Création de connaissances dans Data Cloud
Objectifs d’apprentissage
Après avoir terminé cette unité, vous pourrez :
- Identifier les méthodes de création de connaissances
- Créer des connaissances calculées et en continu
Avant de commencer
Dans ce module, nous partons du principe que vous disposez de l’autorisation adéquate pour créer des connaissances. Nous supposons également que vous êtes un architecte de données ou un spécialiste du marketing technique qui connaît le langage SQL. Même s’il n’est pas nécessaire d’être un expert SQL pour utiliser les connaissances (il existe un générateur pour vous aider), il est utile de comprendre les concepts fondamentaux du langage SQL. Nous vous recommandons de passer en revue le module Connaissances Data Cloud à l’aide de SQL avant de commencer à créer des connaissances. Enfin, n’essayez pas de suivre ces étapes dans votre Trailhead Playground. Data Cloud n’y est pas disponible.
Création de connaissances calculées
Il existe quatre façons de créer des connaissances dans Data Cloud.
- Création avec le générateur
- Création à partir d’un package
- Création avec SQL
- Création de connaissances en continu
Examinons chaque type de création.
Méthode |
Description |
Informations supplémentaires |
---|---|---|
Création avec le générateur |
Si vous ne connaissez pas le langage SQL, vous pouvez créer des connaissances calculées et en continu à l’aide de l’outil de génération de Data Cloud. Cet outil vous permet de faire glisser et de déposer des éléments pour créer vos instructions SQL. |
Pour en savoir plus sur le générateur, consultez le badge Générateur de connaissances dans Data Cloud. |
Création à partir d’un package |
Si vous ou un collègue avez créé et testé une connaissance calculée dans une autre organisation, vous pouvez créer une connaissance à partir d’un package Salesforce installé. |
Pour en savoir plus sur la création de packages, consultez le badge Package et kits de données dans Data Cloud. |
Création avec SQL |
Écrivez des expressions SQL pour créer vos métriques et dimensions à partir d’objets et de champs mappés. |
Pour en savoir plus sur les options et les limites, consultez la page d’aide Connaissances calculées.
|
Création de connaissances en continu |
En utilisant une interface semblable à celle des connaissances calculées, vous pouvez écrire des expressions SQL pour calculer des métriques en continu sur plusieurs dimensions à partir de vos sources de données en temps réel. |
Pour en savoir plus sur les options et les limites, consultez la page d’aide Connaissances en continu. |
Création d’une expression SQL
Puisque les connaissances sont fondées sur le langage SQL, passons en revue l’interface SQL et la façon dont vous pouvez créer une expression. Sur l’interface de création avec SQL, vous disposez de diverses options, notamment des onglets pour les champs, les connaissances et les fonctions (1). Vous pouvez également consulter des exemples (2) et vérifier votre travail directement dans l’interface en cliquant sur Check Syntax (Vérifier la syntaxe) (3).
Passons en revue vos options d’interface.
-
Champs : choisissez parmi les champs de votre modèle de données pour ajouter directement le nom d’API du champ à votre expression.
-
Connaissances : choisissez parmi toutes les connaissances créées précédemment.
-
Fonctions : sélectionnez certaines fonctions regroupées par Aggregation (Agrégation), Datetime (Date/heure) ou Other (Autre).
Création de votre expression
À l’aide des options d’interface, vous pouvez insérer les champs et fonctions nécessaires dans une structure d’expression SQL fournie.
SELECT <Attributes>, <Aggregation[_Measures_]> FROM <Data Model Object> JOIN [Inner | Left | Right | Full] <Data Model Object> [Optional] WHERE <predicate on rows> [Optional] GROUP BY <columns[_Dimensions_]>
Lorsque vous ajoutez les éléments nécessaires à votre expression, il est important de noter quelques exigences si vous envisagez d’utiliser vos connaissances calculées dans la segmentation.
- Incluez le flux de données sur lequel vous segmentez à l’aide de
JOIN
.
- La clé principale du flux de données doit également être répertoriée en tant que dimension.
Une dimension est une valeur qualitative utilisée pour classer une mesure. Par exemple, supposons que vous souhaitiez créer un segment d’audience fondé sur vos individus unifiés. Vous utiliserez JOIN
pour l’individu unifié et inclurez GROUP BY
pour l’ID d’individu unifié comme dimension et clé principale.
Création d’une expression de connaissance en continu
L’interface d’expression des connaissances en continu ressemble beaucoup à celle des connaissances calculées, sauf que vous n’avez pas la possibilité d’utiliser les connaissances existantes. De plus, vous devez tenir compte d’une période donnée comme dans cet exemple.
SELECT COUNT( RealTimeMobileEvents__dlm.pageviews__c ) as page_views__c, ssot__Individual__dlm.ssot__Id__c as customer_id__c, RealTimeMobileEvents__dlm.product__c as product__c, WINDOW.START as start__c, WINDOW.END as end__c FROM RealTimeMobileEvents__dlm JOIN ssot__Individual__dlm ON ssot__Individual__dlm.ssot__Id__c = RealTimeMobileEvents__dlm.deviceId__c GROUP BY window( RealTimeMobileEvents__dlm.dateTime__c ,'5 MINUTE'), customer_id__c
À suivre : Utilisation de vos connaissances
Maintenant que vous savez comment créer des connaissances calculées et en continu, voyons comment vous pouvez afficher et utiliser vos connaissances dans Data Cloud.
Ressources
- Trailhead : Connaissances Data Cloud à l’aide de SQL
- Aide Salesforce : Connaissances en continu
- Aide Salesforce : Connaissances calculées
- Aide Salesforce : Utilisation du générateur de connaissances visuelles
- Externe : Salesforce GitHub, Connaissances calculées
- Développeur Salesforce : Interrogation des connaissances calculées