MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454
Papír do modrého, plast do žlutého a barevné sklo do zeleného. Recyklujeme, abychom znovu využili suroviny a neplýtvali zdroji. Stejně tak je tomu i s daty. Pokud už někde máme zpracovaná data, ze kterých potřebujeme vycházet, můžeme je využít a ušetřit si čas i zdroje.
V minulém článku jsme si osvětlili rozdíl mezi SQL a MAQL. Jestli ještě nevíte, o čem mluvím, tak tady se můžete nachytřit. Dnes se trochu zaměříme na výhodu metrik vytvořených přes MAQL a jejich recyklaci. K čemu všemu nám mohou být metriky dobré?
Reuse factů
Když poprvé otevřu nástroj Analyzer v GoodDatě, může se zdát, že pro jednoduché agregační metriky mi bohatě stačí loupnout si nějaký fact, tedy číselnou hodnotu, rovnou do kolonky určené pro metriky. GoodData sama mi z factu metriku jednoduchou agregací vytvoří a já si ušetřila půl minuty práce. Teď. Ale v budoucnu mě to může taky spoustu času stát, a to úplně zbytečně.
Chytřejší řešení je totiž si z agregace factu, i z úplně jednoduchého, udělat nejprve metriku pomocí MAQL. Pokud totiž budu stejnou sumu mého factu, říkejme mu třeba Suma tržeb za malinové palačinky, využívat ve více než jednom insightu, a že se mi to dozajista časem stane, házím prakticky PET láhve do směsného odpadu.
Problém totiž přichází, když zjistím, že potřebuji napříč celým workspacem najít všechny tyhle moje Sumy tržeb za malinové palačinky a udělat z nich třeba Sumy tržeb za palačinky s lesním ovocem. To jsem dosti nahraná, protože výskyt metrik si můžu snadno dohledat, například přes GD extension, ale facta, nějak upravená jednotlivě pro každý insight stejně, najdu už hůře.
Když si to shrneme, použití metrik v insightech místo factu má následující výhody:
- Nemusím upravovat fact několikrát stejně
- Při změně na jednom místě se mi kaskádovitě změní všechny výskyty
- Snadno dohledatelné použití metriky
Nesting metrik
Nesting metrik je použití metriky v metrice další. Funguje to tedy jako matrjošky, metriku zabalíme do jiné metriky a tuhle metriku opět můžeme zabalit do metriky další, a dokud nás to baví, můžeme pokračovat. Velkou výhodou je, že si nabalujeme logiku agregací či filtrů postupně a u složitějších metrik to nejen velmi zlepší přehlednost, ale i ušetří znovuvytváření stejného kódu. A v případě, že se zpětně potřebujeme vrátit a zjistit, co dělá nestovaná metrika, stačí nám jeden klik na ni, a to je velmi rychlé řešení.
Výhody nestingu metrik:
- Mnohonásobné použití stejné logiky
- Orientace ve složitějších metrikách
- Změna v jedné metrice ovlivní kaskádovitě všechny ostatní
A co vy? Jste ekologičtí při stavbě metrik v GoodDatě?
Zeptej se svých dat: BigQuery vs. Fabric vs. Copilot | Mňamka #558
Je to sen skoro každého manažera: místo čekání na analytika prostě napíšu do chatu „jak nám rostly tržby po regionech za poslední kvartál?" a za pár vteřin mám odpověď, ideálně i s grafem. Říká se tomu konverzační analytika a tři velcí hráči ji dnes nabízejí. My jsme si všechny tři osahali. Tady je upřímné srovnání, co funguje a kde to zatím drhne.
Postavili jsme stejného AI chatbota nad firemními daty v Googlu i v Microsoft Azure. | Mňamka #557
Skoro každá firma dneska sedí na hromadě vlastních dokumentů - produktové listy, FAQ, smlouvy, zápisy z projektů. A skoro každá firma by chtěla to samé: chatbota, kterému napíšete otázku a on odpoví z vašich dat, ne z toho, co si kde přečetl na internetu. Zní to jednoduše. My jsme si to chtěli osahat pořádně, a tak jsme jedno a to samé řešení postavili dvakrát - jednou v Google Cloudu, podruhé v Microsoft Azure. Tady je, co z toho vypadlo.
Microsoft Fabric vs. dbt | Mňamka #556
Když firmy modernizují svou datovou platformu, narazí dřív nebo později na otázku, jaký datový stack zvolit a co je pro jejich byznys nejvhodnější. Migrovat na Microsoft Fabric? Nasadit dbt? Otázka je ale položená trochu zavádějícím způsobem, jde totiž o srovnání dvou věcí, které stojí na jiné úrovni datového stacku: Fabric je platforma, dbt je transformační nástroj, který na takové platformě běží. Přesto má smysl se ptát, jak se tyto dva světy doplňují, kde si uvnitř Fabricu konkurují nativní nástroje a dbt, a kdy se vyplatí sáhnout po dbt jako standardní transformační vrstvě.
