Les objets de Customer Journey Analytics sont disponibles dans le volet Données et sont récupérés dans la table que vous avez sélectionnée dans le bureau Power BI. Par exemple, public.cc_data_view. Le nom de la table est le même que l’identifiant externe que vous avez défini pour votre vue de données dans Customer Journey Analytics. Par exemple, vue de données avec Title C&C - Data View et External ID cc_data_view.

Dimensions
Les Dimensions de Customer Journey Analytics sont identifiées par l’ identifiant du composant. L’ identifiant du composant est défini dans votre vue de données de Customer Journey Analytics. Par exemple, la dimension Nom du produit en Customer Journey Analytics a un ID de composant nom_produit, qui est le nom de la dimension dans l’appli de bureau Power BI.
Les dimensions de plage de dates du Customer Journey Analytics, telles que Jour, Semaine, Mois, et d’autres sont disponibles sous la forme daterangeday, daterangeweek, daterangemonth, etc.

Mesures
Les mesures du Customer Journey Analytics sont identifiées par l’ identifiant du composant. L’ identifiant du composant est défini dans votre vue de données de Customer Journey Analytics. Par exemple, la mesure Chiffre d’affaires des achats en Customer Journey Analytics a un ​ identifiant de composant purchase_revenue, qui est le nom de la mesure dans l’appli de bureau Power BI. Un ∑ indique des mesures. Lorsque vous utilisez une mesure dans une visualisation, elle est renommée **Somme de *mesure ***.

Filtres
Les filtres que vous définissez dans Customer Journey Analytics sont disponibles dans le champ filterName . Lorsque vous utilisez un champ filterName dans Power BI Desktop, vous pouvez spécifier le filtre à utiliser.

Mesures calculées
Les mesures calculées que vous définissez en Customer Journey Analytics sont identifiées par l’ID externe que vous avez défini pour la mesure calculée. Par exemple, la mesure calculée Nom de produit (Comptage distinct) a ID externe product_name_count_distinct et est affichée sous la forme cm_product_name_count_distinct ​t dans Power BI Desktop.

Plages de dates
Les plages de dates que vous définissez en Customer Journey Analytics sont disponibles dans le champ daterangeName . Lorsque vous utilisez un champ daterangeName, vous pouvez spécifier la période à utiliser.

Conversions personnalisées
L’appli de bureau Power BI fournit une fonctionnalité de transformation personnalisée à l’aide des expressions d’analyse de données (DAX). Par exemple, vous souhaitez exécuter le cas d’utilisation Classement Dimension unique avec les noms de produits en minuscules.

1. Dans la vue du rapport, sélectionnez la visualisation à barres.

2. Sélectionnez product_name dans le volet Données.

3. Sélectionnez Nouvelle colonne dans la barre d’outils.

4. Dans l’éditeur de formule, définissez une nouvelle colonne nommée product_name_lower, telle que product_name_lower = LOWER('public.cc_data_view[product_name]).
   {modal="regular"}

5. Veillez à sélectionner la nouvelle colonne product_name_lower dans le volet Données au lieu de la colonne product_name .

6. Sélectionnez Rapport sous forme de tableau dans dans la visualisation de tableau.

   Votre bureau Power BI doit ressembler à ce qui suit.
   {modal="regular"}

La transformation personnalisée entraîne la mise à jour des requêtes SQL. Voir l’utilisation de la fonction lower dans l’exemple SQL ci-dessous :

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

Les objets de Customer Journey Analytics sont disponibles dans la barre latérale Data chaque fois que vous travaillez dans une feuille. Et sont récupérés à partir de la table que vous avez sélectionnée dans le cadre de la page Source de données dans Tableau. Par exemple, cc_data_view. Le nom de la table est le même que l’identifiant externe que vous avez défini pour votre vue de données dans Customer Journey Analytics. Par exemple, vue de données avec Title C&C - Data View et External ID cc_data_view.

Dimensions
Les Dimensions de Customer Journey Analytics sont identifiées par le nom du composant. Le nom du composant est défini dans votre vue de données de Customer Journey Analytics. Par exemple, la dimension Nom du produit en Customer Journey Analytics a un Nom du composant Nom du produit, qui est le nom de la dimension dans Tableau. Toutes les dimensions sont identifiées par Abc.
Les dimensions de plage de dates du Customer Journey Analytics, telles que Jour, Semaine, Mois, et d’autres sont disponibles sous la forme Daterangeday, Daterangeweek, Daterangemonth, etc. Lorsque vous utilisez une dimension de période, vous devez sélectionner une définition appropriée de date ou d’heure à appliquer à cette dimension de période dans le menu déroulant. Par exemple, Année, Trimestre, Mois, Jour.

Mesures
Les mesures du Customer Journey Analytics sont identifiées par le nom du composant. Le nom du composant est défini dans votre vue de données de Customer Journey Analytics. Par exemple, la mesure Chiffre d’affaires des achats en Customer Journey Analytics a un Nom du composant Chiffre d’affaires des achats, qui est le nom de la mesure dans Tableau. Toutes les mesures sont identifiées par #. Lorsque vous utilisez une mesure dans une visualisation, elle est renommée Sum(metric).

Filtres
Les filtres que vous définissez dans Customer Journey Analytics sont disponibles dans le champ Nom du filtre. Lorsque vous utilisez un champ Nom du filtre dans Tableau, vous pouvez spécifier le filtre à utiliser.

Mesures calculées
Les mesures calculées que vous définissez en Customer Journey Analytics sont identifiées par le titre que vous avez défini pour la mesure calculée. Par exemple, la mesure calculée Nom de produit (Comptage distinct) a Titre Nom de produit (Comptage distinct) et est affichée sous la forme Nom de produit Comptage distinct dans Tableau.

Plages de dates
Les plages de dates que vous définissez en Customer Journey Analytics sont disponibles dans le champ Nom de remplacement. Lorsque vous utilisez un champ Nom de la plage de dates, vous pouvez spécifier la plage de dates à utiliser.

Conversions personnalisées
Tableau Desktop fournit une fonctionnalité de transformation personnalisée à l’aide de champs calculés. Par exemple, vous souhaitez exécuter le cas d’utilisation Classement Dimension unique avec les noms de produits en minuscules.

1. Sélectionnez Analysis > Créer un champ calculé dans le menu principal.

   1. Définissez Nom de produit en minuscules à l’aide de la fonction LOWER([Product Name]).

      {modal="regular"}

   2. Sélectionnez OK.

2. Sélectionnez la feuille Data.

   1. Faites glisser Nom de produit en minuscules depuis Tables et déposez l’entrée dans le champ en regard de Lignes.
   2. Supprimez Nom du produit de Lignes.

3. Sélectionnez la vue Tableau de bord 1.

Votre bureau Tableau doit ressembler à ce qui suit.

{modal="regular"}

La transformation personnalisée entraîne la mise à jour des requêtes SQL. Voir l’utilisation de la fonction LOWER dans l’exemple SQL ci-dessous :

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))

Comparaison

Pour la plupart des visualisations de Customer Journey Analytics, l’appli de bureau Power BI offre des expériences équivalentes. Consultez le tableau ci-dessous.

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
Icône	Visualisation des Customer Journey Analytics	Visualisation de bureau Power BI
	Surface	Diagramme de surface, diagramme de surface empilé et diagramme de 100 %
	Barre	Graphique en colonnes organisé en grappe
	Barre empilée	Graphique en colonnes empilé et Graphique en colonnes empilé à 100 %
	Puces
	Table de cohorte
	Combo	Diagramme en courbes et en colonnes empilées et Graphique en courbes et en colonnes organisés
	Anneau	Graphique en anneau
	Abandon	Entonnoir.
	Flux	Décomposition de l'arbre ?
	Tableau à structure libre	Table et Matrix
	Histogramme
	Barre horizontale	Graphique à barres en grappe
	Barre horizontale empilée	Graphique à barres empilées et Graphique à barres empilées à 100 %
	Canevas de Parcours	Arborescence de décomposition
	Synthèse des mesures clés
	Ligne	Graphique en courbes
	Dispersion	Graphique de dispersion
	En-tête de section	Zone de texte
	Résumé des changements	Carte
	Numéro de résumé	Carte
	Texte	Zone de texte
	Plan en arborescence	Plan en arborescence
	Venn

Zoom

Power BI prend en charge un mode d’exploration pour explorer des détails détaillés sur certaines visualisations. Dans l’exemple ci-dessous, vous analysez les recettes d’achat pour les catégories de produits. Dans le menu contextuel d’une barre représentant une catégorie de produits, vous pouvez sélectionner Zoom avant.

{modal="regular"}

L’analyse en profondeur met à jour la visualisation avec les recettes d’achat pour les produits de la catégorie de produits sélectionnée.

{modal="regular"}

L’analyse en profondeur entraîne la requête SQL suivante qui utilise une clause WHERE :

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

Comparaison

Pour la plupart des visualisations de Customer Journey Analytics, Tableau offre des expériences équivalentes. Consultez le tableau ci-dessous.

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
Icône	Visualisation des Customer Journey Analytics	Visualisation de bureau Power BI
	Surface	Graphique à aires
	Barre	Graphique à barres
	Barre empilée
	Puces	Graphique à puces
	Table de cohorte
	Combo	Graphiques combinés
	Anneau
	Abandon
	Flux
	Tableau à structure libre	Tableau de texte
	Histogramme	Histogramme
	Barre horizontale	Graphique à barres
	Barre horizontale empilée	Graphique à barres
	Canevas de Parcours
	Synthèse des mesures clés
	Ligne	Graphique en courbes
	Dispersion	Graphique de dispersion
	En-tête de section
	Résumé des changements
	Numéro de résumé
	Texte
	Plan en arborescence	Plan en arborescence
	Venn

Zoom

Tableau prend en charge le mode d’exploration à l’aide de hiérarchies. Dans l’exemple ci-dessous, vous créez une hiérarchie lorsque vous sélectionnez le champ Nom du produit dans Tables et que vous le faites glisser au-dessus de la Catégorie de produit. Ensuite, dans le menu contextuel d’une barre représentant une catégorie de produits, vous pouvez sélectionner + Zoom avant.

{modal="regular"}

L’analyse en profondeur met à jour la visualisation avec les recettes d’achat pour les produits de la catégorie de produits sélectionnée.

{modal="regular"}

L’analyse en profondeur génère la requête SQL suivante qui utilise une clause GROUP BY :

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 requête ne limite pas les résultats à la catégorie de produits sélectionnée ; seule la visualisation affiche la catégorie de produits sélectionnée.

{modal="regular"}

Vous pouvez également créer un tableau de bord d’analyse en profondeur où un visuel est le résultat de la sélection dans un autre visuel. Dans l’exemple ci-dessous, la visualisation Catégories de produits est utilisée comme filtre pour mettre à jour la table Noms de produits. Ce filtre de visualisation est réservé au client et n’entraîne pas de requête SQL supplémentaire.

{modal="regular"}

• Power BI Bureau Le filtrage de la période avancée est exclusif. Pour la date de fin, vous devez en sélectionner une au-delà du jour où vous souhaitez générer des rapports. Par exemple, est activé ou après 1/1/2023 et avant 1/2/2023.

• Par défaut, l’appli de bureau Power BI est Importer lorsque vous créez une connexion. Assurez-vous d’utiliser Direct Query.

• Power BI Desktop expose les transformations de données par le biais de Power Query. Power Query fonctionne principalement avec les connexions de type Import de sorte qu’un grand nombre de transformations que vous appliquez comme des fonctions de date ou de chaîne génèrent une erreur indiquant que vous devez passer à une connexion de type Import. Si vous devez transformer des données au moment de la requête, vous devez utiliser des dimensions et des mesures dérivées afin que Power BI n’ait pas à effectuer les transformations proprement dites.

• Power BI Desktop ne comprend pas comment gérer les colonnes de type date-time, de sorte que les dimensions **daterange *X ***​telles que​ daterangehour ​ ​et​ daterangeminute ​ ​ne sont pas prises en charge.

• Par défaut, Power BI Desktop tente d’établir plusieurs connexions à l’aide d’un plus grand nombre de sessions Query Service. Accédez aux paramètres de Power BI de votre projet et désactivez les requêtes parallèles.

• Power BI Desktop effectue le tri et la limitation côté client. Power BI Desktop présente également une sémantique différente pour le filtrage supérieur X qui inclut des valeurs liées. Vous ne pouvez donc pas créer les mêmes règles de tri et de limitation que dans Analysis Workspace.

• Les versions antérieures de l’application de bureau Power BI d’octobre 2024 ont interrompu les sources de données PostgreSQL. Veillez à utiliser la version mentionnée dans cet article.

• Le filtrage de la plage de dates de l’appli de bureau Tableau est exclusif. Pour la date de fin, vous devez en sélectionner une au-delà du jour où vous souhaitez générer des rapports.

• Par défaut, lorsque vous ajoutez une dimension de date ou d’heure telle que Daterangemonth aux lignes d’une feuille, Tableau Desktop encapsule le champ dans une fonction YEAR(). Pour obtenir ce que vous souhaitez, vous devez sélectionner cette dimension et, dans le menu déroulant, sélectionner la fonction de date à utiliser. Par exemple, remplacez Year par Month lorsque vous essayez d’utiliser Daterangemonth.

• Limiter les résultats au X supérieur n’est pas évident dans Tableau Desktop. Vous pouvez limiter les résultats explicitement ou utiliser un champ calculé et la fonction INDEX(). L’ajout d’un filtre Top X à une dimension génère un code SQL complexe à l’aide d’une jointure interne qui n’est pas prise en charge.