Revue détaillée de Looker
Looker est unique parmi les outils de business intelligence (BI) populaires pour son approche innovante de la modélisation et de l'exploration des données.
Une analyse complète de Looker, de ses forces et de ses faiblesses.
Looker est unique parmi les outils de Business Intelligence (BI) populaires pour son approche innovante de la modélisation et de l'exploration des données. Dans cet article, nous allons passer en revue et analyser Looker, ce qu'il fait, ses forces et ses faiblesses.
Cet article est destiné aux équipes et aux entreprises qui envisagent d'évaluer Looker, entre autres, comme outil de BI/analyse de données.
Qu’est-ce que Looker ?
Looker est un produit innovant avec une approche unique de la business intelligence. Looker possède son propre langage de modélisation propriétaire appelé LookML, qui est la source de force de Looker mais aussi, curieusement, sa faiblesse. Il fournit une couche de modélisation des données qui est à la fois réutilisable et maintenable, mais sa courbe d'apprentissage abrupte le rend moins accessible que d'autres alternatives.
Looker est idéal pour les équipes de données expérimentées qui apprécient son approche unique de la modélisation des données et qui ont besoin de permettre à tous les membres de l'organisation de découper et de découper les données par eux-mêmes. Il nécessite également un entrepôt de données existant, ce qui est préférable pour les équipes de données qui ont déjà mis en place le leur.
Tableau d'évaluation de Looker
N'hésitez pas à passer directement aux sections qui vous intéressent le plus, nous couvrirons ici les sujets suivants :
- Connecteurs de données
- Modélisation des dates avec LookML
- Exploration et visualisation des données
- Extractions et extractions de données
- Mélange de données
- Livraison et ordonnancement des données
- Organisation avec Looker
- Contrôle d'accès et gestion des permissions
- Capacités de préparation des données
- Fixation des prix
- Conclusion
Connecteurs de données
Comme avec tout autre outil de Business Intelligence, dans Looker, dès le départ, vous devez établir des connexions avec vos sources de données.
En tant qu'outil de BI basé sur SQL, Looker ne prend malheureusement en charge que les bases de données SQL. En revanche, sa liste de sources de données prises en charge est assez décente, allant des SGBDR courants comme Oracle, Microsoft SQL Server à des sources obscures comme Denodo et XtremeData.
La quantité d'options avancées disponibles est également impressionnante, avec des options telles que le nombre maximal de connexions et le délai d'attente du pool de connexion.
Cependant, il aurait été préférable de cacher ces options derrière une case à cocher "Avancé" pour rendre le formulaire moins encombré et intimidant.
Modélisation des données avec LookML
Une exigence qui distingue immédiatement Looker des autres solutions est la nécessité d'investir du temps dans une étape initiale de modélisation des données, avant toute visualisation des données.
Pour Looker, cela signifie qu'il faut d'abord apprendre et préparer le travail de modélisation en LookML, comme une abstraction au-dessus d'une base de données SQL.
Concepts LookML
Voici la définition de LookML à partir de la documentation de Looker :
LookML est un langage permettant de décrire les dimensions, les agrégats, les calculs et les relations entre les données dans une base de données SQL.
Les concepts les plus importants de Looker sont les vues, les explorations et les modèles qui sont modélisés directement en LookML.
Vues
Dans Looker, une vue est un ensemble de champs qui sont liés à une table physique ou dérivée. Les champs sont à leur tour classés en deux types : les dimensions et les mesures. Pensez aux dimensions comme étant les colonnes de votre table de base de données et les champs calculés comme étant tirés de ces colonnes ; et les mesures comme étant des colonnes avec des agrégations SQL (somme/avg/min/max/etc.) appliquées.
Explore
Looker appelle une vue qui peut être interrogée une exploration. Elle déclare également les relations avec d'autres vues (appelées jointures) et fonctionne comme point de départ d'une requête, ou en termes SQL, la table référencée dans une clause FROM.
Modèles de données
Looker appelle un modèle un portail personnalisé dans la base de données. Il s'agit essentiellement d'un ensemble de vues et d'explorations connexes qui peuvent être partagées avec les utilisateurs professionnels pour leur permettre d'explorer les données par glisser-déposer.
Son processus de modélisation des données en trois étapes commence par la définition des vues, la combinaison des vues à l'aide de relations dans une exploration, puis la combinaison des explorations dans un modèle à partager avec les utilisateurs professionnels.
Définir des vues, des explorations et des modèles avec LookML
Mode développement vs mode production
Looker fait la distinction entre le mode développement et le mode production pendant le processus de modélisation des données.
Le mode développement vous permet de créer et de modifier des projets LookML, tandis que le mode production permet aux utilisateurs professionnels d'explorer les modèles de données LookML créés.
La séparation de ces deux modes peut s'avérer fastidieuse pour les utilisateurs lorsque vous souhaitez simplement passer à l'action, mais l'avantage est que vous avez une séparation mentale claire entre ce qui est disponible pour les utilisateurs professionnels et ce qui est encore en cours de développement.
Intégration de Git
Git est le système de contrôle de version distribué standard de facto, largement utilisé par les programmeurs pour gérer le code source.
Looker est unique en ce sens qu'il vous oblige à utiliser Git pour gérer vos projets LookML. Vous pouvez utiliser Looker en mode développement sans intégration Git, mais si vous voulez le partager avec vos utilisateurs professionnels et faire de l'exploration de données en mode production, vous devez configurer Git.
L'approche de Looker est polarisante. Les analystes expérimentés apprécieront la maintenabilité et la flexibilité d'un système de contrôle de version puissant comme Git. Pour les analystes qui ne sont pas familiers avec Git, il faudra apprendre les concepts de Git comme les commits, les branches, etc. pour bien comprendre l'ensemble du flux de travail.
La réaction réflexe pourrait être une forte résistance à la courbe d'apprentissage impliquée, se demandant pourquoi ils doivent sauter à travers des cerceaux juste pour faire de la modélisation de données.
L'éditeur LookML
Pour commencer le processus de modélisation des données, Looker vous présente un éditeur de texte basé sur le Web pour développer LookML.
L'éditeur dispose des fonctions standard attendues d'un éditeur de code, comme l'autocomplétion et même la prise en charge des raccourcis clavier Vim/Emacs, si c'est votre truc. La barre latérale d'aide rapide est très utile, car sinon vous devriez constamment vous référer au site de documentation officiel de Looker.
L'expérience d'édition n'est pas trop mauvaise, mais le pire dans ce processus est la longue boucle de rétroaction. Contrairement à d'autres outils comme PowerBI où vous pouvez voir instantanément le résultat de votre modélisation à chaque étape, dans Looker, vous devez vraiment savoir ce que vous faites : tapez les règles correctes, cliquez sur le bouton "Valider", puis sur le bouton "Enregistrer", essayez d'explorer les données en utilisant les modèles créés pour vérifier, puis rincez et répétez. Toute erreur en cours de route vous obligera à recommencer le cycle. D'après notre expérience, cet inconvénient est la partie la plus faible de l'offre de modélisation de données de Looker, par rapport à d'autres outils similaires.
Exploration et visualisation des données
Une fois que les vues et les explorations ont été définies dans LookML, un utilisateur peut maintenant commencer à faire une exploration en libre-service dans Looker Explore. Pour ce faire, il suffit de sélectionner les champs qui vous intéressent dans la barre latérale de gauche, puis de cliquer sur le bouton Run. Le pivotement est facile mais pas très intuitif, car vous devez cliquer sur le bouton Pivot pour les champs que vous souhaitez faire pivoter, au lieu de faire glisser les champs dans des cases de colonnes/rangées comme dans Excel.
Jouez avec la fonction d'exploration de données de Looker pendant un certain temps et vous commencerez à réaliser que vous utilisez en fait un générateur de requêtes SQL sous le capot. Looker utilise votre entrée et la combine avec les vues/explorations sous-jacentes configurées au préalable pour générer et exécuter la requête SQL finale, afin de vous renvoyer les données.
L'une des premières choses que vous remarquerez en faisant de la visualisation de données avec Looker est que vous devez cliquer manuellement sur le bouton "Run" chaque fois que vous modifiez quelque chose. C'est le résultat de la façon dont Looker fonctionne : générer une nouvelle requête SQL chaque fois que vous modifiez la configuration de la visualisation des données. C'est logique mais assez ennuyeux lorsque vous êtes familier avec d'autres outils de BI qui fournissent un retour d'information instantané sans avoir à réexécuter une requête.
En termes de visualisations, l'offre de Looker est acceptable mais ne peut pas rivaliser avec Tableau ou même PowerBI ou QlikView. Elle prend en charge une quinzaine de types de graphiques différents avec une personnalisation standard telle que la palette de couleurs, les types de séries (ligne, zone, dispersion, etc.) et autres suspects habituels.
Une fois l'exploration terminée, vous pouvez enregistrer une exploration individuelle dans ce que Looker appelle un Look, ou un groupe de Looks dans un tableau de bord.
Extractions et extractions de données
Comme pour presque tout le reste dans Looker, vous devez utiliser LookML pour définir vos drilldowns. C'est assez intuitif une fois que vous êtes familiarisé avec le fonctionnement de Looker.
Vous définissez un ensemble de champs qui seront exposés lorsque vous effectuez des recherches sur une certaine dimension ou mesure.
Désormais, lorsqu'une mesure "Order Items Count" est sélectionnée, vous pouvez effectuer une analyse approfondie de ce champ.
Par exemple, lorsque vous cliquez sur une colonne du graphique, la mesure correspondante "Order Items Count" est explorée et ses champs d'exploration ("Products ID" et "Products Name") sont déclenchés, avec un nouvel ensemble de résultats :
En cliquant sur "Explorer à partir d'ici", vous verrez apparaître une nouvelle fenêtre d'exploration avec "ID produits" et "Nom produits" présélectionnés :
Dans l'exemple ci-dessus, nous pouvons voir que grâce à sa couche de modélisation de données robuste, le drilldown de Looker est facile à mettre en place et offre une expérience utilisateur fluide et intuitive.
Mélange de données
Looker prend en charge le mélange de données avec le concept de résultats fusionnés. Il fonctionne comme une jointure SQL entre les ensembles de résultats, même à travers les bases de données.
Afin de l'utiliser, vous devrez utiliser Explore pour générer un ensemble de résultats. Une fois cela fait, vous pouvez cliquer sur "Merge Results..." dans le menu :
Vous devrez ensuite ajouter un autre ensemble de résultats (Looker l'appelle une requête) pour le fusionner avec l'ensemble original.
Vous pouvez ajouter plusieurs requêtes à fusionner mais vous devez en avoir une comme requête primaire.
À mon avis, la fusion des résultats n'a pas sa place dans la façon dont Looker fonctionne avec la modélisation des données, mais elle permet aux utilisateurs de gérer un cas d'utilisation courant de façon satisfaisante.
Livraison et ordonnancement des données
Looker fournit une gamme décente de cibles de livraison de données comme le montre la capture d'écran ci-dessous. Vous pouvez envoyer les résultats des données par e-mail, webhooks, Amazon S3 ou des serveurs SFTP.
Vous pouvez même créer des alertes personnalisées en utilisant les options avancées pour n'envoyer l'ensemble des résultats que lorsqu'il est vide ou si les résultats ont changé depuis la dernière exécution.
Organisation avec Looker
Lorsque vous utilisez un outil de BI pendant un certain temps, les choses deviennent de plus en plus difficiles à gérer car vous commencez à avoir un ensemble tentaculaire de Looks et de tableaux de bord. Pour faciliter la gestion de ces éléments, Looker propose une fonctionnalité appelée Space. Un espace est essentiellement un conteneur qui vous permet de stocker des vues et des tableaux de bord. Un espace peut également contenir d'autres espaces, ce qui permet de créer une structure de dossier hiérarchique similaire au fonctionnement d'un système de fichiers.
L'espace est également utilisé pour les contrôles de permission et d'accès, comme détaillé dans la section suivante.
Contrôle d'accès et gestion des permissions
Comparé à d'autres outils de BI, Looker dispose d'un ensemble de fonctionnalités assez robuste et sophistiqué pour prendre en charge le contrôle d'accès et la gestion des autorisations. Il existe 3 types d'accès dans Looker :
- Accès au contenu : Contrôle des autorisations d'accès et de gestion des espaces .
- Accès aux données : Contrôle des données que les utilisateurs peuvent consulter. Cela se fait par le biais de filtres d'accès.
- Accès aux fonctionnalités : Contrôle des types d'actions qu'un utilisateur peut effectuer dans Looker. Cela peut être fait en créant des rôles personnalisés avec des privilèges spécifiques et en assignant ces rôles à des utilisateurs spécifiques.
Looker dispose également d'une intégration LDAP et SAML pour les entreprises qui disposent d'une infrastructure d'authentification existante. Nous n'avons pas eu l'occasion de l'essayer mais c'est certainement un point bonus si votre organisation utilise déjà ces technologies pour l'authentification.
D'après la conception du contrôle d'accès et de la gestion des autorisations de Looker, nous pouvons clairement voir que Looker vise à cibler les entreprises ayant des besoins complexes, car son système semble être une surcharge pour les petites organisations.
Préparation des données - Looker
Looker ne fournit pas de capacités de préparation, mais s'appuie sur ses partenaires comme Stitch ou Alooma pour fournir des fonctions de pipeline de données. Néanmoins, Looker dispose d'un outil appelé Persistent Derived Table (PDT) qui peut être utilisé pour certains cas d'utilisation de la préparation des données.
PDT est assez bon et fonctionnel lorsque ce que vous voulez est simplement accélérer vos requêtes en matérialisant certaines données dans votre base de données. Cela fonctionne comme suit : D'abord, vous configurez un modèle dérivé, soit directement à partir de SQL, soit en sauvegardant un Look en LookML. Ensuite, vous configurez un calendrier pour que Looker matérialise les données de ce modèle dans votre base de données. Vous pouvez également configurer des options supplémentaires comme l'indexation ou la fréquence de matérialisation.
Néanmoins, les options de Looker PDT sont assez limitées car il ne fournit pas de matérialisations incrémentales et dépendantes comme celles offertes par Holistics ou dbt.
Tarifs - Looker
Looker ne propose pas d'essai gratuit et ne fournit pas de prix public sur son site Web, mais choisit plutôt d'offrir un modèle personnalisé.
Le prix final dépendra de plusieurs facteurs, notamment le nombre total d'utilisateurs, les types d'utilisateurs (visualiseur ou éditeur), les connexions à la base de données et l'ampleur du déploiement. Selon un site tiers, les prix de Looker commencent à 3000-5000 $ par mois pour 10 utilisateurs, avec un supplément de 50 $ par mois pour chaque nouvel utilisateur.
Cette structure de prix est similaire à celle des entreprises traditionnelles et peut donc ne pas attirer les prospects qui sont habitués à une tarification prévisible et transparente basée sur le SaaS.
Support client- Looker
Nous n'avons pas d'expérience directe avec le support client de Looker, mais d'après les commentaires et les conversations avec quelques clients de Looker, il semble que le support de Looker soit réactif et utile.
Réflexions - Looker
L'approche de Looker en matière de modélisation des données est unique, innovante mais pas sans inconvénients. Elle se caractérise par deux choses :
- Il exploite la puissance des entrepôts de données modernes au lieu de construire sa propre couche de stockage, éliminant ainsi la nécessité de charger les données dans son propre moteur propriétaire. Cela présente deux avantages : l'accès complet aux données brutes au niveau des lignes et l'élimination des problèmes de gestion du chargement/rafraîchissement des données. Les utilisateurs sont assurés que les données, lorsqu'elles sont interrogées, sont mises à jour. D'un autre côté, cette approche est une arme à double tranchant car les performances des requêtes dépendent entièrement de l'entrepôt de données sous-jacent et ne sont pas prévisibles ou standardisées du point de vue des utilisateurs de Looker.
- Grâce à l'utilisation de LookML et à l'intégration de Git, l'équipe chargée des données dispose d'une source unique de vérité, centralisée et contrôlée par version, pour la logique de modélisation des données. Le processus de modélisation des données est ainsi beaucoup plus facile à maintenir et à réutiliser. L'inconvénient est la courbe d'apprentissage abrupte du langage et la longue boucle de rétroaction du processus de modélisation des données.
Verdict Final - Looker
Looker est un produit de BI innovant grâce à son approche unique de la modélisation des données. Il est idéal pour les équipes de données expérimentées qui ont des besoins complexes en matière de modélisation de données et qui apprécient la facilité de maintenance et de réutilisation.
Voici les quelques points essentiels :
- L'utilisation de LookML permet un apprentissage rapide, mais fournit une couche de modélisation des données facile à maintenir et à réutiliser.
- La fonction d'exploration est relativement puissante et facile à utiliser une fois que vous êtes familiarisé avec LookML.
- Looker ne dispose pas de sa propre couche de stockage mais s'appuie sur les entrepôts de données de ses clients.
- Looker, par essence, est un moteur de construction de requêtes SQL qui convertit les entrées par glisser-déposer des utilisateurs professionnels en requêtes SQL.
- Looker offre un contrôle d'accès et une gestion des autorisations très souples et sophistiqués, en sacrifiant la simplicité à la puissance.
- Looker a des capacités limitées de préparation des données par rapport à d'autres outils, déléguant cette tâche à ses partenaires pour fournir ces capacités.
FAQ - Looker
Looker propose-t-il des guides, des didacticiels ou un support client ?
En plus d'un analyste de support dédié et d'un responsable du succès, Looker offre une bibliothèque de documentation et une communauté de discussion pour poster des questions, des vidéos tutorielles, etc.
Il existe également un chat en direct dans l'application qui vous permet de parler à l'un de nos analystes techniques entre les heures de bureau.
Looker offre-t-il une capacité multi-utilisateurs (par exemple, des équipes) ?
Looker propose des attributs utilisateur et des paramètres de confidentialité pour permettre les autorisations.
Bien qu'il soit conçu comme une solution à l'échelle de l'organisation pour tous vos besoins en matière de données, Looker propose des applications spécifiques développées pour des départements ou des secteurs verticaux particuliers qui sont une compilation des meilleures pratiques.
Quelles sont les applications avec lesquelles Looker est couramment utilisé en tandem ?
Toute base de données relationnelle.
Looker est également idéal pour être couplé à un outil d'analyse prédictive tel que Python ou R.
Looker s'intègre-t-il à d'autres applications ?
Looker se connecte à n'importe quel stock de données relationnel tel que mySQL, Google BigQuery, Amazon Redshift, etc.
Looker compte plus de 44 partenaires technologiques et 50 partenaires intégrateurs de systèmes et consultants.
Looker propose-t-il une API ?
Vous pouvez utiliser l'API Looker avec tout langage de programmation ou environnement d'application capable d'effectuer des requêtes HTTPS et de traiter des réponses JSON.
Vous pouvez également intégrer les visualisations et les explorations Looker dans n'importe quel site Web et offrir une disponibilité limitée des fonctionnalités aux clients ou aux utilisateurs de données.
Quelles sont les plateformes prises en charge par Looker ?
Looker soutient :
- Chrome
- Firefox
- Bordure
- Safari
- Internet Explorer (version 11)
Looker prend en charge les versions majeures actuelles et précédentes de Chrome, Firefox, Edge et Safari. Chaque fois qu'une nouvelle version est publiée, nous commençons à prendre en charge cette version et cessons de prendre en charge la troisième version la plus récente.
À quoi sert généralement Looker ?
Explorer et agir sur les données.
Quels sont les principaux groupes d'utilisateurs de Looker ?
Tous les employés commerciaux et techniques.
