שימוש ביומנים מותאמים אישית ב-Looker

בניבים שתומכים בכך, התכונה 'יומן מותאם אישית' ב-Looker מאפשרת להגדיר יומן מותאם אישית במסד הנתונים, כמו יומן פיסקאלי או יומן קמעונאי ספציפי, ואז להחיל את היומן על קבוצת מאפיינים מבוססת-תאריך במודל LookML. לאחר מכן, המשתמשים יוכלו ליצור שאילתות ב'ניתוח נתונים' באמצעות מסגרות הזמן המותאמות אישית, כמו custom_week ו-custom_period, כאילו היו מסגרות זמן רגילות.

דרישות מוקדמות

לפני שמשתמשים בלוחות שנה מותאמים אישית, חשוב לוודא שמתקיימים התנאים המוקדמים הבאים:

יצירת יומן בהתאמה אישית

כדי להטמיע לוח שנה בהתאמה אישית, צריך לבצע את השלבים הכלליים הבאים שמתוארים בקטעים הבאים:

  1. יצירת טבלת יומן במסד הנתונים
  2. הגדרה של תצוגת יומן בהתאמה אישית ב-LookML
  3. יצירה של קבוצת מאפיינים מותאמת אישית של תאריכים

יצירת טבלת יומן במסד הנתונים

כדי לחשב תאריכים ביומנים מותאמים אישית, Looker צריך טבלת יומן ייעודית במסד הנתונים, שמגדירה את מסגרות הזמן המותאמות אישית. בטבלה צריכה להיות עמודה של תאריך ההתייחסות שמשתמשת בתאריך הסטנדרטי ביומן. מערכת Looker מצמידה את טבלת היומן לטבלאות הנתונים (כמו טבלת orders) על סמך עמודת תאריך ההפניה.

שמות העמודות בטבלת היומן הם גמישים. כשמגדירים את תצוגת היומן המותאמת אישית ב-LookML, משתמשים בבלוק calendar_definition כדי למפות את העמודות במסד הנתונים לשמות סטנדרטיים של מסגרות זמן מותאמות אישית.

הדוגמה הבאה היא של סכימת טבלה לטבלת יומן בשם fiscal_calendar_table.

שם עמודה סוג הנתונים תיאור
reference_date DATE התאריך ביומן בתבנית רגילה (למשל ‎2023-01-01). משמש להצטרפות. צריך להיות מפתח ייחודי או מפתח ראשי.
fiscal_year VARCHAR השנה הפיסקלית (למשל, FY2023).
fiscal_year_num INTEGER השנה הפיסקלית המספרית (למשל, 2023).
fiscal_quarter_of_year VARCHAR הרבעון הפיסקלי (למשל 'FQ1').
fiscal_quarter_of_year_num INTEGER הרבעון הפיסקלי המספרי (למשל 1).
fiscal_week_of_year VARCHAR השבוע הפיסקלי בשנה (למשל, Week01,‏ FW01).
fiscal_week_of_year_num INTEGER השבוע הפיסקלי בשנה (כמספר, למשל 1).
fiscal_period_of_year VARCHAR שם מותאם אישית של תקופה (למשל, P01).
fiscal_period_of_year_num INTEGER התקופה המספרית המותאמת אישית (למשל 1).
season VARCHAR שם מותאם אישית של עונה (לדוגמה, 'חורף').
season_num INTEGER מספר העונה המותאם אישית (למשל 1).
prev_week_num INTEGER הערך הסידורי של השבוע הקודם (למשל 52 או 53). מערכת Looker צריכה את הערך הזה כדי לחשב מדדים של תקופה לעומת תקופה במקרים שבהם השבוע הנוכחי הוא 1 והשבוע הקודם ביומן הוא לא 52. השימוש ב-prev_week_num נדרש רק אם רוצים להשתמש במדדים של השוואה לתקופה מקבילה עם יומנים מותאמים אישית, ורק אם ביומן המותאם אישית אין 52 שבועות.
prev_day_num INTEGER הערך הסידורי של היום הקודם (לדוגמה, 364 או 371). ‫Looker צריך את הערך הזה כדי לחשב מדדים של תקופה לתקופה במקרים שבהם היום הנוכחי הוא 1 והיום הקודם בלוח השנה הוא לא 364. השימוש ב-prev_day_num נדרש רק אם רוצים להשתמש במדדים של השוואה לתקופה קודמת עם יומנים מותאמים אישית, ורק אם ביומן המותאם אישית אין 364 ימים.

כדי להמחיש, הנה כמה שורות לדוגמה מהטבלה fiscal_calendar_table:

reference_date fiscal_year fiscal_year_num fiscal_period fiscal_period_num prev_week_num prev_day_num
2023-12-25 FY2024 2024 P01 1 51 358
2023-12-26 FY2024 2024 P01 1 51 359
2024-01-01 FY2024 2024 P02 2 52 364
2024-01-02 FY2024 2024 P02 2 52 1

הגדרת תצוגת יומן מותאמת אישית ב-LookML

אחרי שיוצרים טבלת יומן במסד הנתונים, צריך ליצור תצוגת LookML כדי ליצור מודל של טבלת היומן במסד הנתונים.

קובץ תצוגת היומן בהתאמה אישית צריך לכלול את הפרטים הבאים:

  • הפרמטר sql_table_name שמפנה לטבלת היומן המותאמת אישית במסד הנתונים.
  • הבלוק calendar_definition למיפוי העמודות בטבלה לסוגים של טווחי זמן מותאמים אישית ב-Looker.
  • פרמטרים של dimension כדי ליצור מודל של העמודות בטבלת היומן המותאם אישית במסד הנתונים.

זו דוגמה לקובץ תצוגה שנקרא fiscal_calendar.view.lkml ומציג את הדוגמה fiscal_calendar_table:

view: fiscal_calendar {
  sql_table_name: fiscal_calendar_table ;;
  calendar_definition: {
    reference_date: reference_date
    timeframe_mapping: {
      custom_year: fiscal_year
      custom_quarter: fiscal_quarter_of_year
      custom_date: fiscal_date
      custom_week: fiscal_week_of_year
      custom_period: fiscal_period_of_year
      custom_season: season
    }
    timeframe_ordinal_mapping: {
      custom_year: fiscal_year_num
      custom_quarter: fiscal_quarter_of_year_num
      custom_date: fiscal_date_num
      custom_week: fiscal_week_of_year_num
      custom_period: fiscal_period_of_year_num
      custom_season: season_num
    }
    previous_ordinal_mapping: {
      custom_week: prev_week_num
      custom_date: prev_day_num
    }
  }

  dimension: reference_date {
    type: date
    primary_key: yes
    sql: ${TABLE}.reference_date ;; # Assuming column name is reference_date
  }

  dimension: fiscal_date {
  type: string
  sql: FORMAT_TIMESTAMP('%Y-%m-%d', ${TABLE}.reference_date) ;;
}

  dimension: fiscal_year {
    type: string
    sql: ${TABLE}.fiscal_year ;;
  }

  dimension: fiscal_year_num {
    type: number
    sql: ${TABLE}.fiscal_year_num ;;
  }

  # ... other dimensions for quarters, weeks, periods, seasons, etc. ...

  # Example placeholder dimensions for unused timeframes
  dimension: season {
    type: string
    sql: 'N/A' ;;
    hidden: yes
  }
  dimension: season_num {
    type: number
    sql: 0 ;;
    hidden: yes
  }
}

פרטים על הפרמטרים של calendar_definition זמינים בדף הפרמטרים של calendar_definition.

יצירת קבוצה של מאפייני תאריך מותאמים אישית

אחרי שיוצרים טבלת יומן במסד הנתונים ומגדירים את טבלת היומן של מסד הנתונים ב-LookML, אפשר ליצור קבוצת מאפיינים של type: custom_calendar שמבוססת על תצוגת היומן בהתאמה אישית.

לדוגמה, הנה תצוגה מקדימה של קובץ בשם orders.view.lkml שמגדיר קבוצת מאפיינים מותאמים אישית של יומן.

include: "/views/fiscal_calendar.view"

view: orders {
  sql_table_name: public.orders ;;

  dimension_group: created {
    type: custom_calendar

    # Optional list of allowed timeframes
    custom_timeframes: [
      custom_date,
      custom_week,
      custom_year
    ]
    sql: ${TABLE}.created_at ;;
    based_on_calendar: fiscal_calendar  # This links to your calendar view
  }
}

בעזרת קוד LookML הזה, ‏ Looker תיצור באופן אוטומטי קבוצה חדשה של מסגרות זמן מותאמות אישית עבור קבוצת המאפיינים created (כמו 'שנה מותאמת אישית של יצירה', 'שבוע מותאם אישית של יצירה'). לאחר מכן המשתמשים יכולים להשתמש בשדות האלה כדי לחקור, לדווח ולסנן.

פרטים על יצירת קבוצת מאפיינים ללוחות שנה מותאמים אישית מופיעים בדף התיעוד בנושא dimension_group.

דברים שכדאי לקחת בחשבון

חשוב לשים לב למגבלות הבאות שחלות על לוחות שנה בהתאמה אישית:

  • מדדים מסוננים: אין תמיכה בלוחות שנה מותאמים אישית למדדים מסוננים: אי אפשר להפנות למאפיין של לוח שנה מותאם אישית בפרמטר filters של מדד.
  • מסננים מתקדמים: אין תמיכה בלוחות שנה מותאמים אישית במסננים מתקדמים: אי אפשר להפנות למאפיין של לוח שנה מותאם אישית בביטויי מסננים ב-Looker.
  • צבירות סימטריות: בתרחישים מורכבים מסוימים של צירוף, יכול להיות שלא תהיה תמיכה מלאה בצבירות סימטריות בשאילתות שכוללות מאפייני לוח שנה בהתאמה אישית.
  • מילוי מאפיינים: ל-Looker אין אפשרות למלא מאפיינים בתאריכים חסרים במאפייני לוח שנה מותאמים אישית.
  • סינון מעבר לגבולות היומן: אם מחילים מסנן על טווח זמן מותאם אישית שכולל תאריך שלא מופיע ביומן, יכול להיות שיוחזרו תוצאות לא צפויות. הסיבה לכך היא החישוב האריתמטי של המספרים הסודרים שמשמש לחישוב תחילת התקופה.
  • מסנני OR: אי אפשר להשתמש במסנני OR בשאילתות עם לוחות שנה מותאמים אישית.
  • התנהגות המרת אזור הזמן: Looker מכבד את הסמנטיקה הקיימת של המרת אזור הזמן. כלומר, אם אזור הזמן של מסד הנתונים זהה לאזור הזמן של השאילתה, לא יתבצע המרה של אזור הזמן. אם הם שונים, Looker יחיל את ההמרה של אזור הזמן. כדי לשנות את ההתנהגות הזו, מציינים convert_tz: no בקבוצת המאפיינים של לוח השנה בהתאמה אישית.
  • מיון ברירת מחדל: Looker מחיל מיון ברירת מחדל על שדה התאריך הראשון כשבוחרים שדות מותאמים אישית של לוח שנה. אחר כך המשתמש יכול לציין מיון שונה של הנתונים.
  • מסננים מותאמים אישית של יומן: מאפיינים מותאמים אישית של יומן תומכים באפשרויות סינון ספציפיות, כמו is in the last 3 custom years או is this custom period. מידע נוסף זמין בקטע מסננים מותאמים אישית של יומן בדף התיעוד בנושא סינון והגבלת נתונים.

ניבים נתמכים של מסדי נתונים ליומנים בהתאמה אישית

בטבלה הבאה מפורטים הניבים שתומכים ביומנים בהתאמה אישית בגרסה האחרונה של Looker:

דיאלקט האם יש תמיכה?
Actian Avalanche
Amazon Athena
Amazon Aurora MySQL
Amazon Redshift
Amazon Redshift 2.1+
Amazon Redshift Serverless 2.1+
Apache Druid
Apache Druid 0.13.x - 0.17.x
Apache Druid 0.18+
Apache Hive 2.3+
Apache Hive 3.1.2+
Apache Spark 3+
ClickHouse
Cloudera Impala 3.1+
Cloudera Impala 3.1+ with Native Driver
Cloudera Impala with Native Driver
DataVirtuality
Databricks
Denodo 7
Denodo 8 & 9
Dremio
Dremio 11+
Exasol
Google BigQuery Legacy SQL
Google BigQuery Standard SQL
Google Cloud AlloyDB for PostgreSQL
Google Cloud PostgreSQL
Google Cloud SQL
Google Spanner
Greenplum
HyperSQL
IBM Netezza
MariaDB
Microsoft Azure PostgreSQL
Microsoft Azure SQL Database
Microsoft Azure Synapse Analytics
Microsoft SQL Server 2008+
Microsoft SQL Server 2012+
Microsoft SQL Server 2016
Microsoft SQL Server 2017+
MongoBI
MySQL
MySQL 8.0.12+
Oracle
Oracle ADWC
PostgreSQL 9.5+
PostgreSQL pre-9.5
PrestoDB
PrestoSQL
SAP HANA
SAP HANA 2+
SingleStore
SingleStore 7+
Snowflake
Teradata
Trino
Vector
Vertica