Visibilité globale

Présentation

Looker utilise une logique de sensibilisation agrégée pour trouver la table la plus petite et la plus efficace disponible dans votre base de données afin d'exécuter une requête tout en maintenant la justesse.

Pour les très grandes tables de votre base de données, les développeurs Looker peuvent créer des tables agrégées de données plus petites, regroupées par différentes combinaisons d'attributs. Les tables agrégées servent de récapitulatifs ou de tables récapitulatives que Looker peut utiliser pour les requêtes, dans la mesure du possible, au lieu de la grande table d'origine. Lorsqu'elle est implémentée de manière stratégique, la détection globale peut accélérer la requête moyenne d'un ordre de grandeur.

Par exemple, vous pouvez avoir une table de données de plusieurs pétaoctets avec une ligne pour chaque commande passée sur votre site Web. À partir de cette base de données, vous pouvez créer un tableau agrégé contenant les totaux de vos ventes quotidiennes. Si votre site Web reçoit 1 000 commandes par jour, votre tableau cumulé quotidien représentera 999 lignes en moins par jour par rapport à votre tableau d'origine. Vous pouvez créer une autre table agrégée avec les totaux des ventes mensuelles, qui sera encore plus efficace. Désormais, si un utilisateur exécute une requête pour les ventes quotidiennes ou hebdomadaires, Looker utilisera la table du total des ventes quotidiennes. Si un utilisateur exécute une requête sur les ventes annuelles et que vous ne disposez pas d'une table agrégative annuelle, Looker utilisera la table agrégative mensuelle dans cet exemple.

Looker répond aux besoins de vos utilisateurs avec les plus petits tableaux agrégés dans la mesure du possible. Exemple :

  • Pour une requête sur le total des ventes mensuelles, Looker utilise la table agrégée basée sur les ventes mensuelles (sales_monthly_aggregate_table).
  • Pour une requête sur le total de chaque vente d'une journée, il n'existe pas de table agrégée avec cette précision. Looker obtient donc les résultats de requête à partir de la table de base de données d'origine (orders_database). (Toutefois, si vos utilisateurs exécutent souvent ce type de requête, vous pouvez créer un tableau cumulé pour celui-ci.)
  • Pour une requête sur les ventes hebdomadaires, il n'existe pas de table agrégée hebdomadaire. Looker utilise donc la table agrégée basée sur les ventes quotidiennes (sales_daily_aggregate_table).

En utilisant la logique de prise en compte de l'agrégation, Looker interrogera la plus petite table agrégée possible pour répondre aux demandes de vos utilisateurs questions. La table d'origine ne sera utilisée que pour les requêtes nécessitant une granularité plus fine que celle des tables agrégées.

Les tables agrégées n'ont pas besoin d'être jointes ni ajoutées à une exploration distincte. Au lieu de cela, Looker ajuste de manière dynamique la clause FROM de la requête d'exploration pour accéder au tableau agrégé le plus adapté à la requête. Ainsi, vos analyses sont gérées et peuvent être regroupées. Grâce à la reconnaissance d'agrégats, une exploration peut automatiquement exploiter les tableaux cumulés, tout en continuant à explorer en profondeur des données précises si nécessaire.

Vous pouvez également exploiter les tables agrégées pour améliorer considérablement les performances des tableaux de bord, en particulier pour les vignettes qui interrogent de vastes ensembles de données. Pour en savoir plus, consultez la section Obtenir le code LookML d'une table agrégée à partir d'un tableau de bord sur la page de documentation du paramètre aggregate_table.

Ajouter des tableaux agrégatifs à votre projet

Les développeurs Looker peuvent créer des tables agrégées stratégiques qui réduiront le nombre de requêtes requises sur les grands tableaux d'une base de données. Les tables agrégées doivent être persistées dans votre base de données afin d'être accessibles pour la reconnaissance d'agrégats. Les tables agrégées sont donc un type de table dérivée persistante (PDT).

Une table agrégée est définie à l'aide du paramètre aggregate_table sous un paramètre explore dans votre projet LookML.

Voici un exemple d'explore avec un tableau agrégé en LookML :

explore: orders {
  label: "Sales Totals"
  join: order_items {
    sql_on: ${orders.id} = ${order_items.id} ;;
  }
  aggregate_table: sales_monthly {
    materialization: {
      datagroup_trigger: orders_datagroup
    }
    query: {
      dimensions: [created_month]
      measures: [order_items.total_sales]
    }
  }
  # other explore parameters
}

Pour créer une table agrégée, vous pouvez écrire le code LookML à partir de zéro ou obtenir le code LookML de la table agrégée à partir d'une exploration ou d'un tableau de bord. Pour en savoir plus sur le paramètre aggregate_table et ses sous-paramètres, consultez la page de documentation du paramètre aggregate_table.

Concevoir des tableaux cumulés

Pour qu'une requête d'exploration puisse utiliser une table agrégée, cette table doit fournir des données précises pour la requête d'exploration. Looker peut utiliser une table agrégée pour une requête d'exploration si toutes les conditions suivantes sont remplies:

  • Les champs de la requête d'exploration sont un sous-ensemble des champs de la table agrégée (consultez la section Facteurs de champ sur cette page). Pour les périodes, les périodes de la requête d'exploration peuvent être dérivées des périodes de la table agrégative (voir la section Facteurs de période sur cette page).
  • La requête d'exploration contient des types de mesures compatibles avec la reconnaissance d'agrégats (consultez la section Mesurer les facteurs de type sur cette page) ou la requête d'exploration contient une table agrégée correspondant exactement (consultez la section Créer des tables agrégées correspondant exactement aux requêtes d'exploration sur cette page).
  • Le fuseau horaire de la requête Exploration correspond à celui utilisé par la table agrégative (voir la section Facteurs de fuseau horaire de cette page).
  • Les filtres de la requête d'exploration font référence à des champs disponibles en tant que dimensions dans la table agrégée, ou chacun des filtres de la requête d'exploration correspond à un filtre de la table agrégée (voir la section Facteurs de filtrage sur cette page).

Pour vous assurer qu'une table agrégée peut fournir des données précises pour une requête Explorer, vous pouvez créer une table agrégée qui correspond exactement à une requête Explorer. Pour en savoir plus, consultez la section Créer des tables agrégées correspondant exactement aux requêtes Explorer sur cette page.

Facteurs de champ

Pour être utilisée dans une requête d'exploration, une table agrégée doit contenir toutes les dimensions et mesures nécessaires à cette requête, y compris les champs utilisés pour les filtres. Si une requête d'exploration contient une dimension ou une mesure qui ne figure pas dans une table agrégée, Looker ne peut pas utiliser la table agrégée et utilise à la place la table de base.

Par exemple, si une requête regroupe les données par dimensions A et B, les agrège par mesure C et filtre les données en fonction de la dimension D, le tableau agrégé doit comporter au minimum les dimensions A, B et D, ainsi que la mesure C.

Le tableau agrégé peut également contenir d'autres champs, mais il doit comporter au moins les champs de la requête d'exploration pour pouvoir être optimisé. La seule exception concerne les dimensions de période, car des périodes plus précises peuvent être dérivées de périodes plus précises.

En raison de ces considérations sur les champs, une table agrégée est spécifique à l'exploration sous laquelle elle est définie. Une table agrégée définie dans une exploration ne sera pas utilisée pour les requêtes d'une autre exploration.

Facteurs liés au délai

La logique de sensibilisation globale de Looker peut déduire un délai d'un autre. Une table agrégée peut être utilisée pour une requête à condition que la période de la table agrégée soit plus précise (ou égale) que la requête d'exploration. Par exemple, une table agrégée basée sur des données quotidiennes peut être utilisée pour une requête d'exploration qui appelle d'autres périodes, comme des requêtes sur des données quotidiennes, mensuelles et annuelles, ou même des données du jour du mois, du jour de l'année et de la semaine de l'année. Toutefois, une table agrégée annuelle ne peut pas être utilisée pour une requête d'exploration nécessitant des données horaires, car les données de la table agrégée n'ont pas une précision suffisante pour la requête d'exploration.

Il en va de même pour les sous-ensembles de périodes. Par exemple, si vous disposez d'une table agrégée filtrée sur les trois derniers mois et qu'un utilisateur interroge les données avec un filtre pour les deux derniers mois, Looker pourra utiliser la table agrégée pour cette requête.

De plus, la même logique s'applique aux requêtes avec des filtres de période : une table agrégée peut être utilisée pour une requête avec un filtre de période tant que la période de la table agrégée a une granularité plus fine (ou égale) que le filtre de période utilisé dans la requête d'exploration. Par exemple, une table agrégée avec une dimension de période quotidienne peut être utilisée pour une requête d'exploration avec un filtrage par jour, par semaine ou par mois.

Facteurs de type de mesure

Pour qu'une requête d'exploration utilise une table agrégée, les mesures de la table agrégée doivent pouvoir fournir des données précises à la requête d'exploration.

C'est pourquoi seuls certains types de mesures sont acceptés, comme décrit dans les sections suivantes :

Si une requête d'exploration utilise un autre type de mesure, Looker utilise la table d'origine, et non la table agrégée, pour renvoyer les résultats. La seule exception est si la requête d'exploration correspond exactement à une requête de table agrégée, comme décrit dans la section Créer des tables agrégées qui correspondent exactement aux requêtes d'exploration.

Sinon, Looker utilisera la table d'origine, et non la table agrégée, pour renvoyer les résultats.

Mesures avec types de mesures compatibles

La connaissance globale peut être utilisée pour les requêtes Explore qui utilisent des mesures avec les types de mesures suivants :

Pour utiliser une table agrégée dans une requête d'exploration, Looker doit pouvoir effectuer des opérations sur les mesures de la table agrégée afin de fournir des données précises dans la requête d'exploration. Par exemple, une mesure avec type: sum peut être utilisée pour la notoriété agrégée, car vous pouvez additionner plusieurs sommes: un tableau cumulé de sommes hebdomadaires peut être additionné pour obtenir une somme mensuelle précise. De même, une mesure avec type: max peut être utilisée, car un tableau cumulé des limites quotidiennes peut être utilisé pour trouver la limite hebdomadaire exacte.

Dans le cas des mesures avec type: average, la prise en compte des agrégations est prise en charge, car Looker utilise les données de somme et de nombre pour dériver précisément les valeurs moyennes à partir des tableaux agrégatifs.

Mesures définies avec des expressions SQL

La visibilité globale peut également être utilisée avec des mesures définies avec des expressions dans le paramètre sql. Lorsqu'elles sont définies avec des expressions SQL, les types de mesures suivants sont également acceptés :

La reconnaissance d'agrégats est compatible avec les mesures définies comme des combinaisons d'autres mesures, comme dans cet exemple:

measure: total_revenue_in_dollars {
  type: number
  sql: ${total_revenue_in_dollars} - ${inventory_item.total_cost_in_dollars} ;;
}

La prise de conscience globale est également prise en charge pour les mesures dont les calculs sont définis dans le paramètre sql, comme cette mesure :

measure: wholesale_value {
  type: number
    sql: (${order_items.total_sale_price} * 0.60) ;;
}

Enfin, la détection d'agrégats est prise en charge pour les mesures où les opérations MIN, MAX et COUNT sont définies dans le paramètre sql, comme dans cette mesure:

measure: most_recent_order_date {
  type: date
  sql: MAX(${users.created_at_raw})
}

Mesures qui font référence à des champs LookML

Lorsque des expressions sql sont utilisées dans des mesures, Aggregate Awareness accepte les types suivants de références de champ:

  • Références utilisant le format ${view_name.field_name}, qui indique les champs dans les autres vues
  • Références utilisant le format ${field_name}, qui indique les champs de la même vue

La prise en compte des agrégations n'est pas disponible pour les mesures définies à l'aide du format ${TABLE}.column_name, qui indique une colonne dans un tableau. (Pour en savoir plus sur l'utilisation des références dans LookML, consultez la page de documentation Intégrer des objets SQL et faire référence à des objets LookML.)

Par exemple, une mesure définie avec ce paramètre sql ne serait pas acceptée dans un tableau cumulé, car elle utilise le format ${TABLE}.column_name:

measure: wholesale_value {
  type: number
  sql: (${TABLE}.total_sale_price * 0.60) ;;
}

Si vous souhaitez inclure cette mesure dans un tableau agrégé, vous pouvez créer une dimension définie avec le format ${TABLE}.column_name, puis une mesure qui fait référence à la dimension, comme suit :


 dimension: total_sale_price {
    sql: (${TABLE}.total_sale_price) ;;
  }

  measure: wholesale_value {
    type: number
    sql: (${total_sale_price} * 0.60) ;;
}

Vous pouvez désormais utiliser la mesure wholesale_value dans votre table agrégée.

Mesures proches des nombres distincts

En général, les nombres distincts ne sont pas compatibles avec la reconnaissance agrégée, car vous ne pouvez pas obtenir de données précises si vous essayez de regrouper des nombres distincts. Par exemple, si vous comptez les utilisateurs distincts sur un site Web, il est possible qu'un utilisateur ait accédé au site Web deux fois, à trois semaines d'intervalle. Si vous essayez d'appliquer un tableau cumulé hebdomadaire pour obtenir un nombre mensuel d'utilisateurs distincts sur votre site Web, cet utilisateur sera comptabilisé deux fois dans votre requête de décompte mensuel distinct. Les données seront alors incorrectes.

Pour contourner ce problème, vous pouvez créer une table agrégée qui correspond exactement à une requête d'exploration, comme décrit dans la section Créer des tables agrégées qui correspondent exactement aux requêtes d'exploration de cette page. Lorsque la requête d'exploration et une requête de table agrégée sont identiques, des mesures de décompte distinctes fournissent des données précises. Elles peuvent donc être utilisées pour la reconnaissance d'agrégats.

Une autre option consiste à utiliser des approximations pour des décomptes distincts. Pour les dialectes compatibles avec les résumés HyperLogLog, Looker peut exploiter l'algorithme HyperLogLog pour estimer les nombres distincts des tableaux agrégatifs.

On sait que l'algorithme HyperLogLog génère une erreur d'environ 2 %. Le paramètre allow_approximate_optimization: yes exige que vos développeurs Looker acceptent d'utiliser des données approximatives pour la mesure afin que celle-ci puisse être calculée approximativement à partir de tables agrégées.

Consultez la page de documentation du paramètre allow_approximate_optimization pour en savoir plus et pour obtenir la liste des dialectes prenant en charge la méthode COUNT DISTINCT à l'aide de HyperLogLog.

Facteurs de fuseau horaire

Dans de nombreux cas, les administrateurs de base de données utilisent le fuseau horaire UTC. Toutefois, de nombreux utilisateurs ne se trouvent pas dans le fuseau horaire UTC. Looker propose plusieurs options pour convertir les fuseaux horaires afin que vos utilisateurs obtiennent les résultats des requêtes dans leur propre fuseau horaire:

  • Fuseau horaire de la requête : paramètre qui s'applique à toutes les requêtes sur la connexion à la base de données. Si tous vos utilisateurs se trouvent dans le même fuseau horaire, vous pouvez définir un seul fuseau horaire de requête afin que toutes les requêtes soient converties du fuseau horaire de la base de données vers celui de la requête.
  • Fuseaux horaires spécifiques à l'utilisateur, où les fuseaux horaires peuvent être attribués et sélectionnés individuellement par les utilisateurs. Dans ce cas, les requêtes sont converties du fuseau horaire de la base de données vers celui de l'utilisateur individuel.

Pour en savoir plus sur ces options, consultez la page de documentation Utiliser les paramètres de fuseau horaire.

Ces concepts sont importants pour comprendre la prise en compte des agrégations, car pour qu'une table agrégée puisse être utilisée pour une requête avec des dimensions ou des filtres de date, le fuseau horaire de la table agrégée doit correspondre au fuseau horaire défini pour la requête d'origine.

Les tables agrégées utilisent le fuseau horaire de la base de données si aucune valeur timezone n'est spécifiée. Votre connexion à la base de données utilisera également le fuseau horaire de la base de données si l'une des conditions suivantes est remplie :

  • Votre base de données ne prend pas en charge les fuseaux horaires.
  • Le fuseau horaire de la requête de votre connexion à la base de données est défini sur le même fuseau horaire de la base de données.
  • Votre connexion à la base de données n'a pas de fuseau horaire spécifié pour la requête, ni de fuseau horaire propre à l'utilisateur. Dans ce cas, votre connexion à la base de données utilisera le fuseau horaire de la base de données.

Si l'une de ces conditions est remplie, vous pouvez omettre le paramètre timezone pour vos tables agrégées.

Sinon, le fuseau horaire de la table agrégée doit être défini pour correspondre aux requêtes possibles, afin que la table agrégée ait plus de chances d'être utilisée:

  • Si votre connexion à la base de données utilise un seul fuseau horaire de requête, vous devez faire correspondre la valeur timezone de votre tableau cumulé avec la valeur du fuseau horaire de la requête.
  • Si votre connexion de base de données utilise des fuseaux horaires spécifiques à l'utilisateur, vous devez créer des tables agrégées identiques, chacune avec une valeur timezone différente pour correspondre aux fuseaux horaires possibles de vos utilisateurs.

Facteurs de filtrage

Soyez prudent lorsque vous incluez des filtres dans votre tableau cumulé. Les filtres appliqués à un tableau cumulé peuvent limiter les résultats au point où le tableau cumulé est inutilisable. Par exemple, imaginons que vous créiez un tableau cumulé pour le nombre de commandes quotidiennes, et des filtres de tableau cumulé pour uniquement les commandes de lunettes de soleil en provenance d'Australie. Si un utilisateur exécute une requête d'exploration pour connaître le nombre de commandes quotidiennes de lunettes de soleil dans le monde entier, Looker ne peut pas utiliser la table agrégée pour cette requête d'exploration, car elle ne contient que les données pour l'Australie. La table agrégée filtre les données trop précisément pour être utilisée par la requête d'exploration.

Tenez également compte des filtres que vos développeurs Looker ont peut-être intégrés à votre exploration, par exemple :

  • access_filters : applique des restrictions de données spécifiques à l'utilisateur.
  • always_filter : oblige les utilisateurs à inclure un certain ensemble de filtres pour une requête d'exploration. Les utilisateurs peuvent modifier la valeur par défaut du filtre pour leur requête, mais pas le supprimer complètement.
  • conditionally_filter: définit un ensemble de filtres par défaut que les utilisateurs peuvent remplacer s'ils appliquent au moins un filtre d'une deuxième liste également définie dans l'exploration.

Ces types de filtres sont basés sur des champs spécifiques. Si votre exploration contient ces filtres, vous devez inclure leurs champs dans le paramètre dimensions de aggregate_table.

Par exemple, voici une exploration avec un filtre d'accès basé sur le champ orders.region:

explore: orders {
  access_filter: {
    field: orders.region
    user_attribute: region
  }
}

Pour créer un tableau cumulé qui sera utilisé pour cette exploration, le tableau cumulé doit inclure le champ sur lequel le filtre d'accès est basé. Dans l'exemple suivant, le filtre d'accès est basé sur le champ orders.region, et ce même champ est inclus en tant que dimension dans le tableau cumulé:

explore: orders {
  access_filter: {
    field: orders.region  # <-- orders.region field
    user_attribute: region
  }
  aggregate_table: sales_monthly {
    materialization: {
      datagroup_trigger: orders_datagroup
    }
    query: {
      dimensions: [orders.created_day, orders.region] # <-- orders.region field
      measures: [orders.total_sales]
      timezone: America/Los_Angeles
    }
  }
}

Étant donné que la requête de table agrégée inclut la dimension orders.region, Looker peut filtrer dynamiquement les données de la table agrégée pour qu'elles correspondent au filtre de la requête d'exploration. Par conséquent, Looker peut toujours utiliser la table agrégée pour les requêtes de l'exploration, même si celle-ci dispose d'un filtre d'accès.

Cela s'applique également aux requêtes d'exploration qui utilisent une table dérivée native configurée avec bind_filters. Le paramètre bind_filters transmet les filtres spécifiés d'une requête d'exploration à la sous-requête de la table dérivée native. En cas de prise en compte des agrégats, si votre requête d'exploration nécessite une table dérivée native qui utilise bind_filters, elle ne peut utiliser une table agrégée que si tous les champs utilisés dans le paramètre bind_filters de la table dérivée native ont exactement les mêmes valeurs de filtre dans la requête d'exploration que dans la table agrégée.

Créer des tables agrégées correspondant exactement aux requêtes d'exploration

Pour vous assurer qu'une table agrégée peut être utilisée pour une requête d'exploration, vous pouvez créer une table agrégée qui correspond exactement à la requête d'exploration. Si la requête d'exploration et la table agrégée utilisent les mêmes mesures, dimensions, filtres, fuseaux horaires et autres paramètres, les résultats du tableau cumulé s'appliqueront par définition à la requête d'exploration. Si une table agrégée correspond exactement à une requête d'exploration, Looker peut utiliser des tables agrégées incluant n'importe quel type de mesure.

Vous pouvez créer une table agrégée à partir d'une exploration en utilisant l'option Obtenir LookML du menu Outils d'une exploration. Vous pouvez également créer des correspondances exactes pour toutes les cartes d'un tableau de bord à l'aide de l'option Obtenir le code LookML dans le menu en forme de roue dentée d'un tableau de bord.

Déterminer la table agrégée utilisée pour une requête

Les utilisateurs disposant des autorisations see_sql peuvent utiliser les commentaires de l'onglet SQL d'une exploration pour voir quelle table agrégée sera utilisée pour une requête. Les commentaires de l'onglet SQL s'affichent également en mode Développement. Les développeurs peuvent ainsi tester de nouvelles tables agrégées pour voir comment Looker les utilise avant de les mettre en production.

Par exemple, en vous basant sur l'exemple de tableau cumulé mensuel présenté précédemment, vous pouvez accéder à l'exploration et exécuter une requête pour obtenir les totaux des ventes annuelles. Vous pouvez ensuite cliquer sur l'onglet SQL pour afficher les détails de la requête créée par Looker. Si vous êtes en mode Développement, Looker affiche des commentaires pour indiquer le tableau agrégé utilisé pour la requête.

Les commentaires suivants de l'onglet SQL indiquent que Looker utilise la table agrégative sales_monthly pour cette requête et expliquent pourquoi d'autres tables agrégatives n'ont pas été utilisées pour la requête :

-- use existing orders::sales_monthly in sandbox_scratch.LR$LB4151619827209021_orders$sales_monthly
-- Did not use orders::sales_weekly; it does not include the following fields in the query: orders.created_month
-- Did not use orders::sales_daily; orders::sales_monthly was a better fit for optimization.
-- Did not use orders::sales_last_3_days; contained filters not in the query: orders.created_date

Consultez la section Dépannage de cette page pour connaître les commentaires que vous pouvez voir dans l'onglet SQL et les suggestions pour les résoudre.

Estimations des économies de calcul pour la notoriété agrégée

Si votre connexion à la base de données est compatible avec les estimations de coûts et si une table agrégée peut être utilisée pour une requête, la fenêtre "Explorer" affiche les économies de calcul réalisées en utilisant la table agrégée au lieu d'interroger directement la base de données. L'économie globale de notoriété s'affiche à côté du bouton Exécuter dans une exploration avant l'exécution de la requête.

Avant d'exécuter la requête, si vous souhaitez voir quelle table agrégée sera utilisée pour la requête, vous pouvez cliquer sur l'onglet SQL, comme décrit dans la section Déterminer quelle table agrégée est utilisée pour une requête de cette page de documentation.

Une fois la requête exécutée, la fenêtre "Explorer" affiche la table agrégée utilisée pour répondre à la requête, à côté du bouton Exécuter.

Les économies agrégées liées à la notoriété sont affichées pour les connexions de base de données pour lesquelles les estimations de coûts sont activées. Pour en savoir plus, consultez la page de documentation Explorer les données dans Looker.

Looker associe les nouvelles données à vos tableaux cumulés.

Pour les tables agrégées avec des filtres temporels, Looker peut fusionner des données fraîches dans votre table agrégée. Vous avez peut-être un tableau cumulé qui inclut les données des trois derniers jours, mais ce tableau cumulé peut avoir été créé hier. Les informations du jour seraient manquantes dans le tableau cumulé. Vous ne vous attendez donc pas à l'utiliser pour une requête d'exploration sur les informations quotidiennes les plus récentes.

Toutefois, Looker peut toujours utiliser les données de cette table agrégée pour la requête, car il exécute une requête sur les données les plus récentes, puis joint ces résultats à ceux de la table agrégée.

Looker peut unir des données récentes avec celles de votre table agrégée dans les cas suivants:

  • Le tableau cumulé a un filtre temporel.
  • Le tableau agrégé inclut une dimension basée sur le même champ temporel que le filtre temporel.

Par exemple, le tableau agrégé suivant comporte une dimension basée sur le champ orders.created_date et un filtre temporel ("3 days") basé sur le même champ :

aggregate_table: sales_last_3_days {
  query:  {
    dimensions: [orders.created_date]
    measures: [order_items.total_sales]
    filters: [orders.created_date: "3 days"]  # <-- time filter
    timezone: America/Los_Angeles
  }
  ...
}

Si cette table agrégée a été créée hier, Looker récupérera les données les plus récentes qui ne sont pas encore incluses dans la table agrégée, puis unira les nouveaux résultats avec ceux de la table agrégée. Cela signifie que vos utilisateurs obtiendront les données les plus récentes tout en optimisant les performances à l'aide de la notoriété globale.

Si vous êtes en mode Développement, vous pouvez cliquer sur l'onglet SQL d'une exploration pour afficher la table agrégée utilisée par Looker pour la requête et l'instruction UNION utilisée par Looker pour importer des données plus récentes qui n'étaient pas incluses dans la table agrégée.

Les tables agrégées doivent être persistantes

Pour être accessible à Aggregate Awareness, votre table agrégée doit être persistée dans votre base de données. La stratégie de persistance est spécifiée dans le paramètre materialization du tableau cumulé. Étant donné que les tables agrégées sont un type de table dérivée persistante (PDT), elles sont soumises aux mêmes exigences que les PDT. Pour en savoir plus, consultez la page de documentation Tables dérivées dans Looker.

Vous pouvez créer des PDT incrémentielles dans votre projet si votre dialecte le permet. Looker crée des augmentations de table PDT en ajoutant de nouvelles données à la table, au lieu de la régénérer dans son intégralité. Étant donné que les tableaux cumulés sont eux-mêmes un type de table PDT, vous pouvez également créer des tableaux cumulés incrémentiels. Reportez-vous à la page de documentation sur l'augmentation de tables PDT pour plus d'informations. Pour obtenir un exemple de table agrégative incrémentielle, consultez la page de documentation du paramètre increment_key.

Un utilisateur disposant de l'autorisation develop peut remplacer les paramètres de persistance et recréer toutes les tables agrégées d'une requête pour obtenir les données les plus récentes. Pour recréer les tables d'une requête, sélectionnez l'option Recréer les tables dérivées et exécuter dans le menu en forme de roue dentée Actions d'exploration.

Vous devez attendre le chargement de la requête Explore avant que cette option soit disponible.

L'option Régénérer les tables dérivées et exécuter regénère toutes les tables dérivées référencées dans la requête, ainsi que toutes les tables dérivées sur lesquelles les tables de la requête dépendent. Cela inclut les tables agrégées, qui sont elles-mêmes un type de table dérivée persistante.

Pour l'utilisateur qui lance le cours Rebuild Derived Tables & Run, la requête attend que les tables soient recréées avant de charger les résultats. Les requêtes des autres utilisateurs continuent d'utiliser les tables existantes. Une fois les tables persistantes régénérées, tous les utilisateurs s'en servent.

Consultez la page de documentation Tables dérivées dans Looker pour en savoir plus sur la section Reconstruire les tables dérivées et Exécuter.

Dépannage

Comme décrit dans la section Déterminer quelle table agrégée est utilisée pour une requête, si vous êtes en mode Développement, vous pouvez exécuter des requêtes dans l'exploration et cliquer sur l'onglet SQL pour afficher les commentaires sur la table agrégée utilisée pour la requête, le cas échéant.

L'onglet SQL inclut également des commentaires expliquant pourquoi les tables agrégées n'ont pas été utilisées pour une requête, le cas échéant. Pour les tableaux cumulés qui ne sont pas utilisés, le commentaire commencera par:

Did not use [explore name]::[aggregate table name];

Par exemple, voici un commentaire expliquant pourquoi le tableau agrégé sales_daily défini dans l'exploration order_items n'a pas été utilisé pour une requête :

-- Did not use order_items::sales_daily; query contained the following filters
that were neither included as fields nor exactly matched by filters in the aggregate table:
order_items.created_year.

Dans ce cas, les filtres de la requête empêchaient l'utilisation du tableau cumulé.

Le tableau suivant présente d'autres raisons possibles pour lesquelles une table agrégative ne peut pas être utilisée, ainsi que les mesures que vous pouvez prendre pour améliorer son usabilité.

Raison pour laquelle vous n'utilisez pas le tableau cumulé Explication et étapes possibles
Aucun champ de ce type dans l'exploration. Une erreur de type de validation LookML s'est produite. Cela est probablement dû au fait que la table agrégée n'a pas été correctement définie ou qu'il y avait une faute de frappe dans le code LookML de votre table agrégée. Le problème est probablement lié à un nom de champ incorrect, etc.

Pour résoudre ce problème, vérifiez que les dimensions et les mesures de la table agrégée correspondent aux noms des champs de l'exploration. Pour en savoir plus sur la définition d'une table agrégée, consultez la page de documentation sur le paramètre aggregate_table.
Le tableau agrégé n'inclut pas les champs suivants dans la requête. Pour être utilisée dans une requête d'exploration, une table agrégée doit contenir toutes les dimensions et mesures nécessaires à cette requête, y compris les champs utilisés pour les filtres. Si une requête d'exploration contient une dimension ou une mesure qui ne figure pas dans une table agrégée, Looker ne peut pas utiliser la table agrégée et utilisera la table de base à la place. Pour en savoir plus, consultez la section Facteurs de champ sur cette page. La seule exception concerne les dimensions de période, car des périodes plus précises peuvent être dérivées de périodes plus précises.

Pour résoudre ce problème, vérifiez que les champs de la requête d'exploration sont inclus dans la définition de la table agrégée.
La requête contenait les filtres suivants qui n'étaient ni inclus en tant que champs, ni correspondent exactement aux filtres du tableau cumulé. Les filtres de la requête d'exploration empêchent Looker d'utiliser la table agrégée.

Pour résoudre ce problème, vous pouvez effectuer l'une des opérations suivantes :
  • Ajoutez le même filtre à votre tableau cumulé.
  • Ajoutez le champ utilisé par le filtre à votre tableau cumulé.
  • Supprimez les filtres de la requête d'exploration.
Pour en savoir plus, consultez la section Facteurs de filtrage de cette page.
La requête contient les mesures suivantes qui ne peuvent pas être regroupées. La requête contient un ou plusieurs types de mesure qui ne sont pas compatibles avec la reconnaissance agrégée, comme distinct count (nombre distinct), median (médiane) ou percentile (centile).

Pour résoudre ce problème, vérifiez le type de chaque mesure dans la requête et assurez-vous qu'il s'agit de l'un des types de mesures compatibles. De plus, si votre exploration comporte des jointures, vérifiez que vos mesures ne sont pas converties en mesures distinctes (agrégations symétriques) via des jointures étalées. Pour en savoir plus, consultez la section Agrégations symétriques pour les explorations avec des jointures sur cette page.
Un autre tableau agrégé était plus adapté à l'optimisation. Plusieurs tables agrégées étaient disponibles pour la requête. Looker a donc sélectionné une table agrégée plus optimale. Dans ce cas, aucune action de votre part n'est requise.
Looker n'a effectué aucun regroupement (en raison d'un paramètre primary_key ou cancel_grouping_fields), et la requête ne peut donc pas être agrégée. La requête fait référence à une dimension qui l'empêche de comporter une clause GROUP BY. Looker ne peut donc utiliser aucune table agrégée pour la requête.

Pour résoudre ce problème, vérifiez que le paramètre primary_key de la vue et le paramètre cancel_grouping_fields de l'exploration sont correctement configurés.
Le tableau cumulé contenait des filtres qui ne figuraient pas dans la requête. Le tableau cumulé comporte un filtre non temporel qui ne figure pas dans la requête.

Pour résoudre ce problème, vous pouvez supprimer le filtre du tableau agrégé. Pour en savoir plus, consultez la section Facteurs de filtrage sur cette page.
Un champ est défini comme un champ de filtre uniquement dans la requête d'exploration, mais il est listé dans le paramètre dimensions de la table agrégée. Le paramètre dimensions de la table agrégée liste un champ qui n'est défini que comme champ filter dans la requête d'exploration.

Pour résoudre ce problème, supprimez le champ de la liste dimensions du tableau agrégé. Si ce champ est nécessaire pour la table agrégative, ajoutez-le à la liste filters dans la requête de la table agrégative.
L'optimiseur ne peut pas déterminer pourquoi la table agrégative n'a pas été utilisée. Ce commentaire est réservé aux cas particuliers. Si vous voyez ceci pour une requête d'exploration souvent utilisée, vous pouvez créer un tableau cumulé qui correspond exactement à la requête d'exploration. Vous pouvez facilement obtenir le code LookML d'une table agrégée à partir d'une exploration, comme décrit sur la page des paramètres aggregate_table.

Éléments à prendre en compte

Agrégations symétriques pour les explorations avec jointures

Notez que dans une exploration qui joint plusieurs tables de base de données, Looker peut afficher les mesures de type SUM, COUNT et AVERAGE sous la forme SUM DISTINCT, COUNT DISTINCT et AVERAGE DISTINCT, respectivement. Looker fait cela pour éviter les erreurs de calcul du fanout. Par exemple, une mesure count est affichée en tant que type de mesure count_distinct. Cela permet d'éviter les erreurs de calcul de distribution ramifiée pour les jointures et fait partie de la fonctionnalité d'agrégations symétriques de Looker. Consultez la page des bonnes pratiques sur les agrégations symétriques pour en savoir plus sur cette fonctionnalité de Looker.

La fonctionnalité d'agrégation symétrique empêche les erreurs de calcul, mais elle peut également empêcher l'utilisation de vos tables agrégées dans certains cas. Il est donc important de bien la comprendre.

Pour les types de mesures compatibles avec la notoriété globale, cela s'applique à sum, count et average. Looker affiche ces types de mesures en tant que DISTINCT si :

Pour en savoir plus sur ces types de jointures, consultez la page de documentation sur le paramètre relationship.

Si vous constatez que votre table agrégée n'est pas utilisée pour cette raison, vous pouvez créer une table agrégée correspondant exactement à une requête d'exploration afin d'utiliser ces types de mesures pour une exploration avec des jointures. Pour en savoir plus, consultez la section Créer des tables agrégées correspondant exactement aux requêtes Explorer sur cette page.

De plus, si vous disposez d'un dialecte SQL compatible avec les esquisses HyperLogLog, vous pouvez ajouter le paramètre allow_approximate_optimization: yes à la mesure. Lorsqu'une mesure de nombre est définie avec allow_approximate_optimization: yes, Looker peut l'utiliser pour la notoriété globale, même si elle s'affiche sous la forme d'un nombre distinct.

Pour en savoir plus et obtenir la liste des dialectes SQL compatibles avec les croquis HyperLogLog, consultez la page de documentation du paramètre allow_approximate_optimization.

Prise en charge des dialectes pour la notoriété globale

La possibilité d'utiliser la fonction Aggregate Awareness dépend du dialecte de base de données de votre connexion Looker. Dans la dernière version de Looker, les dialectes suivants prennent en charge la détection d'agrégats:

Dialecte Compatibilité
Avalanche d'Actian
Oui
Amazon Athena
Oui
Amazon Aurora MySQL
Oui
Amazon Redshift
Oui
Apache Druid
Non
Apache Druid 0.13 ou version ultérieure
Non
Apache Druid 0.18 et versions ultérieures
Non
Apache Hive 2.3 et versions ultérieures
Oui
Apache Hive 3.1.2 et versions ultérieures
Oui
Apache Spark 3 et versions ultérieures
Oui
ClickHouse
Non
Cloudera Impala 3.1+
Oui
Cloudera Impala 3.1 et versions ultérieures avec pilote natif
Oui
Cloudera Impala avec pilote natif
Oui
DataVirtuality
Non
Databricks
Oui
Denodo 7
Non
Denodo 8
Non
Dremio
Non
Dremio 11 ou version ultérieure
Non
Exasol
Oui
Flèche de feu
Non
Google BigQuery Legacy SQL
Oui
SQL standard de Google BigQuery
Oui
Google Cloud PostgreSQL
Oui
Google Cloud SQL
Non
Google Spanner
Non
Greenplum
Oui
HyperSQL
Non
IBM Netezza
Oui
MariaDB
Oui
Microsoft Azure PostgreSQL
Oui
Microsoft Azure SQL Database
Oui
Microsoft Azure Synapse Analytics
Oui
Microsoft SQL Server 2008 ou version ultérieure
Oui
Microsoft SQL Server 2012 et versions ultérieures
Oui
Microsoft SQL Server 2016
Oui
Microsoft SQL Server 2017 ou version ultérieure
Oui
MongoBI
Non
MySQL
Oui
MySQL 8.0.12 ou version ultérieure
Oui
Oracle
Oui
Oracle ADWC
Oui
PostgreSQL 9.5 et versions ultérieures
Oui
PostgreSQL version antérieure à 9.5
Oui
PrestoDB
Oui
PrestoSQL
Oui
SAP HANA 2 et versions ultérieures
Oui
SingleStore
Oui
SingleStore 7 et versions ultérieures
Oui
Snowflake
Oui
Teradata
Oui
Trino
Oui
Vecteur
Oui
Vertica
Oui

Prise en charge du dialecte pour la création incrémentielle de tables agrégées

Pour que Looker prenne en charge les tables agrégées incrémentielles dans votre projet, votre dialecte de base de données doit également les prendre en charge. Le tableau suivant présente les dialectes prenant en charge la création incrémentielle de tables PDT dans la dernière version de Looker:

Dialecte Compatibilité
Avalanche d'Actian
Non
Amazon Athena
Non
Amazon Aurora MySQL
Non
Amazon Redshift
Oui
Apache Druid
Non
Apache Druid 0.13 ou version ultérieure
Non
Apache Druid 0.18 et versions ultérieures
Non
Apache Hive 2.3 et versions ultérieures
Non
Apache Hive 3.1.2 et versions ultérieures
Non
Apache Spark 3 ou version ultérieure
Non
ClickHouse
Non
Cloudera Impala 3.1+
Non
Cloudera Impala 3.1 et versions ultérieures avec pilote natif
Non
Cloudera Impala avec pilote natif
Non
DataVirtuality
Non
Databricks
Oui
Denodo 7
Non
Denodo 8
Non
Dremio
Non
Dremio 11 ou version ultérieure
Non
Exasol
Non
Flèche de feu
Non
Google BigQuery Legacy SQL
Non
SQL standard de Google BigQuery
Oui
Google Cloud PostgreSQL
Oui
Google Cloud SQL
Non
Google Spanner
Non
Greenplum
Oui
HyperSQL
Non
IBM Netezza
Non
MariaDB
Non
Microsoft Azure PostgreSQL
Oui
Microsoft Azure SQL Database
Non
Microsoft Azure Synapse Analytics
Oui
Microsoft SQL Server 2008 et versions ultérieures
Non
Microsoft SQL Server 2012 ou version ultérieure
Non
Microsoft SQL Server 2016
Non
Microsoft SQL Server 2017 ou version ultérieure
Non
MongoBI
Non
MySQL
Oui
MySQL 8.0.12 ou version ultérieure
Oui
Oracle
Non
Oracle ADWC
Non
PostgreSQL 9.5 ou version ultérieure
Oui
PostgreSQL version antérieure à 9.5
Oui
PrestoDB
Non
PrestoSQL
Non
SAP HANA 2 et versions ultérieures
Non
SingleStore
Non
SingleStore 7 et versions ultérieures
Non
Snowflake
Oui
Teradata
Non
Trino
Non
Vecteur
Non
Vertica
Oui