Blocs Looker

Looker BlocksTM est des modèles de données prédéfinis pour les modèles analytiques et les sources de données courants. Réutilisez les travaux que d'autres ont effectués au lieu de recommencer à zéro, puis personnalisez les blocs pour les adapter à vos spécifications exactes. Des modèles SQL optimisés aux modèles de données entièrement intégrés, les blocs Looker peuvent servir de point de départ pour une modélisation rapide et flexible des données dans Looker.

Blocs disponibles

De nombreux blocs Looker sont disponibles. Pour connaître les blocages actuellement disponibles, consultez la section Blocages de Looker Marketplace.

Les blocs Looker ont été créés pour faciliter et optimiser l'analyse des données. Ils sont disponibles "en l'état", ce qui signifie qu'aucune mise à jour ne sera effectuée à l'avenir. Looker ne peut pas garantir ni garantir que ces données seront exactes, fiables ou exemptes d'erreur. Veuillez consulter les sites des sources de données documentés pour savoir comment leurs données sont collectées et comment les interpréter.

Cliquez sur un blocage qui vous intéresse pour afficher ses instructions d'utilisation spécifiques.

Certains blocs Looker peuvent être installés rapidement et facilement à l'aide de Looker Marketplace. Pour que vous puissiez déployer un bloc via Looker Marketplace, un administrateur Looker doit avoir activé la fonctionnalité Marketplace. L'installation de blocs contenant un paramètre local_dependency nécessite également d'activer la fonctionnalité Importation de projet en local Labs. Consultez la page de documentation de Looker Marketplace pour plus d'informations sur l'installation et la personnalisation des blocs Looker, disponibles sur Looker Marketplace.

Standardisation et personnalisation

Pour que vous puissiez créer une instance sur un bloc existant contenant un paramètre local_dependency, un administrateur Looker doit activer la fonctionnalité Fonctionnalités expérimentales d'importation de projets en local.

La facilité d'utilisation des différents blocs varie en fonction du degré de standardisation de votre schéma de base de données. La plupart des blocs Looker nécessitent une personnalisation adaptée à votre schéma de données, à l'exception des blocs de données qui sont les plus simples à implémenter, mais qui ne sont pas personnalisables.

  • Les blocs de données, qui incluent à la fois des ensembles de données publics et des modèles LookML complets, nécessitent simplement de copier le modèle LookML à partir du dépôt GitHub pour accéder aux tables modélisées. Pour obtenir des instructions détaillées, consultez Utiliser des blocs de données sur cette page.

  • Les applications de collecte de données, telles que Segment et Snowplow, suivent les événements dans un format relativement standardisé. Cela permet de créer des modèles de conception modélisés, capables de nettoyer, de transformer et d'analyser des données, qui peuvent être utilisés par tout client utilisant ces applications.

  • D'autres applications Web, telles que Salesforce, vous permettent d'ajouter des champs personnalisés pour vos utilisateurs internes. Naturellement, cela crée des données dans un format moins standardisé. Par conséquent, nous pouvons modéliser certains modèles de données pour que les analyses soient opérationnelles, mais vous devrez personnaliser la partie non standardisée.

  • Enfin, nous proposons des blocages pour les insights commerciaux généraux. Il s'agit de modèles de conception SQL ou LookML optimisés qui sont indépendants des sources de données. Par exemple, de nombreuses entreprises souhaiteront analyser la valeur vie d'un client au fil du temps. Il existe certaines hypothèses, mais elles peuvent être personnalisées pour répondre aux besoins spécifiques de votre entreprise. Ces modèles reflètent le point de vue de Looker sur la meilleure façon d'effectuer certains types d'analyses.

Si vous débutez sur Looker, votre analyste Looker peut vous aider à exploiter tout le potentiel de ces modèles.

Ajouter des blocs à votre LookML

  • Certains blocs présentent à la fois des explorations et des vues dans un même fichier. Ceci est facile à consulter, mais en général, vous allez copier les sections appropriées de LookML aux emplacements appropriés de votre modèle de données. Pour en savoir plus, consultez la page Comprendre les fichiers de modèle et d'affichage.

  • Dans certains cas, vous voudrez probablement créer des fichiers LookML dans votre modèle de données pour héberger les exemples.

Utiliser des blocs de données

Les blocs de données sont un type spécial de bloc Looker qui fournit l'ensemble de données et le modèle de données. Les blocs de données Looker incluent les sources de données publiques, telles que:

  • Données démographiques : les métriques démographiques les plus courantes de l'American Community Survey au niveau de l'État, du comté, de la région, du code postal et même du groupe de recensement.
  • Données météorologiques : bulletins météo aux États-Unis, au niveau du code postal, de 1920 à la veille. Ce blocage est mis à jour chaque nuit.

Pour obtenir la liste complète des blocages actuellement disponibles, consultez la section Blocages de Looker Marketplace.

Accéder aux ensembles de données sur différentes bases de données

La procédure d'accès à un ensemble de données de blocs de données varie en fonction du schéma de votre base de données. Les sections suivantes contiennent des instructions pour accéder aux ensembles de données de ces bases de données:

Accéder aux ensembles de données sur Google BigQuery

Si vous possédez un compte Google BigQuery, vous pouvez accéder aux ensembles de données hébergés par BigQuery dans Looker. Passez directement à la section Ajouter des blocs de données aux projets de cette page.

Si vous ne possédez pas encore de compte Google BigQuery, vous pouvez configurer un essai gratuit, puis accéder aux ensembles de données publics de Looker sur BigQuery.

Google BigQuery n'est pas compatible avec le partage de projets entre régions. Pour accéder directement aux blocs de données dans Google BigQuery depuis un pays autre que les États-Unis, vous pouvez:

Accéder aux ensembles de données sur Snowflake

Vous pouvez accéder à un entrepôt de données Snowflake hébergé par Looker et utiliser le partage de données pour accéder aux ensembles de données publics de Looker.

Snowflake n'est pas compatible avec le partage de projets entre régions. Pour accéder directement aux blocs de données de Snowflake depuis l'extérieur des États-Unis, vous pouvez:

Contactez d'abord votre analyste Looker en fournissant les informations suivantes:

  • Nom du client : <Company1>
  • Instance Looker du client : <instance_name.looker.com>
  • Nom du compte Snowflake: <company1.snowflakecomputing.com>

Une fois que l'équipe Ops de Looker a autorisé le compte Snowflake à accéder aux blocs de données, exécutez les commandes suivantes pour accéder aux ensembles de données publics de Looker:

&#8208;&#8208; Data Consumer Side (* Need to be ACCOUNT ADMIN *)
&#8208;&#8208; For customers in us-west region
create database looker_datablocks from share looker.looker_share_datablocks;

&#8208;&#8208; For customers in us-east region
create database looker_datablocks from share gt97609.looker_share_datablocks;

grant imported privileges on database looker_datablocks to role sysadmin;

use role sysadmin;

grant imported privileges on database looker_datablocks to &#60;other_role&#62;;

show databases;

use looker_datablocks;

show tables;

Si vous utilisez l'un des ensembles de données publics de Looker avec votre propre entrepôt de données Snowflake, votre utilisateur Looker doit disposer des droits d'écriture sur la base de données pour créer des PDT. Consultez la page de documentation sur la configuration de Snowflake pour en savoir plus sur la connexion de Looker à Snowflake.

Accéder aux ensembles de données sur d'autres bases de données

Êtes-vous sur Amazon Redshift ? MySQL? PostgreSQL? Oracle?

Nous avons rendu les données transformées de chacun de ces ensembles de données publiques dans GCS et S3 afin que vous puissiez les importer directement dans la base de données de votre choix.

Nous avons également mis le langage de définition de données (LDD) à la disposition de chacun des ensembles de données du dépôt GitHub. Vous devrez peut-être modifier les instructions LDD pour les types de données de la base de données sélectionnée, mais vous devriez avoir une idée des types de colonnes de chaque table.

Téléchargez les données directement à partir de l'un des emplacements suivants:

Accéder au modèle LookML

Dupliquer l'un de nos dépôts GitHub dans un nouveau dépôt GitHub (hébergé par Looker ou par votre entreprise) que vous pouvez ensuite étendre ou affiner dans votre instance:

Ajouter des blocs de données à des projets

En plus de la méthode décrite dans cette section, vous pouvez utiliser les affinages LookML pour exploiter le LookML de vues et d'explorations dans vos projets.

Pour pouvoir créer un bloc de données qui contient un paramètre local_dependency, un administrateur Looker doit activer la fonctionnalité Laboratoire d'importation de projets locaux Labs.

Pour ajouter un bloc de données à votre projet:

  1. Ajoutez un projet à votre instance Looker.

  2. Dupliquez ou copiez les dépôts GitHub mentionnés ci-dessus pour accéder à LookML prédéfini. Veillez à créer un dépôt GitHub.

  3. Supprimez les autres fichiers de dialecte de la base de données du dépôt. Les blocs Looker contiennent généralement des fichiers pour Google BigQuery, Amazon Redshift et Snowflake. Par exemple, si vous configurez des blocs de données sur Google BigQuery, vous aurez uniquement besoin des fichiers de vue Google BigQuery, du fichier de découverte Google BigQuery et du fichier de modèle Google BigQuery.

  4. Remplacez le nom de connexion dans votre fichier de modèle par votre connexion à la base de données contenant les données des blocs de données, ou, dans le cas de Google BigQuery et Snowflake, par votre connexion à la base de données existante à partir de laquelle vous allez étendre ou affiner:

    Toutes les logiques de jointure se trouvent dans un fichier .explore dans chacun des dépôts. Il s'agit du fichier que vous allez inclure aux étapes suivantes, après avoir configuré le fichier manifeste de votre projet.

  5. Dans le projet Looker principal où vous allez étendre ou affiner des blocs de données, créez un fichier manifeste de projet :

  6. Ajoutez le LookML suivant au fichier manifeste du projet pour référencer des blocs de données dans votre projet Looker principal:

    project_name: "<your_project_name\>"

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

Remarques et options de configuration

Google BigQuery : veillez à utiliser le bon ensemble de fichiers modélisés. Si vous utilisez Google BigQuery, vous pouvez faire référence à tous les fichiers dont le nom contient _bq_. Vous devrez peut-être adapter les dialectes de notre modèle Google BigQuery à celui de votre base de données.

Google BigQuery n'est pas compatible avec le partage de projets entre régions. Pour accéder directement aux blocs de données dans Google BigQuery depuis un pays autre que les États-Unis, vous pouvez:

Extensions : tous nos projets ont été configurés pour autoriser les extensions des fichiers Explorer, car les extensions de modèle pourraient causer des problèmes avec plusieurs connexions.

Joindre des tables dérivées : consultez notre documentation sur les tables dérivées natives. Vous pouvez laisser Looker écrire pour vous à différents niveaux d'agrégation sur nos ensembles de données publics et les associer à votre modèle.

Fusionner des ensembles de résultats: vous pouvez également choisir de fusionner des ensembles de résultats de nos ensembles de données avec vos données en combinant des ensembles de résultats de requête. Regardez cette courte vidéo pour en savoir plus sur la fusion des données.

Exemple de configuration de l'ensemble de données démographiques

  1. Accédez aux données en téléchargeant des données brutes depuis nos buckets S3 ou GCS, ou en vous connectant à une base de données Looker.

  2. Importez le modèle de bloc de données démographiques depuis LookML en tant que projet distinct dans votre instance Looker:

  3. Utilisez le paramètre include pour importer le fichier de vue.

  4. Ensuite, vous pouvez étendre ou affiner le fichier de vue, ou utiliser des tables dérivées natives pour obtenir les données au niveau d'agrégation nécessaire pour les explorations.

    Dans notre exemple, les données démographiques se situent à un niveau d'agrégation différent de celui de notre ensemble de données d'e-commerce (groupe de blocage ou code postal). Par conséquent, nous utilisons des tables dérivées natives pour agréger des statistiques jusqu'au niveau du code postal. Cela élimine les jointures désordonnées de type "plusieurs à plusieurs" :

    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
      }
  1. Joindre des fichiers de vue au modèle:
    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
      }
    }

  1. Explorer vos données:

  2. Visualisez vos données:

Utiliser des blocs Viz

Looker inclut divers types de visualisation natifs. Toutefois, si vous avez des besoins de graphique qui ne sont pas couverts par les types de visualisation natifs de Looker, vous pouvez également ajouter vos propres types de visualisation personnalisée. Vous pouvez également développer une visualisation personnalisée et la mettre à la disposition de tous les utilisateurs de Looker à partir de Looker Marketplace.

Les blocs Viz sont des types de visualisation JavaScript prédéfinis hébergés par Looker. Vous pouvez ajouter les blocs Viz à votre instance Looker. Ils agiront de la même manière que n'importe quel type de visualisation natif de Looker: ils apparaîtront dans la barre de menu de visualisation et ils comprennent des fonctionnalités de base telles que le perçage, le téléchargement, l'intégration et la planification.

Pour en savoir plus sur un bloc viz, sélectionnez le type de visualisation dans la section Plug-ins de Looker Marketplace, puis cliquez sur See the Code (Afficher le code) et accédez au fichier READ.ME du bloc viz. Le fichier READ.ME affiche un exemple de visualisation et fournit plus d'informations sur le bloc Viz. Pour certaines visualisations, le fichier READ.ME fournit également une URL et des instructions pour ajouter le bloc Viz.

Pour ajouter le type de visualisation à votre instance, consultez les instructions du fichier READ.ME (le cas échéant) et les informations de la page de visualisation de la documentation.