モデルメトリクスビュー

メトリクスビューはデータのセマンティックレイヤーを作成し、テーブルとビューを標準化されたビジネスメトリクスに変換します。彼らは、何を測定するか、どのように集計するか、そしてどのようにセグメント化するかを定義する。メトリクスビューは、組織内のすべてのユーザーが同じ主要業績評価指標（KPI）に対して同じ値を報告することを保証し、一貫性のない報告を排除し、あらゆる側面にわたる柔軟な分析を可能にします。

結合、ディメンション、メジャー、およびエージェントのメタデータを含む完全な例については、「チュートリアル: 結合を使用して完全なメトリクスビューを構築する」を参照してください。

コアコンポーネント

メトリクスビューは次の要素で構成されます。

コンポーネント	説明	例
ソース	データを含む基本テーブル、ビュー、またはSQLクエリ。	`samples.tpch.orders`
ディメンション	セグメント化またはグループメトリクスに使用される列属性。	製品カテゴリ、注文月、顧客地域
メジャー	メトリクスを生成する列集計。	`COUNT(o_order_id)` 注文数として`SUM(o_total_price)`、総収益として
フィルター	範囲を定義するために、ソースデータに適用される条件。	`status = 'completed'` `order_date > '2024-01-01'`
テーブルのJOIN	テーブル、ビュー、メトリクスビューとエンリッチデータとの関係。	`orders`テーブルと`customers`テーブルを結合します `customer_key`

ソースを定義する

テーブルのようなアセットまたはSQLクエリをメトリクスビューのソースとして使用できます。参照されるアセットに対して、少なくともSELECT権限が必要です。

テーブル状のアセット は、表形式のスキーマを公開し、テーブル、ビュー、マテリアライズドビュー、ストリーミングテーブル、フォーリンテーブル、システムテーブル、メトリクスビューなどのSELECTクエリをサポートするUnity Catalogオブジェクトです。

テーブルのようなアセットをソースとして使用する

テーブルのようなアセットをソースとして使用するには、完全修飾名を指定します。例えば： samples.tpch.orders 。

メトリクスビューをソースとして使用する

既存のメトリクスビューを新しいメトリクスビューのソースとして使用できます。

YAML
version: 1.1

source: views.examples.source_metric_view

dimensions:
  - name: Order month
    expr: '`Order Month`'

measures:
  - name: Latest order month
    expr: MAX(`Order month`)
  - name: Latest order year
    expr: "DATE_TRUNC('year', MEASURE(`Latest order month`))"

メトリクスビューをソースとして使用する場合、同じ構成ルールがディメンションとメジャーの参照に適用されます。構成可能性を参照してください。

SQLクエリをソースとして使用する

SQLクエリを使用するには、クエリテキストをYAMLに直接記述します。

YAML
version: 1.1

source: SELECT * FROM samples.tpch.orders o LEFT JOIN samples.tpch.customer c ON o.o_custkey
  = c.c_custkey

dimensions:
  - name: Order key
    expr: o_orderkey

measures:
  - name: Order Count
    expr: COUNT(o_orderkey)

注記

SQLクエリをJOIN句を含むソースとして使用する場合は、基となるテーブルに主キーと外部キーの制約を設定し、最適なクエリパフォーマンスを得るためにRELYオプションを使用してください。主キーと外部キーの関係を宣言する、および主キー制約を使用したクエリの最適化を参照してください。

寸法

ディメンションとは、クエリ実行時にSELECT 、 WHERE 、 GROUP BY句で使用される列のことです。各式はスカラー値を返さなければなりません。ディメンションは、ソースデータの列、またはメトリクスビューで以前に定義されたディメンションを参照できます。各次元は2つの要素から構成されます。

name: 列の別名
expr: ソースデータまたはメトリクスビューで以前に定義されたディメンションを参照するSQL式

メジャー

指標とは、あらかじめ定められた集計レベルなしに結果を生み出す表現のことです。それらは集計関数を用いて表現されなければならない。メジャーは、ソースデータの基本フィールド、ディメンション、または以前に定義されたメジャーを参照できます。各指標は以下の構成要素から成ります。

name: 尺度の別名
expr: SQL集計関数を含めることができる集計SQL式

以下の例は、注文データと収益データを分析するための一般的な測定パターンを示しています。これらの例では、注文価格（ o_totalprice ）、顧客識別子（ o_custkey ）、注文キー（ o_orderkey ）、注文日（ o_orderdate ）、優先度レベル（ o_orderpriority ）などの販売取引データを含むTPC-H注文テーブルを使用します。

YAML
measures:
  # Simple count measure
  - name: Order Count
    expr: COUNT(1)

  # Sum aggregation measure
  - name: Total Revenue
    expr: SUM(o_totalprice)

  # Distinct count measure
  - name: Unique Customers
    expr: COUNT(DISTINCT o_custkey)

  # Calculated measure combining multiple aggregations
  - name: Average Order Value
    expr: SUM(o_totalprice) / COUNT(DISTINCT o_orderkey)

  # Filtered measure with WHERE condition
  - name: High Priority Order Revenue
    expr: SUM(o_totalprice) FILTER (WHERE o_orderpriority = '1-URGENT')

  # Measure using a dimension
  - name: Average Revenue per Month
    expr: SUM(o_totalprice) / COUNT(DISTINCT DATE_TRUNC('MONTH', o_orderdate))

集計関数の一覧については、「集計関数」を参照してください。

フィルターを適用する

YAML 定義内のフィルターは、メトリクスビューを参照するすべてのクエリに適用されます。次の例は、フィルタをBoolean式として記述する方法を示しています。

YAML
# Single condition
filter: o_orderdate > '2024-01-01'

# Multiple conditions
filter: o_orderdate > '2024-01-01' AND o_orderstatus = 'F'

# IN clause
filter: o_orderstatus IN ('F', 'P') AND o_orderdate >= '2024-01-01'

結合を操作する

メトリクスビューの結合は、ファクトテーブルからディメンションテーブルへの直接結合 (スタースキーマ) と、正規化されたディメンションテーブルを横断するマルチホップ結合 (スノーフレークスキーマ) の両方をサポートしています。

注記

結合テーブルにはMAP型の列を含めることはできません。MAP型の列から値を展開するには、「マップまたは配列からネストされた要素を展開する」を参照してください。

モデルスター図

スター型スキーマでは、 sourceはファクトテーブルであり、 LEFT OUTER JOINを使用して 1 つ以上のディメンションテーブルと結合します。メトリクスビューは、選択されたディメンションとメジャーに基づいて、特定のクエリに必要なファクトテーブルとディメンションテーブルを結合します。

結合列を指定するには、 on句（ブール式）またはusing句（共有列名）のいずれかを使用します。結合は多対一の関係に従う必要があります。多対多の場合、結合されたディメンションテーブルから最初に一致する行が選択されます。

次の例では、 orders （ファクトテーブル）をcustomer （ディメンションテーブル）に結合し、顧客属性をディメンションとして公開します。

YAML
version: 1.1
source: samples.tpch.orders

joins:
  - name: customer
    source: samples.tpch.customer
    on: source.o_custkey = customer.c_custkey

dimensions:
  - name: Customer name
    expr: customer.c_name
  - name: Customer market segment
    expr: customer.c_mktsegment

measures:
  - name: Total revenue
    expr: SUM(o_totalprice)
  - name: Order count
    expr: COUNT(1)

両方のテーブルで列名が共通している場合は、 onの代わりにusing句を使用してください。

YAML
joins:
  - name: customer
    source: samples.tpch.customer
    using:
      - customer_key

注記

on句では、 sourceメトリクスビューのソーステーブルを参照し、結合nameは結合されたテーブルの列を参照します。例えば、 source.o_custkey = customer.c_custkeyソーステーブルのo_custkey列をcustomerテーブルのc_custkey列に結合します。接頭辞が指定されていない場合、参照はデフォルトで結合されたテーブルになります。

モデルの雪の結晶スキーマ

スノーフレークスキーマは、ディメンションテーブルを正規化し、それらをサブディメンションに接続することで、スタースキーマを拡張したものです。これにより、多階層の結合構造が作成されます。

スノーフレークスキーマを定義するには：

メトリクスビューの作成
第1レベル（スター型スキーマ）の結合を追加する
他のディメンションテーブルと結合する
ビューにディメンションを追加して、ネストされたディメンションを公開します。

次の例では、TPC-H データセットを使用して、注文の地理的階層を示すスノーフレークスキーマを示します。この例では、注文テーブルを顧客、次に顧客の国籍（国）、最後に顧客の地域（大陸）に結合します。この多段階結合構造により、「地域別の収益を表示する」や「国別の顧客分布を比較する」といった分析が可能になります。TPC-H データセットは、 Databricksワークスペースのsamplesカタログで入手できます。

YAML
source: samples.tpch.orders

joins:
  - name: customer
    source: samples.tpch.customer
    on: source.o_custkey = customer.c_custkey
    joins:
      - name: nation
        source: samples.tpch.nation
        on: customer.c_nationkey = nation.n_nationkey
        joins:
          - name: region
            source: samples.tpch.region
            on: nation.n_regionkey = region.r_regionkey

dimensions:
  - name: clerk
    expr: o_clerk
  - name: customer
    expr: customer
    comment: returns the full customer row as a struct
  - name: customer_name
    expr: customer.c_name
  - name: nation
    expr: customer.nation
  - name: nation_name
    expr: customer.nation.n_name

YAML構文とフォーマット

メトリクスビューの定義は、標準の YAML 表記構文に従います。必要な構文と形式については、メトリクスビューの YAML 構文リファレンスを参照してください。

ベストプラクティス

メトリクスビューをモデル化するときは、次のガイドラインに従ってください。

モデルの原子尺度 : まず最も単純な尺度を定義することから始めます (たとえば、 SUM(revenue) 、 COUNT(DISTINCT customer_id) )。構成可能性を活用して、複雑なメジャーを構築する。
ディメンション値を標準化する ：変換（ CASEステートメントなど）を使用して、データベースコードを明確なビジネス名に変換します（たとえば、注文ステータス「O」を「Open」に、「F」を「Fulfilled」に変換します）。
フィルターを使用して範囲を定義する : メトリクスビューに完了した注文のみを含める必要がある場合は、ユーザーが不完全なデータを誤って含めることができないように、メトリクスビューでそのフィルターを定義します。
明確な名前を使用する : メトリクス名はビジネスユーザーが認識できるものにする必要があります (たとえば、 cltv_agg_measureの代わりに「顧客生涯価値」)。
時間軸を分離する ：詳細レベルの分析と傾向分析の両方をサポートするために、詳細な時間軸（「注文日」など）と切り捨てられた時間軸（「注文月」や「注文週」など）を含めます。

コアコンポーネント​

ソースを定義する​

テーブルのようなアセットをソースとして使用する​

メトリクス ビューをソースとして使用する​

SQLクエリをソースとして使用する​

寸法​

メジャー​

フィルターを適用する​

結合を操作する​

モデルスター図​

モデルの雪の結晶スキーマ​

YAML構文とフォーマット​

ベストプラクティス​

次のステップ​