Transformaciones

Herramientas de BI

note prerequisites
PREREQUISITES
Asegúrese de que ha validado una conexión correcta, que puede enumerar vistas de datos y que utiliza una vista de datos para la herramienta de BI para la que desea probar este caso de uso.

tabs

Escritorio de Power BI

En el panel Datos:
1. Seleccione daterange.
2. Seleccione product_name.
3. Seleccione sumar repeticiones.
En el panel Filtros:
1. Seleccione intervalo de fechas es (todo) de Filtros en este elemento visual.
2. Seleccione Fecha relativa como Tipo de filtro.
3. Defina el filtro para Mostrar elementos cuando el valor esté en los últimos 1 años del calendario.
4. Seleccione Aplicar filtro.
5. Seleccione product_name is (All) de Filtros en este elemento visual.
6. Seleccione N principales como tipo de filtro.
7. Seleccionar Mostrar elementos Principales 5 Por valor.
8. Arrastre y suelte suma de ocurrencias del panel Datos y suéltelo en Agregar campos de datos aquí.
9. Seleccione Aplicar filtro.
En el panel Visualización:
- Seleccione para quitar el intervalo de fechas de las columnas.
El escritorio de Power BI debe tener el aspecto siguiente.

La consulta ejecutada por Power BI Desktop mediante la extensión BI incluye una instrucción limit, pero no la esperada. Power BI Desktop aplica el límite de las 5 ocurrencias principales utilizando resultados de nombres de productos explícitos.

code language-sql

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

Escritorio Tableau

Seleccione la ficha Hoja 1 en la parte inferior para cambiar de Fuente de datos. En la vista Hoja 1:
1. Arrastre la entrada Daterange de la lista Tablas en el estante Filtros.
2. En el cuadro de diálogo Campo de filtro [Intervalo de fechas], seleccione Intervalo de fechas y seleccione Siguiente >.
3. En el cuadro de diálogo Filtrar [Daterange], seleccione Fechas relativas, Años y Años anteriores. Seleccione Aplicar y Aceptar.
4. Arrastre Product Name de la lista Tablas a Filas.
5. Arrastre la entrada Ocurrencias de la lista Tablas y suelte la entrada en el campo junto a Columnas. El valor cambia a SUM(Occurrences).
6. Seleccione Tabla de texto de Mostrarme.
7. Seleccione Ajustar ancho del menú desplegable Ajustar.
8. Seleccione Nombre de producto en Filas. Seleccione Filtro en el menú desplegable.
  1. En el cuadro de diálogo Filtrar [Nombre de producto], seleccione la pestaña Superior.
  2. Seleccione Por campo: Principales 5 por ocurrencias Suma.
  3. Seleccione Aplicar y Aceptar.
    
    Verá que la tabla desaparece. Seleccionar los 5 nombres de productos principales por ocurrencias no funciona correctamente usando este filtro.
  4. Seleccione el Nombre del producto en el estante Filtro y en el menú desplegable seleccione Quitar. La tabla vuelve a aparecer.
9. Seleccione SUM(Occurrences) en el estante de Marcas. Seleccione Filtro en el menú desplegable.
  1. En el diálogo Filtrar [Ocurrencias], seleccione Al menos.
  2. Escriba 47.799 como valor. Este valor garantiza que solo se muestren los 5 elementos principales en la tabla. Seleccione Aplicar y Aceptar.
    
    El escritorio Tableau debe tener el aspecto siguiente.

Como se muestra más arriba, esta consulta ejecutada por Tableau Desktop, al definir un filtro de las 5 ocurrencias principales en los nombres de productos, falla.

code language-sql

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

A continuación, se muestra la consulta ejecutada por Tableau Desktop al definir un filtro de los 5 principales casos. El límite no es visible en la consulta y en el lado del cliente aplicado.

code language-sql

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

Buscador

En la interfaz Explorar de Looker, actualice la conexión. Seleccione Borrar caché y actualizar.
En la interfaz Explorar de Looker, asegúrate de tener una configuración limpia. Si no, seleccione Quitar campos y filtros.
Seleccione + Filtro debajo de Filtros.
En el diálogo Agregar filtro:
1. Seleccionar ‣ Vista De Datos Cc
2. En la lista de campos, seleccione ‣ Daterange Date y después Daterange Date.
Especifique el filtro Cc Data View Daterange Date ya que está en el intervalo 2023/01/01 hasta (antes) 2024/01/01.
Desde la sección ‣ Vista de datos CC en el carril izquierdo:
1. Seleccione Nombre de producto.
2. Seleccione Count debajo de MEASURES en el carril izquierdo (en la parte inferior).
Asegúrese de seleccionar ↓ (Orden descendente: 1) en la columna Ingresos de compra.
Asegúrese de seleccionar ↓ (Orden descendente: 1) en la columna Ingresos de compra.
Seleccione Ejecutar.
Seleccione ‣ visualización.

Debería ver una visualización y una tabla similares a las que se muestran a continuación.

Recuento de buscadores distinto

La consulta generada por Looker mediante la extensión de BI incluye FETCH NEXT 5 ROWS ONLY, lo que implica que el límite se ejecuta mediante Looker y la extensión de BI.

code language-sql

-- 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

Jupyter Notebook

Introduzca las siguientes instrucciones en una nueva celda.

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)

Ejecute la celda. Debería ver una salida similar a la captura de pantalla siguiente.

La consulta la ejecuta la extensión de BI tal como se define en Jupyter Notebook.

EstudioRS

Escriba las siguientes instrucciones entre {r} ` y ` en un nuevo fragmento.

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)`

Ejecuta el fragmento. Debería ver una salida similar a la captura de pantalla siguiente.

La consulta generada por RStudio mediante la extensión de BI incluye LIMIT 5, lo que implica que el límite se aplica mediante RStudio y la extensión de BI.

code language-sql

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

Customer Journey Analytics

En Customer Journey Analytics, usted define en una vista de datos, qué componentes de sus conjuntos de datos y cómo se exponen como dimensiones y métricas. Esa definición de dimensión y métricas se expone a las herramientas de BI que utilizan la extensión de BI.
Utiliza componentes como Filtros, Métricas calculadas e intervalos de fechas como parte de sus proyectos de Workspace. Estos componentes también se exponen a las herramientas de BI que utilizan la extensión de BI.

Herramientas de BI

note prerequisites
PREREQUISITES
Asegúrese de que ha validado una conexión correcta, que puede enumerar vistas de datos y que utiliza una vista de datos para la herramienta de BI para la que desea probar este caso de uso.

tabs

Escritorio de Power BI

Los objetos Customer Journey Analytics están disponibles en el panel Datos y se recuperan de la tabla seleccionada en Power BI Desktop. Por ejemplo, public.cc_data_view. El nombre de la tabla es el mismo que el ID externo definido para la vista de datos en Customer Journey Analytics. Por ejemplo, la vista de datos con Título C&C - Data View y Id. externo cc_data_view.

Dimensiones
Las dimensiones de Customer Journey Analytics se identifican con el ID de componente. El ID de componente está definido en la vista de datos de Customer Journey Analytics. Por ejemplo, la dimensión Product Name de Customer Journey Analytics tiene un ID de componente product_name, que es el nombre de la dimensión en Power BI Desktop.
Las dimensiones de intervalo de fechas de Customer Journey Analytics como Day, Week, Month y más están disponibles como daterangeday, daterangeweek, daterangemonth y más.

Métricas
Las métricas de Customer Journey Analytics se identifican con el ID de componente. El ID de componente está definido en la vista de datos de Customer Journey Analytics. Por ejemplo, la métrica Ingresos de compra en Customer Journey Analytics tiene un ID de componente purchase_revenue, que es el nombre de la métrica en Power BI Desktop. Un ∑ indica las métricas. Cuando se usa una métrica en cualquier visualización, se cambia el nombre de la métrica a **Suma de *métrica ***.

Filtros
Los filtros que defina en Customer Journey Analytics están disponibles como parte del campo filterName. Cuando usa un campo filterName en Power BI Desktop, puede especificar qué filtro utilizar.

Métricas calculadas
Las métricas calculadas que define en Customer Journey Analytics se identifican con el ID externo que ha definido para la métrica calculada. Por ejemplo, la métrica calculada Product Name (Count Distinct) tiene ID externo product_name_count_distinct y se muestra como cm_product_name_count_distinct t en Power BI Desktop.

Intervalos de fechas
Los intervalos de fechas que defina en Customer Journey Analytics están disponibles como parte del campo intervaloDeFechas. Cuando usa un campo daterangeName, puede especificar qué intervalo de fecha usar.

Transformaciones personalizadas
Power BI Desktop proporciona funcionalidad de transformación personalizada mediante expresiones de análisis de datos (DAX). Por ejemplo, desea ejecutar el caso de uso Single dimension ranked con nombres de productos en minúsculas.

En la vista Informe, seleccione la visualización de barras.
Seleccione product_name en el panel Datos.
Seleccione Nueva columna en la barra de herramientas.
En el editor de fórmulas, defina una nueva columna denominada product_name_lower, como product_name_lower = LOWER('public.cc_data_view[product_name]).
Asegúrese de seleccionar la nueva columna product_name_lower en el panel Datos en lugar de la columna product_name.
Seleccione Informar como tabla de en la visualización de tabla.

El escritorio de Power BI debe tener el aspecto siguiente.

La transformación personalizada resulta en una actualización de las consultas SQL. Consulte el uso de la función lower en el siguiente ejemplo de SQL:

code language-sql

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

Escritorio Tableau

Los objetos Customer Journey Analytics están disponibles en la barra lateral Datos siempre que trabaje en una hoja. Y se recuperan de la tabla que ha seleccionado como parte de la página Fuente de datos en Tableau. Por ejemplo, cc_data_view. El nombre de la tabla es el mismo que el ID externo definido para la vista de datos en Customer Journey Analytics. Por ejemplo, la vista de datos con Título C&C - Data View y Id. externo cc_data_view.

Dimensiones
Las dimensiones de Customer Journey Analytics se identifican con el nombre del componente. El nombre del componente está definido en la vista de datos de Customer Journey Analytics. Por ejemplo, la dimensión Nombre de producto en Customer Journey Analytics tiene un Nombre de componente Nombre de producto, que es el nombre de la dimensión en Tableau. Abc identifica todas las dimensiones.
Las dimensiones de intervalo de fechas de Customer Journey Analytics como Day, Week, Month y más están disponibles como Daterangeday, Daterangeweek, Daterangemonth y más. Cuando se utiliza una dimensión de intervalo de fechas, se debe seleccionar una definición adecuada de fecha u hora para aplicarla a esa dimensión de intervalo de fechas en el menú desplegable. Por ejemplo, Year, Quarter, Month, Day.

Métricas
Las métricas de Customer Journey Analytics se identifican con el Nombre del componente. El Nombre de componente está definido en la vista de datos de Customer Journey Analytics. Por ejemplo, la métrica Ingresos de compras en Customer Journey Analytics tiene un Nombre de componente Ingresos de compras, que es el nombre de la métrica en Tableau. # identifica todas las métricas. Cuando usa una métrica en cualquier visualización, se cambia el nombre de la métrica a Sum(metric).

Filtros
Los filtros que defina en Customer Journey Analytics están disponibles como parte del campo Nombre del filtro. Cuando usa un campo Nombre del filtro en Tableau, puede especificar qué filtro utilizar.

Métricas calculadas
Las métricas calculadas que define en Customer Journey Analytics se identifican con el Título que ha definido para la métrica calculada. Por ejemplo, la métrica calculada Product Name (Count Distinct) tiene Title Product Name (Count Distinct) y se muestra como Cm Product Name Count Distinct en Tableau.

Intervalos de fechas
Los intervalos de fechas que defina en Customer Journey Analytics están disponibles como parte del campo Nombre del intervalo de fechas. Cuando usa un campo Nombre del intervalo de fechas, puede especificar qué intervalo de fechas utilizar.

Transformaciones personalizadas
Tableau Desktop proporciona funcionalidad de transformación personalizada mediante Campos calculados. Por ejemplo, desea ejecutar el caso de uso Single dimension ranked con nombres de productos en minúsculas.

Seleccione Análisis > Crear campo calculado en el menú principal.
1. Defina Nombre de producto en minúsculas con la función LOWER([Product Name]).
2. Seleccione Aceptar.
Seleccione la hoja Data.
1. Arrastre Nombre de producto en minúsculas de Tablas y suelte la entrada en el campo junto a Filas.
2. Quitar Nombre de producto de Filas.
Seleccione la vista Panel 1.

El escritorio Tableau debe tener el aspecto siguiente.

Tableau Desktop después de la transformación

El resultado de la transformación personalizada es una actualización de las consultas SQL. Consulte el uso de la función LOWER en el siguiente ejemplo de SQL:

code language-sql

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))

Buscador

Los objetos Customer Journey Analytics están disponibles en la interfaz Explorar. Y se recuperan como parte de la configuración de la conexión, el proyecto y el modelo en Looker. Por ejemplo, cc_data_view. El nombre de la vista es el mismo que el ID externo definido para la vista de datos en Customer Journey Analytics. Por ejemplo, la vista de datos con Título C&C - Data View y Id. externo cc_data_view.

Dimensiones
Las dimensiones de Customer Journey Analytics se muestran como DIMENSION en el carril izquierdo de Cc Data View. La dimensión se define en la vista de datos de Customer Journey Analytics. Por ejemplo, la dimensión Product Name de Customer Journey Analytics tiene un DIMENSION Product Name, que es el nombre de la dimensión en Looker.
Las dimensiones de intervalo de fechas de Customer Journey Analytics como Day, Week, Month y más están disponibles como Daterangeday Date, Daterangeweek Date, Daterangemonth Date y más. Cuando se utiliza una dimensión de intervalo de fechas, se debe seleccionar una definición adecuada de fecha u hora. Por ejemplo, Year, Quarter, Month, Date.

Métricas
Las métricas de Customer Journey Analytics se muestran como DIMENSION en en el carril izquierdo de Cc Data View. Por ejemplo, la métrica Ingresos de compras en Customer Journey Analytics tiene DIMENSION Ingresos de compras. Para utilizar realmente como métrica, cree un campo de medida personalizado como se muestra en los ejemplos anteriores, o utilice el acceso directo en una dimensión. Por ejemplo, ⋮, seleccione Agregado y, a continuación, seleccione Suma.

Filtros
Los filtros que defina en Customer Journey Analytics están disponibles como parte del campo Nombre del filtro. Cuando usa un campo Nombre de filtro en el Buscador, puede especificar qué filtro utilizar.

Métricas calculadas
Las métricas calculadas que define en Customer Journey Analytics se identifican con el Título que ha definido para la métrica calculada. Por ejemplo, la métrica calculada Product Name (Count Distinct) tiene Title Product Name (Count Distinct) y se muestra como Cm Product Name Count Distinct en Looker.

Intervalos de fechas
Los intervalos de fechas que defina en Customer Journey Analytics están disponibles como parte del campo Nombre del intervalo de fechas. Cuando usa un campo Nombre del intervalo de fechas, puede especificar qué intervalo de fechas utilizar.

Transformaciones personalizadas
Looker proporciona una funcionalidad de transformación personalizada mediante generadores de campos personalizados, como se muestra arriba. Por ejemplo, desea ejecutar el caso de uso Single dimension ranked con nombres de productos en minúsculas.

Desde la sección ‣ Campos personalizados en el carril izquierdo:
1. Seleccione Dimension personalizado del menú desplegable + Agregar.
2. Escriba lower(${cc_data_view.product_name}) en el área de texto Expresión. Se le ayudará con la sintaxis correcta cuando empiece a escribir Product Name.
3. Escriba product name como Nombre.
4. Seleccione Guardar.

Debería ver una tabla similar como se muestra a continuación.

Resultado de transformación del buscador

El resultado de la transformación personalizada es una actualización de las consultas SQL. Consulte el uso de la función LOWER en el siguiente ejemplo de SQL:

code language-sql

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

Jupyter Notebook

Los objetos de Customer Journey Analytics (dimensiones, métricas, filtros, métricas calculadas e intervalos de fechas) están disponibles como parte de las consultas SQL incrustadas que cree. Consulte ejemplos anteriores.

Transformaciones personalizadas

Introduzca las siguientes instrucciones en una nueva celda.

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)

Ejecute la celda. Debería ver una salida similar a la captura de pantalla siguiente.

La consulta la ejecuta la extensión de BI tal como se define en Jupyter Notebook.

EstudioRS

Los componentes de Customer Journey Analytics (dimensiones, métricas, filtros, métricas calculadas e intervalos de fechas) están disponibles como objetos con nombres similares en el lenguaje R. Consulte los componentes que utilizan el componente Consulte ejemplos anteriores.

Transformaciones personalizadas

Escriba las siguientes instrucciones entre {r} ` y ` en un nuevo fragmento.

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)`

Ejecuta el fragmento. Debería ver una salida similar a la captura de pantalla siguiente.

La consulta generada por RStudio mediante la extensión de BI incluye lower, lo que implica que RStudio y la extensión de BI ejecutan la transformación personalizada.

code language-sql

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

Customer Journey Analytics

Customer Journey Analytics tiene varias visualizaciones. Consulte Visualizaciones para obtener una introducción y una descripción general de todas las visualizaciones posibles.

Herramientas de BI

tabs

Escritorio de Power BI

Comparación

Para la mayoría de las visualizaciones de Customer Journey Analytics, Power BI Desktop ofrece experiencias equivalentes. Consulte la tabla siguiente.

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
Icono	Visualización de Customer Journey Analytics	Visualización de escritorio de Power BI
	Área	Gráfico de área, gráfico de área apilada y gráfico de área 100%
	Barra	Gráfico de columnas agrupadas
	Barra apilada	Gráfico de columnas apiladas y gráfico de columnas apiladas al 100%
	Bullet
	Tabla de cohorte
	Combo	Gráfico de líneas y columnas apiladas y Gráfico de líneas y columnas agrupadas
	Anillo	Gráfico de anillo
	Visita en orden previsto	Canal.
	Flujo	¿Árbol de descomposición?
	Tabla de forma libre	Tabla y Matriz
	Histograma
	Barra horizontal	Gráfico de barras agrupadas
	Barra horizontal apilada	Gráfico de barras apiladas y gráfico de barras apiladas al 100%
	Lienzo de recorrido	Árbol de descomposición
	Resumen de métricas clave
	Líneas	Gráfico de líneas
	Dispersión	Gráfico de dispersión
	Encabezado de sección	Cuadro de texto
	Cambio de resumen	Tarjeta
	Número de resumen	Tarjeta
	Texto	Cuadro de texto
	Gráfico de rectángulos	Gráfico de rectángulos
	Venn

Explorar en profundidad

Power BI admite un modo de obtención de detalles para explorar detalles en profundidad sobre determinadas visualizaciones. En el siguiente ejemplo, se analizan los ingresos por compras para categorías de productos. En el menú contextual de una barra que representa una categoría de producto, puede seleccionar Profundizar.

explorar en profundidad Power BI

Profundizar en actualiza la visualización con los ingresos de compra de los productos dentro de la categoría de productos seleccionada.

Aumento de detalles de Power BI

El desglose genera la siguiente consulta SQL que utiliza una cláusula WHERE:

code language-sql

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

Escritorio Tableau

Comparación

Para la mayoría de las visualizaciones de Customer Journey Analytics, Tableau Desktop ofrece experiencias equivalentes. Consulte la tabla siguiente.

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
Icono	Visualización de Customer Journey Analytics	Visualización de escritorio de Power BI
	Área	Gráfico de áreas
	Barra	Gráfico de barras
	Barra apilada
	Bullet	Gráfico de viñetas
	Tabla de cohorte
	Combo	Gráficos combinados
	Anillo
	Visita en orden previsto
	Flujo
	Tabla de forma libre	Tabla de texto
	Histograma	Histograma
	Barra horizontal	Gráfico de barras
	Barra horizontal apilada	Gráfico de barras
	Lienzo de recorrido
	Resumen de métricas clave
	Líneas	Gráfico de líneas
	Dispersión	Diagrama de puntos
	Encabezado de sección
	Cambio de resumen
	Número de resumen
	Texto
	Gráfico de rectángulos	Gráfico de rectángulos
	Venn

Explorar en profundidad

Tableau admite modo de obtención de detalles a través de jerarquías. En el ejemplo siguiente, crea una jerarquía al seleccionar el campo Nombre del producto en Tablas y arrastrarlo sobre Categoría del producto. A continuación, en el menú contextual de una barra que representa una categoría de producto, puede seleccionar + Explorar en profundidad.

Exploración en profundidad de Tableau

Profundizar en actualiza la visualización con los ingresos de compra de los productos dentro de la categoría de productos seleccionada.

Exploración en profundidad de Tableau

El desglose genera la siguiente consulta SQL que utiliza una cláusula GROUP BY:

code language-sql

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

La consulta no limita los resultados a la categoría de producto seleccionada; solo la visualización muestra la categoría de producto seleccionada.

Exploración en profundidad de Tableau

También puede crear un tablero de aumento de detalle en el que un elemento visual sea el resultado de la selección en otro elemento visual. En el ejemplo siguiente, la visualización Categorías de productos se usa como filtro para actualizar la tabla Nombres de productos. Este filtro de visualización es solo de cliente y no genera una consulta SQL adicional.

Filtro de visualización Tableau

Buscador

Comparación

Para la mayoría de las visualizaciones de Customer Journey Analytics, Looker ofrece experiencias equivalentes. Consulte la tabla siguiente.

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
Icono	Visualización de Customer Journey Analytics	Visualización de escritorio de Power BI
	Área	Gráfico de áreas
	Barra	Gráfico de barras
	Barra apilada	Gráfico de barras
	Bullet	Gráfico de viñetas
	Tabla de cohorte
	Combo	Personalización de visualizaciones
	Anillo	Anillo
	Visita en orden previsto	Canal
	Flujo	Sankey
	Tabla de forma libre	Tabla
	Histograma
	Barra horizontal	Gráfico de barras
	Barra horizontal apilada	Gráfico de barras
	Lienzo de recorrido
	Resumen de métricas clave
	Líneas	Gráfico de líneas
	Dispersión	Diagrama de dispersión
	Encabezado de sección
	Cambio de resumen	Valor único
	Número de resumen	Valor único
	Texto	Valor único
	Gráfico de rectángulos	Gráfico de rectángulos
	Diagrama de Venn	Diagrama de Venn

Jupyter Notebook La comparación de las capacidades de visualización de matplotlib.pylot, la interfaz basada en estado con matplotlib, va más allá del propósito de este artículo. Vea los ejemplos anteriores para obtener inspiración y la documentación de matplotlib.pylot.

EstudioRS La comparación de las capacidades de visualización de gglot2, el paquete de visualización de datos en R, va más allá del propósito de este artículo. Vea los ejemplos anteriores para obtener inspiración y la documentación de ggplot2.

Herramientas de BI

tabs
Escritorio de Power BI	El filtrado avanzado de intervalos de fechas de Power BI Desktop es exclusivo. Para la fecha de finalización, debe seleccionar una fecha posterior al día en el que desee crear el informe. Por ejemplo, es el `1/1/2023` y antes del `1/2/2023` o después de este. Power BI Desktop usa el valor predeterminado Importar al crear una conexión. Asegúrese de usar Direct Query. Power BI Desktop expone las transformaciones de datos a través de Power Query. Power Query funciona principalmente con conexiones de tipo Import, por lo que muchas transformaciones que se aplican, como funciones de fecha o cadena, generan un error que indica que debe cambiar a una conexión de tipo Import. Si necesita transformar los datos en el momento de la consulta, debe utilizar dimensiones y métricas derivadas para que Power BI no necesite realizar las transformaciones en sí. Power BI Desktop no entiende cómo gestionar columnas de tipo fecha-hora, por lo que las dimensiones *daterange X *como daterangehour y daterangeminute ** no son compatibles. Power BI Desktop de forma predeterminada intenta realizar varias conexiones con un máximo de sesiones de Query Service. Vaya a la configuración de Power BI para el proyecto y deshabilite las consultas paralelas. Power BI Desktop realiza toda la ordenación y limitación del lado del cliente. Power BI Desktop también tiene una semántica diferente para el filtrado superior X que incluye valores vinculados. Por lo tanto, no se puede crear la misma ordenación y limitación que en Analysis Workspace. Las versiones anteriores del lanzamiento de Power BI Desktop de octubre de 2024 rompen las fuentes de datos PostgreSQL. Asegúrese de utilizar la versión mencionada en este artículo.
Escritorio Tableau	El filtrado Tableau Desktop Range of Dates es exclusivo. Para la fecha de finalización, debe seleccionar una fecha posterior al día en el que desee crear el informe. De manera predeterminada, cuando se agrega una dimensión de fecha y hora como Daterangemonth a las filas de una hoja, Tableau Desktop ajusta el campo en una función YEAR(). Para obtener lo que desea, debe seleccionar esa dimensión y en el menú desplegable, seleccionar la función de fecha que desee utilizar. Por ejemplo, cambie Year a Month cuando intente usar Daterangemonth. Limitar los resultados a los X principales no es obvio en Tableau Desktop. Puede limitar los resultados explícitamente o mediante un campo calculado y la función INDEX(). Agregar un filtro X superior a una dimensión genera SQL complejo mediante una combinación interna no compatible.
Buscador	El buscador tiene un número máximo de conexiones por configuración de nodo que debe estar entre 5 y 100. No puede establecer este valor en 1. Esta configuración implica que una conexión de Buscador siempre utiliza al menos 5 de las sesiones de servicio de consultas disponibles. Looker permite crear un proyecto con una vista basada en una vista de datos de Customer Journey Analytics. A continuación, Looker crea un modelo basado en las dimensiones y métricas disponibles en la vista Datos mediante LookerML. Esta vista de proyecto no se actualiza automáticamente para que coincida con el origen. Si realiza cambios o adiciones a las dimensiones, métricas, métricas calculadas o segmentos de la vista de datos de CJA, estos cambios no se muestran automáticamente en Looker. Debe actualizar manualmente la vista de proyecto o crear un nuevo proyecto. La experiencia del usuario del buscador en campos de fecha y hora como Daterange Date o Daterangeday Date es confusa. El intervalo de fechas del buscador es exclusivo en lugar de inclusivo. hasta (antes) está en gris, por lo que puede pasar por alto ese aspecto. Para el día de finalización, debe seleccionar uno después del día en el que desee crear el informe. Looker no trata automáticamente sus métricas como métricas. Al seleccionar una métrica, Looker intenta de forma predeterminada tratar la métrica como una dimensión en la consulta. Para tratar una métrica como una métrica, debe crear un campo personalizado como se ilustra arriba. Como método abreviado, puede seleccionar ⋮, seleccionar Agregar y, a continuación, seleccionar Suma.
Jupyter Notebook	La principal advertencia para Jupyter Notebook es que la herramienta no tiene una interfaz de usuario de arrastrar y soltar como otras herramientas de BI. Puede crear buenos elementos visuales, pero debe escribir código para lograrlo.
EstudioRS	R dplyr funciona con un esquema plano, por lo que se requiere la opción FLATTEN. La advertencia principal para RStudio es que la herramienta no utiliza una interfaz de usuario de arrastrar y soltar como otras herramientas de BI. Puede crear buenos elementos visuales, pero debe escribir código para lograrlo.