1. Dans le volet Données :

   1. Sélectionnez daterange.
   2. Sélectionnez product_name.
   3. Sélectionnez somme des occurrences.

2. Dans le volet Filtres :

   1. Sélectionnez daterange est (tout) dans Filtres sur ce visuel.
   2. Sélectionnez Date relative comme Type de filtre.
   3. Définissez le filtre pour Afficher les éléments lorsque la valeur se trouve dans les dernières 1 années civiles.
   4. Sélectionnez Appliquer le filtre.
   5. Sélectionnez product_name is (All) dans Filtres sur ce visuel.
   6. Sélectionnez N premiers comme type de filtre.
   7. Sélectionnez Afficher les éléments En haut 5 Par valeur.
   8. Effectuez un glisser-déposer occurrences de somme depuis le volet Données et déposez-le sur Ajouter des champs de données ici.
   9. Sélectionnez Appliquer le filtre.

3. Dans le volet Visualisation :

   • Sélectionnez pour supprimer daterange des colonnes.

   Votre bureau Power BI doit se présenter comme suit :

   

La requête exécutée par Power BI Desktop à l’aide de l’extension BI inclut une instruction limit, mais pas celle attendue. Power BI Desktop applique la limite des 5 principales occurrences à l’aide des résultats de nom de produit explicites.

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. Sélectionnez l’onglet Feuille 1 en bas pour basculer depuis Source de données. Dans la vue Feuille 1 :

   1. Faites glisser l’entrée Période de la liste Tableaux vers le plateau Filtres.

   2. Dans la boîte de dialogue Champ de filtre [Période], sélectionnez Période et sélectionnez Suivant >.

   3. Dans la boîte de dialogue Filtrer [Période], sélectionnez Dates relatives, Années, puis Années précédentes. Sélectionnez Appliquer et OK.

   4. Faites glisser Product Name de la liste Tables vers Rows.

   5. Faites glisser l’entrée Occurrences de la liste Tableaux et déposez-la dans le champ en regard de Colonnes. La valeur devient SUM(Occurrences).

   6. Sélectionnez Tableau de texte dans Afficher.

   7. Sélectionnez Ajuster la largeur dans le menu déroulant Ajuster.

   8. Sélectionnez Nom du produit dans Lignes. Sélectionnez Filtrer dans le menu déroulant.

      1. Dans la boîte de dialogue Filtrer [Nom du produit], sélectionnez l’onglet Haut.

      2. Sélectionnez Par champ : Haut 5 Par occurrences Somme.

      3. Sélectionnez Appliquer et OK.

         vous remarquerez que le tableau disparaît. La sélection des 5 premiers noms de produit par occurrences ne fonctionne pas correctement avec ce filtre.

      4. Sélectionnez le Nom du produit dans l’étagère Filtrer, puis dans le menu déroulant, sélectionnez Supprimer. Le tableau réapparaît.

   9. Sélectionnez SUM(Occurrences) dans le rayon Marques. Sélectionnez Filtrer dans le menu déroulant.

      1. Dans la boîte de dialogue Filtrer [Occurrences], sélectionnez Au moins.

      2. Saisissez 47.799 comme valeur. Cette valeur permet de s’assurer que seuls les 5 premiers éléments sont affichés dans le tableau. Sélectionnez Appliquer et OK.

         Votre Tableau Desktop devrait ressembler à ce qui suit.

         

Comme indiqué ci-dessus, cette requête exécutée par Tableau Desktop lors de la définition d'un filtre des 5 principales occurrences sur les noms de produits échoue.

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

La requête exécutée par Tableau Desktop lors de la définition d'un filtre Top 5 sur les occurrences est présentée ci-dessous. La limite n’est pas visible dans la requête et appliquée côté client.

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. Dans l’interface Explorer de la recherche, actualisez votre connexion. Sélectionnez Effacer le cache et actualiser.

2. Dans l’interface Explorer de Looker, assurez-vous que vous disposez d’une configuration propre. Sinon, sélectionnez Supprimer les champs et les filtres.

3. Sélectionnez + filtre sous filtres.

4. Dans la boîte de dialogue Ajouter un filtre :

   1. Sélectionnez ‣ Cc Vue De Données

   2. Dans la liste des champs, sélectionnez Date de période puis Date de période.

      

5. Spécifiez le filtre Date de plage de dates de la vue de données Cc tel que est dans la plage 2023/01/01 jusqu’au (avant) 2024/01/01.

6. Dans la section ‣ Cr Vue des données rail de gauche :

   1. Sélectionnez Nom du produit.
   2. Sélectionnez Nombre sous MESURES dans le rail de gauche (en bas).

7. Veillez à sélectionner ↓ (Décroissant, Ordre de tri : 1) dans la colonne Chiffre d’affaires d’achat.

8. Veillez à sélectionner ↓ (Décroissant, Ordre de tri : 1) dans la colonne Chiffre d’affaires d’achat.

9. Sélectionnez Exécuter.

10. Sélectionnez ‣ Visualisation.

Vous devriez voir une visualisation et un tableau similaires à ceux présentés ci-dessous.

La requête générée par Looker à l’aide de l’extension BI inclut FETCH NEXT 5 ROWS ONLY, ce qui implique que la limite est exécutée via Looker et l’extension BI.

-- 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. Saisissez les instructions suivantes dans une nouvelle cellule.

   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. Exécutez la cellule. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.

   

La requête est exécutée par l’extension BI, comme défini dans le notebook Jupyter.

1. Saisissez les instructions suivantes entre {r} ` et ` dans un nouveau bloc.

   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. Exécutez le bloc. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.

   

La requête générée par RStudio à l’aide de l’extension BI inclut LIMIT 5, ce qui implique que la limite est appliquée via RStudio et l’extension BI.

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

Les objets Customer Journey Analytics sont disponibles dans le volet Données et sont récupérés à partir du tableau que vous avez sélectionné dans Power BI Desktop. Par exemple, public.cc_data_view. Le nom de la table est identique à l’ID externe que vous avez défini pour votre vue de données dans Customer Journey Analytics. Par exemple, la vue de données avec les ​ ​TitreC&C - Data View et ID externecc_data_view.

Dimensions
Les dimensions Customer Journey Analytics sont identifiées par l’ID de composant. L’ID de composant est défini dans votre vue de données Customer Journey Analytics. Par exemple, la dimension Nom du produit dans Customer Journey Analytics comporte un ID de composant nom_produit, qui est le nom de la dimension dans Power BI Desktop.
Les dimensions de période de Customer Journey Analytics, telles que Jour, Semaine, Mois, etc. sont disponibles sous la forme daterangeday, daterangeweek, daterangemonth, etc.

Mesures
Les mesures Customer Journey Analytics sont identifiées par l’ID de composant. L’ID de composant est défini dans votre vue de données Customer Journey Analytics. Par exemple, la mesure Chiffre d’affaires d’achat dans Customer Journey Analytics comporte un ID de composant purchase_revenue, qui est le nom de la mesure dans Power BI Desktop. Un ∑ indique les mesures. Lorsque vous utilisez une mesure dans n’importe quelle visualisation, la mesure 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 dans Customer Journey Analytics sont identifiées par l’ID externe que vous avez défini pour la mesure calculée. Par exemple, la mesure calculée Nom du produit (nombre distinct) comporte ID externe nom_produit_nombre_distinct et s’affiche sous la forme cm_nom_produit_nombre_distinct ​t dans Power BI Desktop.

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

Transformations personnalisées
Power BI Desktop fournit une fonctionnalité de transformation personnalisée à l’aide de Data Analysis Expressions (DAX). Par exemple, vous souhaitez exécuter le cas d’utilisation Classement sur une seule dimension avec les noms de produits en minuscules.

1. Dans la vue Rapport, sélectionnez la visualisation sous forme de barre.

2. Sélectionnez product_name dans le volet Données.

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

4. Dans l’éditeur de formules, définissez une nouvelle colonne nommée product_name_lower, comme product_name_lower = LOWER('public.cc_data_view[product_name]).
   

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 du tableau.

   Votre bureau Power BI doit se présenter comme suit :
   

La transformation personnalisée entraîne une mise à jour des requêtes SQL. Consultez 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 Customer Journey Analytics sont disponibles dans la barre latérale Données lorsque vous travaillez dans une feuille. et sont récupérés à partir du tableau que vous avez sélectionné dans le cadre de la page Source de données de Tableau. Par exemple, cc_data_view. Le nom de la table est identique à l’ID externe que vous avez défini pour votre vue de données dans Customer Journey Analytics. Par exemple, la vue de données avec les ​ ​TitreC&C - Data View et ID externecc_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 Customer Journey Analytics. Par exemple, la dimension Nom du produit dans Customer Journey Analytics comporte 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 période de Customer Journey Analytics, telles que Jour, Semaine, Mois, etc. sont disponibles sous la forme JourCatalogue, SemaineCatalogue, MoisCatalogue, etc. Lorsque vous utilisez une dimension de période, vous devez sélectionner une définition de date ou d’heure appropriée à appliquer à cette dimension de période dans le menu déroulant. Par exemple, Année, Trimestre, Mois, Jour.

Mesures
Les mesures Customer Journey Analytics sont identifiées par le nom du composant. Le nom du composant est défini dans votre vue de données Customer Journey Analytics. Par exemple, la mesure Chiffre d’affaires d’achat dans Customer Journey Analytics comporte un Nom du composant Chiffre d’affaires d’achat, qui est le nom de la mesure dans Tableau. Toutes les mesures sont identifiées par #. Lorsque vous utilisez une mesure dans n’importe quelle visualisation, la mesure est renommée Somme(mesure).

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 dans Customer Journey Analytics sont identifiées par le Titre que vous avez défini pour la mesure calculée. Par exemple, la mesure calculée Nom du produit (Nombre distinct) comporte Titre Nom du produit (Nombre distinct) et s’affiche sous la forme Cm Nom du produit Nombre distinct dans le tableau.

périodes
Les périodes que vous définissez dans Customer Journey Analytics sont disponibles dans le champ Nom de la période. Lorsque vous utilisez un champ Nom de la période, vous pouvez spécifier la période à utiliser.

Transformations 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 sur une seule dimension avec les noms de produits en minuscules.

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

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

      

   2. Sélectionnez OK.

2. Sélectionnez la feuille Données.

   1. Faites glisser Nom du produit en minuscules depuis Tableaux 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 Tableau Desktop devrait ressembler à ce qui suit.

La transformation personnalisée entraîne une mise à jour des requêtes SQL. Consultez 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))

Les objets Customer Journey Analytics sont disponibles dans l’interface Explorer. Les et sont récupérés dans le cadre de la configuration de votre connexion, projet et modèle dans Looker. Par exemple, cc_data_view. Le nom de la vue est identique à l’ID externe que vous avez défini pour votre vue de données dans Customer Journey Analytics. Par exemple, la vue de données avec les ​ ​TitreC&C - Data View et ID externecc_data_view.

Dimensions
Les dimensions de Customer Journey Analytics sont répertoriées sous la forme DIMENSION dans le rail de gauche Vue de données Cc. La dimension est définie dans la vue de données Customer Journey Analytics. Par exemple, la dimension Nom du produit dans Customer Journey Analytics comporte un DIMENSION Nom du produit, qui est le nom de la dimension dans l’outil de recherche.
Les dimensions de période de Customer Journey Analytics, telles que Jour, Semaine, Mois, etc. sont disponibles sous la forme Date du jour de date, Date de la semaine de date, Date du mois de date, etc. Lorsque vous utilisez une dimension de période, vous devez sélectionner une définition de date ou d’heure appropriée. Par exemple, Année, Trimestre, Mois, Date.

Mesures
Les mesures provenant de Customer Journey Analytics sont répertoriées sous la forme DIMENSION dans le rail de gauche Vue de données Cc. Par exemple, la mesure Chiffre d’affaires d’achat dans Customer Journey Analytics comporte un DIMENSION Chiffre d’affaires d’achat. Pour utiliser réellement comme mesure, créez un champ de mesure personnalisé comme illustré dans les exemples ci-dessus ou utilisez le raccourci sur une dimension. Par exemple, ⋮, sélectionnez Agrégat, puis Somme…

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 le Looker, vous pouvez spécifier le filtre à utiliser.

Mesures calculées
Les mesures calculées que vous définissez dans Customer Journey Analytics sont identifiées par le Titre que vous avez défini pour la mesure calculée. Par exemple, la mesure calculée Nom du produit (Nombre distinct) comporte Titre Nom du produit (Nombre distinct) et s’affiche sous la forme Cm Nom du produit Nombre distinct dans l’outil de recherche.

périodes
Les périodes que vous définissez dans Customer Journey Analytics sont disponibles dans le champ Nom de la période. Lorsque vous utilisez un champ Nom de la période, vous pouvez spécifier la période à utiliser.

Transformations personnalisées
Looker fournit une fonctionnalité de transformation personnalisée à l’aide de créateurs de champs personnalisés, comme illustré ci-dessus. Par exemple, vous souhaitez exécuter le cas d’utilisation Classement sur une seule dimension avec les noms de produits en minuscules.

1. Dans la section Champs personnalisés dans le rail de gauche :

   1. Sélectionnez Custom Dimension dans le menu déroulant + Ajouter.

   2. Saisissez lower(${cc_data_view.product_name}) dans la zone de texte Expression. La syntaxe correcte vous est fournie lorsque vous commencez à saisir Product Name.

      

   3. Saisissez product name comme Nom.

   4. Sélectionnez Enregistrer.

Vous devriez voir un tableau similaire comme illustré ci-dessous.

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

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

Les objets Customer Journey Analytics (dimensions, mesures, filtres, mesures calculées et périodes) sont disponibles dans le cadre des requêtes Embedded SQL que vous créez. Voir les exemples précédents.

Transformations personnalisées

1. Saisissez les instructions suivantes dans une nouvelle cellule.

   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. Exécutez la cellule. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.

   

La requête est exécutée par l’extension BI, comme défini dans le notebook Jupyter.

Les composants Customer Journey Analytics (dimensions, mesures, filtres, mesures calculées et périodes) sont disponibles sous la forme d’objets nommés similaires dans la langue R. Reportez-vous aux composants qui utilisent le composant. Voir les exemples précédents.

Transformations personnalisées

1. Saisissez les instructions suivantes entre {r} ` et ` dans un nouveau bloc.

   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. Exécutez le bloc. Vous devriez voir une sortie similaire à la capture d’écran ci-dessous.

   

La requête générée par RStudio à l’aide de l’extension BI inclut lower, ce qui implique que la transformation personnalisée est exécutée par RStudio et l’extension BI.

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

Comparaison

Pour la plupart des visualisations Customer Journey Analytics, Power BI Desktop offre des expériences équivalentes. Voir 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 Customer Journey Analytics	Visualisation de Power BI Desktop
	Surface	Graphique en aires, Graphique en aires empilées et Graphique en aires 100 %
	Barre	Graphique à colonnes groupées
	Barres empilées	Graphique à colonnes empilées et Graphique à colonnes 100 %empilées
	Puces
	Table de cohorte
	Combo	Graphique en courbes et histogrammes empilés, et Graphique en courbes et histogramme organisé en grappes
	Anneau	Graphique en anneau
	Abandon	Entonnoir.
	Flux	Arborescence de décomposition ?
	Tableau à structure libre	Tableau et Matrice
	Histogramme
	Barre horizontale	Graphique à barres groupées
	Barres empilées horizontales	Graphique à barres empilées et Graphique à barres empilées 100 %
	Zone de travail de parcours	Arborescence de décomposition
	Résumé des mesures clés
	Ligne	Graphique linéaire
	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

Accéder en profondeur

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

L’analyse en profondeur met à jour la visualisation avec le chiffre d’affaires des achats des produits de la catégorie de produits sélectionnée.

L’analyse aboutit à 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 Customer Journey Analytics, Tableau Desktop offre des expériences équivalentes. Voir 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 Customer Journey Analytics	Visualisation de Power BI Desktop
	Surface	Graphique en aires
	Barre	Graphique à barres
	Barres empilées
	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
	Barres empilées horizontales	Graphique à barres
	Zone de travail de parcours
	Résumé des mesures clés
	Ligne	Graphique linéaire
	Dispersion	Graphique de dispersion
	En-tête de section
	Résumé des changements
	Numéro de résumé
	Texte
	Plan en arborescence	Plan en arborescence
	Venn

Accéder en profondeur

Tableau prend en charge mode de hiérarchisation via hiérarchies. Dans l’exemple ci-dessous, vous créez une hiérarchie lorsque vous sélectionnez le champ Nom du produit dans Tableaux et que vous le faites glisser en haut de Catégorie de produits. Ensuite, dans le menu contextuel d’une barre représentant une catégorie de produits, vous pouvez sélectionner + Analyser en profondeur.

L’analyse en profondeur met à jour la visualisation avec le chiffre d’affaires des achats des produits de la catégorie de produits sélectionnée.

L’analyse aboutit à 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.

Vous pouvez également créer un tableau de bord d’exploration en profondeur dans lequel un élément visuel est le résultat de la sélection dans un autre élément visuel. Dans l’exemple ci-dessous, la visualisation Catégories de produits est utilisée comme filtre pour mettre à jour le tableau Noms de produits. Ce filtre de visualisation est destiné aux clients uniquement et n’entraîne pas de requête SQL supplémentaire.

Comparaison

Pour la plupart des visualisations Customer Journey Analytics, Looker offre des expériences équivalentes. Voir 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 Customer Journey Analytics	Visualisation de Power BI Desktop
	Surface	Graphique en aires
	Barre	Graphique à barres
	Barres empilées	Graphique à barres
	Puces	Graphique à puces
	Table de cohorte
	Combo	Personnalisation des visualisations
	Anneau	Anneau
	Abandon	Entonnoir
	Flux	Sankey
	Tableau à structure libre	Tableau
	Histogramme
	Barre horizontale	Graphique à barres
	Barres empilées horizontales	Graphique à barres
	Zone de travail de parcours
	Résumé des mesures clés
	Ligne	Graphique linéaire
	Dispersion	Graphique de dispersion
	En-tête de section
	Résumé des changements	Valeur unique
	Numéro de résumé	Valeur unique
	Texte	Valeur unique
	Plan en arborescence	Plan en arborescence
	Diagramme de Venn	Diagramme de Venn

• Le filtrage des périodes avancé de Power BI Desktop est exclusif. Pour votre date de fin, vous devez sélectionner une date postérieure à la journée pour laquelle vous souhaitez créer un rapport. Par exemple, est le ou après 1/1/2023 et avant 1/2/2023.

• Power BI Desktop est défini par défaut sur Importer lorsque vous créez une connexion. Veillez à utiliser Requête directe.

• Power BI Desktop expose les transformations de données via Power Query. Power Query fonctionne principalement avec des connexions de type Import de sorte que de nombreuses 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 les données au moment de la requête, vous devez utiliser des dimensions et des mesures dérivées afin que Power BI n’ait pas besoin d’effectuer les transformations lui-même.

• Power BI Desktop ne comprend pas comment gérer les colonnes de type date et heure. Les dimensions **daterange *X ***​telles que​ daterangehour ​ ​et​ daterangeminute ​ ​ne sont donc 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 Power BI de votre projet et désactivez les requêtes parallèles.

• Power BI Desktop effectue tout le tri et la limitation côté client. Power BI Desktop propose également une sémantique différente pour le filtrage top X qui inclut les valeurs liées. Vous ne pouvez donc pas créer le même tri et la même limitation que dans Analysis Workspace.

• Les versions antérieures de Power BI Desktop d’octobre 2024 interrompent les sources de données PostgreSQL. Veillez à utiliser la version mentionnée dans cet article.

• Le filtrage de la plage de dates de Tableau Desktop est exclusif. Pour votre date de fin, vous devez sélectionner une date postérieure à la journée pour laquelle vous souhaitez créer un rapport.

• Par défaut, lorsque vous ajoutez une dimension date ou date-heure telle que Daterangemonth aux lignes d'une feuille, Tableau Desktop enveloppe 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, redéfinissez Année sur Mois lorsque vous essayez d’utiliser Mois du suivi.

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

• Le sélecteur de possède un nombre maximal de connexions par paramètre de nœud qui doit être compris entre 5 et 100. Vous ne pouvez pas définir cette valeur sur 1. Ce paramètre implique qu’une connexion de recherche utilise toujours au moins 5 des sessions Query Service disponibles.

• L’outil de recherche vous permet de créer un projet avec une vue basée sur une vue de données Customer Journey Analytics. Looker crée ensuite un modèle basé sur les dimensions et les mesures, disponibles dans la vue Données, à l’aide de LookerML. Cette vue de projet n'est pas automatiquement mise à jour pour correspondre à la source. Si vous apportez des modifications ou des ajouts aux dimensions, mesures, mesures calculées ou segments de la Vue de données CJA, ces modifications ne s’affichent pas automatiquement dans l’outil de recherche. Vous devez mettre à jour manuellement la vue du projet ou créer un nouveau projet.

• L’expérience utilisateur de la recherche sur les champs de date ou d’heure tels que Date de plage ou Date de plage est déroutante.

• La période de l’observateur n’est pas inclusive, mais exclusive. Le jusqu’au (avant) est en gris, vous pouvez donc passer à côté de cet aspect. Pour votre jour de fin, vous devez sélectionner une heure et demie le jour pour lequel vous souhaitez créer un rapport.

• Looker ne traite pas automatiquement vos mesures comme des mesures . Lorsque vous sélectionnez une mesure, par défaut, Looker tente de la traiter comme une dimension dans la requête. Pour traiter une mesure comme une mesure, vous devez créer un champ personnalisé, comme illustré ci-dessus. Comme raccourci, vous pouvez sélectionner ⋮, Agréger, puis sélectionner Somme.

• L’avertissement principal pour Jupyter Notebook est que l’outil n’est pas une interface utilisateur par glisser-déposer comme les autres outils de BI. Vous pouvez créer de bons visuels, mais vous devez écrire du code pour y parvenir.

• R dplyr fonctionne avec un schéma aplati. L’option FLATTEN est donc requise.

• L’avertissement principal pour RStudio est que l’outil n’est pas une interface utilisateur par glisser-déposer comme les autres outils de BI. Vous pouvez créer de bons visuels, mais vous devez écrire du code pour y parvenir.