Blog > Digital Analytics > Looker technische Basics: Das A und O der Datenbereitstellung - Teil 1

Looker technische Basics: Das A und O der Datenbereitstellung - Teil 1

von Ekrem Aslan

30. Juli 2024

Lesedauer: 7 Minuten

Management Summary

Looker ist eine Datenplattform, die auf der Verwendung von LookML basiert, einer proprietären Modellierungssprache, die SQL abstrahiert und so die Erstellung und Verwaltung von Datenmodellen erleichtert. Es ermöglicht die Integration und Analyse von Daten aus einer Vielzahl von Quellen, unterstützt sowohl relationale als auch nicht-relationale Datenbanken und bietet eine nahtlose Benutzererfahrung für Datenanalysten und Geschäftsanwender gleichermaßen. Looker erlaubt es, komplexe Datenpipelines zu erstellen und zu verwalten, ohne dabei tief in den Code eintauchen zu müssen. Looker ist dazu Git-gestützt und gewährleistet somit erleichtertes teamübergreifendes Arbeiten durch Versionskontrolle.

Digital Analytics

Webanalyse steht für Messbarkeit und ist die Grundlage für langfristige Erfolgskontrolle und Effizienzsteigerung Ihrer (Online) Marketing Aktivitäten.

Mehr Erfahren

Looker ist ein leistungsfähiges Business Intelligence (BI) Tool, das Unternehmen hilft, aus ihren Daten verwertbare Erkenntnisse zu gewinnen.

Die Architektur von Looker - eine Übersicht

Die Architektur von Looker besteht aus mehreren Schichten, die zusammen eine flexible und skalierbare Plattform bilden. Die drei Hauptkomponenten sind die Datenquellen, das Looker-Datenmodell (LookML) und die Benutzeroberfläche. Diese Architektur ermöglicht es, Rohdaten in ihrer Ursprungsquelle zu belassen und dennoch umfassende Analysen und Berichte zu erstellen. LookML selbst wird im nächsten Kapitel näher beleuchtet.

Datenquellen

Die Datenquellen sind die Basis jeder BI-Analyse und bilden die erste Schicht der Looker-Architektur. Looker unterstützt eine breite Palette von Datenquellen, einschließlich traditioneller relationaler Datenbanken wie MySQL, PostgreSQL und SQL Server sowie moderner Cloud-basierter Plattformen wie Google BigQuery, Amazon Redshift und Snowflake. Diese Vielseitigkeit ermöglicht es Unternehmen, ihre bestehenden Dateninfrastrukturen nahtlos in Looker zu integrieren, ohne die Daten physisch verschieben oder transformieren zu müssen.

Durch die direkte Verbindung zu den Datenquellen bleibt die Datenintegrität erhalten, und die Datenanalysen sind stets auf dem neuesten Stand.

Looker-Datenmodell

Das Looker-Datenmodell, definiert durch LookML, ist das Herzstück der Looker-Architektur. LookML ist eine leistungsstarke und flexible Modellierungssprache, die es ermöglicht, komplexe Datenstrukturen in logische und wiederverwendbare Modelle zu überführen. Durch die Definition von Dimensionen, Kennzahlen, Aggregationen und Beziehungen in LookML können konsistente und skalierbare Datenmodelle erstellt werden, die eine Grundlage für präzise und umfassende Datenanalysen bilden.

Das Looker-Datenmodell abstrahiert die Komplexität von SQL-Abfragen und ermöglicht es Nutzern, Datenanalysen durchzuführen, ohne tiefgehende SQL-Kenntnisse zu besitzen. Diese Abstraktion erleichtert die Zusammenarbeit zwischen technischen und nicht-technischen Benutzern und fördert eine einheitliche Datenlogik im gesamten Unternehmen. Zudem unterstützt LookML die Modularisierung von Datenmodellen, was die Wiederverwendbarkeit und Konsistenz der Datenanalyse erheblich verbessert.

Benutzeroberfläche - Viewer-, Explore-, und Developerlayer

Das User Interface von Looker ist in verschiedene Schichten unterteilt: den Viewerlayer, den Explore-Layer und den Developerlayer. Der Viewerlayer bietet den Benutzern eine intuitive Benutzeroberfläche für die Interaktion mit Berichten und Dashboards. Der Explorlayer ermöglicht fortgeschrittenen Benutzern, interaktive Abfragen durchzuführen und Daten zu erkunden. Der Developerlayer ist für Entwickler gedacht, die komplexe Datenmodelle mit LookML erstellen und verwalten. Diese Struktur gewährleistet eine effiziente Nutzung von Looker für Nutzer auf verschiedenen Ebenen der Datenanalyse und bietet eine nahtlose Erfahrung von der Visualisierung bis zur Datenmodellierung.

LookML – Views, Explores, Models und Git

LookML, die Modellierungssprache von Looker, ist ein wesentlicher Bestandteil der Looker-Architektur und ermöglicht eine präzise und effiziente Datenmodellierung. In LookML folgt die Struktur einer klaren Hierarchie: Models, Views, Explores, Dimensionen und Kennzahlen. Models enthalten Views und definieren die Beziehungen zwischen ihnen. Views repräsentieren Datenquellen und definieren Dimensionen und Kennzahlen. Explores basieren auf Views und ermöglichen interaktive Datenanalysen. Dimensionen sind Attribute zur Gruppierung von Daten, während Kennzahlen aggregierte numerische Werte darstellen. Diese Hierarchie gewährleistet eine organisierte, konsistente und skalierbare Datenmodellierung.

Eine hierarchische Darstellung von LookML Objekten

Views

Views sind die grundlegenden Bausteine in LookML. Sie repräsentieren eine Tabelle oder eine logische Sicht auf die Datenquelle und definieren die zugrunde liegenden Dimensionen und Kennzahlen. Jede View enthält eine Beschreibung der Datenstruktur, einschließlich der Felder, ihrer Typen und der Beziehungen zwischen ihnen.

Dimensionen in Views sind Attribute, nach denen Daten gruppiert werden können, wie beispielsweise Datum, Produktname oder Kundensegment. Sie bilden die Grundlage für die Kategorisierung und Aggregation der Daten. Kennzahlen hingegen sind numerische Werte, die analysiert und aggregiert werden können, wie Umsatz, Gewinn oder Anzahl der Bestellungen. Durch die Definition von Berechnungen und Aggregationen innerhalb der Views können komplexe analytische Anforderungen erfüllt werden.

Ein weiterer Vorteil von Views ist ihre Wiederverwendbarkeit. Einmal definierte Views können in verschiedenen Modellen und Explores verwendet werden, was die Konsistenz und Effizienz der Datenmodellierung erheblich verbessert. Zudem ermöglicht die klare und strukturierte Definition von Views eine einfache Wartung und Anpassung der Datenmodelle.

Beispiel

view: bestellungen {
sql_table_name: public.bestellungen ;;

dimension: bestell_datum {
type: date
sql: ${TABLE}.bestell_datum ;;
}

measure: gesamt_umsatz {
type: sum
sql: ${TABLE}.umsatz ;;
}
}

Hier definiert die View bestellungen die Tabelle public.bestellungen und enthält die Dimension bestell_datum sowie die Kennzahl gesamt_umsatz.

Dimensionen

Dimensionen sind grundlegende Bausteine in LookML, die es ermöglichen, Daten nach bestimmten Attributen zu gruppieren und zu analysieren. Eine Dimension kann beispielsweise ein Datum, ein Produktname oder ein Kundensegment sein.

Beispiel

dimension: bestell_datum {
type: date
sql: ${TABLE}.bestell_datum ;;
}

Hier definiert die Dimension bestell_datum ein Datumsfeld, dass Bestellungen nach ihrem Datum gruppiert.

Kennzahlen

Kennzahlen sind numerische Werte, die aggregiert und analysiert werden können. Sie ermöglichen es, wichtige Metriken wie Umsatz, Gewinn oder Anzahl der Verkäufe zu berechnen.

Beispiel

measure: gesamt_umsatz {
type: sum
sql: ${TABLE}.umsatz ;;
}

Explores

Explores sind die Schnittstelle zwischen den Datenmodellen und den Endnutzern. Sie bieten eine Oberfläche, über die Nutzer interaktive Abfragen und Analysen durchführen können. Explores basieren auf Views und ermöglichen es, Daten aus verschiedenen Tabellen und Quellen zu kombinieren und zu analysieren.

Ein Explore stellt eine spezifische Sicht auf die Daten dar, die den Konsumenten der Daten zur Verfügung steht. Dabei können verschiedene Dimensionen und Kennzahlen kombiniert und gefiltert werden, um detaillierte und spezifische Einblicke zu gewinnen. Durch die Verwendung von Joins und Beziehungen zwischen den Views können komplexe Datenstrukturen abgebildet und analysiert werden.

Die Flexibilität der Explores erlaubt es, maßgeschneiderte Analysen für unterschiedliche Benutzergruppen zu erstellen. Technische Benutzer können tiefgehende Abfragen und Analysen durchführen, während nicht-technische Benutzer einfach und intuitiv auf die benötigten Informationen zugreifen können. Diese Anpassungsfähigkeit macht Explores zu einem mächtigen Werkzeug für die datengetriebene Entscheidungsfindung.

Beispiel

explore: bestellungen {
join: kunden {
sql_on: ${bestellungen.kunden_id} = ${kunden.id} ;;
relationship: many_to_one
}

join: produkte {
sql_on: ${bestellungen.produkt_id} = ${produkte.id} ;;
relationship: many_to_one
}
}

Der Explore bestellungen verbindet die Bestellungen sowohl mit der Kundendatenbank als auch mit der Produktdatenbank. Dies ermöglicht eine umfassende Analyse der Bestellungen in Bezug auf Kunden- und Produktinformationen.

Models

Models sind die höchsten Struktureinheiten in LookML und dienen als Container für Views und Explores. Ein Model definiert die logische Struktur der Datenanalyse und enthält die Konfigurationen und Beziehungen, die für eine konsistente und effiziente Datenanalyse notwendig sind.

Innerhalb eines Models werden die verschiedenen Views miteinander verknüpft und die Abhängigkeiten definiert. Dies ermöglicht es, komplexe Datenbeziehungen und Hierarchien zu modellieren und sicherzustellen, dass die Daten korrekt und konsistent dargestellt werden. Models bieten eine zentrale Stelle für die Verwaltung und Organisation der Datenmodelle und erleichtern die Wartung und Skalierung der Dateninfrastruktur.

Ein weiterer Vorteil der Models ist die Möglichkeit der Modularisierung und Wiederverwendbarkeit. Durch die Definition von Modellen können spezifische Datenstrukturen und -logiken wiederverwendet und an verschiedenen Stellen eingesetzt werden. Dies fördert die Konsistenz und Effizienz der Datenmodellierung und ermöglicht eine einfache Anpassung und Erweiterung der Datenmodelle.

Beispiel

model: ecommerce {
connection: “ecommerce_db”

include: “/views/*.view.lkml”

explore: bestellungen {
join: kunden {
sql_on: ${bestellungen.kunden_id} = ${kunden.id} ;;
relationship: many_to_one
}
}

explore: produkte {
join: kategorien {
sql_on: ${produkte.kategorie_id} = ${kategorien.id} ;;
relationship: many_to_one
}
}
}

In diesem Beispiel definiert das ecommerce-Model die Verbindung zur Datenbank ecommerce_db, schließt alle Views aus dem Verzeichnis /views/ ein und erstellt zwei Explores: bestellungen und produkte. Diese Explores verknüpfen die Bestellungen mit den Kunden und die Produkte mit den Kategorien.

Zusammenwirken von Views, Explores und Models

Das Zusammenspiel von Views, Explores und Models in LookML schafft eine robuste und flexible Datenmodellierungsarchitektur. Views bieten die grundlegende Datenstruktur, Explores ermöglichen benutzerfreundliche und interaktive Analysen, und Models organisieren und verwalten die gesamte Datenstruktur.

Diese Struktur ermöglicht es, komplexe Datenanalysen durchzuführen und konsistente und wiederverwendbare Datenmodelle zu erstellen. Die Trennung der verschiedenen Ebenen erleichtert die Wartung und Anpassung der Datenmodelle und fördert die Zusammenarbeit zwischen technischen und nicht-technischen Benutzern.

Durch die Nutzung von LookML können Unternehmen ihre Daten effektiv modellieren und analysieren, fundierte Entscheidungen treffen und ihre Geschäftsprozesse optimieren.

Beispiel einer vollständigen Integration

Um die Funktionsweise von Modellen, Ansichten und Explores in LookML nochmals zu verdeutlichen, betrachten wir ein detailliertes Beispiel für die Integration verschiedener Komponenten zur Analyse von E-Commerce-Daten.

Model: ecommerce

model: ecommerce {
connection: “ecommerce_db”
include: “/views/*.view.lkml”
explore: bestellungen {
join: kunden {
sql_on: ${bestellungen.kunden_id} = ${kunden.id} ;;
relationship: many_to_one
}
join: produkte {
sql_on: ${bestellungen.produkt_id} = ${produkte.id} ;;
relationship: many_to_one
}
}
}

Dieses Model definiert eine Verbindung zur Datenbank ecommerce_db und schließt alle Views aus dem Verzeichnis /views/ ein. Es enthält den Explore bestellungen, der zwei Joins enthält: einen mit der kunden-View und einen mit der produkte-View. Dadurch können Bestellungen mit Kundendaten und Produktinformationen verknüpft werden.

View: bestellungen:

view: bestellungen {
sql_table_name: public.bestellungen ;;

dimension: id {
primary_key: yes
type: number
sql: ${TABLE}.id ;;
}

dimension: bestell_datum {
type: date
sql: ${TABLE}.bestell_datum ;;
}

dimension: kunden_id {
type: number
sql: ${TABLE}.kunden_id ;;
}

dimension: produkt_id {
type: number
sql: ${TABLE}.produkt_id ;;
}

measure: gesamt_umsatz {
type: sum
sql: ${TABLE}.umsatz ;;
}
}

Die bestellungen-View definiert die Tabelle public.bestellungen und enthält verschiedene Dimensionen wie id, bestell_datum, kunden_id und produkt_id. Zudem berechnet sie die Kennzahl gesamt_umsatz, indem sie die Umsätze aggregiert. Diese Struktur ermöglicht es, Bestellungen nach verschiedenen Kriterien zu analysieren und die Gesamtumsätze zu berechnen.

View: kunden:

view: kunden {
sql_table_name: public.kunden ;;

dimension: id {
primary_key: yes
type: number
sql: ${TABLE}.id ;;
}

dimension: name {
type: string
sql: ${TABLE}.name ;;
}

dimension: email {
type: string
sql: ${TABLE}.email ;;
}
}

Die kunden-View definiert die Tabelle public.kunden und enthält Dimensionen wie id, name und email. Diese Dimensionen ermöglichen eine detaillierte Analyse der Kundeninformationen, einschließlich ihrer Namen und E-Mail-Adressen, die für die Personalisierung von Marketingkampagnen und Kundenbeziehungen nützlich sein können.

View: produkte:

view: produkte {
sql_table_name: public.produkte ;;

dimension: id {
primary_key: yes
type: number
sql: ${TABLE}.id ;;
}

dimension: name {
type: string
sql: ${TABLE}.name ;;
}

dimension: kategorie_id {
type: number
sql: ${TABLE}.kategorie_id ;;
}
}

Die produkte-View definiert die Tabelle public.produkte und enthält Dimensionen wie id, name und kategorie_id. Diese Dimensionen ermöglichen eine detaillierte Analyse der Produktinformationen, einschließlich Produktbezeichnungen und Kategorien, die für Bestandsverwaltung und Umsatzanalysen relevant sind.

Durch die Kombination dieser Komponenten ermöglicht LookML eine umfassende Datenmodellierung und Analyse von E-Commerce-Daten. Das Model ecommerce dient als Rahmen für die Datenstruktur, während die Views bestellungen, kunden und produkte die spezifischen Tabellen und Dimensionen definieren. Der Explore bestellungen verbindet diese Views miteinander, um eine detaillierte Analyse der Bestellungen, Kunden und Produkte zu ermöglichen. Diese Integration unterstützt umfassende Geschäftsanalysen und trägt zur Optimierung von Geschäftsprozessen und Entscheidungsfindung bei.

Git und Looker

Looker integriert Git zur Versionskontrolle und Zusammenarbeit. Diese Integration ermöglicht es, LookML-Projekte zu verwalten und Änderungen nachzuverfolgen. Teams können Branches erstellen, um neue Features zu entwickeln oder Fehler zu beheben, ohne die Hauptversion zu beeinträchtigen. Änderungen können überprüft und zusammengeführt werden, was eine kontrollierte und kollaborative Entwicklung fördert. Durch die Nutzung von Git in Looker bleibt die Historie aller Änderungen nachvollziehbar, und bei Bedarf können frühere Versionen wiederhergestellt werden. Diese nahtlose Integration verbessert die Effizienz und Zuverlässigkeit der Datenmodellierungsprozesse erheblich.

Fazit:

Die detaillierte Erkundung der Looker-Architektur und ihrer Komponenten bietet ein fundiertes Verständnis für die Erstellung und Verwaltung fortschrittlicher Datenanalyselösungen. Nutzen Sie dieses Wissen, um Ihre Datenstrategie zu optimieren und fundierte Geschäftsentscheidungen zu treffen. Im zweiten Teil dieses Artikels gehe ich auf die Skalerbarkeit der Daten, Nutzung von APIs und der Nutzungskontrolle der Daten ein.

Erforschen Sie die Möglichkeiten von Looker und gestalten Sie Ihre Datenanalyse effektiver denn je. Wir sind gerne für Sie da für etwaige Anfragen und Umsetzungen unter: kontakt@e-dialog.at

Kampagne anfragen

Bereit für Ihr neues Projekt?

Wir freuen uns auf Ihre Anfrage und beraten Sie gerne unverbindlich! Füllen Sie dazu einfach das Kontaktformular aus oder rufen uns direkt an.

Jetzt kontaktieren

Weitere Themen

Digital Analytics

Looker technische Basics: Das A und O der Datenbereitstellung - Teil 1

Management Summary

Die Architektur von Looker - eine Übersicht

Datenquellen

Looker-Datenmodell

Benutzeroberfläche - Viewer-, Explore-, und Developerlayer

LookML – Views, Explores, Models und Git

Views

Dimensionen

Kennzahlen

Explores

Models

Zusammenwirken von Views, Explores und Models

Beispiel einer vollständigen Integration

Git und Looker

Fazit:

Erforschen Sie die Möglichkeiten von Looker und gestalten Sie Ihre Datenanalyse effektiver denn je. Wir sind gerne für Sie da für etwaige Anfragen und Umsetzungen unter: kontakt@e-dialog.at

Weitere Themen

Das kann Looker Studio Pro

Nie wieder Dashboardverlust: Wie Looker Studio Pro deine Berichte sichert

Looker technische Basics: Das A und O der Datenbereitstellung – Teil 2

Looker Studio Dashboards interaktiv gestalten mit Filtern

Visualisierung von benutzerdefinierten Events: Ein Leitfaden für aussagekräftige Reports

UA zu GA4: So gelingt die Migration in Looker Studio Dashboards