GSP932

Übersicht

Looker ist eine moderne Datenplattform in Google Cloud, mit der Daten interaktiv analysiert und visualisiert werden können. Mit Looker können Sie detaillierte Datenanalysen durchführen, Informationen aus verschiedenen Datenquellen verbinden, umsetzbare datengesteuerte Workflows erstellen und benutzerdefinierte Datenanwendungen entwickeln.

In diesem Lab erfahren Sie, wie Sie SQL-abgeleitete Tabellen für mehrere Anwendungsfälle erstellen und aktualisieren, um dynamische Werte zu generieren.

Aufgaben

• SQL-abgeleitete Tabellen für mehrere Anwendungsfälle erstellen
• Eine SQL-abgeleitete Tabelle aktualisieren, um mit Vorlagenfiltern dynamische Werte mit Liquid zu generieren
• Erklären, wie dynamische SQL-abgeleitete Tabellen in Unternehmen verwendet werden, um komplexe Fragen zu beantworten

Vorbereitung

Sie müssen mit LookML vertraut sein. Es wird empfohlen, vor Beginn dieses Labs den Kurs LookML in Looker verstehen abzuschließen.

Einrichtung und Anforderungen

Vor dem Klick auf „Lab starten“

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung selbst durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus, um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem privaten Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr privates Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Wenn Sie über ein privates Google Cloud-Konto oder ‑Projekt verfügen, verwenden Sie es nicht für dieses Lab. So werden zusätzliche Kosten für Ihr Konto vermieden.

Lab starten und bei Looker anmelden

1. Wenn Sie bereit sind, klicken Sie auf Lab starten.

   Der Bereich mit den Lab-Details wird angezeigt und enthält die temporären Anmeldedaten für dieses Lab.

   Wenn Sie für das Lab bezahlen müssen, wird ein Pop-up-Fenster geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können.

   In den Lab-Details finden Sie Ihre Anmeldedaten, die Sie für die Anmeldung bei der Looker-Instanz benötigen.

   Hinweis: Wenn Sie andere Anmeldedaten verwenden, treten Fehler auf oder es fallen Gebühren an.

2. Klicken Sie auf Looker öffnen.

3. Geben Sie den Benutzernamen und das Passwort in die Felder E-Mail und Passwort ein.

   Nutzername:

   {{{looker.developer_username | Username}}}

   Passwort:

   {{{looker.developer_password | Passwort}}} Wichtig: Sie müssen die Anmeldedaten aus dem Bereich mit den Lab-Details auf dieser Seite verwenden. Bitte geben Sie nicht Ihre Anmeldedaten für Google Cloud Skills Boost ein. Wenn Sie ein privates Looker-Konto haben, sollten Sie es nicht für dieses Lab verwenden.

4. Klicken Sie auf Anmelden.

   Nach erfolgreicher Anmeldung wird die Looker-Instanz für dieses Lab angezeigt.

Aufgabe 1: Einzelne SQL-abgeleitete Tabelle für mehrere Anwendungsfälle erstellen

In LookML können Sie abgeleitete Tabellen entweder mit SQL-Abfragen definieren, um SQL-abgeleitete Tabellen zu erstellen, oder mit Explore-Abfragen, um native abgeleitete Tabellen zu erstellen. SQL-abgeleitete Tabellen erleichtern SQL-Entwicklungsteams oft den Einstieg in die Arbeit mit abgeleiteten Tabellen in Looker.

Im Rahmen dieser Aufgabe erstellen Sie eine SQL-abgeleitete Tabelle namens user_facts, die flexibel genug ist, um verschiedene Fragen zum Kundenverhalten zu beantworten, zum Beispiel:

• Wie hoch sind der durchschnittliche Umsatz insgesamt und die durchschnittliche Anzahl der Bestellungen insgesamt für alle Kund*innen in jedem US-Bundesstaat?
• Wie lautet das Datum der ersten und das der letzten Bestellung einer Kundin beziehungsweise eines Kunden, zusätzlich zum Gesamtumsatz und der Gesamtzahl der Bestellungen?

Neue abgeleitete Tabelle mit einer SQL-Abfrage definieren

1. Klicken Sie zuerst unten links auf der Looker-Benutzeroberfläche auf den Ein/Aus-Button, um den Entwicklungsmodus zu aktivieren.

2. Klicken Sie auf den Tab Entwickeln und dann auf SQL-Runner.

3. Fügen Sie im Fenster SQL-Abfrage folgende Abfrage hinzu:

SELECT order_items.user_id AS user_id ,COUNT(distinct order_items.order_id) AS lifetime_order_count ,SUM(order_items.sale_price) AS lifetime_revenue ,MIN(order_items.created_at) AS first_order_date ,MAX(order_items.created_at) AS latest_order_date FROM cloud-training-demos.looker_ecomm.order_items GROUP BY user_id LIMIT 10

In diesem Beispiel wählt die gewünschte Abfrage die user_id aus, zählt die Anzahl der gesamten Bestellungen dieser Person und berechnet dann aus den Preisen den gesamten durch die Person generierten Umsatz. Außerdem wird aus den Mindest- und Höchstwerten der Spalte created_at das erste beziehungsweise letzte Bestelldatum ermittelt.

Die Anweisung GROUP BY wird verwendet, um die Ergebnisse nach user_id zu gruppieren. Die Anweisung LIMIT wird verwendet, um die Ergebnisse zu begrenzen, da Sie nur eine Teilmenge der Datensätze überprüfen müssen, um sicherzustellen, dass Ihre Abfrage funktioniert.

4. Klicken Sie auf Ausführen, um die Ergebnisse der Abfrage anzusehen.

In diesem Beispiel gibt die Abfrage die Nutzer-ID, die Anzahl der Bestellungen insgesamt, den von der Person insgesamt generierten Umsatz sowie das Datum der ersten und letzten Bestellung zurück.

Die LIMIT-Anweisung wird verwendet, um die Menge der bei diesem Test zurückgegebenen Daten zu reduzieren. Sie entfernen die LIMIT-Klausel in einem späteren Schritt, wenn Sie eine neue Ansichtsdatei für die SQL-abgeleitete Tabelle erstellen.

Neue Ansichtsdatei für die SQL-abgeleitete Tabelle erstellen

1. Klicken Sie oben rechts auf der Seite neben Ausführen auf Einstellungen () und wählen Sie Zum Projekt hinzufügen aus.

2. Wählen Sie für Projekt die Option qwiklabs-ecommerce aus.

3. Geben Sie als Ansichtsname den Namen user_facts ein.

4. Klicken Sie auf Hinzufügen.

Sie werden zur Looker-IDE weitergeleitet, um die neu erstellte Ansichtsdatei für die SQL-abgeleitete Tabelle zu prüfen. Wie Sie sehen, generiert Looker automatisch eine Ansichtsdatei für die SQL-abgeleitete Tabelle basierend auf der Abfrage, die Sie in SQL-Runner eingegeben haben. Die ersten zwölf Zeilen der Ansichtsdatei sind unten zu sehen:

view: user_facts { derived_table: { sql: SELECT order_items.user_id AS user_id ,COUNT(distinct order_items.order_id) AS lifetime_order_count ,SUM(order_items.sale_price) AS lifetime_revenue ,MIN(order_items.created_at) AS first_order_date ,MAX(order_items.created_at) AS latest_order_date FROM cloud-training-demos.looker_ecomm.order_items GROUP BY user_id LIMIT 10 ;; }

In Looker sollte Ihre Datei in etwa so aussehen:

Die neue Ansicht user_facts wurde außerhalb des Ordners views erstellt. Es empfiehlt sich, die Ansichtsdateien im Projekt zu organisieren.

5. Klicken Sie auf den Pfeil neben views, um die Liste der Ansichten aufzurufen.

6. Klicken Sie auf user_facts.view und ziehen Sie die Datei in den Ordner views.

7. Klicken Sie auf user_facts.view, um die Ansichtsdatei für die SQL-abgeleitete Tabelle aufzurufen.

Looker generiert automatisch eine Dimension für jede Spalte in der SELECT-Anweisung der SQL-Abfrage sowie ein neues Zählergebnis. In den nächsten Schritten bearbeiten Sie die Ansichtsdatei, um die LIMIT-Anweisung zu entfernen, die nicht mehr benötigt wird, das neue Zählergebnis auszublenden und einen Primärschlüssel für die Ansicht hinzuzufügen.

8. Löschen Sie die Codezeile für LIMIT 10 aus dem SQL-Parameter.

Wie bereits erwähnt, generiert Looker automatisch ein Zählergebnis sowie die Dimensionen, die in der abgeleiteten Tabelle verwendet werden. Manchmal ist dieses automatisch generierte Zählergebnis nicht hilfreich, wenn eine andere Ansicht bereits die gleiche Zahl liefert.

In diesem Beispiel zählt das automatisch generierte Zählergebnis die Bestell-IDs und in der Ansicht order_items ist bereits eine Anzahl von Bestellungen vorhanden.

Sie können das Zählergebnis mit dem Parameter hidden: yes löschen oder ausblenden. Das Ausblenden des Zählergebnisses ist eine gute Idee, wenn Sie es zur Validierung beibehalten möchten, falls diese Anzahl mit einer anderen Anzahl übereinstimmt.

9. Fügen Sie in der Definition measure: count vor type: count eine neue Zeile ein und geben Sie Folgendes ein:

hidden: yes

Es empfiehlt sich, dafür zu sorgen, dass die neue Ansicht einen Primärschlüssel hat.

In diesem Beispiel können Sie den Parameter primary_key: yes zur Dimension user_id hinzufügen. Diese ist die zentrale ID dieser Ansicht, die Details zu den einzelnen Bestellungen enthält.

10. Fügen Sie in der Definition dimension: user_id vor type: number eine neue Zeile ein und geben Sie Folgendes ein:

primary_key: yes

Die neue Ansicht user_facts ist jetzt bereit: Sie können neue Dimensionen und Measures erstellen, sie mit dem Explore in der Modelldatei zusammenführen und/oder den Git-Workflow abschließen, um Ihre Änderungen in die Produktion zu übertragen. In den nächsten Abschnitten werden Sie darauf aufbauen.

11. Klicken Sie auf Änderungen speichern. Der aktualisierte Code sollte in etwa so aussehen:

view: user_facts { derived_table: { sql: SELECT order_items.user_id AS user_id ,COUNT(distinct order_items.order_id) AS lifetime_order_count ,SUM(order_items.sale_price) AS lifetime_revenue ,MIN(order_items.created_at) AS first_order_date ,MAX(order_items.created_at) AS latest_order_date FROM cloud-training-demos.looker_ecomm.order_items GROUP BY user_id ;; } measure: count { hidden: yes type: count drill_fields: [detail*] } dimension: user_id { primary_key: yes type: number sql: ${TABLE}.user_id ;; }

In Looker sollte Ihre Datei in etwa so aussehen:

Commit für Änderungen durchführen und für die Produktion bereitstellen

1. Klicken Sie auf LookML validieren und dann auf Commit für Änderungen durchführen und pushen.

2. Fügen Sie eine Commit-Nachricht hinzu und klicken Sie auf Commit durchführen.

3. Klicken Sie abschließend auf Für Produktion bereitstellen.

Klicken Sie auf Fortschritt prüfen. Ansichtsdatei für die SQL-abgeleitete Tabelle erstellen

Aufgabe 2: Measures hinzufügen, um geschäftliche Fragen zu beantworten

In diesem Abschnitt fügen Sie zwei Measures hinzu, um die ursprüngliche Frage zum Kundenverhalten zu beantworten: Wie hoch sind der durchschnittliche Umsatz insgesamt und die durchschnittliche Anzahl der Bestellungen insgesamt für alle Kund*innen in jedem US-Bundesstaat?

1. Fügen Sie in der Ansicht user_facts.view zwei Measures hinzu: average_lifetime_revenue und average_lifetime_order_count. Damit werden der durchschnittliche Umsatz insgesamt und die durchschnittliche Anzahl der Bestellungen insgesamt berechnet:

measure: average_lifetime_revenue { type: average sql: ${TABLE}.lifetime_revenue ;; } measure: average_lifetime_order_count { type: average sql: ${TABLE}.lifetime_order_count ;; }

2. Klicken Sie auf Änderungen speichern. Die Ansicht sollte in etwa so aussehen:

Neue Ansicht mit einem Explore zusammenführen

In diesem Abschnitt überprüfen und testen Sie die neue abgeleitete Tabelle. Zuerst führen Sie sie mit der Explore-Definition order_items in der Modelldatei zusammen. Dann verwenden Sie das Order Items-Explore, um zu prüfen, was Nutzer*innen sehen, wenn Sie die Änderungen in die Produktion übertragen.

1. Klicken Sie auf derselben Seite auf die Datei training_ecommerce.model im Ordner model, um den Inhalt zu ändern.

2. Suchen Sie die Definition explore: order_items. Es sind bereits mehrere Joins definiert, zum Beispiel für die Ansicht users.

3. Fügen Sie in der Definition explore: order_items über dem vorhandenen Join für users einen neuen Join für user_facts hinzu. Geben Sie dazu Folgendes an:

join: user_facts { type: left_outer sql_on: ${order_items.user_id} = ${user_facts.user_id};; relationship: many_to_one }

Der Parameter sql_on gibt user_id als Join-Feld an. Der Parameter relationship gibt an, dass es potenziell viele Instanzen einer user_id in order_items gibt, aber nur eine Instanz einer user_id in user_facts, die als eine Zusammenfassungszeile für jede Bestellung organisiert ist.

4. Klicken Sie auf Änderungen speichern. Das Explore sollte nun Folgendes enthalten:

explore: order_items { join: user_facts { type: left_outer sql_on: ${order_items.user_id} = ${user_facts.user_id};; relationship: many_to_one } join: users { type: left_outer sql_on: ${order_items.user_id} = ${users.id} ;; relationship: many_to_one } ... ... ... }

In Looker sollte die Ansicht nun so aussehen:

5. Nachdem Sie die Ansicht mit dem Explore verknüpft haben, rufen Sie die Explore-Seite für Order Items (Bestellartikel) auf.

6. Wählen Sie in der Ansicht User Facts (Nutzerinformationen) die Dimension User ID (Nutzer-ID) sowie die Measures Average Lifetime Order Count (Durchschnittliche Anzahl der Bestellungen insgesamt) und Average Lifetime Revenue (Durchschnittlicher Umsatz insgesamt) aus.

7. Legen Sie das Zeilenlimit auf 100 fest.

8. Klicken Sie auf Ausführen. Die Ergebnisse sollten in etwa so aussehen:

9. Entfernen Sie jetzt die Dimension User ID (Nutzer-ID) und fügen Sie die Dimension State (Bundesstaat) aus der Ansicht „Users“ (Nutzer*innen) hinzu.

10. Klicken Sie auf die Dimension Country (Land) und fügen Sie einen Filter dafür hinzu.

11. Wählen Sie USA aus.

12. Klicken Sie auf Ausführen, um die Abfrage noch einmal auszuführen.

Sie sehen, wie mit denselben Measures jetzt ein Wert für den durchschnittlichen Umsatz insgesamt und einer für die durchschnittliche Anzahl der Bestellungen insgesamt pro Person und Bundesstaat berechnet werden kann.

13. Die Ausgabe sollte in etwa so aussehen:

14. Kehren Sie zur Datei training_ecommerce.model zurück.

Commit für Änderungen durchführen und für die Produktion bereitstellen

1. Klicken Sie auf LookML validieren und dann auf Commit für Änderungen durchführen und pushen.

2. Fügen Sie eine Commit-Nachricht hinzu und klicken Sie auf Commit durchführen.

3. Klicken Sie abschließend auf Für Produktion bereitstellen.

Klicken Sie auf Fortschritt prüfen. Measures hinzufügen, um geschäftliche Fragen zu beantworten

Aufgabe 3: Eine SQL-abgeleitete Tabelle aktualisieren, um mit Vorlagenfiltern dynamische Werte zu generieren

Wie Sie im vorherigen Lab gesehen haben, folgen Vorlagenfilter demselben logischen Muster wie Parameter. Der Hauptunterschied besteht darin, dass Endnutzende bei Vorlagenfiltern aus einer Reihe von Filteroperatoren auswählen können. Für den Datentyp „Zahl“ kann das zum Beispiel „ist gleich“, „ist größer als“ oder „liegt zwischen“ sein.

In Vorlagenfiltern sind Werte nicht hartcodiert. Sie werden von Nutzenden eingegeben und dann an die generierte SQL-Abfrage übergeben. Sie können jedoch ein Drop-down-Menü mit Optionen anzeigen lassen, indem Sie in der Filterdefinition ein Explore und eine Dimension angeben.

In diesem Abschnitt ändern Sie die Definition der SQL-abgeleiteten Tabelle aus dem ersten Abschnitt so, dass alle Werte auf Grundlage des ausgewählten Zeitraums neu berechnet werden.

1. Kehren Sie in der Looker-IDE zur Ansicht user_facts zurück.

2. Ändern Sie zuerst die Definition der SQL-abgeleiteten Tabelle so, dass sie eine bedingte WHERE-Klausel enthält:

derived_table: { sql: SELECT order_items.user_id AS user_id ,COUNT(distinct order_items.order_id) AS lifetime_order_count ,SUM(order_items.sale_price) AS lifetime_revenue ,MIN(order_items.created_at) AS first_order_date ,MAX(order_items.created_at) AS latest_order_date FROM cloud-training-demos.looker_ecomm.order_items WHERE {% condition select_date %} order_items.created_at {% endcondition %} GROUP BY user_id;; }

3. Fügen Sie als Nächstes unter der Definition derived_table einen neuen Filter hinzu, damit Nutzende ein Datum auswählen können:

filter: select_date { type: date suggest_explore: order_items suggest_dimension: order_items.created_date }

Die ersten 18 Zeilen der Ansichtsdatei sollten jetzt so aussehen:

view: user_facts { derived_table: { sql: SELECT order_items.user_id AS user_id ,COUNT(distinct order_items.order_id) AS lifetime_order_count ,SUM(order_items.sale_price) AS lifetime_revenue ,MIN(order_items.created_at) AS first_order_date ,MAX(order_items.created_at) AS latest_order_date FROM cloud-training-demos.looker_ecomm.order_items WHERE {% condition select_date %} order_items.created_at {% endcondition %} GROUP BY user_id;; } filter: select_date { type: date suggest_explore: order_items suggest_dimension: order_items.created_date }

4. Klicken Sie auf Änderungen speichern. Die Datei sollte nun in etwa so aussehen:

Jetzt testen Sie die dynamische SQL-abgeleitete Tabelle im Explore Order Items (Bestellartikel), indem Sie die Abfragen aus der vorherigen Aufgabe wiederholen. Dabei sehen Sie, dass sich die Werte ändern, wenn der Filter hinzugefügt wird.

5. Kehren Sie zum Explore Order Items zurück.

6. Wählen Sie in der Ansicht „User Facts“ (Nutzerinformationen) die Measures Average Lifetime Order Count (Durchschnittliche Anzahl der Bestellungen insgesamt) und Average Lifetime Revenue (Durchschnittlicher Umsatz insgesamt) aus.

7. Wählen Sie in der Ansicht „Users“ (Nutzende) die Dimension State (Bundesstaat) aus.

8. Klicken Sie in der Ansicht „User Facts“ (Nutzerinformationen) neben dem neuen Nur-Filter-Feld mit dem Namen Select Date (Datum auswählen) auf das Filtersymbol.

9. Lassen Sie für den ersten Filterwert oben in der Benutzeroberfläche die Filteroption „is in the past“ (ist in der Vergangenheit) unverändert.

10. Wählen Sie für den zweiten Filterwert complete years aus und geben Sie 1 in das leere Wertefeld ein.

11. Fügen Sie in der Ansicht „Users“ (Nutzende) einen Filter für „Country“ (Land) hinzu und legen Sie ihn auf USA fest.

12. Klicken Sie auf Ausführen, um die Ergebnisse zu sehen.

Sie sehen die durchschnittliche Anzahl der Bestellungen insgesamt und den durchschnittlichen Umsatz insgesamt für jeden Bundesstaat oder jedes Land im letzten vollständigen Jahr.

13. Klicken Sie auf den Tab „SQL“, um den SQL-Code zu prüfen.

14. Jetzt können Sie mit den Filterwerten experimentieren und auf dem Tab „SQL“ sehen, wie sich die Werte entsprechend ändern.

15. Kehren Sie zur Ansicht user_facts zurück.

Commit für Änderungen durchführen und für die Produktion bereitstellen

1. Klicken Sie auf LookML validieren und dann auf Commit für Änderungen durchführen und pushen.

2. Fügen Sie eine Commit-Nachricht hinzu und klicken Sie auf Commit durchführen.

3. Klicken Sie abschließend auf Für Produktion bereitstellen.

Klicken Sie auf Fortschritt prüfen. Eine SQL-abgeleitete Tabelle aktualisieren, um mit Vorlagenfiltern dynamische Werte zu generieren

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

In diesem Lab haben Sie SQL-abgeleitete Tabellen erstellt, um mit Vorlagenfiltern dynamische Werte mit Liquid zu generieren. Außerdem haben Sie dynamische SQL-abgeleitete Tabellen verwendet, um komplexe Fragen zu beantworten.

Weitere Informationen

• Kurzreferenz zu LookML
• LookML – Begriffe und Konzepte
• Looker-Community
• Gängige LookML-Muster

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 24. April 2024 aktualisiert

Lab zuletzt am 24. April 2024 getestet

© 2026 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.