• Accueil / Salesforce / Présentation des transformations…
, Présentation des transformations de flux de données Einstein Analytics &#8211; et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

Présentation des transformations de flux de données Einstein Analytics – et ce qu’elles font8 minutes de lecture


Un Dataflow est un fichier qui contient des instructions pour créer des ensembles de données, que vous pouvez utiliser pour les visualisations de données Einstein Analytics. La vraie puissance des Dataflows vient de leur application de transformations. La transformation peut être définie comme le processus de conversion de données d’un format ou d’une structure à un autre – un aspect fondamental de la plupart des tâches d’intégration et de gestion des données.

Auparavant, je partageais la puissance d’Einstein Analytics avec des modèles et en intégrant les visualisations de données dans vos pages Salesforce Lightning. Aujourd’hui, nous examinons en profondeur la machine c’est Einstein Analytics, qui se concentre sur les transformations Dataflow que vous pouvez y faire.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

Qu’est-ce qu’un Dataflow?

Un Dataflow est un fichier qui contient des instructions pour créer des ensembles de données, que vous pouvez utiliser pour les visualisations de données Einstein Analytics. Un ensemble de données est une collection de données, pensez-y comme une table ou un ensemble de valeurs, où chaque colonne représente une variable particulière et chaque ligne correspond à un enregistrement donné de l’ensemble de données en question.

La transformation peut être définie comme le processus de conversion de données d’un format ou d’une structure à un autre. Vous pouvez trouver la liste des transformations dans le volet supérieur d’un Dataflow:

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

C’est exactement ce que j’ai l’intention d’expliquer aujourd’hui. Découvrons les différentes transformations disponibles pour vous et découvrons pourquoi nous les utiliserions.

Transformations pour les flux de données Analytics

DataSetBuilder

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

C’est le premier que vous rencontrez dans le volet supérieur de n’importe quel Dataflow. Considérez-le comme un assistant. Pour commencer, son objectif est de créer facilement des objets et des relations. Il vous permet de récupérer les objets, les champs et les relations que vous prévoyez d’utiliser pour votre ensemble de données.

Par exemple, ici, nous récupérons des produits Opportunity avec quelques champs et leurs opportunités associées:

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>sdfcDigest et Digest

Ces deux sont les transformations qui récupèrent les données. Si vous vous êtes connecté à Salesforce (local), vous auriez utilisé le premier pour récupérer les données d’un objet Salesforce.

Dans un flux de données, un extrait de transformation digest est synchronisé avec les données connectées. Utilisez cette option pour extraire les données synchronisées à partir d’une organisation Salesforce externe ou les données synchronisées via une connexion externe. Utilisez la transformation sfdcDigest pour extraire de votre organisation Salesforce locale.

Par exemple, je pourrais utiliser celui-ci dans notre exemple précédent pour trouver les informations de compte, liées aux opportunités.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>Edgemart

Cette transformation avec un nom cool charge les ensembles de données existants et enregistrés qui ont été créés en dehors du flux de données, peut-être le flux de données que vous avez déjà en place.

Par exemple, nous pourrions utiliser un Edgemart pour amener les données d’un ensemble de données existant avec un solde de compte d’un système externe déjà connecté et enregistré en tant qu’ensemble de données à l’analyse.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>Ajouter

C’est ici que vous ajoutez un ensemble de données les uns aux autres. Il combine les lignes de plusieurs ensembles de données dans un seul ensemble de données.

Un cas d’utilisation courant consiste à créer un ensemble de données sur les activités, puis à utiliser des expressions informatiques pour ajouter des champs et quand il les ajoute, vous obtenez tous les champs dans le même ensemble de données.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>Augmenter

Celui-ci consiste à ajouter d’un objet enfant à un autre – en gros, il s’agit d’ajouter des colonnes.

Dans notre exemple précédent, nous pourrions utiliser « ajouter » pour intégrer les informations du compte dans notre flux initial de produits et d’opportunités d’opportunité.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

Comme vous pouvez le voir dans la capture d’écran ci-dessus, il y a deux sfdcDigests dans lesquels nous apportons des objets Salesforce (ignorez le nœud Flatten pendant un moment), puis pour combiner les données de l’un dans les colonnes de l’autre, nous utilisons ce nœud Augmenter nommé 105.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span> computeExpression et computeRelative

Ces deux ont des noms similaires mais des fonctions différentes. ComputeExpression est une formule; un moyen puissant de créer des champs (sur un seul enregistrement). Il vous permet de regarder le reste des champs et de faire des calculs. Par exemple, nous pourrions regarder la probabilité de notre opportunité et la multiplier par le champ montant.

D’autre part, nous avons ComputeRelative, également en tant qu’expression. Cependant, cette fois, il agit sur les lignes (sur les enregistrements). La «partition par» est utilisée pour la tranche / le groupe; par exemple, si vous souhaitez commander la dernière opportunité pour chaque compte par nom de compte.

Dans l’un ou l’autre des deux «calculs», vous pouvez ajouter plusieurs champs dans un nœud.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

Réf image: une série fantastique de l’équipe produit sur YouTube pour apprendre Einstein Analytics.

Enregistrement à mi-chemin

Prenons une pause et récapitulons. Jusqu’à présent, nous avons examiné les huit premières transformations et la manière dont les données sont importées via un assistant, à partir d’une connexion locale à Salesforce ou à un DataSet existant. Nous avons également appris à enrichir les données en utilisant des champs, ainsi que des colonnes.

Nous allons maintenant examiner les transformations restantes et comment les convertir une fois que vos données seront prêtes en tant que DataSet!

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>Dim2mea

Comme le nom cryptique nous l’indique … vous utiliserez cette transformation si vous avez besoin de changer la dimension à mesurer. Il crée une nouvelle colonne dans l’ensemble de données avec une nouvelle valeur de mesure à partir d’un champ de dimension, en préservant la dimension d’origine pour garantir que les lentilles et les tableaux de bord existants ne se cassent pas s’ils sont utilisés ailleurs.

Pensez à une dimension. Ajoutez quelque chose que vous pouvez regrouper, comme le champ Étape et mesurez quelque chose avec lequel vous pouvez faire des calculs, un nombre.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>Aplatir

Ceci est utilisé pour aplatir les hiérarchies. Le cas d’utilisation courant ici est d’obtenir le rôle d’utilisateur afin que vous puissiez l’ajouter à Prédicats de sécurité (la sécurité au niveau des lignes fonctionne un peu différemment dans Einstein Analytics, nous devrions peut-être la conserver dans le backlog pour un prochain article!)

Par exemple, si nous souhaitons avoir un champ dans l’opportunité avec une concaténation des familles de produits des produits d’opportunité, nous pourrions simplement utiliser aplatir pour cela.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

Dans cet exemple, nous apportons le UserRole avec un sfdcDigest pour utiliser le nœud aplatir pour concaténer le chemin du rôle dans la table des objets utilisateur, en le combinant avec le nœud augment (vu plus haut dans cet article).

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>Filtre

Fidèle à son nom, il est utilisé pour filtrer les enregistrements!

Il existe deux types:

  • le simple, Stage: EQ: Closed Lost ou
  • le plus complexe, basé sur SOQL.

Vous avez peut-être vu que vous pouvez filtrer dans un digérer «Conditions du filtre». Cependant, au lieu de filtrer, il est préférable d’utiliser un nœud séparé. L’option précédente n’est pas recommandée car elle utilise le niveau d’objet de réplication / synchronisation et tout ce qui en appelle.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>SliceDataset

Celui-ci consiste à supprimer certains des champs que vous portez à travers la transformation de votre Dataflow.

Par exemple, vous avez peut-être ajouté des champs d’autres objets pour effectuer certains calculs, pour ajouter des colonnes supplémentaires. Cependant, vous ne devez pas nécessairement conserver l’ensemble de données jusqu’au produit final / table.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>Mettre à jour

Cette transformation vous permet de mettre à jour les valeurs de champ spécifiées dans un ensemble de données existant, en fonction des données d’un autre ensemble de données, un peu comme une recherche sur les stéroïdes.

Par exemple, si le code produit change avec nos produits d’opportunité, nous pourrions examiner l’ensemble de données de l’objet Produit et mettre à jour la valeur dans les produits d’opportunité.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>sfdcS’inscrire

Dernier point mais non le moindre, où toute cette magie se produit et est enregistrée! Vous utiliserez un sfdcRegister pour enregistrer vos résultats dans un DataSet en tant que résultat final de toutes les transformations, sous la forme du tableau de données final que vous pourrez utiliser dans vos tableaux de bord Einstein Analytics, vos histoires AI Discovery ou d’autres flux de données!

Sommaire

Vous disposez de plusieurs méthodes pour importer et transformer des données pour Einstein Analytics. Dataflow vous permet de créer des ensembles de données, sous forme de tables de données raffinées que vous pouvez ensuite utiliser dans les visualisations.

Ce n’est pas aussi compliqué que vous le pensez! Ici, nous avons couvert quelques nouveaux noms, mots et concepts qui vous permettront de vous familiariser et, espérons-le, vous en aurez maintenant la clarté.

Nous avons examiné comment les données sont importées via un assistant, à partir d’une connexion locale à Salesforce ou à un DataSet existant. Nous avons également appris à enrichir les données en utilisant des champs, ainsi que des colonnes.

Ensuite, nous avons examiné les transformations restantes et appris à les convertir, une fois que vos données sont prêtes à se transformer en DataSet!

Tout comme dans d’autres cas similaires, cela nécessite également de la pratique. La meilleure chose que vous pouvez faire maintenant pour renforcer cela est de récupérer un devorg activé par Analytics et de jouer avec. Voici un essai pour vous: Créer et administrer Einstein Analytics.

, Présentation des transformations de flux de données Einstein Analytics – et ce qu&rsquo;elles font<span class="wtr-time-wrap after-title"><span class="wtr-time-number">8</span> minutes de lecture</span>



Source de l’article traduit automatiquement en Français

Besoin d'aide ?
Voulez-vous utiliser Pardot à sa capacité maximale et avoir
+ DE LEADS QUALIFIÉS

Notre analyse de votre Pardot offerte dès aujourd'hui
Merci, vous pouvez compléter notre questionnaire
Nous allons revenir vers vous rapidement !

Fermer