Kibana, il tool di data visualization di ELK Stack, offre diverse metodologie per rappresentare graficamente ed esplorare i dati. Grazie ad alcuni dati di esempio si possono comprendere al meglio le potenzialità di questo strumento. In questo tutorial ne scopriremo alcune.

Share

Reading time: 4 minutes

Kibana è il tool di data visualization di ELK stack. Come visto nell’articolo A cosa serve Kibana?, esistono diverse funzionalità disponibili. Oltre alla visualizzazione, infatti è possibile, ad esempio, usare modelli di machine learning per identificare anomalie nei dati e impostare sistemi di alerting personalizzati. La gestione degli utenti, dei loro ruoli e dei workspace può essere effettuata mediante interfacce semplici ed intuitive. Anche l’integrazione con sistemi esterni per la cattura e l’analisi dei logs è guidata da interfacce grafiche.

Kibana, però, nasce come un tool per visualizzare i dati salvati all’interno di Elasticsearch. Le potenzialità di rappresentazione sono davvero tantissime. Per scoprirle illustreremo in questo tutorial come aggiungere dei dati di prova e analizzarli con i principali strumenti.

Importare dati di esempio

I dati di esempio vengono forniti insieme ad esempi di visualizzazioni, dashboard e altro per aiutarvi ad esplorare le funzionalità di Kibana prima di importare i propri dati.

  1. Nella home page, cliccate su “Try our sample data”
  2. Sulla scheda Sample eCommerce orders, cliccate Add data

Esplorare i dati

La pagina Discover visualizza i dati in un istogramma interattivo che mostra la distribuzione dei dati, o documenti, nel tempo, e una tabella che elenca i campi per ogni documento che corrisponde al modello dell’indice. Per visualizzare un sottoinsieme dei documenti, è possibile applicare dei filtri ai dati e personalizzare la tabella al fine di visualizzare solo i campi di interesse.

  1. Aprire il menu principale, quindi fare clic su Discover
  2. Cambia il filtro temporale in Last 7 days
  1. Per visualizzare gli ordini di vendita per l’abbigliamento femminile che hanno un costo maggiore o uguale a $60, utilizzare il campo di ricerca KQL:
products.taxless_price >= 60 and category : Women's Clothing 
  1. Per visualizzare solo le categorie di prodotti che contengono ordini di vendita, muovete il mouse sopra il campo della categoria e poi cliccate su +

Visualizzare e analizzare i dati

Una dashboard è un insieme di pannelli per visualizzare e analizzare i dati. I pannelli contengono visualizzazioni, controlli interattivi, testo e altro.

  1. Aprire il menu principale, quindi fare clic su Dashboard
  2. Clicca su [eCommerce] Revenue Dashboard

Creare un pannello di visualizzazione

Create un pannello treemap che mostra le regioni di vendita e i produttori più importanti, poi aggiungi il pannello alla dashboard.

  1. Nella toolbar cliccate
  2. Nella dashboard cliccate
  3. Nell’editor di visualizzazione drag-and-drop, aprite il menu a tendina Visualization type, quindi selezionate Treemap.
Schermata 2021-12-14 alle 14.52.29
  1. Dall’elenco Available fields, trascinate i seguenti campi nell’area di lavoro:
    • geoip.city_name
    • manufacturer.keyword
  1. Cliccate . La treemap appare come l’ultimo pannello di visualizzazione sulla dashboard.

Interagire con i dati

Potete interagire con i dati della dashboard usando i controlli che vi permettono di applicare filtri a livello della dashboard stessa. Interagite con il pannello [eCommerce] Controls per visualizzare i dati dell’abbigliamento femminile del produttore Gnomehouse.

  1. Dal menu a tendina Manufacturer, selezionate Gnomehouse
  2. Dal menu a tendina Category, selezionate Women’s Clothing
  3. Cliccate Apply changes

Filtrare i dati

Per visualizzare un sottoinsieme dei dati, è possibile applicare dei filtri ai pannelli della dashboard. Applicate un filtro per visualizzare i dati sull’abbigliamento femminile generati il mercoledì dal produttore Gnomehouse.

  1. Cliccate Add filter
  2. Dal menu a tendina Field, selezionate day_of_week
  3. Dal menu a tendina Operator, selezionate is
  4. Dal menu a tendina Value, selezionate Wednesday
  1. Cliccate Save

Letture consigliate

More To Explore

Intelligenza artificiale

Gradio: applicazioni web in python per AI [parte1]

Scrivere applicazioni web per i nostri modelli di machine learning e/o di intelligenza artificiale può richiedere molto tempo e competenze che non sono in nostro possesso. Per snellire e velocizzare questo compito ci viene in aiuto Gradio, una libreria Python pensata per creare applicazioni web con poche righe di codice. Scopriamo le sue funzionalità base con alcuni esempi.

Intelligenza artificiale

AI: le migliori tecniche di prompt per sfruttare i LLM

Le tecniche di prompt sono alla base dell’uso dei LLM. Esistono diversi studi e linee guide per ottenere i migliori risultati da questi modelli. Analizziamo alcuni di essi per estrarre i principi fondamentali che ci permetteranno di ottenere le risposte desiderate in base al nostro compito.

Una risposta

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Design with MongoDB

Design with MongoDB!!!

Buy the new book that will help you to use MongoDB correctly for your applications. Available now on Amazon!