Cas d’utilisation de l’extension BI
- Rubriques :
- Vues des données
Créé pour :
- Utilisateur ou utilisatrice
Cet article explique comment accomplir un certain nombre de cas d’utilisation à l’aide de l’extension Customer Journey Analytics BI. Chaque cas d’utilisation décrit la fonctionnalité de Customer Journey Analytics, suivi de détails pour chacun des outils de BI pris en charge :
- Bureau Power BI. La version utilisée est 2.137.1102.0 64 bits (octobre 2024).
- Tableau Desktop. La version utilisée est la version 2024.1.5 (20241.24.0705.0334) 64 bits.
- Looker. Version en ligne 25.0.23, disponible via looker.com
- Notebook Jupyter. La version utilisée est la version 7.3.2.
- RStudio La version utilisée est 2024.12.0, build 467.
Les cas d’utilisation suivants sont documentés :
-
Connexion
-
Rapport et analyse
- Tendance quotidienne
- Tendance horaire
- Tendance mensuelle
- Classement sur une seule dimension
- Classement de plusieurs dimensions
- Compter les valeurs de dimension distinctes
- Utilisation de noms de périodes pour le filtrage
- Utiliser les noms de filtre pour le filtrage
- Utilisation des valeurs de dimension pour le filtrage
- Tri
- Limites
-
Comprendre
Le cas d’utilisation connect se concentre sur la connexion des outils BI à l’aide de l’extension Customer Journey Analytics BI.
Les cas d’utilisation rapport et analyse expliquent comment réaliser des visualisations Customer Journey Analytics similaires dans les outils de BI actuellement pris en charge.
Les cas d’utilisation comprendre fournissent plus de détails sur les éléments suivants :
- Transformations qui se produisent lorsque vous utilisez des outils BI pour créer des rapports et des analyses.
- Similitudes et différences de visualisation entre les outils Customer Journey Analytics et BI.
- Avertissements relatifs à chacun des outils de BI dont vous devez tenir compte.
Connexion et validation
Ce cas d’utilisation configure la connexion de l’outil BI à Customer Journey Analytics, répertorie les vues de données disponibles et sélectionne une vue de données à utiliser.
Les instructions se rapportent à un exemple d’environnement avec les objets suivants :
- Vue de données : C&C - Vue de données ??.
- Dimensions : Nom du produit ?? et Catégorie de produit ??.
- Mesures : Chiffre d’affaires d’achat ?? et Achats ??.
- Filtre : Produits de la pêche ??.
Lorsque vous parcourez les cas d’utilisation, remplacez ces exemples d’objets par des objets appropriés à votre environnement spécifique.
-
Accédez aux informations d’identification et aux paramètres requis à partir de l’interface utilisateur d’Experience Platform Query Service.
-
Accédez à votre sandbox Experience Platform.
-
Sélectionnez
-
Sélectionnez l’onglet Informations d’identification dans l’interface Requêtes.
-
Sélectionnez
prod:cja
dans le menu déroulant Base de données.
-
-
Démarrez Power BI Desktop.
-
Dans l’interface principale, sélectionnez Obtenir des données à partir d’autres sources.
-
Dans la boîte de dialogue Obtenir des données :
1. Recherchez et sélectionnez **Base de données PostgreSQL**. 1. Sélectionnez **Connexion**.
-
Dans la boîte de dialogue Base de données PostgreSQL :
1. Utilisez  pour copier et coller les valeurs **Hôte** et **Port** à partir du panneau Experience Platform **Requête** **Informations d’identification arrivant à expiration**, séparées par `:` comme valeur de **Server**. Par exemple : `examplecompany.platform-query.adobe.io:80`. 1. Utilisez  pour copier et coller la valeur **Base de données** à partir du panneau Experience Platform **Requête** **Informations d’identification arrivant à expiration**. Ajoutez `?FLATTEN` à la valeur que vous collez. Par exemple : `prod:cja?FLATTEN`. 1. Sélectionnez **DirectQuery** comme **mode de connectivité des données**. 1. Sélectionnez **OK**.
-
Dans la boîte de dialogue Base de données PostgreSQL - Base de données :
1. Utilisez  pour copier les valeurs **Nom d’utilisateur** et **Mot de passe** à partir du panneau Experience Platform **Requête** **Informations d’identification arrivant à expiration** dans les champs **Nom d’utilisateur** et **Mot de passe**. Si vous utilisez des informations d’identification [ non expirantes](https://experienceleague.adobe.com/fr/docs/experience-platform/query/ui/credentials?lang=fr#use-credential-to-connect), utilisez le mot de passe correspondant. 1. Assurez-vous que le menu déroulant **Sélectionner le niveau auquel appliquer ces paramètres** est défini sur le **Serveur** que vous avez défini précédemment. 1. Sélectionnez **Connexion**.
-
Dans la boîte de dialogue Navigateur, les vues de données sont récupérées. Cette récupération peut prendre un certain temps. Une fois la récupération effectuée, les éléments suivants s’affichent dans Power BI Desktop.
1. Sélectionnez **public.cc_data_view** dans la liste du panneau de gauche. 1. Vous disposez de deux options : 1. Sélectionnez **Charger** pour continuer et terminer la configuration. 1. Sélectionnez **Transformer les données**. Une boîte de dialogue s’affiche, dans laquelle vous pouvez éventuellement appliquer des transformations dans le cadre de la configuration.
<img src="https://experienceleague.adobe.com/docs/analytics-platform/assets/powerbi-transform-data.png?lang=fr" alt="Données de transformation de bureau Power BI" class="modal-image"> * Sélectionnez **Fermer et appliquer**.
-
Au bout d’un certain temps, public.cc_data_view s’affiche dans le volet Data. Sélectionnez
-
A APLATIR ou non
Power BI Desktop prend en charge les scénarios suivants pour le paramètre FLATTEN
. Voir Aplatir les données imbriquées pour plus d’informations.
prod:cja
?FLATTEN
prod:cja?FLATTEN
%3FFLATTEN
prod:cja%3FFLATTEN
Informations supplémentaires
-
Accédez aux informations d’identification et aux paramètres requis à partir de l’interface utilisateur d’Experience Platform Query Service.
-
Accédez à votre sandbox Experience Platform.
-
Sélectionnez
-
Sélectionnez l’onglet Informations d’identification dans l’interface Requêtes.
-
Sélectionnez
prod:cja
dans le menu déroulant Base de données.
-
-
Démarrez Tableau.
-
Sélectionnez PostgreSQL dans le rail de gauche sous Vers un serveur. Si elle n’est pas disponible, sélectionnez Plus… et sélectionnez PostgreSQL dans la Connecteurs installés.
-
Dans la boîte de dialogue PostgreSQL, dans l’onglet Général :
1. Utilisez  pour copier et coller le **Hôte** du panneau **Requête** **Informations d’identification arrivant à expiration** d’Experience Platform vers le **Serveur**. 1. Utilisez  pour copier et coller le **Port** depuis le panneau Experience Platform **Requête** **Informations d’identification arrivant à expiration** vers le **Port**. 1. Utilisez  pour copier et coller la **Base de données** du panneau **Requête** **Informations d’identification arrivant à expiration** d’Experience Platform vers la **Base de données**. Ajoutez `%3FFLATTEN` à la valeur que vous collez. Par exemple : `prod:cja%3FFLATTEN`. 1. Sélectionnez **Nom d’utilisateur et mot de passe** dans le menu déroulant **Authentification**. 1. Utilisez  pour copier et coller le **Nom d’utilisateur** du panneau **Requête** **Informations d’identification arrivant à expiration** d’Experience Platform dans le **Nom d’utilisateur**. 1. Utilisez  pour copier et coller le **Mot de passe** du panneau Experience Platform **Requête** **Informations d’identification arrivant à expiration** dans le **Mot de passe**. Si vous utilisez des informations d’identification [ non expirantes](https://experienceleague.adobe.com/fr/docs/experience-platform/query/ui/credentials?lang=fr#use-credential-to-connect), utilisez le mot de passe correspondant. 1. Assurez-vous que la case **Exiger SSL** est cochée. 1. Sélectionnez **Se connecter**.
Une boîte de dialogue Progression de la demande s'affiche alors que Tableau Desktop valide la connexion.
-
Dans la fenêtre principale, comme dans la page Source de données, dans le volet de gauche :
-
Nom de la connexion, sous Connexions.
-
Nom de la base de données, sous Base de données.
-
Liste des tableaux, sous Tableau.
- Faites glisser l’entrée cc_data_view et déposez-la sur la vue principale qui indique Faire glisser des tableaux ici.
-
-
La fenêtre principale affiche les détails de la vue de données cc_data_view.
-
A APLATIR ou non
Tableau Desktop prend en charge les scénarios suivants pour le paramètre FLATTEN
. Voir Aplatir les données imbriquées pour plus d’informations.
prod:cja
?FLATTEN
prod:cja?FLATTEN
%3FFLATTEN
prod:cja%3FFLATTEN
%3FFLATTEN
est la version codée URL de ?FLATTEN
.Informations supplémentaires
-
Accédez aux informations d’identification et aux paramètres requis à partir de l’interface utilisateur d’Experience Platform Query Service.
-
Accédez à votre sandbox Experience Platform.
-
Sélectionnez
-
Sélectionnez l’onglet Informations d’identification dans l’interface Requêtes.
-
Sélectionnez
prod:cja
dans le menu déroulant Base de données.
-
-
Connexion à Looker
-
Sélectionnez Admin dans le rail de gauche.
-
Sélectionnez Connexions.
-
Sélectionnez Ajouter une connexion.
-
Dans l’écran Connexion de la base de données à l’outil de recherche.
- Saisissez un Nom pour votre connexion, par exemple
Example Looker Connection
. - Assurez-vous que Tous les projets est sélectionné comme Portée de la connexion.
- Sélectionnez PostgreSQL 9.5+ comme dialecte.
- Utilisez
examplecompany.platform-query.adobe.io
. - Utilisez
80
. - Utilisez
%3FFLATTEN
à la valeur que vous collez. Par exemple :prod:cja%3FFLATTEN
. - Utilisez
- Utilisez
- Sélectionnez Développer tout dans Paramètres facultatifs.
- Définissez Connexions max par nœud sur
5
. - Assurez-vous que SSL est activé.
- Sélectionnez Tester pour tester la connexion. Une bannière devrait s’afficher en haut de l’écran avec un message comme Succès, peut connecter JDBC ….
- Sélectionnez Connexion pour établir et enregistrer la connexion.
- Saisissez un Nom pour votre connexion, par exemple
-
La nouvelle connexion s’affiche dans l’interface Connexions.
-
Sélectionnez ← dans Admin pour accéder à la navigation principale dans le rail de gauche.
-
Sélectionnez Développer.
-
Sélectionnez Projets.
-
Sélectionnez Nouveau modèle dans les projets LookML.
-
Pour vous assurer que vous n’affectez pas d’autres utilisateurs. Sélectionnez Activer le mode de développement lorsque vous y êtes invité.
-
Dans l’expérience Créer un modèle :
-
Dans ➊ Sélectionnez Connexion À La Base De Données :
- Sélectionnez votre connexion à la base de données dans Sélectionner la connexion à la base de données. Par exemple : exemple_recherche_connexion.
- Nommez votre projet dans Créez un projet LookML pour ce modèle. Par
example: example_looker_project
. - Sélectionnez Suivant.
-
Dans ➋ Sélectionnez Tables :
- Sélectionnez public puis assurez-vous que la vue de données Customer Journey Analytics est sélectionnée. Par exemple :
- Sélectionnez Suivant.
- Sélectionnez public puis assurez-vous que la vue de données Customer Journey Analytics est sélectionnée. Par exemple :
-
Dans ➌ Sélectionnez Clés de Principal :
- Sélectionnez Suivant.
-
Dans ➍ sélectionnez Explorations à créer :
- Veillez à sélectionner votre vue. Par exemple : cc_data_view.view.
- Sélectionnez Suivant.
-
Dans ➎ Saisissez Le Nom Du Modèle :
- Nommez votre modèle. Par exemple :
example_looker_model
.
- Nommez votre modèle. Par exemple :
-
Sélectionnez Terminer et Explorer les données.
-
Vous êtes redirigé vers l’interface Explorer de l’outil de recherche, prête à explorer les données.
-
A APLATIR ou non
Looker prend en charge les scénarios suivants pour le paramètre FLATTEN
. Voir Aplatir les données imbriquées pour plus d’informations.
prod:cja
?FLATTEN
prod:cja?FLATTEN
%3FFLATTEN
prod:cja%3FFLATTEN
%3FFLATTEN
est la version codée URL de ?FLATTEN
.Informations supplémentaires
-
Accédez aux informations d’identification et aux paramètres requis à partir de l’interface utilisateur d’Experience Platform Query Service.
-
Accédez à votre sandbox Experience Platform.
-
Sélectionnez
-
Sélectionnez l’onglet Informations d’identification dans l’interface Requêtes.
-
Sélectionnez
prod:cja
dans le menu déroulant Base de données.
-
-
Assurez-vous d’avoir configuré un environnement virtuel Python dédié pour exécuter votre environnement Jupyter Notebook.
-
Vérifiez que vous avez installé les bibliothèques requises dans votre environnement virtuel :
- ipython-sql :
pip install ipython-sql
. - psycopg2-binary :
pip install psycopg-binary
. - sqlalchemy : pip
install sqlalchemy
.
- ipython-sql :
-
Démarrez Jupyter Notebook à partir de votre environnement virtuel :
jupyter notebook
. -
Créez un nouveau notebook ou téléchargez cet exemple de notebook.
-
Dans la première cellule, saisissez et exécutez :
%config SqlMagic.style = '_DEPRECATED_DEFAULT'
-
Dans une nouvelle cellule, saisissez les paramètres de configuration de votre connexion. Utilisez
import ipywidgets as widgets from IPython.display import display config_host = widgets.Text(description='Host:', value='example.platform-query-stage.adobe.io', layout=widgets.Layout(width="600px")) display(config_host) config_port = widgets.IntText(description='Port:', value=80, layout=widgets.Layout(width="200px")) display(config_port) config_db = widgets.Text(description='Database:', value='prod:cja', layout=widgets.Layout(width="300px")) display(config_db) config_username = widgets.Text(description='Username:', value='EC582F955C8A79F70A49420E@AdobeOrg', layout=widgets.Layout(width="600px")) display(config_username) config_password = widgets.Password(description='Password:', value='***', layout=widgets.Layout(width="600px")) display(config_password)
-
Exécutez la cellule.
-
Utilisez
-
Dans une nouvelle cellule, saisissez les instructions pour charger l’extension SQL, la bibliothèque requise et vous connecter à Customer Journey Analytics.
%load_ext sql from sqlalchemy import create_engine %sql postgresql://{config_username.value}:{config_password.value}@{config_host.value}:{config_port.value}/{config_db.value}?sslmode=require
Exécutez le shell. Vous ne devriez pas voir de sortie mais la cellule devrait s'exécuter sans avertissement.
-
Dans un nouvel appel, saisissez les instructions pour obtenir une liste des vues de données disponibles en fonction de la connexion.
%%sql SELECT n.nspname as "Schema", c.relname as "Name", CASE c.relkind WHEN 'r' THEN 'table' WHEN 'v' THEN 'view' WHEN 'm' THEN 'materialized view' WHEN 'i' THEN 'index' WHEN 'S' THEN 'sequence' WHEN 's' THEN 'special' WHEN 't' THEN 'TOAST table' WHEN 'f' THEN 'foreign table' WHEN 'p' THEN 'partitioned table' WHEN 'I' THEN 'partitioned index' END as "Type", pg_catalog.pg_get_userbyid(c.relowner) as "Owner" FROM pg_catalog.pg_class c LEFT JOIN pg_catalog.pg_namespace n ON n.oid = c.relnamespace WHERE c.relkind IN ('v','') AND n.nspname <> 'pg_catalog' AND n.nspname !~ '^pg_toast' AND n.nspname <> 'information_schema' AND pg_catalog.pg_table_is_visible(c.oid) AND c.relname NOT LIKE '%test%' AND c.relname NOT LIKE '%ajo%' ORDER BY 1,2;
Exécutez le shell. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.
Vous devriez voir la cc_data_view dans la liste des vues de données.
A APLATIR ou non
Le notebook Jupyter prend en charge les scénarios suivants pour le paramètre FLATTEN
. Voir Aplatir les données imbriquées pour plus d’informations.
prod:cja
?FLATTEN
prod:cja?FLATTEN
%3FFLATTEN
prod:cja%3FFLATTEN
%3FFLATTEN
est la version codée URL de ?FLATTEN
.Informations supplémentaires
-
Accédez aux informations d’identification et aux paramètres requis à partir de l’interface utilisateur d’Experience Platform Query Service.
-
Accédez à votre sandbox Experience Platform.
-
Sélectionnez
-
Sélectionnez l’onglet Informations d’identification dans l’interface Requêtes.
-
Sélectionnez
prod:cja
dans le menu déroulant Base de données.
-
-
Démarrez RStudio.
-
Créez un nouveau fichier R Markdown ou téléchargez cet exemple de fichier R Markdown.
-
Dans votre premier bloc, saisissez les instructions suivantes entre
{r} ` et `
. Utilisezhost
,dbname
etuser
. Par exemple :library(rstudioapi) library(DBI) library(dplyr) library(tidyr) library(RPostgres) library(ggplot2) host <- rstudioapi::showPrompt(title = "Host", message = "Host", default = "orangestagingco.platform-query-stage.adobe.io") dbname <- rstudioapi::showPrompt(title = "Database", message = "Database", default = "prod:cja?FLATTEN") user <- rstudioapi::showPrompt(title = "Username", message = "Username", default = "EC582F955C8A79F70A49420E@AdobeOrg") password <- rstudioapi::askForPassword(prompt = "Password")
-
Exécutez le bloc. Vous êtes invité à indiquer Hôte, Base de données et Utilisateur. Il vous suffit d’accepter les valeurs que vous avez fournies dans le cadre de l’étape précédente.
-
Utilisez
-
Créez un bloc et saisissez les instructions suivantes entre ```` {r}
et
.
con <- dbConnect( RPostgres::Postgres(), host = host, port = 80, dbname = dbname, user = user, password = password, sslmode = 'require' )
-
Exécutez le bloc. Vous ne devriez voir aucune sortie si la connexion est réussie.
-
Créez un bloc et saisissez les instructions suivantes entre ```` {r}
et
.
views <- dbListTables(con) print(views)
-
Exécutez le bloc. Vous devriez voir
character(0)
comme seule sortie. -
Créez un bloc et saisissez les instructions suivantes entre ```` {r}
et
.
glimpse(dv)
-
Exécutez le bloc. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.
A APLATIR ou non
RStudio prend en charge les scénarios suivants pour le paramètre FLATTEN
. Voir Aplatir les données imbriquées pour plus d’informations.
prod:cja
?FLATTEN
prod:cja?FLATTEN
%3FFLATTEN
prod:cja%3FFLATTEN
Informations supplémentaires
Tendance quotidienne
Dans ce cas d’utilisation, vous souhaitez afficher un tableau et une visualisation en ligne simple qui affiche une tendance quotidienne d’occurrences (événements) du 1er janvier 2023 au 31 janvier 2023.
Exemple de panneau Tendance quotidienne pour le cas d’utilisation :
-
Dans le volet Données :
- Sélectionnez daterangeday.
- Sélectionnez ∑ occurrences.
Un tableau affiche les occurrences du mois en cours. Pour une meilleure visibilité, agrandissez la visualisation.
-
Dans le volet Filtres :
- Sélectionnez le daterangeday is (All) dans Filtres sur ce visuel.
- Sélectionnez Filtrage avancé comme Type de filtre.
- Définissez le filtre pour Afficher les éléments lorsque la valeur est égale ou postérieure
1/1/2023
Et est antérieure2/1/2023.
Vous pouvez utiliser l’icône de calendrier pour sélectionner des dates. - Sélectionnez Appliquer le filtre.
Le tableau est mis à jour avec le filtre daterangeday appliqué.
-
Dans le volet Visualisations, sélectionnez la visualisation Graphique en courbes.
Un graphique en courbes remplace le tableau tout en utilisant les mêmes données que le tableau. Votre bureau Power BI doit se présenter comme suit :
-
Dans la visualisation sous forme de graphique en courbes :
- Sélectionnez
- Dans le menu contextuel, sélectionnez Afficher sous forme de tableau.
La vue principale est mise à jour pour afficher à la fois une visualisation en ligne et un tableau. Votre bureau Power BI doit se présenter comme suit :
- Sélectionnez
-
Sélectionnez l'onglet Feuille 1 en bas pour passer de la vue Source de données. Dans la vue Feuille 1 :
-
Faites glisser l’entrée Période de la liste Tableaux dans le volet Données et déposez-la sur l’étagère Filtres.
-
Dans la boîte de dialogue Champ de filtre [Période], sélectionnez Période et sélectionnez Suivant >.
-
Dans la boîte de dialogue Filtrer [Période], sélectionnez Période et spécifiez une période de
01/01/2023
-01/02/2023
. -
Effectuez un glisser-déposer de Daterangeday depuis la liste Tables dans le volet Données et déposez l'entrée dans le champ en regard de Colonnes.
- Sélectionnez Jour dans le menu déroulant Daterangeday afin que la valeur soit mise à jour sur JOUR(Daterangeday).
-
Effectuez un glisser-déposer Occurrences depuis la liste Tableaux (Noms des mesures) dans le volet Données et déposez l’entrée dans le champ en regard de Lignes. La valeur est automatiquement convertie en SUM(Occurrences).
-
Modifiez Standard en Vue entière dans le menu déroulant Ajuster de la barre d’outils.
Votre Tableau Desktop devrait ressembler à ce qui suit.
-
-
Sélectionnez Dupliquer dans le menu contextuel de l’onglet Feuille 1 pour créer une deuxième feuille.
-
Sélectionnez Renommer dans le menu contextuel de l’onglet Feuille 1 pour renommer la feuille en
Graph
. -
Sélectionnez Renommer dans le menu contextuel de l'onglet Feuille 1 (2) pour renommer la feuille en
Data
. -
Assurez-vous que la feuille Data est sélectionnée. Dans la vue Data :
-
Sélectionnez Afficher en haut à droite, puis sélectionnez Tableau de texte (visualisation en haut à gauche) pour modifier le contenu de la vue de données en tableau.
-
Sélectionnez Permuter les lignes et les colonnes dans la barre d’outils.
-
Modifiez Standard en Vue entière dans le menu déroulant Ajuster de la barre d’outils.
Votre Tableau Desktop devrait ressembler à ce qui suit.
-
-
Sélectionnez le bouton d’onglet Nouveau tableau de bord (en bas) pour créer une vue Tableau de bord 1. Dans la vue Tableau de bord 1 :
-
Faites glisser et déposez la feuille Graph de l’étagère Feuilles sur la vue Tableau de bord 1 qui indique Déposez les feuilles ici.
-
Faites glisser et déposez la feuille Données de l’étagère Feuilles sous la feuille Graphique vers la vue Tableau de bord 1.
-
Sélectionnez la feuille Données dans la vue et modifiez Vue entière en Fixe largeur.
Votre Tableau Desktop devrait ressembler à ce qui suit.
-
-
Dans l’interface Explorer de Looker, assurez-vous que vous disposez d’une configuration propre. Sinon, sélectionnez
-
Sélectionnez + filtre sous filtres.
-
Dans la boîte de dialogue Ajouter un filtre :
-
Sélectionnez ‣ Cc Vue De Données
-
Dans la liste des champs, sélectionnez Date de période puis Date de période.
-
-
Spécifiez le filtre Date de plage de dates de la vue de données Cc tel que est dans la plage 2023/01/01 jusqu’au (avant) 2023/02/01.
-
Dans la section Vue de données Cc du rail de gauche,
- Sélectionnez ‣ Daterange Date, puis Date dans la liste des DIMENSIONS.
- Sélectionnez Nombre sous MESURES dans le rail de gauche (en bas).
-
Sélectionnez Exécuter.
-
Sélectionnez ‣ Visualisation pour afficher la visualisation Ligne.
Vous devriez voir une visualisation et un tableau similaires à ceux présentés ci-dessous.
-
Saisissez les instructions suivantes dans une nouvelle cellule.
import seaborn as sns import matplotlib.pyplot as plt data = %sql SELECT daterangeday AS Date, COUNT(*) AS Events \ FROM cc_data_view \ WHERE daterange BETWEEN '2023-01-01' AND '2023-02-01' \ GROUP BY 1 \ ORDER BY Date ASC df = data.DataFrame() df = df.groupby('Date', as_index=False).sum() plt.figure(figsize=(15, 3)) sns.lineplot(x='Date', y='Events', data=df) plt.show() display(data)
-
Exécutez la cellule. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.
-
Saisissez les instructions suivantes entre
{r} ` et `
dans un nouveau bloc.## Daily Events df <- dv %>% filter(daterange >= "2023-01-01" & daterange < "2023-02-01") %>% group_by(daterangeday) %>% count() %>% arrange(daterangeday, .by_group = FALSE) ggplot(df, aes(x = daterangeday, y = n)) + geom_line(color = "#69b3a2") + ylab("Events") + xlab("Date") print(df)
-
Exécutez le bloc. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.
Tendance horaire
Dans ce cas d’utilisation, vous souhaitez afficher un tableau et une visualisation en ligne simple qui affiche une tendance horaire des occurrences (événements) pour le 1er janvier 2023.
Exemple de panneau Tendance horaire pour le cas d’utilisation :
-
Sélectionnez l’onglet Feuille 1 en bas pour basculer depuis Source de données. Dans la vue Feuille 1 :
-
Faites glisser l’entrée Période de la liste Tableaux dans le volet Données et déposez-la sur l’étagère Filtres.
-
Dans la boîte de dialogue Champ de filtre [Période], sélectionnez Période et sélectionnez Suivant >.
-
Dans la boîte de dialogue Filtrer [Période], sélectionnez Période et spécifiez une période de
01/01/2023
-02/01/2023
. -
Effectuez un glisser-déposer de Daterangehour depuis la liste Tableaux dans le volet Données et déposez l’entrée dans le champ en regard de Colonnes.
- Sélectionnez Plus > Heures dans le menu déroulant Daterangeday afin que la valeur soit mise à jour sur HEURE(Daterangeday).
-
Effectuez un glisser-déposer Occurrences depuis la liste Tableaux (Noms des mesures) dans le volet Données et déposez l’entrée dans le champ en regard de Lignes. La valeur est automatiquement convertie en SUM(Occurrences).
-
Modifiez Standard en Vue entière dans le menu déroulant Ajuster de la barre d’outils.
Votre Tableau Desktop devrait ressembler à ce qui suit.
-
-
Sélectionnez Dupliquer dans le menu contextuel de l’onglet Feuille 1 pour créer une deuxième feuille.
-
Sélectionnez Renommer dans le menu contextuel de l’onglet Feuille 1 pour renommer la feuille en
Graph
. -
Sélectionnez Renommer dans le menu contextuel de l'onglet Feuille 1 (2) pour renommer la feuille en
Data
. -
Assurez-vous que la feuille Data est sélectionnée. Dans la vue Data :
-
Sélectionnez Afficher en haut à droite, puis sélectionnez Tableau de texte (visualisation en haut à gauche) pour modifier le contenu de la vue de données en tableau.
-
Faites glisser HOUR(Daterangeday) de Columns vers Rows.
-
Modifiez Standard en Vue entière dans le menu déroulant Ajuster de la barre d’outils.
Votre Tableau Desktop devrait ressembler à ce qui suit.
-
-
Sélectionnez le bouton d’onglet Nouveau tableau de bord (en bas) pour créer une vue Tableau de bord 1. Dans la vue Tableau de bord 1 :
-
Faites glisser et déposez la feuille Graph de l’étagère Feuilles sur la vue Tableau de bord 1 qui indique Déposez les feuilles ici.
-
Faites glisser et déposez la feuille Données de l’étagère Feuilles sous la feuille Graphique vers la vue Tableau de bord 1.
-
Sélectionnez la feuille Données dans la vue et modifiez Vue entière en Fixe largeur.
La vue de votre Tableau de bord 1 doit se présenter comme suit :
-
-
Dans l’interface Explorer de Looker, assurez-vous que vous disposez d’une configuration propre. Sinon, sélectionnez
-
Sélectionnez + filtre sous filtres.
-
Dans la boîte de dialogue Ajouter un filtre :
-
Sélectionnez ‣ Cc Vue De Données
-
Dans la liste des champs, sélectionnez Date de période puis Date de période.
-
-
Spécifiez le filtre Date de plage de dates de la vue de données Cc tel que est dans la plage 2023/01/01 jusqu’au (avant) 2023/01/02.
-
Dans la section Vue de données Cc du rail de gauche,
- Sélectionnez ‣ Date de l’heure du tableau de bord puis Heure dans la liste des DIMENSIONS.
- Sélectionnez Nombre sous MESURES dans le rail de gauche (en bas).
-
Sélectionnez Exécuter.
-
Sélectionnez ‣ Visualisation pour afficher la visualisation Ligne.
Vous devriez voir une visualisation et un tableau similaires à ceux présentés ci-dessous.
-
Saisissez les instructions suivantes dans une nouvelle cellule.
import seaborn as sns import matplotlib.pyplot as plt data = %sql SELECT daterangehour AS Hour, COUNT(*) AS Events \ FROM cc_data_view \ WHERE daterange BETWEEN '2023-01-01' AND '2023-01-02' \ GROUP BY 1 \ ORDER BY Hour ASC df = data.DataFrame() df = df.groupby('Hour', as_index=False).sum() plt.figure(figsize=(15, 3)) sns.lineplot(x='Hour', y='Events', data=df) plt.show() display(data)
-
Exécutez la cellule. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.
-
Saisissez les instructions suivantes entre
{r} ` et `
dans un nouveau bloc.## Hourly Events df <- dv %>% filter(daterange >= "2023-01-01" & daterange < "2023-01-02") %>% group_by(daterangehour) %>% count() %>% arrange(daterangehour, .by_group = FALSE) ggplot(df, aes(x = daterangehour, y = n)) + geom_line(color = "#69b3a2") + ylab("Events") + xlab("Hour") print(df)
-
Exécutez le bloc. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.
Tendance mensuelle
Dans ce cas d’utilisation, vous souhaitez afficher un tableau et une visualisation en ligne simple qui montre une tendance mensuelle d’occurrence (événements) pour 2023.
Exemple de panneau Tendance mensuelle pour le cas d’utilisation :
-
Dans le volet Données :
- Sélectionnez daterangemonth.
- Sélectionnez ∑ occurrences.
Un tableau affiche les occurrences du mois en cours. Pour une meilleure visibilité, agrandissez la visualisation.
-
Dans le volet Filtres :
- Sélectionnez le daterangemonth is (All) dans Filtres sur ce visuel.
- Sélectionnez Filtrage avancé comme Type de filtre.
- Définissez le filtre pour Afficher les éléments lorsque la valeur est égale ou postérieure
1/1/2023
Et est antérieure1/1/2024.
Vous pouvez utiliser l’icône de calendrier pour sélectionner des dates. - Sélectionnez Appliquer le filtre.
Le tableau est mis à jour avec le filtre daterangemonth appliqué.
-
Dans le volet Visualisations :
- Sélectionnez la visualisation Graphique en courbes.
Un graphique en courbes remplace le tableau tout en utilisant les mêmes données que le tableau. Votre bureau Power BI doit se présenter comme suit :
-
Dans la visualisation sous forme de graphique en courbes :
- Sélectionnez
- Dans le menu contextuel, sélectionnez Afficher sous forme de tableau.
La vue principale est mise à jour pour afficher à la fois une visualisation en ligne et un tableau. Votre bureau Power BI doit se présenter comme suit :
- Sélectionnez
-
Sélectionnez l’onglet Feuille 1 en bas pour basculer depuis Source de données. Dans la vue Feuille 1 :
-
Faites glisser l’entrée Période de la liste Tableaux dans le volet Données et déposez-la sur l’étagère Filtres.
-
Dans la boîte de dialogue Champ de filtre [Période], sélectionnez Période et sélectionnez Suivant >.
-
Dans la boîte de dialogue Filtrer [Période], sélectionnez Période et spécifiez une période de
01/01/2023
-01/01/2024
. -
Effectuez un glisser-déposer de Daterangeday depuis la liste Tables dans le volet Données et déposez l'entrée dans le champ en regard de Colonnes.
- Sélectionnez MONTH dans le menu déroulant Daterangeday afin que la valeur soit mise à jour sur MONTH(Daterangeday).
-
Effectuez un glisser-déposer Occurrences depuis la liste Tableaux (Noms des mesures) dans le volet Données et déposez l’entrée dans le champ en regard de Lignes. La valeur est automatiquement convertie en SUM(Occurrences).
-
Modifiez Standard en Vue entière dans le menu déroulant Ajuster de la barre d’outils.
Votre Tableau Desktop devrait ressembler à ce qui suit.
-
-
Sélectionnez Dupliquer dans le menu contextuel de l’onglet Feuille 1 pour créer une deuxième feuille.
-
Sélectionnez Renommer dans le menu contextuel de l’onglet Feuille 1 pour renommer la feuille en
Graph
. -
Sélectionnez Renommer dans le menu contextuel de l'onglet Feuille 1 (2) pour renommer la feuille en
Data
. -
Assurez-vous que la feuille Data est sélectionnée. Dans la vue de données :
-
Sélectionnez Afficher en haut à droite, puis sélectionnez Tableau de texte (visualisation en haut à gauche) pour modifier le contenu de la vue de données en tableau.
-
Faites glisser MONTH(Daterangeday) de Columns vers Rows.
-
Modifiez Standard en Vue entière dans le menu déroulant Ajuster de la barre d’outils.
Votre Tableau Desktop devrait ressembler à ce qui suit.
-
-
Sélectionnez le bouton d’onglet Nouveau tableau de bord (en bas) pour créer une vue Tableau de bord 1. Dans la vue Tableau de bord 1 :
-
Faites glisser et déposez la feuille Graph de l’étagère Feuilles sur la vue Tableau de bord 1 qui indique Déposez les feuilles ici.
-
Faites glisser et déposez la feuille Données de l’étagère Feuilles sous la feuille Graphique vers la vue Tableau de bord 1.
-
Sélectionnez la feuille Données dans la vue et modifiez Vue entière en Fixe largeur.
Votre Tableau Desktop devrait ressembler à ce qui suit.
-
-
Dans l’interface Explorer de Looker, assurez-vous que vous disposez d’une configuration propre. Sinon, sélectionnez
-
Sélectionnez + filtre sous filtres.
-
Dans la boîte de dialogue Ajouter un filtre :
-
Sélectionnez ‣ Cc Vue De Données
-
Dans la liste des champs, sélectionnez Date de période puis Date de période.
-
-
Spécifiez le filtre Date de plage de dates de la vue de données Cc tel que est dans la plage 2023/01/01 jusqu’au (avant) 2024/01/01.
-
Sur le rail de gauche Cc Data View,
- Sélectionnez ‣ Date du mois de la date puis Mois dans la liste DIMENSIONS.
- Sélectionnez Nombre sous MESURES dans le rail de gauche (en bas).
-
Sélectionnez Exécuter.
-
Sélectionnez ‣ Visualisation pour afficher la visualisation Ligne.
Vous devriez voir une visualisation et un tableau similaires à ceux présentés ci-dessous.
-
Saisissez les instructions suivantes dans une nouvelle cellule.
import seaborn as sns import matplotlib.pyplot as plt data = %sql SELECT daterangemonth AS Month, COUNT(*) AS Events \ FROM cc_data_view \ WHERE daterange BETWEEN '2023-01-01' AND '2024-01-01' \ GROUP BY 1 \ ORDER BY Month ASC df = data.DataFrame() df = df.groupby('Month', as_index=False).sum() plt.figure(figsize=(15, 3)) sns.lineplot(x='Month', y='Events', data=df) plt.show() display(data)
-
Exécutez la cellule. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.
-
Saisissez les instructions suivantes entre
{r} ` et `
dans un nouveau bloc.## Hourly Events df <- dv %>% filter(daterange >= "2023-01-01" & daterange < "2023-01-02") %>% group_by(daterangehour) %>% count() %>% arrange(daterangehour, .by_group = FALSE) ggplot(df, aes(x = daterangehour, y = n)) + geom_line(color = "#69b3a2") + ylab("Events") + xlab("Hour") print(df)
-
Exécutez le bloc. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.
Classement sur une seule dimension
Dans ce cas d’utilisation, vous souhaitez afficher un tableau et une visualisation simple à barres qui montre les achats et le chiffre d’affaires des achats pour les noms de produits sur 2023.
Exemple de panneau Classement sur un seul Dimension pour le cas d’utilisation :