تبدیل و بار کردن پاسخ‌های نظرسنجی «فرم‌نگار Google» در BigQuery

۱. مقدمه

دلایل زیادی برای اجرای نظرسنجی وجود دارد: ارزیابی رضایت مشتری، اجرای تحقیقات بازار، بهبود محصول یا خدمات، یا ارزیابی مشارکت کارکنان. بااین‌حال، اگر قبلاً سعی کرده‌اید با داده‌های نظرسنجی کار کنید، احتمالاً می‌دانید که کار کردن با قالب استاندارد دشوار است. در این راهنما، خط لوله خودکاری می‌سازیم که نتایج «فرم‌نگار Google» را ضبط می‌کند، داده‌ها را برای تجزیه‌وتحلیل با Cloud Dataprep آماده می‌کند، آن را در BigQuery بار می‌کند، و به تیم شما اجازه می‌دهد بااستفاده از ابزارهایی مانند Looker یا Data Studio تجزیه‌وتحلیل دیداری انجام دهد.

آنچه خواهید ساخت

در این codelab، از Dataprep برای تبدیل پاسخ‌های نظرسنجی نمونه Google Forms به قالبی استفاده خواهید کرد که برای تجزیه‌وتحلیل داده‌ها مفید است. داده‌های تبدیل‌شده را به BigQuery ارسال خواهید کرد، جایی که می‌توانید با SQL سؤالات عمیق‌تری بپرسید و آن را به مجموعه‌داده‌های دیگر برای تحلیل‌های قدرتمندتر متصل کنید. در پایان، می‌توانید داشبوردهای ازپیش ساخته‌شده را کاوش کنید یا ابزار هوش تجاری خودتان را به BigQuery متصل کنید تا گزارش‌های جدیدی ایجاد کنید.

آنچه خواهید آموخت

  • نحوه تبدیل داده‌های نظرسنجی بااستفاده از Dataprep
  • نحوه ارسال داده‌های نظرسنجی به BigQuery
  • نحوه دریافت اطلاعات آماری بیشتر از داده‌های نظرسنجی

آنچه نیاز خواهید داشت

۲. مدیریت پاسخ‌های «فرم‌نگار Google»

با نگاهی دقیق‌تر به پاسخ‌های «فرم‌نگار Google» به نظرسنجی نمونه‌مان شروع می‌کنیم.

f3d25efd2cc923f5.png

نتایج نظرسنجی را می‌توان از برگه «پاسخ‌ها» با کلیک کردن روی نماد «کاربرگ‌نگار Google» و ایجاد صفحه‌گسترده جدید یا بار کردن نتایج در صفحه‌گسترده موجود صادر کرد. تا زمانی که دکمه «پذیرش پاسخ‌ها» را لغو انتخاب نکنید، «فرم‌نگار Google» همچنان پاسخ‌ها را به صفحه‌گسترده اضافه می‌کند.

d499e5a4dccdf5fd.png4939332a5d8f9f19.png

اکنون بیایید هر نوع پاسخ و نحوه ترجمه آن را در فایل «کاربرگ‌نگار Google» مرور کنیم.

۳. تبدیل پاسخ‌های نظرسنجی

سؤالات نظرسنجی را می‌توان به چهار خانواده تقسیم کرد که قالب صادر کردن خاصی خواهند داشت. براساس نوع سؤال، باید داده‌ها را به روش خاصی بازسازی کنید. در اینجا، هریک از گروه‌ها و انواع تبدیل‌هایی را که باید اعمال کنیم بررسی می‌کنیم.

سؤالات تک‌انتخابی: پاسخ کوتاه، پاراگراف، منو کرکره‌ای، مقیاس خطی، و غیره.

  • نام سؤال: نام ستون
  • پاسخ: مقدار سلول
  • الزامات تبدیل: هیچ تبدیلی لازم نیست؛ پاسخ همان‌طور که هست بار می‌شود.

3eeedc50b0fd54fd.png

سؤالات چندگزینه‌ای: چندگزینه‌ای، چارگوش انتخاب

  • نام سؤال: نام ستون
  • پاسخ: فهرست مقادیر با جداکننده نقطه‌ویرگول (مثلاً «Resp 1; Resp 4; Resp 6»)
  • الزامات تبدیل: فهرست مقادیر باید استخراج و محوری شود تا هر پاسخ به ردیف جدیدی تبدیل شود.

cab8a38a96a13ce4.png

سؤالات جدولی چندگزینه‌ای

در اینجا نمونه‌ای از سؤال چندگزینه‌ای آورده شده است. باید یک مقدار واحد از هر ردیف انتخاب شود.

c6ea3d47d4dd5e78.png

  • نام سؤال: هر سؤال به‌صورت جداگانه با این قالب «سؤال [گزینه]» به نام ستون تبدیل می‌شود.
  • پاسخ: هر پاسخ جداگانه در شبکه به ستونی با مقدار یکتا تبدیل می‌شود.
  • الزامات تبدیل: هر پرسش/پاسخ باید به ردیف جدیدی در جدول تبدیل شود و به دو ستون تقسیم شود. یک ستون که به گزینه سؤال اشاره می‌کند و ستون دیگر که پاسخ را نشان می‌دهد.

9223d0271516c58d.png

سؤالات جدولی چندانتخابی

در اینجا نمونه‌ای از جدول چهارگوش‌های انتخاب را می‌بینید. می‌توانید از هر ردیف هیچ یا چند مقدار را انتخاب کنید.

4e3189b8cc2d4a8b.png

  • نام سؤال: هر سؤال جداگانه با این قالب «سؤال [گزینه]» به نام ستون تبدیل می‌شود.
  • پاسخ: هر پاسخ جداگانه در جدول به ستونی با فهرستی از مقادیر جداشده با نقطه‌ویرگول تبدیل می‌شود.
  • الزامات تبدیل: این نوع سؤالات دسته‌های «چارگوش انتخاب» و «شبکه چندگزینه‌ای» را ترکیب می‌کنند و باید به این ترتیب حل شوند.

ابتدا، فهرست مقادیر هر پاسخ باید استخراج و محوری شود تا هر پاسخ به ردیف جدیدی برای آن سؤال خاص تبدیل شود.

دوم: هر پاسخ جداگانه باید به ردیف جدیدی در جدول تبدیل شود و به دو ستون تقسیم شود. یک ستون که گزینه سؤال را ذکر می‌کند و ستون دیگر که پاسخ را نشان می‌دهد.

3c3c2bd098e03003.png

سپس نشان خواهیم داد که این تبدیل‌ها چگونه با Cloud Dataprep انجام می‌شود.

۴. ساختن جریان Cloud Dataprep

وارد کردن «الگوی طراحی Google Forms Analytics» در Cloud Dataprep

بسته جریان الگوی طراحی Google Forms Analytics را بارگیری کنید (آن را از حالت فشرده خارج نکنید). در برنامه Cloud Dataprep، روی نماد «جریان‌ها» در نوار پیمایش سمت راست کلیک کنید. سپس در صفحه «جریان‌ها»، «وارد کردن» را از منوِ بافت انتخاب کنید.

ba7c0cb0eec398df.png

پس‌از وارد کردن جریان، جریان واردشده را برای ویرایش انتخاب کنید، صفحه‌نمایش شما باید شبیه به این باشد:

44978861eb34ec71.png

متصل کردن صفحه‌گسترده نتایج نظرسنجی «کاربرگ‌نگار Google»

در سمت راست جریان، منبع داده باید دوباره به «کاربرگ‌نگار Google» حاوی نتایج «فرم‌نگار Google» متصل شود. روی شیء مجموعه داده‌های «کاربرگ‌نگار Google» کلیک راست کنید و «جایگزین کردن» را انتخاب کنید.

55c16f0c04366f0c.png

سپس روی پیوند «وارد کردن مجموعه‌داده‌ها» در پایین پنجره کلیک کنید. روی مداد «ویرایش مسیر» کلیک کنید.

8afeef260c96277f.png

از آنجا، مقدار فعلی را با این پیوند که به «کاربرگ‌نگار Google» با برخی‌از نتایج «فرم‌نگار Google» اشاره می‌کند جایگزین کنید، می‌توانید از نمونه ما یا نسخه خودتان استفاده کنید: https://docs.google.com/spreadsheets/d/1DgIlvlLceFDqWEJs91F8rt1B-X0PJGLY6shkKGBPWpk/edit?usp=sharing

روی «رفتن» و سپس «وارد کردن و افزودن به جریان» در پایین سمت چپ کلیک کنید. وقتی به پنجره بازگشتید، روی دکمه «جایگزین کردن» در پایین سمت چپ کلیک کنید.

متصل کردن جدول‌های BigQuery

در سمت راست جریان، باید خروجی‌ها را به نمونه BigQuery خودتان متصل کنید. برای هریک از خروجی‌ها، روی نماد کلیک کنید و سپس ویژگی‌های آن را به‌صورت زیر ویرایش کنید.

ابتدا با ویرایش «مقصدهای دستی» شروع کنید

a3fc2cb80153ec25.png

در صفحه «تنظیمات انتشار» زیر، روی دکمه ویرایش کلیک کنید

85791e6162a370de.png

وقتی صفحه «کنش انتشار» را می‌بینید، باید با کلیک کردن روی اتصال BigQuery و ویرایش ویژگی‌های آن، تنظیمات اتصال را تغییر دهید.

1f3e4887baaeaffd.png

مجموعه‌داده BigQuery را که می‌خواهید نتایج «فرم‌نگار Google» در آن بار شود انتخاب کنید. اگر هنوز هیچ مجموعه داده BigQuery ایجاد نکرده‌اید، می‌توانید «پیش‌فرض» را انتخاب کنید.

f4eaa05ecf9de162.png

پس‌از ویرایش «مقصدهای دستی»، همین کار را برای خروجی «مقصدهای زمان‌بندی‌شده» انجام دهید.

46edea1b8ca63270.png

هر برونداد را با دنبال کردن همان مراحل تکرار کنید. درمجموع باید ۸ مقصد را ویرایش کنید.

۵. توضیح جریان Cloud Dataprep

ایده اصلی جریان «الگوی طراحی تجزیه‌وتحلیل فرم‌نگار Google» این است که تبدیل‌ها را روی پاسخ‌های نظرسنجی همان‌طور که قبلاً توضیح داده شد انجام دهد - با تقسیم کردن هر دسته سؤال به یک دستورالعمل تبدیل داده Cloud Dataprep خاص.

این جریان سؤالات را به ۴ جدول تقسیم می‌کند (برای سادگی، مطابق با ۴ دسته سؤال)

afa421849b1bd398.png

پیشنهاد می‌کنیم هریک از دستورالعمل‌ها را یکی‌یکی کاوش کنید، از «سرصفحه‌های تمیز» شروع کنید و سپس «سؤالات انتخاب تک‌گزینه‌ای» و به‌دنبال آن هریک از دستورالعمل‌های دیگر را در زیر آن بررسی کنید.

همه دستورالعمل‌ها برای توضیح مراحل مختلف تبدیل، نظرگذاری شده‌اند. وقتی در دستورالعمل هستید، می‌توانید مرحله‌ای را ویرایش کنید و وضعیت قبل/بعد ستون خاصی را پیش‌دید کنید.

449da06d96cd520e.png4ac6e14f578d0707.png

‫۶. اجرا کردن Cloud Dataprep Flow

اکنون که منبع و مقصدها به‌درستی پیکربندی شده‌اند، می‌توانید جریان را اجرا کنید تا پاسخ‌ها را تبدیل و در BigQuery بار کنید. هریک از خروجی‌ها را انتخاب کنید و روی دکمه «اجرا» کلیک کنید. اگر جدول BigQuery مشخص‌شده وجود داشته باشد، Dataprep ردیف‌های جدیدی اضافه خواهد کرد، درغیراین‌صورت جدول جدیدی ایجاد خواهد کرد.

47cf50f6d17a5b1e.png

برای نظارت بر کارها، روی نماد «سابقه کار» در پانل سمت راست کلیک کنید. چند دقیقه طول می‌کشد تا جدول‌های BigQuery پردازش و بارگیری شود.

afc79eeb27202fb4.png

وقتی همه کارها تکمیل شد، نتایج نظرسنجی در قالبی تمیز، ساختاریافته، و نرمال‌شده در BigQuery بار می‌شود و برای تجزیه‌وتحلیل آماده است.

‫۷. تحلیل کردن داده‌های نظرسنجی در BigQuery

در کنسول Google برای BigQuery، باید بتوانید جزئیات هریک از جدول‌های جدید را ببینید

df370873572511ac.png

با داده‌های نظرسنجی در BigQuery، می‌توانید به‌راحتی سؤالات جامع‌تری بپرسید تا پاسخ‌های نظرسنجی را در سطح عمیق‌تری درک کنید. برای مثال، فرض کنید می‌خواهید بدانید کدام زبان برنامه‌نویسی بیشتر توسط افرادی با عناوین شغلی مختلف استفاده می‌شود - می‌توانید پُرسمانی مانند این بنویسید:

SELECT
   programming_answers.Language  AS programming_answers_language,
   project_answers.Title  AS project_answers_title,
   AVG((case when programming_answers.Level='None' then 0 
when programming_answers.Level='beginner' then 1
when programming_answers.Level='competent' then 2 
when programming_answers.Level='proficient' then 3
when programming_answers.Level='expert' then 4 
else null end) ) AS programming_answers_average_level_value
FROM `my-project.DesignPattern.A000111_ProjectAnswers` AS project_answers
INNER JOIN `my-project.A000111_ProgrammingAnswers` AS programming_answers
ON programming_answers.RESPONSE_ID = project_answers.RESPONSE_ID
GROUP BY 1,2
ORDER BY 3 DESC

برای اینکه تجزیه‌وتحلیل‌هایتان را حتی قدرتمندتر کنید، می‌توانید پاسخ‌های نظرسنجی را به داده‌های CRM اضافه کنید تا ببینید آیا شرکت‌کنندگان با حساب‌هایی که قبلاً در انبار داده‌هایتان گنجانده شده‌اند مطابقت دارند یا نه. این کار می‌تواند به کسب‌وکارتان کمک کند تا تصمیمات آگاهانه‌تری درباره پشتیبانی مشتری یا هدف‌یابی کاربران برای راه‌اندازی‌های جدید بگیرد.

در اینجا نشان می‌دهیم که چگونه می‌توانید داده‌های نظرسنجی را براساس دامنه پاسخ‌دهنده و وب‌سایت حساب به جدول حساب اضافه کنید. اکنون می‌توانید توزیع پاسخ‌ها را براساس نوع حساب ببینید، که به شما کمک می‌کند بفهمید چند پاسخ‌دهنده به حساب‌های مشتریان موجود تعلق دارند.

SELECT
   account.TYPE  AS account_type,
   COUNT(DISTINCT project_answers.Domainname) AS project_answers_count_domains
FROM `my-project.A000111_ProjectAnswers` AS project_answers
LEFT JOIN `my-project.testing.account` AS account 
ON project_answers.Domainname=account.website
GROUP BY 1

‫۸. انجام Visual Analytics

اکنون که داده‌های نظرسنجی شما در یک انبار داده متمرکز شده است، می‌توانید به‌راحتی داده‌ها را در یک ابزار هوش تجاری تجزیه‌وتحلیل کنید. چند گزارش نمونه در Data Studio و Looker ایجاد کرده‌ایم.

Looker

اگر ازقبل نمونه Looker دارید، می‌توانید از LookML در این پوشه برای شروع تجزیه‌وتحلیل نظرسنجی نمونه و داده‌های CRM برای این الگو استفاده کنید. کافی است پروژه Looker جدیدی ایجاد کنید، LookML را اضافه کنید، و اتصال و نام‌های جدول را در فایل جایگزین کنید تا با پیکربندی BigQuery شما مطابقت داشته باشد. اگر نمونه Looker ندارید اما علاقه‌مندید بیشتر بدانید، می‌توانید در اینجا نمایشی را زمان‌بندی کنید.

129db05d6f85f484.png

Data Studio

یا برای ایجاد گزارش در Data Studio، روی قاب با علامت Google «گزارش خالی» کلیک کنید و به BigQuery متصل شوید. همه دستورالعمل‌های Data Studio را دنبال کنید. اگر می‌خواهید بیشتر بدانید، راه‌اندازی سریع و مقدمه‌ای بر ویژگی‌های اصلی Data Studio را می‌توانید در اینجا پیدا کنید. همچنین می‌توانید داشبوردهای استودیو داده‌های ازپیش ساخته‌شده ما را در اینجا پیدا کنید.

5e744869e3fe3f8f.png

‫۹. درحال پاک‌سازی

ساده‌ترین راه برای حذف صدور صورت‌حساب، حذف پروژه Cloud است که برای آموزش ایجاد کرده‌اید. یا می‌توانید منابع را به‌صورت جداگانه حذف کنید.

  1. در «کنسول Cloud»، به مدیریت منابع بروید
  2. در فهرست پروژه‌ها، پروژه‌ای را که می‌خواهید حذف شود انتخاب کنید، سپس روی حذف کلیک کنید.
  3. در کادر گفتگو، شناسه پروژه را تایپ کنید و سپس روی خاموش کردن کلیک کنید تا پروژه حذف شود.