Looker Blocks

Looker Block adalah model data siap pakai untuk pola analisis dan sumber data yang umum. Gunakan kembali pekerjaan yang telah dilakukan orang lain, bukan memulai dari awal, lalu sesuaikan blok dengan spesifikasi yang Anda inginkan. Mulai dari pola SQL yang dioptimalkan hingga model data yang sepenuhnya dibuat, Looker Block dapat digunakan sebagai titik awal untuk pemodelan data yang cepat dan fleksibel di Looker.

Anda dapat memperoleh Blok untuk disesuaikan dan ditambahkan ke instance Looker dari berbagai sumber, termasuk yang berikut:

  • Looker Marketplace mandiri, tempat Anda dapat menjelajahi Blok dan mengakses kode sumbernya.
  • Looker Marketplace yang dapat diakses dari instance Looker Anda. Dari Marketplace ini, Anda dapat menjelajahi dan menginstal Looker Block — yang disebut "model" — langsung ke instance Looker Anda. Lihat halaman dokumentasi Menggunakan Looker Marketplace untuk mengetahui informasi selengkapnya tentang cara menginstal alat dari Looker Marketplace.

Jenis Looker Block

Looker Block menawarkan berbagai kemampuan, seperti berikut:

  • Blok data, yang mencakup set data publik dan model LookML lengkap, mengharuskan penyalinan model LookML dari repositori GitHub untuk mengakses tabel yang dimodelkan. Blok ini tidak dapat disesuaikan. Lihat Menggunakan blok data di halaman ini untuk mengetahui petunjuk mendetail.

  • Aplikasi pengumpulan data, seperti Segment dan Snowplow, melacak peristiwa dalam format yang relatif standar. Hal ini memungkinkan pembuatan pola desain yang menggunakan template — yang mampu melakukan pembersihan data, transformasi, dan analisis — yang dapat digunakan oleh pelanggan mana pun yang menggunakan aplikasi ini.

  • Aplikasi web lainnya — seperti Salesforce — memungkinkan Anda menambahkan kolom kustom untuk pengguna internal. Tentu saja, hal ini akan membuat data dalam format yang kurang standar. Oleh karena itu, kami dapat membuat template beberapa model data untuk menjalankan analisis, tetapi Anda harus menyesuaikan bagian yang tidak standar.

  • Ada juga blok untuk insight bisnis umum. Blok ini adalah pola desain SQL atau LookML yang dioptimalkan dan independen dari sumber data. Misalnya, banyak perusahaan ingin menganalisis nilai masa aktif pelanggan dari waktu ke waktu. Ada beberapa asumsi yang disertakan dalam pola ini, tetapi pola tersebut dapat disesuaikan agar sesuai dengan kebutuhan bisnis spesifik Anda. Pola ini mencerminkan sudut pandang Looker tentang cara terbaik untuk melakukan jenis analisis tertentu.

Looker Block dapat dijelajahi di direktori instance publik Looker Marketplace di marketplace.looker.com.

Menginstal Looker Block

Untuk menginstal Looker Block dari Marketplace yang terkait dengan instance Looker Anda, ikuti petunjuk tentang cara menginstal alat dari Marketplace.

Untuk menginstal Looker Block dari marketplace.looker.com, ikuti petunjuk dalam kode sumber blok.

Setiap Looker Block memiliki petunjuk penggunaan tertentu.

Standarisasi dan penyesuaian

Tingkat penyesuaian blok yang mungkin Anda perlukan dapat bergantung pada seberapa standar skema database Anda. Sebagian besar Looker Block memerlukan penyesuaian agar sesuai dengan skema data Anda.

Beberapa blok menunjukkan Eksplorasi dan tampilan dalam file yang sama. Hal ini untuk memudahkan tampilan, tetapi secara umum Anda sebaiknya menyalin bagian LookML yang sesuai ke tempat yang sesuai dalam model data Anda. Lihat halaman dokumentasi Jenis file dalam project LookML untuk mengetahui informasi selengkapnya.

Dalam beberapa kasus, Anda mungkin perlu membuat file LookML baru dalam model data untuk menyimpan contoh.

Menggunakan blok data

Blok data adalah jenis Looker Block khusus yang menyediakan set data dan model data. Blok data mencakup sumber data publik, seperti:

  • Data demografi: Metrik demografi umum dari American Community Survey di tingkat negara bagian, wilayah, area tabulasi kode pos, dan bahkan tingkat kelompok blok sensus.
  • Data cuaca: Pelaporan cuaca di Amerika Serikat di tingkat kode pos dari tahun 1920 hingga hari sebelumnya. Blok ini diperbarui setiap malam.

Prosedur untuk mengakses set data blok data bervariasi bergantung pada skema database Anda. Bagian berikut berisi petunjuk untuk mengakses set data di database ini:

Mengakses set data di Google BigQuery

Jika memiliki akun Google BigQuery yang ada, Anda dapat mengakses set data yang dihosting BigQuery Looker. Langsung buka bagian Menambahkan blok data ke project di halaman ini.

Jika belum memiliki akun Google BigQuery, Anda dapat menyiapkan uji coba gratis, lalu mengakses set data publik Looker di BigQuery.

Mengakses set data di database lain

Data yang ditransformasi untuk set data Amazon Redshift, MySQL, PostgreSQL, atau Oracle tersedia secara publik di Google Cloud Layanan dan S3 sehingga Anda dapat langsung mengimpornya ke database pilihan Anda.

Kami juga menyediakan Bahasa Definisi Data (DDL) untuk setiap set data di Repositori GitHub. Pernyataan DDL mungkin perlu diubah untuk jenis data di database yang Anda pilih, tetapi harus memberikan gambaran tentang jenis kolom untuk setiap tabel.

Download data langsung dari salah satu lokasi berikut:

Mengakses model LookML

Buat fork salah satu repositori GitHub kami ke repositori GitHub baru (yang dihosting oleh Looker atau oleh perusahaan Anda) yang kemudian dapat Anda perluas atau sempurnakan dalam instance Anda:

Menambahkan blok data ke project

Selain metode yang dijelaskan di bagian ini, Anda juga dapat menggunakan penyempurnaan LookML untuk membangun LookML tampilan dan Eksplorasi di project Anda.

Untuk menambahkan blok data ke project Anda:

  1. Tambahkan project baru ke instance Looker Anda.

  2. Buat fork atau salin repositori GitHub yang disebutkan sebelumnya untuk mengakses LookML siap pakai. Pastikan untuk membuat repo GitHub baru.

  3. Hapus file dialek database lain dari repo. Looker Block biasanya akan berisi file untuk Google BigQuery, Amazon Redshift, dan Snowflake. Misalnya, jika Anda menyiapkan blok data di Google BigQuery, Anda hanya memerlukan file tampilan Google BigQuery, file Eksplorasi Google BigQuery, dan file model Google BigQuery.

  4. Ganti nama koneksi dalam file model Anda dengan koneksi database tempat data untuk blok data berada. Jika Anda menggunakan Google BigQuery atau Snowflake, gunakan koneksi database yang akan Anda perluas atau sempurnakan.

    Semua logika gabungan ada dalam file .explore di setiap repositori. File ini akan Anda sertakan dalam langkah-langkah berikut, setelah Anda menyiapkan manifes project.

  5. Di project Looker utama tempat Anda akan memperluas atau menyempurnakan blok data, buat file manifes project.

  6. Tambahkan LookML berikut ke file manifes project untuk mereferensikan blok data di project Looker utama Anda:

    project_name: "<your_project_name\>"

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

Pertimbangan dan opsi penyiapan

Google BigQuery: Pastikan untuk menggunakan kumpulan file yang dimodelkan dengan benar. Jika menggunakan Google BigQuery, Anda mungkin ingin mereferensikan semua file dengan _bq_ di nama file. Anda mungkin harus mengadaptasi dialek model Google BigQuery kami ke dialek database Anda sendiri.

Ekstensi: Semua project kami telah disiapkan untuk memungkinkan ekstensi dari file Eksplorasi, karena ekstensi model dapat menyebabkan masalah dengan beberapa koneksi.

Menggabungkan Tabel Turunan: Anda mungkin ingin melihat dokumentasi kami untuk tabel turunan native. Anda dapat mengizinkan Looker menulis SQL untuk Anda di berbagai tingkat agregasi pada set data yang tersedia secara publik dan menggabungkannya ke dalam model Anda.

Menggabungkan Kumpulan Hasil: Anda juga dapat memilih untuk menggabungkan kumpulan hasil dari set data kami dengan data Anda dengan menggabungkan kumpulan hasil kueri.

Contoh penyiapan set data demografi

  1. Dapatkan akses ke data dengan mendownload data mentah dari bucket S3 atau Google Cloud Layanan kami atau dengan menghubungkan ke database Looker.

  2. Impor model Blok Data Demografi dari LookML sebagai project terpisah di instance Looker Anda.

  3. Gunakan parameter include untuk menampilkan file tampilan.

  4. Kemudian, perluas atau sempurnakan file tampilan, atau gunakan tabel turunan native untuk mendapatkan data pada tingkat agregasi yang diperlukan untuk Eksplorasi.

    Dalam contoh kami, karena data demografi berada pada tingkat agregasi yang berbeda dengan set data e-commerce kami (kelompok blok versus kode pos), kami menggunakan tabel turunan bawaan untuk menggabungkan statistik hingga tingkat kode pos. Hal ini akan menghilangkan gabungan banyak-ke-banyak yang tidak rapi:

      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. Gabungkan file tampilan ke dalam model:

      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. Jelajahi dan visualize data.