GSP361

Ringkasan

Dalam challenge lab, Anda diberi sebuah skenario dan serangkaian tugas. Tidak ada petunjuk langkah demi langkah. Anda akan menggunakan keahlian yang dipelajari dari lab dalam kursus untuk mencari cara menyelesaikan sendiri tugas-tugas tersebut. Sistem pemberian skor otomatis (ditampilkan pada halaman ini) akan memberikan masukan tentang apakah Anda telah menyelesaikan tugas dengan benar atau tidak.

Saat mengikuti challenge lab, Anda tidak akan diajari konsep-konsep baru Google Cloud. Anda diharapkan dapat memperluas keahlian yang dipelajari, seperti mengubah nilai default dan membaca serta mengkaji pesan error untuk memperbaiki kesalahan Anda sendiri.

Untuk meraih skor 100%, Anda harus berhasil menyelesaikan semua tugas dalam jangka waktu tertentu.

Lab ini direkomendasikan bagi peserta yang sudah mengikuti kursus untuk badge keahlian Membangun Objek LookML di Looker. Apakah Anda siap menghadapi tantangan ini?

Topik yang diujikan:

• Membuat dimensi dan ukuran
• Membuat dan mempertahankan tabel turunan
• Menerapkan filter yang berbeda ke Explore
• Membuat dan menggunakan grup data baru

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab praktik ini dapat Anda gunakan untuk melakukan sendiri aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Cara memulai lab dan login ke Looker

1. Jika sudah siap, klik Start lab.

   Panel Lab Details akan muncul dengan kredensial sementara yang harus Anda gunakan untuk lab ini.

   Jika Anda perlu membayar lab, jendela pop-up akan terbuka untuk memilih metode pembayaran.

   Perhatikan kredensial lab Anda di panel Lab Details. Anda akan menggunakannya untuk login ke instance Looker untuk lab ini.

   Catatan: Jika Anda menggunakan kredensial lain, Anda akan menerima pesan error atau dikenai biaya.

2. Klik Open Looker.

3. Di kolom Email dan Password, masukkan Nama Pengguna dan Sandi yang disediakan.

   Nama pengguna:

   {{{looker.developer_username | Username}}}

   Sandi:

   {{{looker.developer_password | Password}}} Penting: Anda harus menggunakan kredensial dari panel Lab Details di halaman ini. Jangan menggunakan kredensial Google Cloud Skills Boost. Jika Anda memiliki akun Looker pribadi, jangan gunakan akun tersebut untuk lab ini.

4. Klik Log In.

   Setelah login berhasil, Anda akan melihat instance Looker untuk lab ini.

Skenario tantangan

Anda adalah seorang intern developer LookML untuk perusahaan e-commerce baru yang canggih. Infrastruktur perusahaan ini dijalankan sepenuhnya di Google Cloud dan menggunakan Looker untuk platform data mereka guna menganalisis dan mengintegrasikan insight di berbagai sumber data.

Sebagai tugas pertama, Anda ditugasi membuat objek LookML yang menjawab pertanyaan bisnis spesifik dari berbagai tim di perusahaan agar mereka siap untuk menjalankan riset pasar dan analisis data yang terfokus.

Anda dianggap sudah memiliki kemampuan dan pengetahuan untuk menyelesaikan tugas ini, jadi panduan langkah demi langkah tidak akan disediakan.

Tugas 1. Membuat dimensi dan ukuran

Tim pemasaran Anda meminta tampilan baru untuk membantu mereka menghitung jumlah pengguna yang menemukan situs mereka melalui penelusuran dan telah menyelesaikan pesanan. Selain itu, mereka ingin melihat margin kotor penjualan dan jumlah hari pengembalian untuk setiap pesanan. Di bagian ini, Anda akan membuat dimensi dan ukuran untuk menjawab pertanyaan ini.

Buka tabel virtual order_items

1. Klik tombol untuk masuk ke Development mode.

2. Buka project qwiklabs-ecommerce dan buka file tampilan order_items.

Anda menulis dimensi dan ukuran baru Anda di file ini.

Membuat dimensi dan ukuran

Di dalam file tampilan order_items, Anda dapat menambahkan dimensi dan ukuran baru setelah ukuran total_revenue_from_completed_orders (sekitar baris 128).

1. Buat dimensi yang menampilkan nilai boolean jika sumber traffic pengguna berasal dari Penelusuran. Beri nama dimensi ini is_search_source.

2. Gunakan dimensi is_search_source yang baru dibuat ini untuk membuat ukuran yang menjumlahkan harga penjualan dari pengguna Penelusuran dengan status Selesai pada pesanan mereka. Beri nama ukuran ini sales_from_complete_search_users.

3. Buat ukuran baru yang menghitung jumlah total margin kotor (harga jual - biaya). Beri nama ukuran ini total_gross_margin.

4. Buat dimensi baru yang menghitung jumlah hari antara Order Delivered Date dan Order Return Date. Interval harus dihitung dalam hari. Beri nama dimensi ini return_days.

5. Klik Validate LookML untuk memvalidasi kode Anda.

6. Klik Commit Changes and Push, lalu klik Deploy to Production.

Klik Periksa progres saya untuk memverifikasi tujuan. Membuat dimensi dan ukuran

Tugas 2. Membuat tabel turunan persisten

Tim analisis data Anda telah meminta tabel turunan untuk menyertakan detail spesifik tentang pengguna. Tabel ini harus mencakup ID Pesanan, ID Pengguna, Total Pendapatan, Usia, Kota, dan Negara Bagian untuk melakukan riset pasar tentang tempat meluncurkan kampanye iklan. Karena mereka akan sering menggunakan tabel ini selama beberapa bulan ke depan, tabel tersebut harus sudah dibuat untuk mengurangi waktu kueri dan beban database.

Di bagian ini, Anda akan membuat tabel turunan native dan mempertahankannya berdasarkan grup data (kebijakan cache) yang telah ditentukan sebelumnya dalam model.

Membuat tabel turunan native

1. Dari Explore Order Items, buat tabel turunan native bernama user_details yang berisi detail berikut untuk setiap pengguna dalam urutan berikut:

• ID Pesanan
• ID Pengguna
• Total pendapatan
• Usia
• Kota
• Status

2. Setelah membuat tabel turunan, tambahkan kode ke file tampilan baru bernama user_details. Pindahkan file ini ke folder views.

3. Terakhir, gabungkan tabel virtual user_details baru Anda ke Explore Order Items. Tetapkan kolom gabungan sebagai user_id pada tabel virtual order_items dan gunakan hubungan many-to-one.

4. Klik Commit Changes and Push, lalu klik Deploy to Production.

Mempertahankan tabel turunan

1. Mempertahankan tabel turunan user_details berdasarkan grup data (kebijakan cache) yang telah ditentukan sebelumnya dalam file model.

2. Tetapkan tabel turunan persisten agar tetap aktif selama durasi yang ditetapkan, yaitu jam.

3. Klik Validate LookML untuk memvalidasi kode Anda.

4. Klik Commit Changes and Push, lalu klik Deploy to Production.

Klik Periksa progres saya untuk memverifikasi tujuan. Membuat tabel turunan persisten

Tugas 3. Menggunakan filter Explore

Di bagian ini, Anda akan memilih jenis filter yang tepat untuk digunakan berdasarkan berbagai persyaratan bisnis. Untuk setiap filter yang Anda gunakan, ganti dengan filter di bagian berikutnya agar penilaian dapat memeriksa progres Anda secara akurat.

Filter #1

Tim pemasaran Anda meminta Anda membuat Explore yang hanya menampilkan pesanan dengan harga jual di atas $. Selain itu, mereka tidak ingin ada filter yang terlihat di Explore yang dapat dimodifikasi.

• Tambahkan filter ke Explore Order Items untuk hanya menyertakan item dengan harga jual lebih besar dari atau sama dengan . Filter ini akan digunakan untuk menghilangkan pesanan apa pun dari Explore yang kurang dari $.

Filter #2

Tim pemasaran Anda telah meminta Explore dengan filter default pada tanggal pengiriman yang dapat diganti jika mereka menerapkan filter pada status atau tanggal pengiriman. Mereka ingin tanggal pengiriman ditetapkan secara default ke tahun 2018.

1. Hapus filter sebelumnya.

2. Selanjutnya, tambahkan filter ke Explore Order Items untuk hanya menampilkan data pesanan yang dikirim pada tahun 2018, kecuali jika filter diterapkan ke Order Item Status atau Order Item Delivered Date.

3. Gunakan dimensi shipped_date untuk filter ini.

Klik Periksa progres saya untuk memverifikasi tujuan. Menggunakan filter Explore Filter #2

Filter #3

Tim pemasaran Anda meminta Anda membuat Explore yang hanya menampilkan pesanan dengan harga penjualan rata-rata lebih dari $. Selain itu, mereka tidak ingin ada filter yang terlihat di Explore yang dapat dimodifikasi.

1. Hapus filter sebelumnya.

2. Selanjutnya, tambahkan filter ke Explore Order Items untuk memfilter semua item yang harga jual rata-ratanya lebih dari . Yaitu, gunakan filter untuk hanya menampilkan pesanan dengan harga jual rata-rata $ atau lebih.

Filter #4

Terakhir, tim pemasaran Anda meminta Anda membuat Explore untuk menyertakan serangkaian filter tertentu dengan nilai default yang dapat diubah, tetapi tidak dapat dihapus. Intinya, tim pemasaran hanya ingin melihat data yang mungkin berdasarkan filter dimensi tertentu, sehingga menghemat biaya komputasi.

Secara khusus, mereka ingin kumpulan filter berada di Status Pesanan, Negara Bagian, dan Sumber traffic. Nilai default harus ditetapkan ke Shipped, California, dan Search.

1. Hapus filter sebelumnya.

2. Selanjutnya, gunakan filter untuk menentukan nilai default untuk Status Pesanan, Negara Bagian, dan Sumber Traffic untuk Explore Item Pesanan. Pastikan pengguna bisnis tersebut diwajibkan menerapkan filter tersebut, tetapi mereka tetap dapat memberikan nilai lain untuk dimensi ini.

Klik Periksa progres saya untuk memverifikasi tujuan. Menggunakan filter Explore Filter #4

Tugas 4. Menerapkan grup data ke Explore

Terakhir, Anda diminta memperbarui kebijakan penyimpanan cache model LookML. Tim Anda ingin Anda memperbarui jumlah jam untuk menyimpan hasil yang di-cache menjadi jam.

1. Hapus semua filter yang Anda buat dari bagian sebelumnya.

2. Di dalam file model Anda, buat grup data baru bernama order_items_challenge_datagroup yang memiliki usia penyimpanan cache maksimum jam, dan menggunakan pemicu sql berikut: SELECT MAX(order_item_id) from order_items ;;.

3. Terapkan grup data di tingkat model untuk menerapkannya sebagai default untuk semua Explore.

4. Klik Validate LookML untuk memvalidasi kode Anda.

5. Klik Commit Changes and Push, lalu klik Deploy to Production.

Klik Periksa progres saya untuk memverifikasi tujuan. Menerapkan grup data ke Eksplorasi

Selamat!

Di lab ini, Anda menguji keterampilan LookML Anda dengan membuat berbagai objek LookML untuk memenuhi serangkaian persyaratan bisnis. Pertama, Anda membuat dimensi dan ukuran serta tabel turunan berbasis persisten. Kemudian, Anda menggunakan filter yang benar untuk memfilter Explore dan memperbarui kebijakan penyimpanan cache model LookML Anda.

Mendapatkan badge keahlian Anda berikutnya

Lab mandiri ini adalah bagian dari badge keahlian Membangun Objek LookML di Looker. Dengan menyelesaikan kursus badge keahlian ini, Anda akan mendapatkan badge di atas sebagai pengakuan atas pencapaian Anda. Tampilkan badge di resume atau platform media sosial Anda, dan umumkan pencapaian Anda menggunakan hashtag #GoogleCloudBadge.

Badge keahlian ini merupakan bagian dari jalur pembelajaran Analis Data Google Cloud. Jika Anda telah menyelesaikan kursus badge keahlian lainnya di alur pembelajaran ini, telusuri katalog untuk mengetahui kursus badge keahlian lain yang dapat Anda ikuti.

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 10 Maret 2026

Lab Terakhir Diuji pada 10 Maret 2026

Hak cipta 2026 Google LLC. Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.