Beachten Sie, dass Sie sich gerade die Looker-Dokumentation ansehen. Die Looker Studio-Dokumentation finden Sie unter https://support.google.com/looker-studio.

Diese Seite wurde von der Cloud Translation API übersetzt.

Looker Blocks

Looker BlocksTM sind vorgefertigte Datenmodelle für gängige analytische Muster und Datenquellen. Profitieren Sie von der Arbeit, die wir bereits für Sie erledigt haben, und passen Sie die Blocks anschließend exakt an Ihre Spezifikationen an. Von optimierten SQL-Mustern bis hin zu kompletten Datenmodellen können Looker Blocks als Ausgangspunkt für eine schnelle und flexible Datenmodellierung in Looker verwendet werden.

Verfügbare Blöcke

Es stehen viele Looker Blocks zur Auswahl. Welche Blöcke verfügbar sind, sehen Sie im Abschnitt Blöcke des Looker Marketplace.

Klicken Sie auf einen Block, der Sie interessiert, um die entsprechenden Nutzungsanweisungen anzuzeigen.

Einige Looker Blocks können über den Looker Marketplace schnell installiert werden. Bevor Sie einen Block über den Looker Marketplace bereitstellen können, muss ein Looker-Administrator die Funktion Marketplace aktiviert haben. Wenn Sie Blöcke installieren möchten, die einen local_dependency-Parameter enthalten, müssen Sie außerdem die Labs-Funktion Lokaler Projektimport aktivieren. Weitere Informationen zum Installieren und Anpassen von Looker Blocks finden Sie auf der Dokumentationsseite des Looker Marketplace.

Standardisierung und Anpassung

Wie einfach die Verwendung der verschiedenen Blöcke ist, hängt davon ab, wie stark Ihr Datenbankschema standardisiert ist. Die meisten Looker-Blöcke müssen an Ihr Datenschema angepasst werden, mit Ausnahme von Datenblöcken, die sich zwar am einfachsten implementieren lassen, aber nicht angepasst werden können.

Bei Datenblöcken, die sowohl öffentliche Datasets als auch vollständige LookML-Modelle enthalten, müssen Sie einfach das LookML-Modell aus dem GitHub-Repository kopieren, um auf die modellierten Tabellen zuzugreifen. Eine ausführliche Anleitung finden Sie auf dieser Seite unter Datenblöcke verwenden.
Anwendungen zur Datenerfassung wie Segment und Snowplow erfassen Ereignisse in einem relativ standardisierten Format. So lassen sich vorlagenbasierte Designmuster erstellen, die Datenbereinigung, -transformation und -analyse ermöglichen. Diese können von allen Kunden genutzt werden, die diese Anwendungen nutzen.
In anderen Webanwendungen wie z. B. Salesforce können Sie benutzerdefinierte Felder für Ihre internen Nutzer hinzufügen. Das führt natürlich zu Daten in einem weniger standardisierten Format. Daher können wir einen Teil des Datenmodells als Vorlagen verwenden, um die Analyse einzurichten, aber Sie müssen den nicht standardisierten Teil anpassen.
Schließlich haben wir Blöcke für allgemeine Geschäftseinblicke. Dies sind optimierte SQL- oder LookML-Designmuster, die unabhängig von der Datenquelle sind. Viele Unternehmen möchten beispielsweise den Lifetime-Wert eines Kunden im Zeitverlauf analysieren. Diese Muster beinhalten einige Annahmen, die aber an Ihre spezifischen Geschäftsanforderungen angepasst werden können. Diese Muster spiegeln die Meinung von Looker zur optimalen Durchführung bestimmter Analysetypen wider.

Wenn Sie Looker noch nicht kennen, kann Ihnen Ihr Looker-Analyst dabei helfen, das Beste aus diesen Modellen herauszuholen.

LookML-Blöcke hinzufügen

Einige Blöcke zeigen sowohl explorative Datenanalysen als auch Datenansichten in derselben Datei. Dies dient der besseren Übersichtlichkeit, aber im Allgemeinen sollten Sie die entsprechenden Abschnitte von LookML an die entsprechenden Stellen in Ihrem Datenmodell kopieren. Weitere Informationen finden Sie auf der Seite Modell- und Ansichtsdateien verstehen.
In einigen Fällen sollten Sie in Ihrem Datenmodell neue LookML-Dateien erstellen, um die Beispiele darin unterzubringen.

Datenblöcke verwenden

Datenblöcke sind eine spezielle Art von Looker-Block, die sowohl den Datensatz als auch das Datenmodell bereitstellen. Looker-Daten-Blocks umfassen öffentliche Datenquellen wie z. B.:

Demografische Daten: Gängige demografische Messwerte aus der American Community Survey auf Bundesstaat-, County-, Postleitzahlen- und sogar Zensus-Blockgruppen-Ebene.
Wetterdaten: Wetterberichte für die USA auf Postleitzahlenebene von 1920 bis zum Vortag. Dieser Block wird jede Nacht aktualisiert.

Eine vollständige Liste der verfügbaren Blöcke finden Sie im Bereich Blockierungen des Looker Marketplace.

Auf Datensätze in verschiedenen Datenbanken zugreifen

Wie Sie auf das Dataset eines Datenblocks zugreifen, hängt von Ihrem Datenbankschema ab. Die folgenden Abschnitte enthalten Anweisungen für den Zugriff auf Datasets in diesen Datenbanken:

Google BigQuery
Zusätzliche Datenbanken

Auf Datasets in Google BigQuery zugreifen

Wenn Sie bereits ein Google BigQuery-Konto haben, können Sie auf von Looker gehostete BigQuery-Datasets zugreifen. Fahren Sie mit dem Abschnitt Datenblöcke Projekten hinzufügen auf dieser Seite fort.

Wenn Sie noch kein Google BigQuery-Konto haben, können Sie eine kostenlose Testversion einrichten und anschließend in BigQuery auf die öffentlichen Datasets von Looker zugreifen.

Auf Datensätze in anderen Datenbanken zugreifen

Verwenden Sie Amazon Redshift, MySQL, PostgreSQL oder Oracle?

Wir haben die transformierten Daten für jedes dieser Datasets sowohl im Google Cloud-Dienst als auch in S3 öffentlich verfügbar gemacht, sodass Sie sie direkt in die Datenbank Ihrer Wahl importieren können.

Außerdem haben wir die Data Definition Language (DDL) für jeden Datensatz im GitHub-Repository verfügbar gemacht. Die DDL-Anweisungen müssen möglicherweise für die Datentypen in der ausgewählten Datenbank angepasst werden, sollten aber einen Eindruck von den Spaltentypen für jede Tabelle vermitteln.

Laden Sie die Daten direkt von einem der folgenden Speicherorte herunter:

Google Cloud-Dienst: _gs://looker-datablocks/_
S3: _s3://looker-datablocks/_
S3-Bucket-Weblink: http://looker-datablocks.s3-website-us-east-1.amazonaws.com/

Auf das LookML-Modell zugreifen

Erstellen Sie eine Verzweigung eines unserer GitHub-Repositories in einem neuen GitHub-Repository (entweder von Looker oder von Ihrem Unternehmen gehostet), das Sie dann in Ihrer Instanz erweitern oder optimieren können:

Demografische Daten (American Community Survey) – https://github.com/llooker/datablocks-acs
Wetter (GSOD) – https://github.com/llooker/datablocks-gsod

Datenblöcke zu Projekten hinzufügen

Zusätzlich zu der in diesem Abschnitt beschriebenen Methode können Sie auch LookML-Verfeinerungen verwenden, um die LookML von Ansichten und Explores in Ihren Projekten zu erweitern.

So fügen Sie Ihrem Projekt einen Datenblock hinzu:

Fügen Sie der Looker-Instanz ein neues Projekt hinzu.
Verzweigen oder kopieren Sie die zuvor genannten GitHub-Repositories, um auf vordefinierte LookML-Modelle zuzugreifen. Erstellen Sie unbedingt ein neues GitHub-Repository.
Entfernen Sie andere Datenbankdialektdateien aus dem Repository. Looker Blocks enthalten in der Regel Dateien für Google BigQuery, Amazon Redshift und Snowflake. Wenn Sie beispielsweise Datenblöcke in Google BigQuery einrichten, benötigen Sie nur die Google BigQuery-Ansichtsdateien, die Google BigQuery-Explore-Datei und die Google BigQuery-Modelldatei.
Ersetzen Sie den Verbindungsnamen in Ihrer Modelldatei durch die Datenbankverbindung, in der sich die Daten für Datenblöcke befinden. Wenn Sie Google BigQuery oder Snowflake verwenden, verwenden Sie die Datenbankverbindung, über die Sie erweitern oder optimieren möchten.

Die gesamte Join-Logik ist in jedem der Repositories in einer .explore-Datei vorhanden. Diese Datei verwenden Sie in den folgenden Schritten, nachdem Sie Ihr Projektmanifest eingerichtet haben.
Erstellen Sie in Ihrem Haupt-Looker-Projekt, in dem Sie Datenblöcke erweitern oder optimieren möchten, eine Projektmanifestdatei.
Fügen Sie der Manifestdatei des Projekts die folgende LookML hinzu, um auf Datenblöcke in Ihrem Haupt-Looker-Projekt zu verweisen:

    project_name: "<your_project_name\>"

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

Einrichtungsüberlegungen und -optionen

Google BigQuery: Verwenden Sie die richtigen modellierten Dateien. Wenn Sie Google BigQuery verwenden, sollten Sie alle Dateien mit _bq_ im Dateinamen referenzieren. Möglicherweise müssen Sie unsere Google BigQuery-Modelldialekte an Ihren eigenen Datenbankdialekt anpassen.

Erweiterungen: Alle unsere Projekte sind so eingerichtet, dass Erweiterungen aus Explore-Dateien zulässig sind, da Modellerweiterungen Probleme mit mehreren Verbindungen verursachen können.

Abgeleitete Tabellen verknüpfen: Weitere Informationen finden Sie in unserer Dokumentation für native abgeleitete Tabellen. Sie können Looker SQL-Code für Sie auf verschiedenen Aggregationsebenen für unsere öffentlich verfügbaren Datasets schreiben und sie mit Ihrem Modell zusammenführen lassen.

Ergebnissätze zusammenführen: Sie können auch Ergebnissätze aus unseren Datasets mit Ihren Daten zusammenführen, indem Sie Abfrageergebnisse kombinieren.

Beispielkonfiguration des demografischen Datasets

Sie können entweder Rohdaten aus unseren S3- oder Google Cloud-Dienst-Buckets herunterladen oder eine Verbindung zu einer Looker-Datenbank herstellen, um auf Daten zuzugreifen.
Importieren Sie das Modell Demografische Daten-Block aus LookML als separates Projekt in Ihre Looker-Instanz.
Verwenden Sie den Parameter include, um die Ansichtsdatei einzubinden.
Erweitern oder optimieren Sie dann die Ansichtsdatei oder verwenden Sie native abgeleitete Tabellen, um Daten auf der für explorative Datenanalysen erforderlichen Aggregationsebene zu erhalten.

Da sich in unserem Beispiel die demografischen Daten auf einer anderen Aggregationsebene befinden als unser E-Commerce-Dataset (Blockgruppe oder Postleitzahl), verwenden wir native abgeleitete Tabellen, um Statistiken bis zur Postleitzahlebene zu aggregieren. Dies eliminiert unübersichtliche m:n-Joins:
```
  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
    }
```

Ansichtsdateien mit dem Modell zusammenführen:

  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
    }
  }

Daten untersuchen und visualisieren

Viz-Blöcke verwenden

Looker bietet eine Vielzahl von integrierten Visualisierungstypen. Wenn Sie jedoch Diagrammanforderungen haben, die von den integrierten Visualisierungstypen von Looker nicht abgedeckt werden, können Sie auch Ihre eigenen benutzerdefinierten Visualisierungstypen hinzufügen. Sie können auch eine benutzerdefinierte Visualisierung entwickeln und sie über den Looker Marketplace für alle Looker-Nutzer verfügbar machen.

Visualisierungsblöcke sind vorgefertigte JavaScript-Visualisierungstypen, die von Looker gehostet werden. Sie können die Visualisierungsblöcke zu Ihrer Looker-Instanz hinzufügen und sie verhalten sich ähnlich wie alle in Looker integrierten Visualisierungstypen: Sie werden in der Visualisierungsmenüleiste angezeigt und enthalten Kernfunktionen wie Drilldown, Herunterladen, Einbetten und Planung.

Wenn Sie mehr über einen Visualisierungsblock erfahren möchten, wählen Sie im Looker Marketplace im Bereich Plug-ins (Plug-ins) den Visualisierungstyp aus. Klicken Sie dann auf See the Code (Code ansehen) und gehen Sie zur Datei READ.ME des Visualisierungsblocks. Die Datei READ.ME zeigt ein Beispiel für die Visualisierung und enthält weitere Informationen zum Visualisierungsblock. Bei einigen Visualisierungen enthält die READ.ME-Datei auch eine URL und eine Anleitung zum Hinzufügen des Visualisierungsblocks.

Wenn Sie der Instanz den Visualisierungstyp hinzufügen möchten, folgen Sie der Anleitung in der READ.ME-Datei (falls vorhanden) und den Informationen auf der Dokumentationsseite Visualisierungen.