如何实现更可靠的分析与蒙特卡罗集成为Looker

随着企业越来越多地利用数据驱动的见解来推动创新和保持竞争优势, 重要的是他们的数据是准确和值得信任的. With Monte Carlo’s Looker integration, 数据团队现在可以识别和防止不准确的信息, missing, 或者错误的数据破坏了你的分析仪表板, delivering more reliable insights.

Does this situation ring a bell? 

您的市场分析团队使用Looker将纽约市时代广场的新广告牌每天产生的合格销售线索可视化. 在与CEO进行第四季度计划会议前几分钟, 营销副总裁提醒你:“数据都错了……发生了什么?!”

You open Looker and realize the numbers, which are normally updated every 15 minutes, haven’t been touched in 24 hours!

而强大的解决方案可以在现有数据的基础上提供数据分析, 许多数据团队都将数据质量和完整性视为关键问题, costing them millions of dollars in wasted revenue and up to 50 percent of their team’s time. 而不是做那些对公司有帮助的项目, 数据专业人员被迫调试数据管道和被破坏的仪表盘. 

To address this all-too-common reality, data analysts, engineers, 科学家们需要一种简单而合作的方式来监测和提醒他们数据中的异常, from ingestion to analytics. 同样重要的是,他们有必要的工具来映射他们的数据谱系, 密切关注数据管道中的变化如何影响下游源, 例如分析和商业智能报告. 

蒙特卡罗的Events仪表板监视您的数据管道和业务智能仪表板中的数据异常. 

With this new integration, Looker和Monte Carlo已经合作简化了这一过程,并让数据团队充分了解他们的数据健康状况, end-to-end data observability. 

How good data goes bad

Bad data spares no one, and can crop up in a variety of ways, causing sleepless nights, wasted resources, and erosion of data trust. 

Nowadays, 公司使用数十到数百个内部和外部数据源来生成分析和ML模型. 这些来源中的任何一个都可能以意想不到的方式发生变化,并且不需要通知, 损害公司用于决策的数据. 

数据管道也变得越来越复杂,有多个处理阶段和各种数据资产之间的重要依赖关系. With little visibility into these dependencies, 对一个数据集进行的任何更改都可能产生意想不到的后果,影响相关数据资产的正确性.

And finally, 随着企业越来越依赖数据来推动明智的决策, they are hiring more and more data analysts, scientists, 工程师来建立和维护数据管道, analytics, 以及为他们的服务和产品提供动力的ML模型, as well as their business operations. 沟通不畅或协调不足是不可避免的, 并且会导致这些复杂的系统在发生变化时崩溃. 

The solution to bad data? 数据可观察性,通过Looker和Monte Carlo交付. 

确保具有数据可观察性的可靠见解 

蒙特卡罗的Looker集成使用户能够无缝地监视和警告提供给Looker仪表板的数据的问题, 让他们全面了解其数据资产的健康和可靠性.

蒙特卡罗数据可观察性引擎自动监视您的数据生态系统的关键特性, including data freshness, distribution, volume, schema, and lineage. 不需要手动设置门限,蒙特卡罗可以回答如下问题: 

  • When was my table last updated? 
  • Is my data within an accepted range? 
  • Is my data complete? Did 2,000 rows suddenly turn into 50? 
  • 谁有权使用推荐一个正规滚球网站的营销表格并对其进行修改? 
  • Where did my data break? Which tables or reports were affected? 

With this partnership, 共同客户现在可以追踪字段级血统一直到看起来, Explores, Reports, and Dashboards, 促进对其数据管道的健康状况以及这些管道提供的洞察力的更大的可见性.   Such functionality allows data engineers, analysts, 和科学家来确定为什么他们的Looker仪表板不能为你的利益相关者提取最新的数据.e., is there a missing data set? A null value? 是否有人使用CSV文件类型而不是XLS?). 

One such customer, Compass, 使用蒙特卡罗为他们的Looker仪表板保持上游和下游依赖的标签.

“蒙特卡罗的监控反馈让我感到安慰,推荐一个正规滚球网站的Looker仪表盘是健康的,一切都按照设计工作. And on days where something goes wrong, 我知道我的团队将是第一个知道的,推荐一个正规滚球网站将控制局势,” said Suvayan Roy, Senior Product Manager, Compass.

推荐一个正规滚球网站期待与Looker继续合作,以阻止不良数据的跟踪,并为全球公司提供数据可观察性.

Want to learn more about how data observability can help your data team? Reach out to Monte Carlo and check out the Data Downtime Blog.