Notez que vous consultez la documentation Looker. Pour accéder à la documentation sur Looker Studio, consultez la page https://support.google.com/looker-studio.

Blocs Looker

Looker BlocksTM est des modèles de données prédéfinis pour les modèles et sources de données 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 intégrés, les blocs Looker peuvent servir de point de départ pour modéliser les données de façon rapide et flexible dans Looker.

Blocs disponibles

Vous avez le choix entre de nombreux blocs Looker. Pour connaître les blocages disponibles, consultez la section Blocages de Looker Marketplace.

Les blocs Looker ont été créés pour faciliter et optimiser l'analyse des données. Elles sont disponibles "en l'état", ce qui signifie qu'elles ne seront plus mises à jour. Looker ne peut pas garantir ni garantir que ces données sont exactes, fiables ou exemptes d'erreurs. Veuillez consulter les sites de source de données documentés pour savoir comment leurs données sont collectées et comment les interpréter.

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

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 Local Project Import Labs. Consultez la page de documentation Looker Marketplace pour obtenir plus d'informations sur l'installation et la personnalisation des blocs Looker, disponibles sur Looker Marketplace.

Standardisation et personnalisation

Avant que vous puissiez créer sur un bloc existant contenant un paramètre local_dependency, un administrateur Looker doit activer l'importation en local du projet Labs.

La facilité d'utilisation des différents blocs peut varier en fonction du degré de standardisation de votre schéma de base de données. La plupart des blocs Looker nécessitent une personnalisation pour s'adapter 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 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 des données, et pouvant être utilisés par n'importe quel client à l'aide de ces applications.
D'autres applications Web, telles que Salesforce, vous permettent d'ajouter des champs personnalisés pour vos utilisateurs internes. Cela permet de créer des données dans un format moins standardisé. Par conséquent, nous pouvons modéliser certains modèles de données pour rendre les analyses opérationnelles. Cependant, vous devez personnaliser la partie non standardisée.
Enfin, nous avons bloqué les insights commerciaux généraux. Il s'agit de modèles de conception optimisés de SQL ou LookML, qui sont indépendants de la source de données. Par exemple, de nombreuses entreprises souhaitent analyser la valeur vie d'un client au fil du temps. Ces hypothèses reposent sur 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 avec Looker, votre analyste Looker peut vous aider à exploiter tout le potentiel de ces modèles.

Ajouter des blocs à LookML

Certains blocs présentent à la fois les explorations et les vues dans un même fichier. Cela facilite la visualisation, mais en général, vous devez copier les sections appropriées de LookML aux emplacements appropriés dans votre modèle de données. Pour en savoir plus, consultez la page Comprendre les fichiers de modèle et d'affichage.
Dans certains cas, vous devrez 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 particulier de bloc Looker qui fournit l'ensemble de données et le modèle de données. Les blocs de données Looker incluent des sources de données publiques, telles que:

Données démographiques: il s'agit des métriques démographiques courantes issues de l'American Community Survey au niveau de l'État, du comté, de la zone de tabulation du code postal et même des groupes de recensement.
Données météorologiques: prévisions météo pour les États-Unis, au niveau du code postal, de 1920 à la veille. Ce bloc est mis à jour la nuit.

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

Accéder à des ensembles de données sur différentes bases de données

La procédure pour accéder à l'ensemble de données d'un bloc de données dépend du schéma de votre base de données. Les sections suivantes expliquent comment accéder aux ensembles de données de ces bases de données:

Google BigQuery
Bases de données supplémentaires

Accéder aux ensembles de données sur Google BigQuery

Si vous disposez déjà d'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 en dehors des États-Unis, vous pouvez:

Importez les données publiques de Looker depuis les services Google Cloud ou Amazon S3.

Créez une connexion Google BigQuery basée aux États-Unis.

Accéder à des ensembles de données sur d'autres bases de données

Vous êtes sur Amazon Redshift ? MySQL? PostgreSQL? Oracle?

Nous avons rendu les données transformées pour chacun de ces ensembles de données publics dans le service Google Cloud et dans 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. Les instructions LDD doivent peut-être être modifiées pour les types de données de la base de données sélectionnée, mais elles doivent donner une idée des types de colonnes pour chaque table.

Téléchargez les données depuis l'un des emplacements suivants:

Service Google Cloud: _gs://looker-datablocks/_
S3: _s3://looker-datablocks/_
Lien Web du bucket S3: http://looker-datablocks.s3-website-us-east-1.amazonaws.com/

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 dans votre instance:

Données démographiques (American Community Survey) : https://github.com/llooker/datablocks-acs
Météo (GSOD) : https://github.com/llooker/datablocks-gsod

Ajouter des blocs de données à des projets

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

Avant que vous puissiez créer sur un bloc de données contenant un paramètre local_dependency, un administrateur Looker doit activer l'importation en local du projet Labs.

Pour ajouter un bloc de données à votre projet:

Ajoutez un projet à votre instance Looker.
Dupliquer ou copier les dépôts GitHub mentionnés ci-dessus pour accéder à LookML prédéfini Veillez à créer un dépôt GitHub.
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 d'exploration Google BigQuery et du fichier de modèle Google BigQuery.
Remplacez le nom de la connexion dans le fichier de modèle par celui de votre base de données contenant les données des blocs de données. Si vous utilisez Google BigQuery ou Snowflake, utilisez la connexion de base de données que 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 qui sera inclus dans les étapes suivantes une fois le fichier manifeste de votre projet configuré.
Dans votre projet Looker principal, pour lequel vous allez étendre ou affiner des blocs de données, créez un fichier manifeste de projet.
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 concernant la configuration et options disponibles

Google BigQuery: veillez à utiliser le bon ensemble de fichiers modélisés. Si vous utilisez Google BigQuery, il peut être utile de référencer tous les fichiers dont le nom de fichier contient _bq_. Vous devrez peut-être adapter les dialectes de notre modèle Google BigQuery à votre propre dialecte de 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 en dehors des États-Unis, vous pouvez:

Importez les données publiques de Looker depuis les services Google Cloud ou Amazon S3.

Créez une connexion Google BigQuery basée aux États-Unis.

Extensions: tous nos projets ont été configurés pour accepter les extensions depuis les 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 du code SQL à différents niveaux d'agrégation sur nos ensembles de données accessibles au public 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.

Exemple de configuration d'un ensemble de données démographiques

Accédez aux données en téléchargeant des données brutes depuis nos buckets S3 ou Google Cloud Service, ou en vous connectant à une base de données Looker.
Importez le modèle de bloc de données démographiques depuis LookML en tant que projet distinct dans votre instance Looker.
Utilisez le paramètre include pour importer le fichier View.
Ensuite, étendez ou affinez le fichier de vue, ou utilisez des tables dérivées natives pour obtenir les données au niveau d'agrégation nécessaire à l'exploration.

Dans notre exemple, étant donné que les données démographiques ne se situent pas au même niveau que l'ensemble de données d'e-commerce (groupe de blocs ou code postal), nous utilisons des tables dérivées natives pour agréger les statistiques jusqu'au niveau du code postal. Cela permet d'éliminer les jointures 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
    }
```

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
    }
  }

Explorer et visualiser les données

Utiliser des blocs Viz

Looker inclut différents types de visualisation natifs. Toutefois, si vous avez des besoins en graphiques non couverts par les types de visualisation native 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 depuis 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 comprennent des fonctionnalités essentielles telles que l'exploration, 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 Voir le code et accédez au fichier READ.ME du bloc VIZ. Le fichier READ.ME montre 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 visualisations.