1. I rutan Data:

   1. Välj daterange.
   2. Välj product_name.
   3. Välj sum occurrences.

2. I rutan Filters:

   1. Välj daterange is (All) från Filters on this visual.
   2. Välj Relative date som Filter type.
   3. Definiera filtret för Show items when the value is in the last 1 calendar years.
   4. Välj Apply filter.
   5. Välj product_name is (All) från Filters on this visual.
   6. Välj Top N som Filter type.
   7. Välj Show Items Top 5 By value.
   8. Dra och släpp sum occurrences från rutan Data och släpp den på Add data fields here.
   9. Välj Apply filter.

3. I visualiseringsfönstret:

   • Välj om du vill ta bort daterange från kolumner.

   Ditt Power BI-skrivbord ska se ut så här nedan.

   

Frågan som körs av Power BI Desktop med BI-tillägget innehåller en limit-sats, men inte den som förväntades. Gränsen för de fem högsta förekomsterna tillämpas av Power BI Desktop med explicit produktnamnsresultat.

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. Välj fliken Sheet 1 längst ned om du vill växla från Data source. I vyn Sheet 1:

   1. Dra Daterange-posten från listan Tables i hyllan Filters.

   2. I dialogrutan Filter Field [Daterange] väljer du Range of Dates och sedan Next >.

   3. I dialogrutan Filter [Daterange] väljer du Relative dates, väljer Years och sedan Previous years. Välj Apply och OK.

   4. Dra Product Name från listan Tables till Rows.

   5. Dra Occurrences-posten från listan Tables och släpp posten i fältet intill Columns. Värdet ändras till SUM(Occurrences).

   6. Välj Text Table från Show Me.

   7. Välj Fit Width i listrutan Fit.

   8. Välj Product Name i Rows. Välj Filter i listrutan.

      1. Välj fliken Filter [Product Name] i dialogrutan Top.

      2. Välj By field: Top 5 by Occurrences Sum.

      3. Välj Apply och OK.

         Tabellen försvinner. Att välja de fem främsta produktnamnen efter förekomster fungerar inte korrekt med det här filtret.

      4. Välj Product Name i Filter-hyllan och välj Remove i listrutan. Tabellen visas igen.

   9. Välj SUM(Occurrences) i Marks-hyllan. Välj Filter i listrutan.

      1. Välj Filter [Occurrences] i dialogrutan At least.

      2. Ange 47.799 som värde. Detta värde garanterar att endast de fem översta objekten visas i tabellen. Välj Apply och OK.

         Ditt skrivbord ska se ut så här nedan.

         

Som framgår ovan misslyckas den här frågan som körs av Tableau Desktop när du definierar ett Top 5 instances-filter på produktnamn.

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

Frågan som körs av Tableau Desktop, när ett av de fem vanligaste filtren definieras för förekomster, visas nedan. Gränsen visas inte i frågan och används på klientsidan.

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. Uppdatera anslutningen i Explore-gränssnittet för Looker. Välj Clear cache and refresh.

2. Kontrollera att du har en ren konfiguration i gränssnittet Explore för Looker. Om inte väljer du Remove fields and filters.

3. Välj + Filter under Filters.

4. I dialogrutan Add Filter:

   1. Välj ‣ Cc Data View

   2. Välj ‣ Daterange Date och sedan Daterange Date i listan med fält.

      

5. Ange filtret Cc Data View Daterange Date som is in range 2023/01/01 until (before) 2024/01/01.

6. Från avsnittet ‣ Cc Data View i den vänstra listen:

   1. Välj Product Name.
   2. Välj Count under MEASURES i den vänstra listen (längst ned).

7. Se till att du väljer ↓ (Descending, Sort Order: 1) i kolumnen Purchase Revenue.

8. Se till att du väljer ↓ (Descending, Sort Order: 1) i kolumnen Purchase Revenue.

9. Välj Run.

10. Välj ‣ Visualization.

En visualisering och en tabell som liknar den visas nedan.

Frågan som genereras av Looker med BI-tillägget inkluderar FETCH NEXT 5 ROWS ONLY, vilket innebär att gränsen körs via Looker och BI-tillägget.

-- 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. Ange följande satser i en ny cell.

   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. Kör cellen. Du bör se utdata som liknar skärmbilden nedan.

   

Frågan körs av BI-tillägget enligt definitionen i Jupyter-anteckningsbok.

1. Ange följande programsatser mellan {r} ` och ` i ett nytt segment.

   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. Kör segmentet. Du bör se utdata som liknar skärmbilden nedan.

   

Frågan som genereras av RStudio med BI-tillägget inkluderar LIMIT 5, vilket innebär att gränsen tillämpas via RStudio och BI-tillägget.

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-objekten är tillgängliga i rutan Data och hämtas från tabellen som du har valt i Power BI Desktop. Exempel: public.cc_data_view. Tabellnamnet är detsamma som det externa ID som du har definierat för datavyn i Customer Journey Analytics. Datavy med till exempel Title C&C - Data View och External ID cc_data_view.

Dimensioner
Dimensioner från Customer Journey Analytics identifieras av Component ID . Component ID definieras i datavyn för Customer Journey Analytics. Dimensionen Product Name i Customer Journey Analytics har till exempel Component ID product_name som är namnet på dimensionen i Power BI Desktop.
Datumintervallsdimensioner från Customer Journey Analytics, som Day, Week, Month och mer, är tillgängliga som daterangeday, daterangeweek, daterangemonth med flera.

Mätvärden
Mätvärden från Customer Journey Analytics identifieras av Component ID . Component ID definieras i datavyn för Customer Journey Analytics. Måttet Purchase Revenue i Customer Journey Analytics har till exempel Component ID purchase_revenue som är namnet på måttet i Power BI Desktop. En ∑ indikerar mått. När du använder ett mätvärde i en visualisering får måttet det nya namnet **Sum of *metric ***.

Filter
Filter som du definierar i Customer Journey Analytics är tillgängliga som en del av fältet filterName . När du använder ett filterName-fält i Power BI Desktop kan du ange vilket filter som ska användas.

Beräknade mått
Beräknade mätvärden som du definierar i Customer Journey Analytics identifieras av den External ID som du har definierat för det beräknade mätvärdet. Det beräknade måttet Product Name (Count Distinct) har till exempel External ID product_name_count_distinct och visas som cm_product_name_count_distinc ​t i Power BI Desktop.

Datumintervall
Datumintervall som du definierar i Customer Journey Analytics är tillgängliga som en del av fältet daterangeName . När du använder ett daterangeName-fält kan du ange vilket datumintervall som ska användas.

Anpassade omformningar
Power BI Desktop har anpassade omvandlingsfunktioner med DAX (Data Analysis Expressions). Du vill till exempel köra Single dimension rankad med produktnamn i gemener.

1. Välj fältvisualisering i rapportvyn.

2. Välj product_name i datapanelen.

3. Välj New column i verktygsfältet.

4. I formelredigeraren definierar du en ny kolumn med namnet product_name_lower, som product_name_lower = LOWER('public.cc_data_view[product_name]).
   

5. Se till att du väljer den nya kolumnen product_name_lower i rutan Data i stället för kolumnen product_name.

6. Välj Report as Table från i tabellvisualiseringen.

   Ditt Power BI-skrivbord ska se ut så här nedan.
   

Den anpassade omvandlingen resulterar i en uppdatering av SQL-frågor. Se hur funktionen lower används i SQL-exemplet nedan:

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

Customer Journey Analytics-objekten är tillgängliga i sidlisten Data när du arbetar i ett blad. Och hämtas från tabellen som du har valt som en del av sidan Data source i Tableau. Exempel: cc_data_view. Tabellnamnet är detsamma som det externa ID som du har definierat för datavyn i Customer Journey Analytics. Datavy med till exempel Title C&C - Data View och External ID cc_data_view.

Dimensioner
Dimensioner från Customer Journey Analytics identifieras av Component name . Component name definieras i datavyn för Customer Journey Analytics. Dimensionen Product Name i Customer Journey Analytics har till exempel en Component name Product Name som är namnet på dimensionen i Tableau. Alla dimensioner identifieras av Abc.
Datumintervallsdimensioner från Customer Journey Analytics, som Day, Week, Month och mer, är tillgängliga som Daterangeday, Daterangeweek, Daterangemonth med flera. När du använder en datumintervalldimension måste du välja en lämplig definition av datum och tid som ska användas för datumintervalldimensionen i den nedrullningsbara menyn. Exempel: Year, Quarter, Month, Day.

Mätvärden
Mätvärden från Customer Journey Analytics identifieras av Component Name . Component Name definieras i datavyn för Customer Journey Analytics. Måttet Purchase Revenue i Customer Journey Analytics har till exempel Component Name Purchase Revenue som är namnet på måttet i Tableau. Alla mått identifieras av #. När du använder ett mätvärde i en visualisering får måttet det nya namnet Sum(*metric *).

Filter
Filter som du definierar i Customer Journey Analytics är tillgängliga som en del av fältet Filter Name . När du använder ett Filter Name-fält i Tableau kan du ange vilket filter som ska användas.

Beräknade mått
Beräknade mätvärden som du definierar i Customer Journey Analytics identifieras av den Title som du har definierat för det beräknade mätvärdet. Det beräknade måttet Product Name (Count Distinct) har till exempel Title Product Name (Count Distinct) och visas som Cm Product Name Count Distinct i Tableau.

Datumintervall
Datumintervall som du definierar i Customer Journey Analytics är tillgängliga som en del av fältet Daterange Name . När du använder ett Daterange Name-fält kan du ange vilket datumintervall som ska användas.

Anpassade omformningar
Tableu Desktop har anpassade omformningsfunktioner som använder Beräknade fält. Du vill till exempel köra Single dimension rankad med produktnamn i gemener.

1. Välj Analysis > Create Calculated Field på huvudmenyn.

   1. Definiera Lowercase Product Name med funktionen LOWER([Product Name]).

      

   2. Välj OK.

2. Markera bladet Data.

   1. Dra Lowercase Product Name från Tables och släpp posten i fältet intill Rows.
   2. Ta bort Product Name från Rows.

3. Välj vyn Dashboard 1.

Ditt skrivbord ska se ut så här nedan.

Den anpassade omvandlingen resulterar i en uppdatering av SQL-frågor. Se hur funktionen LOWER används i SQL-exemplet nedan:

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))

Customer Journey Analytics-objekten är tillgängliga i gränssnittet Explore. Och hämtas som en del av konfigurationen av anslutningen, projektet och modellen i Looker. Exempel: cc_data_view. Vyns namn är detsamma som det externa ID som du har definierat för datavyn i Customer Journey Analytics. Datavy med till exempel Title C&C - Data View och External ID cc_data_view.

Dimensioner
Dimensioner från Customer Journey Analytics visas som DIMENSION i den Cc Data View vänstra listen. Dimensionen definieras i datavyn för Customer Journey Analytics. Dimensionen Product Name i Customer Journey Analytics har till exempel en DIMENSION Product Name som är namnet på dimensionen i Looker.
Datumintervallsdimensioner från Customer Journey Analytics, som Day, Week, Month och mer, är tillgängliga som Daterangeday Date, Daterangeweek Date, Daterangemonth Date med flera. När du använder en datumintervalldimension måste du välja en lämplig definition av datum och tid. Exempel: Year, Quarter, Month, Date.

Mätvärden
Mätvärden från Customer Journey Analytics listas som DIMENSION i den Cc Data View vänstra listen. Måttet Purchase Revenue i Customer Journey Analytics har till exempel DIMENSION Purchase Revenue. Om du vill använda som mätvärde skapar du ett anpassat måttfält så som visas i exemplen ovan, eller använder kortkommandot för en dimension. Välj till exempel ⋮, Aggregate och sedan Sum.

Filter
Filter som du definierar i Customer Journey Analytics är tillgängliga som en del av fältet Filter Name . När du använder ett Filter Name-fält i Looker kan du ange vilket filter som ska användas.

Beräknade mått
Beräknade mätvärden som du definierar i Customer Journey Analytics identifieras av den Title som du har definierat för det beräknade mätvärdet. Det beräknade måttet Product Name (Count Distinct) har till exempel Title Product Name (Count Distinct) och visas som Cm Product Name Count Distinct i Looker.

Datumintervall
Datumintervall som du definierar i Customer Journey Analytics är tillgängliga som en del av fältet Daterange Name . När du använder ett Daterange Name-fält kan du ange vilket datumintervall som ska användas.

Anpassade omformningar
Looker tillhandahåller anpassade omformningsfunktioner med hjälp av anpassade fältbyggare, vilket visas ovan. Du vill till exempel köra Single dimension rankad med produktnamn i gemener.

1. Från avsnittet ‣ Custom Fields i den vänstra listen:

   1. Välj Custom Dimension i listrutan + Add.

   2. Ange lower(${cc_data_view.product_name}) i textområdet Expression. Du får hjälp med rätt syntax när du börjar skriva Product Name.

      

   3. Ange product name som Name.

   4. Välj Save.

Du bör se en liknande tabell som nedan.

Den anpassade omvandlingen resulterar i en uppdatering av SQL-frågor. Se hur funktionen LOWER används i SQL-exemplet nedan:

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

Customer Journey Analytics-objekten (mått, mått, filter, beräknade mått och datumintervall) är tillgängliga som en del av de inbäddade SQL-frågor som du skapar. Se tidigare exempel.

Anpassade omformningar

1. Ange följande satser i en ny cell.

   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. Kör cellen. Du bör se utdata som liknar skärmbilden nedan.

   

Frågan körs av BI-tillägget enligt definitionen i Jupyter-anteckningsbok.

Customer Journey Analytics-komponenterna (mått, mått, filter, beräknade värden och datumintervall) är tillgängliga som liknande namngivna objekt på R-språket. Se komponenterna med komponenten Se tidigare exempel.

Anpassade omformningar

1. Ange följande programsatser mellan {r} ` och ` i ett nytt segment.

   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. Kör segmentet. Du bör se utdata som liknar skärmbilden nedan.

   

Frågan som genereras av RStudio med BI-tillägget inkluderar lower, vilket betyder att den anpassade omvandlingen körs av RStudio och BI-tillägget.

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

Jämförelse

För de flesta visualiseringar från Customer Journey Analytics erbjuder Power BI Desktop likvärdiga upplevelser. Se tabellen nedan.

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
Ikon	Customer Journey Analytics visualisering	Power BI datorvisualisering
	Område	Ytdiagram, staplat ytdiagram och 100 % ytdiagram
	Bar	Grupperat kolumndiagram
	Stapel staplad	Staplat stapeldiagram och staplat 100 % stapeldiagram
	Punkt
	Kohortabell
	Kombination	Stapeldiagram, stapeldiagram, linjediagram och grupperade stapeldiagram
	Ringdiagram	Diagram
	Utfall	Tratt.
	Flöde	Dispositionsträd?
	Frihandstabell	Tabell och Matris
	Histogram
	Vågrätt fält	Grupperat stapeldiagram
	Vågrätt fält staplat	Staplat stapeldiagram och staplat liggande stapeldiagram till 100 %
	Researbetsyta	Delningsträd
	Sammanfattning av nyckelmått
	Linjediagram	Linjediagram
	Spridning	Punktdiagram
	Avsnittshuvud	Textruta
	Sammanfattningsändring	Kort
	Sammanfattningsnummer	Kort
	Text	Textruta
	Treemap-diagram	Treemap-diagram
	Venn

Detaljgranska

Power BI har stöd för ett detaljerat läge för att utforska detaljerad information om vissa visualiseringar. I exemplet nedan analyserar du inköpsinkomster för produktkategorier. På snabbmenyn för ett fält som representerar en produktkategori kan du välja Drill down.

Detaljgranska uppdaterar visualiseringen med inköpsintäkter för produkter i den valda produktkategorin.

Detaljnivån resulterar i följande SQL-fråga som använder en WHERE-sats:

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

Jämförelse

För de flesta visualiseringar från Customer Journey Analytics erbjuder Tableau Desktop likvärdiga upplevelser. Se tabellen nedan.

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
Ikon	Customer Journey Analytics visualisering	Power BI datorvisualisering
	Område	Ytdiagram
	Bar	Stolpdiagram
	Stapel staplad
	Punkt	Punktdiagram
	Kohortabell
	Kombination	Kombinationsdiagram
	Ringdiagram
	Utfall
	Flöde
	Frihandstabell	Texttabell
	Histogram	Histogram
	Vågrätt fält	Stolpdiagram
	Vågrätt fält staplat	Stolpdiagram
	Researbetsyta
	Sammanfattning av nyckelmått
	Linjediagram	Linjediagram
	Spridning	Spridningspunkt
	Avsnittshuvud
	Sammanfattningsändring
	Sammanfattningsnummer
	Text
	Treemap-diagram	Treemap-diagram
	Venn

Detaljgranska

Tableau stöder detaljerat läge via hierarkier. I exemplet nedan skapar du en hierarki när du markerar fältet Product Name i Tables och drar det över Product Category. På snabbmenyn för ett fält som representerar en produktkategori kan du sedan välja + Drill down.

Detaljgranska uppdaterar visualiseringen med inköpsintäkter för produkter i den valda produktkategorin.

Detaljnivån resulterar i följande SQL-fråga som använder en GROUP BY-sats:

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

Frågan begränsar inte resultaten till den valda produktkategorin. Endast visualiseringen visar den valda produktkategorin.

Du kan också skapa en detaljerad kontrollpanel där ett visuellt värde är resultatet av markeringen i ett annat visuellt läge. I exemplet nedan används visualiseringen Product Categories som ett filter för att uppdatera tabellen Product Names. Det här visualiseringsfiltret är bara för klienten och leder inte till någon ytterligare SQL-fråga.

Jämförelse

För de flesta visualiseringar från Customer Journey Analytics erbjuder Looker likvärdiga upplevelser. Se tabellen nedan.

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
Ikon	Customer Journey Analytics visualisering	Power BI datorvisualisering
	Område	Ytdiagram
	Bar	Stolpdiagram
	Stapel staplad	Stolpdiagram
	Punkt	Punktdiagram
	Kohortabell
	Kombination	Anpassa visualiseringar
	Ringdiagram	Ringdiagram
	Utfall	Tratt
	Flöde	Sankey
	Frihandstabell	Tabell
	Histogram
	Vågrätt fält	Stolpdiagram
	Vågrätt fält staplat	Stolpdiagram
	Researbetsyta
	Sammanfattning av nyckelmått
	Linjediagram	Linjediagram
	Spridning	Spridningsdiagram
	Avsnittshuvud
	Sammanfattningsändring	Enkelt värde
	Sammanfattningsnummer	Enkelt värde
	Text	Enkelt värde
	Treemap-diagram	Treemap-diagram
	Venndiagram	Venndiagram

• Power BI Desktop Advanced datumintervallfiltrering är exklusiv. För slutdatumet måste du välja ett som är efter dagen som du vill rapportera på. Exempel: is on or after 1/1/2023 and before 1/2/2023.

• Power BI Skrivbord är som standard Import när du skapar en anslutning. Kontrollera att du använder Direct Query.

• Power BI Desktop visar dataomvandlingar via Power Query. Power Query fungerar i första hand med Import-typanslutningar så många omformningar som du använder som datum- eller strängfunktioner ger ett felmeddelande om att du måste växla till en Import-typanslutning. Om du behöver omforma data vid frågetillfället bör du använda härledda dimensioner och mätvärden så att Power BI inte behöver göra själva omformningarna.

• Power BI Desktop förstår inte hur typkolumner för datum och tid ska hanteras. Därför stöds inte **daterange*X ***-dimensioner som daterangehour ​och daterangeminute.

• Power BI Desktop försöker som standard skapa flera anslutningar med hjälp av fler sessioner i frågetjänsten. Gå till Power BI-inställningarna för ditt projekt och inaktivera parallella frågor.

• Power BI Desktop sköter all sortering och begränsning på klientsidan. Power BI Desktop har också olika semantik för toppfiltrering av X som innehåller bundna värden. Du kan alltså inte skapa samma sortering och begränsning som i Analysis Workspace.

• I tidigare versioner av Power BI Desktop, oktober 2024-versionen, bryts PostgreSQL-datakällor. Se till att du använder den version som omnämns i den här artikeln.

• Datumfiltreringen för Tableu är exklusiv. För slutdatumet måste du välja ett som är efter dagen som du vill rapportera på.

• När du lägger till ett datum- eller datum-/tidsmått som Daterangemonth på raderna i ett blad, radbryts fältet i en YEAR()-funktion. För att få det du vill ha måste du markera dimensionen och välja den datumfunktion du vill använda i listrutan. Ändra till exempel Year till Month när du försöker använda Daterangemonth.

• Det är inte uppenbart att resultaten begränsas till de övre X i skrivbordet i Tableu. Du kan begränsa resultaten explicit eller använda ett beräkningsfält och funktionen INDEX(). Om du lägger till ett översta X-filter i en dimension genereras komplex SQL med hjälp av en inre koppling som inte stöds.

• Looker har ett maximalt antal anslutningar per nod som måste vara mellan 5 och 100. Du kan inte ange värdet 1. Den här inställningen innebär att en Looker-anslutning alltid använder minst 5 av de tillgängliga frågetjänstsessionerna.

• Med Looker kan du skapa ett projekt med en vy som baseras på en Customer Journey Analytics datavy. Looker skapar sedan en modell baserad på de mått och mätvärden som är tillgängliga i datavyn med LookerML. Den här projektvyn uppdateras inte automatiskt så att den matchar källan. Om du ändrar eller lägger till mått, mått, beräknade värden eller segment i CJA datavy visas inte dessa ändringar automatiskt i Looker. Du måste uppdatera projektvyn manuellt eller skapa ett nytt projekt.

• Uppslagets användarupplevelse i datum- eller datum-/tidsfält som Daterange Date eller Daterangeday Date är förvirrande.

• Lookers datumintervall är exklusivt i stället för inkluderande. until (before) är grått, så du kanske missar den aspekten. För slutdagen måste du välja en som ligger efter den dag du vill rapportera på.

• Looker behandlar inte automatiskt mätvärden. När du väljer ett mätvärde försöker Looker som standard att behandla mätvärdet som en dimension i frågan. Om du vill behandla en mätmetod som en mätmetod måste du skapa ett anpassat fält enligt bilden ovan. Som genväg kan du välja ⋮, markera Aggregate och sedan välja Sum.

• Den största skillnaden för Jupyter Notebook är att verktyget inte har något dra och släpp-gränssnitt som andra BI-verktyg. Du kan skapa bra bilder, men du måste skriva kod för att uppnå detta.

• R-distributionen fungerar med ett platt schema så alternativet FLATTEN krävs.

• Huvudkavatten för RStudio är att verktyget inte har ett dra och släpp-användargränssnitt som andra BI-verktyg. Du kan skapa bra bilder, men du måste skriva kod för att uppnå detta.