BigQuery ist die Data-Warehouse-Lösung von Google im Petabyte-Bereich. Looker Studio ist nativ in BigQuery eingebunden und kann zur Analyse und Visualisierung von BigQuery-Daten verwendet werden.
Implementierungsschritte
Es gibt mehrere Möglichkeiten, BigQuery-Daten in Looker Studio zu importieren:
- Nativen BigQuery-Connector in der Looker Studio-Benutzeroberfläche verwenden
- Community-Connector entwickeln und verwenden
Nativen BigQuery-Connector in der Looker Studio-Benutzeroberfläche verwenden
Nutzer können den nativen BigQuery-Connector in Looker Studio verwenden, um BigQuery-Tabellen oder bestimmte Abfragen zu visualisieren. Sie können in Looker Studio ganze Tabellen abrufen oder benutzerdefinierte Abfragen in BigQuery ausführen. Sie können auch die Looker Studio-Funktion Explorer verwenden, um eine explorative Analyse Ihrer BigQuery-Daten durchzuführen.
Dieser Ansatz ist in folgenden Fällen hilfreich:
- die explorative Analyse durchführen.
- sind mit SQL vertraut und können ihre eigenen Abfragen schreiben.
- sind mit den Daten vertraut und wissen, wie sie von Grund auf neu visualisiert werden.
Beispiel: Daten zur Geburtenrate aus BigQuery abfragen
In diesem Leitfaden wird gezeigt, wie Endnutzer den nativen BigQuery-Connector von Looker Studio über die Benutzeroberfläche von Looker Studio zur Visualisierung von BigQuery-Daten verwenden können. In diesem Beispiel wird die BigQuery-Beispieltabelle natality abgefragt und die gesamte Tabelle wird in Looker Studio abgerufen.
Beispiel: BI-Dashboard mit BigQuery, App Engine und Looker Studio erstellen
Unter BI-Dashboard mit Looker Studio und BigQuery erstellen wird gezeigt, wie Sie mit App Engine BigQuery-Daten vorab aggregieren und dann mit Looker Studio visualisieren können.
Community-Connector entwickeln und verwenden
Sie können einen Community-Connector entwickeln, der Daten aus BigQuery abruft. Dieser Ansatz bietet gegenüber der Verwendung des nativen Connectors folgende Vorteile:
- Sie können vorhandene Abfragen in Ihren Connector einbinden. Ihre Nutzer müssen keinen eigenen SQL-Code schreiben oder SQL-Snippets kopieren und einfügen, um die genaue Abfrage zu erhalten. Darüber hinaus können Sie Ihre Abfragen parametrisieren und Nutzern die Möglichkeit geben, über die Connector-Konfiguration Eingaben zu machen und die Abfragen anzupassen.
- Mit Dienstkonten können Sie die Abrechnung zentralisieren. Ihre Nutzer benötigen keinen Zugriff auf ein GCP-Rechnungskonto.
- Ihre Nutzer können mit fertigen Berichtsvorlagen mit eigenen Daten beginnen.
- Sie können Ihre eigene Caching-Ebene implementieren, um die BigQuery-Kosten zu kontrollieren.
In einem Community-Connector können Sie auf drei verschiedene Arten auf BigQuery-Daten zugreifen:
In der folgenden Tabelle sind die Vor- und Nachteile zusammengefasst:
| Erweiterte Dienste von Looker Studio | Apps Script: BigQuery-Dienst | BigQuery REST API | |
|---|---|---|---|
| Referenz | Looker Studio Erweiterte Dienste | Apps Script BigQuery-Dienst | BigQuery REST API |
| Datenfluss | BigQuery > Looker Studio | BigQuery > Apps Script > Looker Studio | BigQuery > Apps Script > Looker Studio |
Über getschema unterstützte berechnete Felder |
Ja | Ja | Ja |
| Kann mit einem Dienstkonto bzw. einer benutzerdefinierten Zugriffssteuerung verwendet werden | Ja | Nein (gültige Anmeldedaten des Nutzers werden erzwungen) | Ja |
| Die Filter werden automatisch | Ja | Nein | Nein |
Zusätzliche Datentransformation in getData erforderlich |
Nein | Ja | Ja |
| Abgerufene Daten können in Apps Script aufgerufen werden (weitere Umwandlungen möglich) |
Nein | Ja | Ja |
| Benutzerdefiniertes Caching | Nein | Ja | Ja |
| UrlfetchApp-Kontingent angewendet | Nein | Nein | Ja |
| Implementierungsbeispiel | World Bank Data Connector | Apps Script BigQuery-Dienst | Chrome UX Connector |
Sofern Sie die abgerufenen Daten nicht aus BigQuery transformieren oder benutzerdefiniertes Caching benötigen, können Sie in den meisten Anwendungsfällen die erweiterten Dienste von Looker Studio verwenden.