file manifes project untuk mereferensikan blok data di project Looker utama Anda:

    project_name: "<your_project_name\>"

    local_dependency: {
      project: "<project_name_of_datablock\>"
    }

Pertimbangan dan opsi penyiapan

Google BigQuery: Pastikan untuk menggunakan kumpulan file yang dimodelkan dengan benar. Jika menggunakan Google BigQuery, Anda dapat mereferensikan semua file dengan _bq_ dalam nama file. Anda mungkin harus menyesuaikan dialek model Google BigQuery kami dengan dialek database Anda sendiri.

Ekstensi: Semua project kami telah disiapkan untuk memungkinkan ekstensi dari file Jelajahi, karena ekstensi model dapat menyebabkan masalah dengan beberapa koneksi.

Menggabungkan Tabel Turunan: Anda dapat melihat dokumentasi kami untuk tabel turunan bawaan. Anda dapat mengizinkan Looker menulis SQL untuk Anda pada berbagai tingkat agregasi di set data yang tersedia secara publik dan menggabungkannya ke dalam model Anda.

Menggabungkan Set Hasil: Anda juga dapat memilih untuk menggabungkan set hasil dari set data kami dengan data Anda dengan menggabungkan set hasil kueri.

Contoh penyiapan set data demografis

  1. Dapatkan akses ke data dengan mendownload data mentah dari bucket S3 atau bucket Layanan kami, atau dengan terhubung ke database Looker. Google Cloud

  2. Impor model Demographic Data Block dari LookML sebagai project terpisah di instance Looker Anda.

  3. Gunakan parameter include untuk memunculkan file tampilan.

  4. Kemudian, perluas atau perbaiki file tampilan, atau gunakan tabel turunan native untuk mendapatkan data pada tingkat agregasi yang diperlukan untuk Eksplorasi.

    Dalam contoh ini, karena data demografi berada pada tingkat agregasi yang berbeda dengan set data e-commerce (grup blok versus kode pos), kita menggunakan tabel turunan bawaan untuk mengagregasi statistik hingga tingkat kode pos. Cara ini menghilangkan gabungan banyak-ke-banyak yang berantakan:

      include: "/american_community_survey/bq.explore"

  view: zipcode_income_facts {
    derived_table: {
      persist_for: "10000 hours"
      explore_source: fast_facts {
        column: ZCTA5 { field: tract_zcta_map.ZCTA5 }
        column: income_household { field: bg_facts.avg_income_house }
        column: total_population { field: bg_facts.total_population }
      }
    }
    dimension: ZCTA5 {}
    dimension: income_household {
      hidden: yes
    }

  5. Gabungkan file tampilan ke dalam model:

      include: "acs*.view"

  explore: order_items {
    join: users {
      sql_on: ${users.id} = ${order_items.user_id} ;;
      type: left_outer
      relationship: many_to_one
    }

    join: zipcode_income_facts {
      sql_on: ${users.zip} = ${zipcode_income_facts.ZCTA5} ;;
      type: left_outer
      relationship: many_to_one
    }
  }

  6. Jelajahi dan visualisasikan data.