Jupiter 전자 필기장의 쿼리 서비스

Adobe Experience Platform SQL(Structured Query Language)을 표준 기능 Data Science Workspace 으로 통합하여 Query Service 사용할 JupyterLab 수 있습니다.

이 자습서는 Adobe Analytics 데이터를 탐색, 변환 및 분석하는 일반적인 사용 사례를 위한 샘플 SQL 쿼리를 보여 줍니다.

시작하기

이 자습서를 시작하기 전에 다음 사전 요구 사항을 충족해야 합니다.

Adobe Experience Platform에 액세스합니다. IMS에 대한 액세스 권한이 없는 경우 Experience Platform에서 시스템 관리자에게 문의하십시오.
Adobe Analytics 데이터 집합
이 자습서에 사용된 다음 주요 개념에 대한 작업 이해입니다.
- Experience Data Model (XDM) and XDM System
- Query Service
- Query Service SQL Syntax
- Adobe Analytics

JupyterLab 및 Query Service에 액세스

Experience Platform에서 왼쪽 탐색 열에서 Notebooks로 이동합니다. JupiterLab이 로드될 때까지 잠시 기다려 주십시오.

노트

새 시작 관리자 탭이 자동으로 나타나지 않으면 File을 클릭하여 새 시작 관리자 탭을 연 다음 New Launcher을 선택합니다.
시작 관리자 탭에서 Python 3 환경의 Blank 아이콘을 클릭하여 빈 전자 필기장을 엽니다.

노트

현재 Python 3은 전자 필기장에서 쿼리 서비스에 대해 지원되는 유일한 환경입니다.
왼쪽 선택 레일에서 Data 아이콘을 클릭하고 Datasets 디렉토리를 두 번 클릭하여 모든 데이터 세트를 나열합니다.
목록을 탐색하고 마우스 오른쪽 버튼으로 클릭한 다음 Query Data in Notebook 을 클릭하여 빈 노트북에서 SQL 쿼리를 생성합니다.Adobe Analytics
함수 qs_connect()이(가) 포함된 첫 번째 생성된 셀을 클릭하고 재생 단추를 클릭하여 실행합니다. 이 함수는 전자 필기장 인스턴스와 Query Service 간의 연결을 만듭니다.
두 번째 생성된 SQL 쿼리에서 Adobe Analytics 데이터 집합 이름을 복사합니다. 이 이름은 FROM 이후의 값이 됩니다.
+ 단추를 클릭하여 새 전자 필기장 셀을 삽입합니다.
새 셀에서 다음 가져오기 문을 복사, 붙여넣기 및 실행합니다. 다음 명령문은 데이터를 시각화하는 데 사용됩니다.
```
import plotly.plotly as py
import plotly.graph_objs as go
from plotly.offline import iplot
```
그런 다음 다음 다음 변수를 복사하여 새 셀에 붙여 넣습니다. 필요에 따라 값을 수정하고 실행합니다.
```
target_table = "your Adobe Analytics dataset name"
target_year = "2019"
target_month = "04"
target_day = "01"
```
- target_table :데이터 세트 Adobe Analytics 이름입니다.
- target_year :대상 데이터가 속한 특정 연도입니다.
- target_month :대상이 있는 특정 달.
- target_day :대상 데이터가 있는 특정 요일.
노트

이러한 값은 언제든지 변경할 수 있습니다. 이 경우 변경 사항을 적용할 변수 셀을 실행해야 합니다.

데이터 쿼리

개별 전자 필기장 셀에 다음 SQL 쿼리를 입력합니다. 셀에서 선택한 다음 play 단추를 선택하여 쿼리를 실행합니다. 성공적인 쿼리 결과 또는 오류 로그가 실행된 셀 아래에 표시됩니다.

장시간 노트북이 비활성화되면 노트북과 Query Service 간의 연결이 끊어질 수 있습니다. 이러한 경우 전원 단추 옆의 오른쪽 위 모서리에 있는 다시 시작 단추 다시 시작 단추 를 선택하여 JupyterLab을 다시 시작합니다.

전자 필기장 커널은 재설정되지만 셀이 남아 있게 되고, 모든 셀을 다시 실행하여 중단한 부분을 계속합니다.

시간별 방문자 수

다음 쿼리는 지정된 날짜에 대한 시간별 방문자 수를 반환합니다.

쿼리

%%read_sql hourly_visitor -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10)                               AS Day,
       Substring(timestamp, 12, 2)                               AS Hour, 
       Count(DISTINCT concat(enduserids._experience.aaid.id, 
                             _experience.analytics.session.num)) AS Visit_Count 
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY Day, Hour
ORDER  BY Hour;

위 쿼리에서 WHERE 절의 타임스탬프는 target_year 값으로 설정됩니다. 중괄호({})로 묶인 변수를 SQL 쿼리에 포함합니다.

쿼리의 첫 번째 행에는 선택적 변수 hourly_visitor이 포함됩니다. 쿼리 결과는 이 변수에 Pendas 데이터 프레임으로 저장됩니다. 결과를 데이터 프레임에 저장하면 원하는 Python 패키지를 사용하여 나중에 쿼리 결과를 시각화할 수 있습니다. 새 셀에서 다음 Python 코드를 실행하여 막대 그래프를 생성합니다.

trace = go.Bar(
    x = hourly_visitor['Hour'],
    y = hourly_visitor['Visit_Count'],
    name = "Visitor Count"
)
layout = go.Layout(
    title = 'Visit Count by Hour of Day',
    width = 1200,
    height = 600,
    xaxis = dict(title = 'Hour of Day'),
    yaxis = dict(title = 'Count')
)
fig = go.Figure(data = [trace], layout = layout)
iplot(fig)

시간별 활동 개수

다음 쿼리는 지정된 날짜에 대한 시간별 작업 수를 반환합니다.

쿼리

%%read_sql hourly_actions -d -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10)                        AS Day,
       Substring(timestamp, 12, 2)                        AS Hour, 
       Count(concat(enduserids._experience.aaid.id, 
                    _experience.analytics.session.num,
                    _experience.analytics.session.depth)) AS Count 
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY Day, Hour
ORDER  BY Hour;

위의 쿼리를 실행하면 결과를 데이터 프레임으로 hourly_actions에 저장합니다. 결과를 미리 보려면 새 셀에서 다음 함수를 실행합니다.

hourly_actions.head()

위의 쿼리는 WHERE 절의 논리 연산자를 사용하여 지정된 날짜 범위에 대한 시간별 작업 수를 반환하도록 수정할 수 있습니다.

쿼리

%%read_sql hourly_actions_date_range -d -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10)                        AS Day,
       Substring(timestamp, 12, 2)                        AS Hour, 
       Count(concat(enduserids._experience.aaid.id, 
                    _experience.analytics.session.num,
                    _experience.analytics.session.depth)) AS Count 
FROM   {target_table}
WHERE  timestamp >= TO_TIMESTAMP('2019-06-01 00', 'YYYY-MM-DD HH')
       AND timestamp <= TO_TIMESTAMP('2019-06-02 23', 'YYYY-MM-DD HH')
GROUP  BY Day, Hour
ORDER  BY Hour;

수정된 쿼리를 실행하면 결과를 데이터 프레임으로 hourly_actions_date_range에 저장합니다. 결과를 미리 보려면 새 셀에서 다음 함수를 실행합니다.

hourly_actions_date_rage.head()

방문자 세션당 이벤트 수

다음 쿼리는 지정된 날짜에 대해 방문자 세션당 이벤트 수를 반환합니다.

쿼리

%%read_sql events_per_session -c QS_CONNECTION
SELECT concat(enduserids._experience.aaid.id, 
              '-#', 
              _experience.analytics.session.num) AS aaid_sess_key, 
       Count(timestamp)                          AS Count 
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP BY aaid_sess_key
ORDER BY Count DESC;

다음 Python 코드를 실행하여 방문 세션당 이벤트 수에 대한 막대 그래프를 생성합니다.

data = [go.Histogram(x = events_per_session['Count'])]

layout = go.Layout(
    title = 'Histogram of Number of Events per Visit Session',
    xaxis = dict(title = 'Number of Events'),
    yaxis = dict(title = 'Count')
)

fig = go.Figure(data = data, layout = layout)
iplot(fig)

지정된 날에 인기 있는 페이지

다음 쿼리는 지정된 날짜에 대해 가장 빈도가 높은 10개의 페이지를 반환합니다.

쿼리

%%read_sql popular_pages -c QS_CONNECTION
SELECT web.webpagedetails.name                 AS Page_Name, 
       Sum(web.webpagedetails.pageviews.value) AS Page_Views 
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY web.webpagedetails.name 
ORDER  BY page_views DESC 
LIMIT  10;

지정된 일에 대한 활성 사용자

다음 쿼리는 지정된 날짜에 대해 가장 활성화된 사용자 10명을 반환합니다.

쿼리

%%read_sql active_users -c QS_CONNECTION
SELECT enduserids._experience.aaid.id AS aaid, 
       Count(timestamp)               AS Count
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY aaid
ORDER  BY Count DESC
LIMIT  10;

사용자 활동별 활성 도시

다음 쿼리는 지정된 날짜에 대해 대부분의 사용자 활동을 생성하는 10개 도시를 반환합니다.

쿼리

%%read_sql active_cities -c QS_CONNECTION
SELECT concat(placeContext.geo.stateProvince, ' - ', placeContext.geo.city) AS state_city, 
       Count(timestamp)                                                     AS Count
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY state_city
ORDER  BY Count DESC
LIMIT  10;

다음 단계

이 자습서는 Jupyter 노트북에서 Query Service을(를) 활용하기 위한 일부 샘플 사용 사례를 보여줍니다. 데이터 액세스 SDK를 사용하여 비슷한 작업이 수행되는 방법을 보려면 Jupiter 전자 필기장을 사용하여 데이터 분석 자습서를 따르십시오.

Adobe.com의 리소스

Digital Foundation Omnichannel Personalization Ecommerce Integrations Campaign Reporting Dynamic Content Data Analytics