Vistas métricas de modelo

As vistas métricas criam uma camada semântica para os seus dados, transformando tabelas e vistas em métricas de negócio padronizadas. Eles definem o que medir, como agregar e como segmentar. As vistas métricas garantem que todos os utilizadores da organização reportem o mesmo valor para o mesmo Indicador-Chave de Desempenho (KPI), eliminando relatórios inconsistentes e permitindo análises flexíveis em qualquer dimensão.

Para um exemplo completo com joins, dimensões, medidas e metadados do agente, veja Tutorial: Construa uma vista métrica completa com joins.

Componentes centrais

Uma vista métrica consiste nos seguintes elementos:

Definir uma fonte

Você pode usar um ativo semelhante a uma tabela ou uma consulta SQL como a fonte para sua exibição métrica. Deves ter pelo menos SELECT privilégios sobre qualquer ativo referenciado.

Um ativo semelhante a tabela é qualquer objeto do Unity Catalog que expõe um esquema tabular e suporta SELECT consultas, incluindo tabelas, vistas, vistas materializadas, tabelas de fluxo, tabelas estrangeiras, tabelas de sistema e vistas métricas.

Use um asset semelhante a uma tabela como fonte

Para usar um asset semelhante a uma tabela como fonte, especifique o nome totalmente qualificado. Por exemplo: samples.tpch.orders.

Use uma vista métrica como fonte

Pode usar uma vista métrica existente como fonte para uma nova vista métrica:

version: 1.1

source: views.examples.source_metric_view

dimensions:
  - name: Order month
    expr: '`Order Month`'

measures:
  - name: Latest order month
    expr: MAX(`Order month`)
  - name: Latest order year
    expr: "DATE_TRUNC('year', MEASURE(`Latest order month`))"

Ao usar uma exibição métrica como fonte, as mesmas regras de compatibilidade se aplicam para referenciar dimensões e medidas. Consulte Composabilidade.

Usar uma consulta SQL como fonte

Para usar uma consulta SQL, escreva o texto da consulta diretamente no YAML:

version: 1.1

source: SELECT * FROM samples.tpch.orders o LEFT JOIN samples.tpch.customer c ON o.o_custkey
  = c.c_custkey

dimensions:
  - name: Order key
    expr: o_orderkey

measures:
  - name: Order Count
    expr: COUNT(o_orderkey)

Dimensões

As dimensões são colunas usadas nas cláusulas SELECT, WHERE e GROUP BY no momento da consulta. Cada expressão deve retornar um valor escalar. As dimensões podem referenciar colunas a partir dos dados de origem ou dimensões previamente definidas na vista métrica. Cada dimensão é composta por duas componentes:

• name: O pseudónimo da coluna
• expr: Uma expressão SQL que faz referência aos dados de origem ou às dimensões previamente definidas na vista métrica

Medidas

As medidas são expressões que produzem resultados sem um nível pré-determinado de agregação. Devem ser expressos utilizando funções agregadas. As medidas podem referenciar campos base nos dados de origem, dimensões ou medidas definidas anteriormente. Cada medida consiste nas seguintes componentes:

• name: O pseudónimo da medida
• expr: Uma expressão SQL agregada que pode incluir funções agregadas SQL

O exemplo seguinte demonstra padrões comuns de medição para analisar dados de encomendas e receitas. Estes exemplos utilizam a tabela de encomendas TPC-H, que contém dados de transações de vendas, incluindo preços de encomenda (o_totalprice), identificadores de clientes (o_custkey), chaves de encomenda (o_orderkey), datas de encomenda (o_orderdate) e níveis de prioridade (o_orderpriority):

measures:
  # Simple count measure
  - name: Order Count
    expr: COUNT(1)

  # Sum aggregation measure
  - name: Total Revenue
    expr: SUM(o_totalprice)

  # Distinct count measure
  - name: Unique Customers
    expr: COUNT(DISTINCT o_custkey)

  # Calculated measure combining multiple aggregations
  - name: Average Order Value
    expr: SUM(o_totalprice) / COUNT(DISTINCT o_orderkey)

  # Filtered measure with WHERE condition
  - name: High Priority Order Revenue
    expr: SUM(o_totalprice) FILTER (WHERE o_orderpriority = '1-URGENT')

  # Measure using a dimension
  - name: Average Revenue per Month
    expr: SUM(o_totalprice) / COUNT(DISTINCT DATE_TRUNC('MONTH', o_orderdate))

Consulte Agregar funções para obter uma lista de funções agregadas.

Aplicar filtros

Um filtro na definição YAML aplica-se a todas as consultas que referenciam a vista métrica. O exemplo seguinte mostra como escrever filtros como expressões booleanas:

# Single condition
filter: o_orderdate > '2024-01-01'

# Multiple conditions
filter: o_orderdate > '2024-01-01' AND o_orderstatus = 'F'

# IN clause
filter: o_orderstatus IN ('F', 'P') AND o_orderdate >= '2024-01-01'

Trabalho com junções

Junções em vistas métricas suportam tanto junções diretas de uma tabela de factos para tabelas de dimensões (esquema estrela) como junções multi-etapas através de tabelas de dimensões normalizadas (esquemas floco de neve).

Esquemas de estrela modelo

Em um esquema em estrela, o source é a tabela de fatos e se une a uma ou mais tabelas de dimensão usando um LEFT OUTER JOINarquivo . As vistas métricas juntam as tabelas de factos e dimensões necessárias para a consulta específica, com base nas dimensões e medidas selecionadas.

Especifique colunas de junção usando uma on cláusula (expressão booleana) ou uma using cláusula (nomes partilhados das colunas). A união deve seguir uma relação muitos-para-um. Em casos de muitos-para-muitos, a primeira linha correspondente da tabela de dimensão unida é selecionada.

O exemplo seguinte liga orders (tabela de factos) a customer (tabela de dimensões) e expõe os atributos do cliente como dimensões:

version: 1.1
source: samples.tpch.orders

joins:
  - name: customer
    source: samples.tpch.customer
    on: source.o_custkey = customer.c_custkey

dimensions:
  - name: Customer name
    expr: customer.c_name
  - name: Customer market segment
    expr: customer.c_mktsegment

measures:
  - name: Total revenue
    expr: SUM(o_totalprice)
  - name: Order count
    expr: COUNT(1)

Use a using cláusula em vez de on quando ambas as tabelas partilham o nome da coluna:

joins:
  - name: customer
    source: samples.tpch.customer
    using:
      - customer_key

Esquemas floco de neve modelo

Um esquema de floco de neve estende um esquema de estrela normalizando tabelas de dimensões e conectando-as a subdimensões. Isto cria uma estrutura de junção multinível.

Para definir um esquema floco de neve:

1. Criar uma vista métrica
2. Adicionar junções de nível primário (esquema estrela)
3. Juntar com outras tabelas de dimensões
4. Expõe dimensões aninhadas adicionando dimensões na tua vista

O exemplo seguinte utiliza o conjunto de dados TPC-H para ilustrar um esquema floco de neve que mostra a hierarquia geográfica das ordens. O exemplo junta a tabela de encomendas aos clientes, depois às suas nações (países) e, finalmente, às suas regiões (continentes). Esta estrutura de junção multinível permite análises como "mostrar receitas por região" ou "comparar a distribuição de clientes entre nações". O conjunto de dados TPC-H está disponível no catálogo samples no seu espaço de trabalho Azure Databricks.

source: samples.tpch.orders

joins:
  - name: customer
    source: samples.tpch.customer
    on: source.o_custkey = customer.c_custkey
    joins:
      - name: nation
        source: samples.tpch.nation
        on: customer.c_nationkey = nation.n_nationkey
        joins:
          - name: region
            source: samples.tpch.region
            on: nation.n_regionkey = region.r_regionkey

dimensions:
  - name: clerk
    expr: o_clerk
  - name: customer
    expr: customer
    comment: returns the full customer row as a struct
  - name: customer_name
    expr: customer.c_name
  - name: nation
    expr: customer.nation
  - name: nation_name
    expr: customer.nation.n_name

Sintaxe e formatação YAML

As definições de visualização métrica seguem a sintaxe de notação YAML padrão. Consulte a referência da sintaxe YAML vista métrica para a sintaxe e formatação necessárias.

Melhores práticas

Use as seguintes diretrizes ao modelar exibições de métricas:

• Modele medidas atómicas: Comece por definir primeiro as medidas mais simples (por exemplo, SUM(revenue), COUNT(DISTINCT customer_id)). Construa medidas complexas usando a composabilidade.
• Uniformizar os valores das dimensões: Use transformações (como instruções CASE) para converter códigos de base de dados em nomes claros de negócios (por exemplo, converter o estado da ordem 'O' em 'Aberto' e 'F' em 'Cumprido').
• Defina o âmbito com filtros: Se uma vista métrica deve incluir apenas ordens concluídas, defina esse filtro na vista métrica para que os utilizadores não possam incluir acidentalmente dados incompletos.
• Use nomes claros: Os nomes das métricas devem ser reconhecíveis pelos utilizadores empresariais (por exemplo, "Customer Lifetime Value" em vez de cltv_agg_measure).
• Dimensões temporais separadas: Incluam dimensões temporais granulares (como "Data da Encomenda") e dimensões temporárias truncadas (como "Mês da Encomenda" ou "Semana da Encomenda") para suportar tanto a análise detalhada como a de tendências.

Passos seguintes

• Técnicas avançadas para vistas métricas
• Metadados do agente nas vistas métricas
• Materialização para visualizações métricas
• Referência da sintaxe YAML da vista métrica