1. Im Bereich Daten:

   1. Wählen Sie daterange aus.
   2. Wählen Sie product_name aus.
   3. Wählen Sie Summenvorfälle aus.

2. Im Bereich Filter:

   1. Wählen Sie daterange is (All) aus Filter auf dieser visuellen.
   2. Wählen Sie Relatives Datum als Filtertyp aus.
   3. Definieren Sie den Filter für Elemente anzeigen, wenn der Wert ​ in den letzten1 Kalenderjahren).
   4. Wählen Sie Filter anwenden aus.
   5. Wählen Sie product_name is (All) aus Filter auf dieser visuellen.
   6. Wählen Sie Top N als Filtertyp.
   7. Wählen Sie Elemente anzeigen Oben 5 Nach Wert.
   8. Ziehen Sie Summenvorfälle per Drag-and-Drop aus dem Bereich Daten und legen Sie sie auf Datenfelder hier hinzufügen ab.
   9. Wählen Sie Filter anwenden aus.

3. Im Bereich Visualisierung :

   • Wählen Sie aus, um den Datumsbereich aus den Spalten zu entfernen.

   Ihr Power BI-Desktop sollte wie folgt aussehen.

   

Die von Power BI Desktop mit der BI-Erweiterung ausgeführte Abfrage enthält eine limit, jedoch nicht die erwartete. Die Begrenzung auf die fünf häufigsten Vorkommen wird von Power BI Desktop mithilfe expliziter Ergebnisse für Produktnamen erzwungen.

select "_"."product_name",
    "_"."a0"
from
(
    select "rows"."product_name" as "product_name",
        sum("rows"."occurrences") as "a0"
    from
    (
        select "_"."daterangeName",
            "_"."daterange",
            "_"."filterId",
            "_"."filterName",
            "_"."timestamp",
            "_"."affiliate_name",
            "_"."affiliate_url",
            "_"."commerce.order.priceTotal",
            "_"."customer_city",
            "_"."customer_region",
            "_"."daterangeday",
            "_"."daterangefifteenminute",
            "_"."daterangefiveminute",
            "_"."daterangehour",
            "_"."daterangeminute",
            "_"."daterangemonth",
            "_"."daterangequarter",
            "_"."daterangesecond",
            "_"."daterangethirtyminute",
            "_"."daterangeweek",
            "_"."daterangeyear",
            "_"."hitdatetime",
            "_"."page_name",
            "_"."page_url",
            "_"."product_category",
            "_"."product_name",
            "_"."product_short_review",
            "_"."product_subCategory",
            "_"."referrer_url",
            "_"."search_engine",
            "_"."search_keywords",
            "_"."store_city",
            "_"."store_name",
            "_"."store_region",
            "_"."store_type",
            "_"."timepartdayofmonth",
            "_"."timepartdayofweek",
            "_"."timepartdayofyear",
            "_"."timeparthourofday",
            "_"."timepartminuteofhour",
            "_"."timepartmonthofyear",
            "_"."timepartquarterofyear",
            "_"."timepartweekofyear",
            "_"."cm_session_end_rate_defaultmetric",
            "_"."cm_session_person_defaultmetric",
            "_"."cm_session_start_rate_defaultmetric",
            "_"."cm_timespent_person_defaultmetric",
            "_"."cm_timespent_session_defaultmetric",
            "_"."cm_product_name_count_distinct",
            "_"."ad_views",
            "_"."adobe_sessionends",
            "_"."adobe_sessionstarts",
            "_"."adobe_timespent",
            "_"."exchange_buybacks",
            "_"."exchange_cost",
            "_"."exchange_purchases",
            "_"."exchange_revenue",
            "_"."occurrences",
            "_"."page_views",
            "_"."product_quantity",
            "_"."product_reviews",
            "_"."product_views",
            "_"."purchase_revenue",
            "_"."purchases",
            "_"."visitors",
            "_"."visits"
        from "public"."cc_data_view" "_"
        where (("_"."product_name" in ('Saltwater Monofilament Line', 'Pop-Up Beach Tent', 'Instant Pop-Up Tent', 'Envelop Sleeping Bag', 'Waterproof Tackle Bag')) and "_"."daterange" < date '2024-01-01') and "_"."daterange" >= date '2023-01-01'
    ) "rows"
    group by "product_name"
) "_"
where not "_"."a0" is null
limit 1000001

1. Wählen Sie unten Registerkarte Blatt 1 aus, um aus Datenquelle zu wechseln. In der Ansicht Blatt 1:

   1. Ziehen Sie Daterange-Eintrag aus der Liste Tabellen in die Ablage Filter.

   2. Wählen Sie im Dialogfeld Filterfeld [Datumsbereich] die Option Datumsbereich und wählen Sie Weiter >.

   3. Wählen Sie im Dialogfeld Filter [Daterange] die Option Relative Datumsangaben, Jahre und Vorherige Jahre. Wählen Sie Übernehmen und OK aus.

   4. Ziehen Sie Produktname aus der Liste Tabellen in Zeilen.

   5. Ziehen Sie Eintrag Vorfälle“ aus der Liste Tabellen und legen Sie den Eintrag im Feld neben Spalten ab. Der Wert ändert sich in SUM(Occurrences).

   6. Wählen Sie Texttabelle unter Anzeigen aus.

   7. Wählen Breite anpassen aus dem Dropdown Menü Anpassen“.

   8. Wählen Sie Produktname in Zeilen aus. Wählen Filter aus dem Dropdown-Menü aus.

      1. Wählen Dialogfeld [Produktname] die Registerkarte Oben aus.

      2. Wählen Sie Nach Feld: Oben 5nach Vorfällen ​ Summe.

      3. Wählen Sie Übernehmen und OK aus.

         Sie bemerken, dass die Tabelle verschwindet. Die Auswahl der fünf häufigsten Produktnamen nach Vorkommen funktioniert nicht mit diesem Filter ordnungsgemäß.

      4. Wählen Sie den Produktnamen in der Filter-Bibliothek und wählen Sie im Dropdown-Menü Entfernen. Die Tabelle wird erneut angezeigt.

   9. Wählen Sie SUM(Vorfälle) im Marks-Regal aus. Wählen Filter aus dem Dropdown-Menü aus.

      1. Wählen Sie im Filter [Vorfälle] die Option Mindestens aus.

      2. Geben Sie 47.799 als Wert ein. Dieser Wert stellt sicher, dass nur die fünf wichtigsten Elemente in der Tabelle angezeigt werden. Wählen Sie Übernehmen und OK aus.

         Ihr Tableau-Desktop sollte wie folgt aussehen.

         

Wie oben gezeigt, schlägt diese von Tableau Desktop ausgeführte Abfrage beim Definieren eines Filters für die häufigsten 5 Vorkommnisse für Produktnamen fehl.

SELECT CAST("cc_data_view"."product_name" AS TEXT) AS "product_name",
  SUM("cc_data_view"."occurrences") AS "sum:occurrences:ok"
FROM "public"."cc_data_view" "cc_data_view"
  INNER JOIN (
  SELECT CAST("cc_data_view"."product_name" AS TEXT) AS "product_name",
    SUM("cc_data_view"."occurrences") AS "$__alias__0"
  FROM "public"."cc_data_view" "cc_data_view"
  GROUP BY 1
  ORDER BY 2 DESC,
    1 ASC
  LIMIT 5
) "t0" ON (CAST("cc_data_view"."product_name" AS TEXT) = "t0"."product_name")
WHERE (("cc_data_view"."daterange" >= (TIMESTAMP '2023-01-01 00:00:00.000')) AND ("cc_data_view"."daterange" < (TIMESTAMP '2024-01-01 00:00:00.000')))
GROUP BY 1

Die von Tableau Desktop beim Definieren eines Top-5-Filters auf Vorfälle ausgeführte Abfrage wird unten angezeigt. Das Limit ist in der Abfrage nicht sichtbar und wird Client-seitig angewendet.

SELECT CAST("cc_data_view"."product_name" AS TEXT) AS "product_name",
  SUM("cc_data_view"."occurrences") AS "sum:occurrences:ok"
FROM "public"."cc_data_view" "cc_data_view"
WHERE (("cc_data_view"."daterange" >= (TIMESTAMP '2023-01-01 00:00:00.000')) AND ("cc_data_view"."daterange" < (TIMESTAMP '2024-01-01 00:00:00.000')))
GROUP BY 1

1. Aktualisieren Sie Ihre Verbindung in der Erkunden-Benutzeroberfläche von Looker. Wählen Sie Cache löschen und aktualisieren aus.

2. Achten Sie in der Explore-Oberfläche von Looker darauf, dass Sie über ein sauberes Setup verfügen. Wenn nicht, wählen Sie Felder und Filter entfernen.

3. Wählen Sie + Filter unter Filter aus.

4. Im Dialogfeld Filter hinzufügen:

   1. Wählen Sie ‣ CC-Datenansicht

   2. Wählen Sie aus der Liste der Felder ‣ DateRange und DateRange aus.

      

5. Geben Sie den Filter CC Datenansicht Datumsbereich als liegt im Bereich 2023/01/01 ​ bis (davor) 2024/01/01 an.

6. Im Abschnitt ‣ CC-Datenansicht in der linken Leiste:

   1. Wählen Sie Produktname aus.
   2. Wählen Sie Count unter MEASURES in der linken Leiste (unten) aus.

7. Wählen Sie ↓ (absteigend, Sortierreihenfolge: 1) in der Spalte Kaufumsatz aus.

8. Wählen Sie ↓ (absteigend, Sortierreihenfolge: 1) in der Spalte Kaufumsatz aus.

9. Wählen Sie Ausführen aus.

10. Wählen Sie ‣ Visualisierung aus.

Es sollte eine Visualisierung und eine Tabelle ähnlich wie unten dargestellt angezeigt werden.

Die Abfrage, die von Looker mithilfe der BI-Erweiterung generiert wird, enthält FETCH NEXT 5 ROWS ONLY, was bedeutet, dass das Limit über Looker und die BI-Erweiterung ausgeführt wird.

-- Looker Query Context '{"user_id":6,"history_slug":"a8f3b1ebd5712413ca1ae695090f70db","instance_slug":"71d4667f0b76c0011463658f45c3f7a3"}'
SELECT
    cc_data_view."product_name"  AS "cc_data_view.product_name",
    COUNT(*) AS "cc_data_view.count"
FROM
    "public"."cc_data_view" AS "cc_data_view"
WHERE ((( cc_data_view."daterange"  ) >= (DATE_TRUNC('day', DATE '2023-01-31')) AND ( cc_data_view."daterange"  ) < (DATE_TRUNC('day', DATE '2024-01-01'))))
GROUP BY
    1
ORDER BY
    2 DESC
FETCH NEXT 5 ROWS ONLY

1. Geben Sie die folgenden Anweisungen in eine neue Zelle ein.

   code language-python
   data = %sql SELECT product_name AS `Product Name`, COUNT(*) AS Events \ FROM cc_data_view \ WHERE daterange BETWEEN '2023-01-01' AND '2023-02-01' \ GROUP BY 1 \ ORDER BY `Events` DESC \ LIMIT 5; display(data)

2. Ausführen der Zelle. Es sollte eine ähnliche Ausgabe wie im folgenden Screenshot angezeigt werden.

   

Die Abfrage wird von der BI-Erweiterung ausgeführt, wie in Jupyter Notebook definiert.

1. Geben Sie die folgenden Anweisungen zwischen {r} ` und ` in einen neuen Block ein.

   code language-r
   ## Dimension 1 Limited df <- dv %>% filter(daterange >= "2023-01-01" & daterange < "2024-01-01") %>% group_by(product_name) %>% count() %>% arrange(desc(n), .by_group = FALSE) %>% head(5) print(df)

2. Führt den Block aus. Es sollte eine ähnliche Ausgabe wie im folgenden Screenshot angezeigt werden.

   

Die Abfrage, die von RStudio mithilfe der BI-Erweiterung generiert wird, enthält LIMIT 5, was bedeutet, dass die Beschränkung über RStudio und die BI-Erweiterung angewendet wird.

SELECT "product_name", COUNT(*) AS "n"
FROM (
  SELECT "cc_data_view".*
  FROM "cc_data_view"
  WHERE ("daterange" >= '2023-01-01' AND "daterange" < '2024-01-01')
) AS "q01"
GROUP BY "product_name"
ORDER BY "n" DESC
LIMIT 5

Die Customer Journey Analytics-Objekte sind im Bereich Daten verfügbar und werden aus der von Ihnen in Power BI Desktop ausgewählten Tabelle abgerufen. Beispiel: public.cc_data_view. Der Tabellenname entspricht der externen ID, die Sie für Ihre Datenansicht in Customer Journey Analytics definiert haben. Zum Beispiel eine Datenansicht mit Titel C&C - Data View und Externe ID cc_data_view.

Dimensionen
Dimensionen aus Customer Journey Analytics werden durch die Komponenten-ID gekennzeichnet. Die Komponenten-ID wird in Ihrer Customer Journey Analytics-Datenansicht definiert. Beispielsweise verfügt die Dimension Produktname in Customer Journey Analytics über eine Komponenten-ID product_name, die der Name für die Dimension in Power BI Desktop ist.
Datumsbereichsdimensionen aus Customer Journey Analytics wie Tag, Woche, Monat und mehr sind verfügbar als daterangeday, daterangeweek, daterangemonth und mehr.

Metriken
Metriken aus Customer Journey Analytics werden durch die Komponenten-ID“ ​. Die Komponenten-ID wird in Ihrer Customer Journey Analytics-Datenansicht definiert. Beispielsweise verfügt die Metrik Kaufumsatz in Customer Journey Analytics über eine Komponenten-ID Kauf_Umsatz, die der Name für die Metrik in Power BI Desktop ist. Ein ∑ zeigt Metriken an. Wenn Sie eine Metrik in einer Visualisierung verwenden, wird die Metrik in „Summe **Metrik *umbenannt ***.

Filter
In Customer Journey Analytics definierte Filter sind als Teil des Felds filterName verfügbar. Wenn Sie ein Feld filterName in Power BI Desktop verwenden, können Sie angeben, welcher Filter verwendet werden soll.

Berechnete Metriken
Berechnete Metriken, die Sie in Customer Journey Analytics definieren, werden durch die Externe ID identifiziert, die Sie für die berechnete Metrik definiert haben. Beispielsweise verfügt die berechnete Metrik Produktname (Anzahl Distinct) über Externe ID product_name_count_distinct und wird Power BI Desktop als cm_product_name_count_distinct ​t angezeigt.

Datumsbereiche
Datumsbereiche, die Sie in Customer Journey Analytics definieren, sind als Teil des Felds daterangeName verfügbar. Wenn Sie ein Feld daterangeName verwenden, können Sie angeben, welcher Datumsbereich verwendet werden soll.

Benutzerdefinierte Umwandlungen
Power BI Desktop bietet benutzerdefinierte Umwandlungsfunktionen mithilfe von Data Analysis Expressions (DAX). Als Beispiel möchten Sie den Anwendungsfall Einzel-Dimension-Rangfolge mit Produktnamen in Kleinbuchstaben ausführen.

1. Wählen Sie in der Berichtsansicht die Balkenvisualisierung aus.

2. Wählen product_name im Datenbereich aus.

3. Wählen Sie Neue Spalte in der Symbolleiste aus.

4. Definieren Sie im Formeleditor eine neue Spalte mit dem Namen product_name_lower, z. B. product_name_lower = LOWER('public.cc_data_view[product_name]).
   

5. Wählen Sie die neue Spalte product_name_lower im Bereich data anstelle der Spalte product_name aus.

6. Wählen Sie Bericht als) unter in der Tabellenvisualisierung aus.

   Ihr Power BI-Desktop sollte wie folgt aussehen.
   

Die benutzerdefinierte Transformation führt zu einer Aktualisierung der SQL-Abfragen. Siehe die Verwendung der Funktion lower im folgenden SQL-Beispiel:

select "_"."product_name_lower",
    "_"."a0",
    "_"."a1"
from
(
    select "rows"."product_name_lower" as "product_name_lower",
        sum("rows"."purchases") as "a0",
        sum("rows"."purchase_revenue") as "a1"
    from
    (
        select "_"."daterange" as "daterange",
            "_"."product_name" as "product_name",
            "_"."purchase_revenue" as "purchase_revenue",
            "_"."purchases" as "purchases",
            lower("_"."product_name") as "product_name_lower"
        from
        (
            select "_"."daterange",
                "_"."product_name",
                "_"."purchase_revenue",
                "_"."purchases"
            from
            (
                select "daterange",
                    "product_name",
                    "purchase_revenue",
                    "purchases"
                from "public"."cc_data_view" "$Table"
            ) "_"
            where ("_"."daterange" < date '2024-01-01' and "_"."daterange" >= date '2023-01-01') and ("_"."product_name" in ('4G Cellular Trail Camera', '4K Wildlife Trail Camera', 'Wireless Trail Camera', '8-Person Cabin Tent', '20MP No-Glow Trail Camera', 'HD Wildlife Camera', '4-Season Mountaineering Tent', 'Trail Camera', '16MP Trail Camera with Solar Panel', '10-Person Family Tent'))
        ) "_"
    ) "rows"
    group by "product_name_lower"
) "_"
where not "_"."a0" is null or not "_"."a1" is null
limit 1000001

Die Customer Journey Analytics-Objekte sind in der Seitenleiste Daten verfügbar, wenn Sie in einem Blatt arbeiten. und werden aus der Tabelle abgerufen, die Sie als Teil der Seite Datenquelle“ Tableau ausgewählt haben. Beispiel: cc_data_view. Der Tabellenname entspricht der externen ID, die Sie für Ihre Datenansicht in Customer Journey Analytics definiert haben. Zum Beispiel eine Datenansicht mit Titel C&C - Data View und Externe ID cc_data_view.

Dimensionen
Dimensionen aus Customer Journey Analytics werden durch den Komponentennamen gekennzeichnet. Der Komponentenname wird in Ihrer Customer Journey Analytics-Datenansicht definiert. Beispielsweise verfügt die Dimension Produktname in Customer Journey Analytics über einen Komponentennamen Produktnamen, der der Name für die Dimension in Tableau ist. Alle Dimensionen werden durch Abc gekennzeichnet.
Datumsbereichsdimensionen aus Customer Journey Analytics wie Tag, Woche, Monat und mehr sind verfügbar als DateRangeDay, DateRangeWeek, DateRangeMonth und mehr. Wenn Sie eine Datumsbereichsdimension verwenden, müssen Sie eine entsprechende Definition von Datum oder Uhrzeit auswählen, die auf diese Datumsbereichsdimension aus dem Dropdown-Menü angewendet werden soll. Beispiel: Jahr, Quartal, Monat, Tag.

Metriken
Metriken aus Customer Journey Analytics werden durch den Komponentennamen“ ​. Der Komponentenname wird in Ihrer Customer Journey Analytics-Datenansicht definiert. Beispielsweise verfügt die Metrik Kaufumsatz in Customer Journey Analytics über einen Komponentennamen Kaufumsatz, der der Name für die Metrik in Tableau ist. Alle Metriken werden durch # identifiziert. Wenn Sie eine Metrik in einer beliebigen Visualisierung verwenden, wird die Metrik in Summe(metrik).

Filter
In Customer Journey Analytics definierte Filter sind als Teil des Felds Filtername verfügbar. Wenn Sie ein Feld Filtername in Tableau verwenden, können Sie angeben, welcher Filter verwendet werden soll.

Berechnete Metriken
Berechnete Metriken, die Sie in Customer Journey Analytics definieren, werden durch den Titel identifiziert, den Sie für die berechnete Metrik definiert haben. Beispielsweise hat die berechnete Metrik Produktname () Titel Produktname (Anzahl Unterschiedlich) und wird in Tableau als cm Produktname Anzahl Unterschiedlich angezeigt.

Datumsbereiche
Datumsbereiche, die Sie in Customer Journey Analytics definieren, sind als Teil des Felds Datumsbereichsname verfügbar. Wenn Sie ein Feld Name des Datumsbereichs verwenden, können Sie angeben, welcher Datumsbereich verwendet werden soll.

Benutzerdefinierte Umwandlungen
Tableau Desktop bietet benutzerdefinierte Umwandlungsfunktionen mithilfe von berechneten Feldern. Als Beispiel möchten Sie den Anwendungsfall Einzel-Dimension-Rangfolge mit Produktnamen in Kleinbuchstaben ausführen.

1. Wählen Analyse > Berechnetes Feld erstellen aus dem Hauptmenü aus.

   1. Definieren Sie Produktname in Kleinbuchstaben mithilfe der LOWER([Product Name]).

      

   2. Klicken Sie OK.

2. Wählen Sie das Daten Blatt aus.

   1. Ziehen Sie Produktname in Kleinbuchstaben aus Tabellen und legen Sie den Eintrag im Feld neben "".
   2. Entfernen Sie Produktname aus Zeilen.

3. Wählen Sie Ansicht Dashboard 1) aus.

Ihr Tableau-Desktop sollte wie folgt aussehen.

Die benutzerdefinierte Transformation führt zu einer Aktualisierung der SQL-Abfragen. Siehe die Verwendung der Funktion LOWER im folgenden SQL-Beispiel:

SELECT LOWER(CAST(CAST("cc_data_view"."product_name" AS TEXT) AS TEXT)) AS "Calculation_1562467608097775616",
  SUM("cc_data_view"."purchase_revenue") AS "sum:purchase_revenue:ok",
  SUM("cc_data_view"."purchases") AS "sum:purchases:ok"
FROM "public"."cc_data_view" "cc_data_view"
WHERE (("cc_data_view"."daterange" >= (DATE '2023-01-01')) AND ("cc_data_view"."daterange" <= (DATE '2023-12-31')))
GROUP BY 1
HAVING ((SUM("cc_data_view"."purchase_revenue") >= 999999.99999998999) AND (SUM("cc_data_view"."purchase_revenue") <= 2000000.00000002))

Die Customer Journey Analytics-Objekte sind in der Benutzeroberfläche Erkunden verfügbar. und werden beim Einrichten Ihrer Verbindung, Ihres Projekts und Ihres Modells in Looker abgerufen. Beispiel: cc_data_view. Der Name der Ansicht entspricht der externen ID, die Sie für Ihre Datenansicht in Customer Journey Analytics definiert haben. Zum Beispiel eine Datenansicht mit Titel C&C - Data View und Externe ID cc_data_view.

Dimensionen
Dimensionen aus Customer Journey Analytics werden in der linken Leiste in der CC-Datenansicht als ​ ​DIMENSION" aufgeführt. Die Dimension wird in Ihrer Customer Journey Analytics-Datenansicht definiert. Beispielsweise verfügt die Dimension Produktname in Customer Journey Analytics über einen DIMENSION ​ Produktnamen, der der Name für die Dimension in Looker ist.
Datumsbereichsdimensionen aus Customer Journey Analytics wie Tag, Woche, Monat und mehr sind verfügbar als DateRangeDay, DateRangeWeek, DateDateMonth und mehr. Wenn Sie eine Datumsbereichsdimension verwenden, müssen Sie eine entsprechende Definition von Datum oder Uhrzeit auswählen. Beispiel: Jahr, Quartal, Monat, Datum.

Metriken
Metriken aus Customer Journey Analytics werden in der linken Leiste Cc-Datenansicht als ​ ​DIMENSION" aufgelistet. Beispielsweise hat die Metrik Kaufumsatz in Customer Journey Analytics einen DIMENSION ​ Kaufumsatz. Um tatsächlich als Metrik zu verwenden, erstellen Sie ein benutzerdefiniertes Kennzahlfeld, wie in den obigen Beispielen gezeigt, oder verwenden Sie den Tastaturbefehl für eine Dimension. Beispiel: ⋮, wählen Sie Aggregat und dann Summe.

Filter
In Customer Journey Analytics definierte Filter sind als Teil des Felds Filtername verfügbar. Wenn Sie ein Feld Filtername in Looker verwenden, können Sie angeben, welcher Filter verwendet werden soll.

Berechnete Metriken
Berechnete Metriken, die Sie in Customer Journey Analytics definieren, werden durch den Titel identifiziert, den Sie für die berechnete Metrik definiert haben. Beispielsweise hat die berechnete Metrik Produktname (Anzahl Unterschiedlich) den Titel Produktnamen (Anzahl Unterschiedlich) und wird in Looker als cm Produktname Anzahl Unterschiedlich angezeigt.

Datumsbereiche
Datumsbereiche, die Sie in Customer Journey Analytics definieren, sind als Teil des Felds Datumsbereichsname verfügbar. Wenn Sie ein Feld Name des Datumsbereichs verwenden, können Sie angeben, welcher Datumsbereich verwendet werden soll.

Benutzerdefinierte Umwandlungen
Looker bietet benutzerdefinierte Umwandlungsfunktionen mithilfe von benutzerdefinierten Feld-Buildern, wie oben gezeigt. Als Beispiel möchten Sie den Anwendungsfall Einzel-Dimension-Rangfolge mit Produktnamen in Kleinbuchstaben ausführen.

1. Im Abschnitt ‣ Benutzerdefinierte Felder in der linken Leiste:

   1. Wählen Sie Benutzerdefinierte Dimension aus dem Dropdown-Menü + aus.

   2. Geben Sie lower(${cc_data_view.product_name}) im Ausdruck ein. Sie erhalten Unterstützung bei der korrekten Syntax, wenn Sie beginnen, Product Name einzugeben.

      

   3. Geben Sie product name als Name ein.

   4. Wählen Sie Speichern aus.

Es sollte eine ähnliche Tabelle angezeigt werden, wie unten dargestellt.

Die benutzerdefinierte Transformation führt zu einer Aktualisierung der SQL-Abfragen. Siehe die Verwendung der Funktion LOWER im folgenden SQL-Beispiel:

SELECT
    LOWER((cc_data_view."product_name")) AS "product_name",
    COALESCE(SUM(CAST(( cc_data_view."purchase_revenue"  ) AS DOUBLE PRECISION)), 0) AS "sum_of_purchase_revenue",
    COALESCE(SUM(CAST(( cc_data_view."purchases"  ) AS DOUBLE PRECISION)), 0) AS "sum_of_purchases"
FROM public.cc_data_view  AS cc_data_view
WHERE ((( cc_data_view."daterange"  ) >= (DATE_TRUNC('day', DATE '2023-01-01')) AND ( cc_data_view."daterange"  ) < (DATE_TRUNC('day', DATE '2024-01-01'))))
GROUP BY
    1
ORDER BY
    2 DESC
FETCH NEXT 500 ROWS ONLY

Die Customer Journey Analytics-Objekte (Dimensionen, Metriken, Filter, berechnete Metriken und Datumsbereiche) sind als Teil der von Ihnen erstellten Embedded SQL-Abfragen verfügbar. Siehe frühere Beispiele.

Benutzerdefinierte Umwandlungen

1. Geben Sie die folgenden Anweisungen in eine neue Zelle ein.

   code language-python
   data = %sql SELECT LOWER(product_category) AS `Product Category`, COUNT(*) AS EVENTS \ FROM cc_data_view \ WHERE daterange BETWEEN '2023-01-01' AND '2024-01-01' \ GROUP BY 1 \ ORDER BY `Events` DESC \ LIMIT 5; display(data)

2. Ausführen der Zelle. Es sollte eine ähnliche Ausgabe wie im folgenden Screenshot angezeigt werden.

   

Die Abfrage wird von der BI-Erweiterung ausgeführt, wie in Jupyter Notebook definiert.

Die Customer Journey Analytics-Komponenten (Dimensionen, Metriken, Filter, berechnete Metriken und Datumsbereiche) sind als ähnliche benannte Objekte in der Sprache R verfügbar. Verweisen Sie auf die Komponenten mithilfe der Komponente Siehe frühere Beispiele.

Benutzerdefinierte Umwandlungen

1. Geben Sie die folgenden Anweisungen zwischen {r} ` und ` in einen neuen Block ein.

   code language-r
   df <- dv %>% filter(daterange >= "2023-01-01" & daterange <= "2024-01-01") %>% mutate(d2=lower(product_category)) %>% group_by(d2) %>% count() %>% arrange(d2, .by_group = FALSE) print(df)

2. Führt den Block aus. Es sollte eine ähnliche Ausgabe wie im folgenden Screenshot angezeigt werden.

   

Die Abfrage, die von RStudio mithilfe der BI-Erweiterung generiert wird, enthält lower, was bedeutet, dass die benutzerdefinierte Transformation von RStudio und der BI-Erweiterung ausgeführt wird.

SELECT "d2", COUNT(*) AS "n"
FROM (
  SELECT "cc_data_view".*, lower("product_category") AS "d2"
  FROM "cc_data_view"
  WHERE ("daterange" >= '2023-01-01' AND "daterange" <= '2024-01-01')
) AS "q01"
GROUP BY "d2"
ORDER BY "d2"
LIMIT 1000

Vergleich

Bei den meisten Customer Journey Analytics-Visualisierungen bietet Power BI Desktop vergleichbare Erlebnisse. Siehe Tabelle unten.

table 0-row-3 1-row-3 2-row-3 3-row-3 4-row-3 5-row-3 6-row-3 7-row-3 8-row-3 9-row-3 10-row-3 11-row-3 12-row-3 13-row-3 14-row-3 15-row-3 16-row-3 17-row-3 18-row-3 19-row-3 20-row-3 21-row-3 22-row-3 23-row-3 1-align-center 5-align-center 9-align-center 13-align-center 17-align-center 21-align-center 25-align-center 29-align-center 33-align-center 37-align-center 41-align-center 45-align-center 49-align-center 53-align-center 57-align-center 61-align-center 65-align-center 69-align-center 73-align-center 77-align-center 81-align-center 85-align-center 89-align-center 93-align-center
Symbol	Visualisierung in Customer Journey Analytics	Power BI Desktop-Visualisierung
	Bereich	Flächendiagramm, gestapeltes Flächendiagramm und 100 % Flächendiagramm
	Balken	Cluster-Säulendiagramm
	Balken gestapelt	Gestapeltes Säulendiagramm und 100 % gestapeltes Säulendiagramm
	Bullet
	Kohortentabelle
	Kombination	Liniendiagramm und gestapeltes Säulendiagramm und Liniendiagramm und gruppiertes Säulendiagramm
	Ringdiagramm	Ringdiagramm
	Fallout	Trichter.
	Fluss	Zersetzungsbaum?
	Freiformtabelle	Tabelle und Matrix
	Histogramm
	Horizontalbalken	Cluster-Balkendiagramm
	Horizontalbalken gestapelt	Gestapeltes Balkendiagramm und 100 % gestapeltes Balkendiagramm
	Journey-Arbeitsfläche	Zersetzungsbaum
	Zusammenfassung einer Schlüsselmetrik
	Linie	Liniendiagramm
	Streuung	Streudiagramm
	Abschnittskopfzeile	Textfeld
	Zusammenfassungsänderung	Karte
	Zusammenfassungszahl	Karte
	Text	Textfeld
	Treemap	Treemap
	Venn

Aufschlüsselung

Power BI unterstützt einen Drill-Modus, um detaillierte Details zu bestimmten Visualisierungen zu untersuchen. Im folgenden Beispiel analysieren Sie den Kaufumsatz für Produktkategorien. Wählen Sie im Kontextmenü einer Leiste, die eine Produktkategorie darstellt, die Option Aufschlüsselung aus.

Drilldown zur Aktualisierung der Visualisierung mit Kaufumsatz für Produkte innerhalb der ausgewählten Produktkategorie.

Die Aufschlüsselung führt zur folgenden SQL-Abfrage, die eine WHERE-Klausel verwendet:

select "_"."product_category" as "c25",
    "_"."product_name" as "c26",
    "_"."a0" as "a0"
from
(
    select "_"."product_category",
        "_"."product_name",
        "_"."a0"
    from
    (
        select "_"."product_category",
            "_"."product_name",
            "_"."a0"
        from
        (
            select "rows"."product_category" as "product_category",
                "rows"."product_name" as "product_name",
                sum("rows"."purchase_revenue") as "a0"
            from
            (
                select "_"."product_category",
                    "_"."product_name",
                    "_"."purchase_revenue"
                from "public"."cc_data_view" "_"
                where ("_"."daterange" >= date '2023-01-01' and "_"."product_category" = 'Fishing') and "_"."daterange" < date '2024-01-01'
            ) "rows"
            group by "product_category",
                "product_name"
        ) "_"
        where not "_"."a0" is null
    ) "_"
) "_"
order by "_"."product_category",
        "_"."product_name"
limit 1001

Vergleich

Für die meisten Customer Journey Analytics-Visualisierungen bietet Tableau Desktop gleichwertige Erlebnisse. Siehe Tabelle unten.

table 0-row-3 1-row-3 2-row-3 3-row-3 4-row-3 5-row-3 6-row-3 7-row-3 8-row-3 9-row-3 10-row-3 11-row-3 12-row-3 13-row-3 14-row-3 15-row-3 16-row-3 17-row-3 18-row-3 19-row-3 20-row-3 21-row-3 22-row-3 23-row-3 1-align-center 5-align-center 9-align-center 13-align-center 17-align-center 21-align-center 25-align-center 29-align-center 33-align-center 37-align-center 41-align-center 45-align-center 49-align-center 53-align-center 57-align-center 61-align-center 65-align-center 69-align-center 73-align-center 77-align-center 81-align-center 85-align-center 89-align-center 93-align-center
Symbol	Visualisierung in Customer Journey Analytics	Power BI Desktop-Visualisierung
	Bereich	Flächendiagramm
	Balken	Balkendiagramm
	Balken gestapelt
	Bullet	Lineardiagramm
	Kohortentabelle
	Kombination	Kombinationsdiagramme
	Ringdiagramm
	Fallout
	Fluss
	Freiformtabelle	Texttabelle
	Histogramm	Histogramm
	Horizontalbalken	Balkendiagramm
	Horizontalbalken gestapelt	Balkendiagramm
	Journey-Arbeitsfläche
	Zusammenfassung einer Schlüsselmetrik
	Linie	Liniendiagramm
	Streuung	Streudiagramm
	Abschnittskopfzeile
	Zusammenfassungsänderung
	Zusammenfassungszahl
	Text
	Treemap	Treemap
	Venn

Aufschlüsselung

Tableau unterstützt Drill-Modus durch Hierarchien. Im folgenden Beispiel erstellen Sie eine Hierarchie, wenn Sie das Feld Produktname in Tabellen auswählen und es auf "". Anschließend können Sie im Kontextmenü einer Leiste, die eine Produktkategorie darstellt, + Aufschlüsselung.

Drilldown zur Aktualisierung der Visualisierung mit Kaufumsatz für Produkte innerhalb der ausgewählten Produktkategorie.

Die Aufschlüsselung führt zur folgenden SQL-Abfrage, die eine GROUP BY-Klausel verwendet:

SELECT CAST("cc_data_view"."product_category" AS TEXT) AS "product_category",
  CAST("cc_data_view"."product_name" AS TEXT) AS "product_name",
  SUM("cc_data_view"."purchase_revenue") AS "sum:purchase_revenue:ok"
FROM "public"."cc_data_view" "cc_data_view"
WHERE (("cc_data_view"."daterange" >= (TIMESTAMP '2023-01-01 00:00:00.000')) AND ("cc_data_view"."daterange" < (TIMESTAMP '2024-01-01 00:00:00.000')))
GROUP BY 1,
  2

Die Abfrage beschränkt nicht die Ergebnisse auf die ausgewählte Produktkategorie. Nur die Visualisierung zeigt die ausgewählte Produktkategorie.

Alternativ können Sie ein Drilldown-Dashboard erstellen, in dem ein visuelles Ergebnis der Auswahl in einem anderen visuellen Element ist. Im folgenden Beispiel wird die Visualisierung Produktkategorien als Filter verwendet, um die Tabelle Produktnamen zu aktualisieren. Dieser Visualisierungsfilter ist nur für den Client verfügbar und führt nicht zu einer zusätzlichen SQL-Abfrage.

Vergleich

Bei den meisten Customer Journey Analytics-Visualisierungen bietet der Looker gleichwertige Erlebnisse. Siehe Tabelle unten.

table 0-row-3 1-row-3 2-row-3 3-row-3 4-row-3 5-row-3 6-row-3 7-row-3 8-row-3 9-row-3 10-row-3 11-row-3 12-row-3 13-row-3 14-row-3 15-row-3 16-row-3 17-row-3 18-row-3 19-row-3 20-row-3 21-row-3 22-row-3 23-row-3 1-align-center 5-align-center 9-align-center 13-align-center 17-align-center 21-align-center 25-align-center 29-align-center 33-align-center 37-align-center 41-align-center 45-align-center 49-align-center 53-align-center 57-align-center 61-align-center 65-align-center 69-align-center 73-align-center 77-align-center 81-align-center 85-align-center 89-align-center 93-align-center
Symbol	Visualisierung in Customer Journey Analytics	Power BI Desktop-Visualisierung
	Bereich	Flächendiagramm
	Balken	Balkendiagramm
	Balken gestapelt	Balkendiagramm
	Bullet	Lineardiagramm
	Kohortentabelle
	Kombination	Anpassen von Visualisierungen
	Ringdiagramm	Ringdiagramm
	Fallout	Trichter
	Fluss	Sankey
	Freiformtabelle	Tabelle
	Histogramm
	Horizontalbalken	Balkendiagramm
	Horizontalbalken gestapelt	Balkendiagramm
	Journey-Arbeitsfläche
	Zusammenfassung einer Schlüsselmetrik
	Linie	Liniendiagramm
	Streuung	Streudiagramm
	Abschnittskopfzeile
	Zusammenfassungsänderung	Einzelwert
	Zusammenfassungszahl	Einzelwert
	Text	Einzelwert
	Treemap	Treemap
	Venn-Diagramm	Venn-Diagramm

• Die Filterung des erweiterten Datumsbereichs von Power BI Desktop ist exklusiv. Wählen Sie für Ihr Enddatum ein Datum nach dem Tag aus, an dem Sie einen Bericht erstellen möchten. Beispiel: ist an oder nach 1/1/2023 und davor 1/2/2023.

• Power BI Desktop beim einer Verbindung standardmäßig auf „Importieren“. Stellen Sie sicher, dass Sie Direktabfrage verwenden.

• Power BI Desktop stellt Datenumwandlungen über Power Query bereit. Power Query funktioniert in erster Linie mit Verbindungen vom Typ Import . Viele Umwandlungen, wie z. B. Datums- oder Zeichenfolgen-Funktionen, geben einen Fehler aus, der besagt, dass Sie zu einer Verbindung vom Typ Import wechseln müssen. Wenn Sie Daten zur Abfragezeit umwandeln müssen, sollten Sie abgeleitete Dimensionen und Metriken verwenden, damit Power BI die Umwandlungen nicht selbst durchführen muss.

• Power BI Desktop versteht nicht, wie Spalten vom Typ Datum/Uhrzeit verarbeitet werden, sodass die Dimensionen **daterange *X ***​wie​ daterangehour ​ ​und​ daterangeminute ​ ​nicht unterstützt werden.

• Power BI Desktop versucht standardmäßig, mehrere Verbindungen herzustellen, indem mehr Query Service-Sitzungen verwendet werden. Gehen Sie zu den Power BI-Einstellungen für Ihr Projekt und deaktivieren Sie parallele Abfragen.

• Power BI Desktop übernimmt die Sortierung und Client-seitige Einschränkung. Power BI Desktop verfügt auch über verschiedene Semantiken für Top X-Filter, die gebundene Werte enthalten. Sie können also nicht dieselbe Sortierung und Begrenzung erstellen wie in Analysis Workspace.

• Frühere Versionen der Power BI-Desktop-Version vom Oktober 2024 unterbrechen PostgreSQL-Datenquellen. Stellen Sie sicher, dass Sie die in diesem Artikel erwähnte Version verwenden.

• Tableau Desktop Datumsbereich ist exklusiv. Wählen Sie für Ihr Enddatum ein Datum nach dem Tag aus, an dem Sie einen Bericht erstellen möchten.

• Wenn Sie eine Datums- oder Datums-/Uhrzeitdimension wie Daterangemonth zu den Zeilen eines Blatts hinzufügen, umschließt Tableau Desktop das Feld standardmäßig in eine YEAR()-Funktion. Um zu erhalten, was Sie möchten, müssen Sie diese Dimension auswählen und aus dem Dropdown-Menü die Datumsfunktion auswählen, die Sie verwenden möchten. Ändern Sie beispielsweise Year auf Month, wenn Sie "Month“.

• Die Begrenzung der Ergebnisse auf die Top X ist in Tableau Desktop nicht offensichtlich. Sie können die Ergebnisse explizit oder mit einem berechneten Feld und der Funktion INDEX() einschränken. Durch Hinzufügen eines Top X-Filters zu einer Dimension wird eine komplexe SQL mit einem inneren Join generiert, der nicht unterstützt wird.

• Looker verfügt über eine Einstellung für die maximale Anzahl von Verbindungen pro Knoten, die zwischen 5 und 100 liegen muss. Sie können diesen Wert nicht auf 1 setzen. Diese Einstellung bedeutet, dass eine Looker-Verbindung immer mindestens 5 der verfügbaren Query Service-Sitzungen verwendet.

• Mit Looker können Sie ein Projekt mit einer Ansicht erstellen, die auf einer Customer Journey Analytics-Datenansicht basiert. Looker erstellt dann mithilfe von LookerML ein Modell basierend auf den Dimensionen und Metriken, die in der Datenansicht verfügbar sind. Diese Projektansicht wird nicht automatisch entsprechend der Quelle aktualisiert. Wenn Sie Änderungen oder Ergänzungen an den Dimensionen, Metriken, berechneten Metriken oder Segmenten der CJA-Datenansicht vornehmen, werden diese Änderungen nicht automatisch in Looker angezeigt. Sie müssen die Projektansicht manuell aktualisieren oder ein neues Projekt erstellen.

• Das Benutzererlebnis des Lookers in Datums- oder Datums-/Uhrzeitfeldern wie DateRange oder DateRangeDay ist verwirrend.

• Der Datumsbereich des Lookers ist exklusiv anstatt inklusiv. Der bis (before) ist grau, sodass Sie diesen Aspekt verpassen könnten. Für Ihren Endtag müssen Sie einen nach dem Tag auswählen, an dem Sie einen Bericht erstellen möchten.

• Looker behandelt Ihre Metriken nicht automatisch als Metriken. Wenn Sie eine Metrik auswählen, versucht der Looker standardmäßig, die Metrik als Dimension in der Abfrage zu behandeln. Um eine Metrik als Metrik zu behandeln, müssen Sie ein benutzerdefiniertes Feld wie oben dargestellt erstellen. Als Tastaturbefehl können Sie ⋮, Aggregat und dann Summe auswählen.

• Der Hauptnachteil für Jupyter Notebook ist, dass das Tool keine Drag-and-Drop-Benutzeroberfläche wie andere BI-Tools hat. Sie können gute Visualisierungen erstellen, aber Sie müssen Code schreiben, um dies zu erreichen.

• R dplyr arbeitet mit einem flachen Schema, daher ist Option "" erforderlich.

• Der Hauptnachteil für RStudio ist, dass das Tool keine Drag-and-Drop-Benutzeroberfläche wie andere BI-Tools hat. Sie können gute Visualisierungen erstellen, aber Sie müssen Code schreiben, um dies zu erreichen.