Blocs Looker

Les Looker BlocksTM sont des modèles de données prédéfinis pour les sources de données et les modèles analytiques 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 développés, les Looker Blocks peuvent être utilisés comme point de départ pour une modélisation rapide et flexible des données dans Looker.

Blocs disponibles

Vous pouvez choisir parmi de nombreux blocs Looker. Pour connaître les blocs disponibles, consultez la section Blocks (Blocs) de la place de marché Looker.

Cliquez sur un bloc qui vous intéresse pour consulter les instructions d'utilisation correspondantes.

Certains blocs Looker peuvent être installés rapidement à l'aide du 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 l'activation de la fonctionnalité d'importation de projets en local Labs. Consultez la page de documentation de Looker Marketplace pour en savoir plus sur l'installation et la personnalisation des blocs Looker, disponibles dans Looker Marketplace.

Normalisation et personnalisation

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 certaine personnalisation pour s'adapter à votre schéma de données, à l'exception des blocs de données, qui sont les plus simples à implémenter, mais 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 la section 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 les données, qui peuvent être utilisés par n'importe quel client utilisant ces applications.

  • D'autres applications Web, telles que Salesforce, vous permettent d'ajouter des champs personnalisés pour vos utilisateurs internes. Naturellement, cela permet de créer des données dans un format moins standardisé. Par conséquent, nous pouvons modéliser une partie du modèle de données pour permettre l'exécution des analyses, mais vous devrez personnaliser la partie non standardisée.

  • Enfin, nous avons des blocs pour les insights métier généraux. Il s'agit de modèles de conception SQL ou LookML optimisés, indépendants de la source de données. Par exemple, de nombreuses entreprises souhaiteront analyser la valeur vie d'un client au fil du temps. Ces modèles reposent sur des hypothèses, mais vous pouvez les personnaliser pour répondre aux besoins spécifiques de votre entreprise. Ces modèles reflètent le point de vue de Looker sur la meilleure façon de réaliser certains types d'analyses.

Si vous débutez avec Looker, votre analyste Looker peut vous aider à tirer le meilleur parti de ces modèles.

Ajouter des blocs à votre code LookML

  • Certains blocs illustrent à la fois des explorations et des vues dans le même fichier. Cela facilite la visualisation, mais en général, il est préférable de copier les sections appropriées du code LookML aux emplacements appropriés dans votre modèle de données. Pour en savoir plus, consultez la page de documentation Comprendre les fichiers de modèle et de vue.
  • Dans certains cas, vous souhaiterez 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 fournissent le jeu de données ainsi que le modèle de données. Les blocs de données Looker incluent des sources de données publiques, telles que:

  • Données démographiques: métriques démographiques courantes tirées de l'American Community Survey au niveau de l'État, du comté, de la zone sous forme de tabulation et même du groupe de recensement.
  • Données météorologiques: bulletins météorologiques aux États-Unis au niveau du code postal de 1920 jusqu'à la veille. Ce bloc est mis à jour chaque nuit.

Pour consulter la liste complète des blocs disponibles, consultez la section Blocks (Blocages) de la place de marché Looker.

Accéder aux jeux de données sur différentes bases de données

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

Accéder aux ensembles de données sur Google BigQuery

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

Si vous n'avez pas encore de compte Google BigQuery, vous pouvez configurer un essai gratuit, puis accéder aux jeux de données publics de Looker sur BigQuery.

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

Utilisez-vous Amazon Redshift, MySQL, PostgreSQL ou Oracle ?

Les données transformées de chacun de ces ensembles de données sont accessibles au public dans Google Cloud Service 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 disposition pour 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 elles devraient vous donner une idée des types de colonnes pour chaque table.

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

Accéder au modèle LookML

Dupliquez 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 au sein de votre instance:

Ajouter des blocs de données aux projets

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

Pour ajouter un bloc de données à votre projet, procédez comme suit:

  1. Ajoutez un projet à votre instance Looker.

  2. Dupliquez ou copiez les dépôts GitHub mentionnés précédemment pour accéder au code LookML prédéfini. Veillez à créer un dépôt GitHub.

  3. Supprimez les autres fichiers de dialectes de 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 n'aurez besoin que des fichiers de vue Google BigQuery, du fichier d'exploration Google BigQuery et du fichier de modèle Google BigQuery.

  4. Dans le fichier de modèle, remplacez le nom de la connexion par celle de votre base de données, qui contient les données des blocs de données. Si vous utilisez Google BigQuery ou Snowflake, utilisez la connexion de base de données à partir de laquelle vous allez étendre ou affiner.

    Toute la logique de jointure existe dans un fichier .explore dans chacun des dépôts. Il s'agit du fichier que vous allez inclure dans les étapes suivantes, après avoir configuré le fichier manifeste de votre projet.

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

  6. Ajoutez le code 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 concernant la configuration

Google BigQuery: assurez-vous d'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 nos dialectes de modèles Google BigQuery à votre propre dialecte de base de données.

Extensions: tous nos projets ont été configurés pour autoriser les extensions à partir des fichiers d'exploration, car les extensions de modèle peuvent entraîner des problèmes avec plusieurs connexions.

Jointure de tables dérivées: vous pouvez consulter notre documentation sur les tables dérivées natives. Vous pouvez laisser Looker écrire du code SQL pour vous à différents niveaux d'agrégation sur nos ensembles de données publics et les joindre à votre modèle.

Fusion d'ensembles de résultats: vous pouvez également choisir de fusionner des ensembles de résultats issus de nos ensembles de données avec vos données en combinant des ensembles de résultats de requête.

Exemple de configuration d'un ensemble de données démographiques

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

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

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

  4. Ensuite, étendez ou affinez le fichier de vue, ou utilisez des tables dérivées natives pour obtenir des données au niveau d'agrégation nécessaire pour les explorations.

    Dans notre exemple, les données démographiques n'ayant pas le même niveau d'agrégation que notre ensemble de données d'e-commerce (groupe de blocs ou code postal), nous utilisons des tables dérivées natives pour regrouper les statistiques jusqu'au niveau du code postal. Cela élimine les jointures désordonnées 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
    }

  5. Joignez 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
    }
  }

  6. Explorer et visualiser les données

Utiliser des blocs de visualisation

Looker inclut divers types de visualisation intégrés. Toutefois, si vos besoins en graphiques ne sont pas couverts par les types de visualisation intégrés de Looker, vous pouvez également ajouter vos propres types de visualisations personnalisées. Vous pouvez également développer une visualisation personnalisée et la mettre à la disposition de tous les utilisateurs de Looker depuis Marketplace Looker.

Les blocs de visualisation sont des types de visualisation JavaScript prédéfinis hébergés par Looker. Vous pouvez ajouter les blocs de visualisation à votre instance Looker pour qu'ils agissent de la même manière que n'importe quel type de visualisation intégré à Looker: ils apparaissent sur la barre de menu de visualisation et incluent des fonctionnalités de base telles que l'exploration, le téléchargement, l'intégration et la planification.

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

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