# Analyse personnalisée et configurateur SQL
La **Custom Analysis & SQL Configurator** permet un accès direct à la base de données pour des analyses de flotte personnalisées au-delà des rapports standard. Rédigez des requêtes SQL, explorez l’ensemble de votre jeu de données et créez des visualisations interactives dans une interface intégrée unique.
## Vue d'ensemble de l'interface
L’espace de travail de **SQL Configurator** se compose de 3 sections principales :
1. **Explorateur du schéma de base de données** - Consultez les structures des tables et cliquez sur les schémas pour explorer interactivement leurs relations sur dbdiagram.io
2. **Panneau d’exécution des requêtes SQL** - Rédigez des requêtes PostgreSQL et affichez les résultats avec un retour immédiat
3. **Interface de visualisation interactive** - Transformez les résultats de vos requêtes en graphiques à l’aide de la fonctionnalité de glisser-déposer
## La structure de vos données
{% hint style="info" %}
**Impact de la configuration**: Votre système traite différentes catégories de données en fonction des paramètres de configuration. Si certaines tables attendues semblent indisponibles, vérifiez les paramètres de catégorie de données dans [la configuration système](/docs/analytics/fr/explorer-for-iotquery/settings-and-configuration.md).
{% endhint %}
Vos données PTL apparaissent à travers deux schémas principaux organisés par source et par finalité :
| **raw\_business\_data** | **raw\_telematics\_data** |
| --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
|
Informations organisationnelles et opérationnelles.
- Entités principales : utilisateurs, appareils, objets, véhicules, employés - Données opérationnelles : tâches, formulaires, zones, lieux, garages - Données de référence : modèles, entités, informations de statut - Tables de relations : affectations véhicule-conducteur, correspondances utilisateur-zone
|
Suivi GPS en temps réel, relevés de capteurs et état des appareils
- tracking\_data\_core : coordonnées GPS, vitesse, altitude, données d’événements - inputs : relevés de capteurs (carburant, température, tension) - states : indicateurs d’état de l’appareil (contact, portes, modes de fonctionnement)
|
{% hint style="info" %}
Pour plus de détails sur les schémas de données disponibles dans votre **Requête IoT** , consultez [Vue d’ensemble du schéma](/docs/analytics/fr/iot-query/schema-overview.md).
{% endhint %}
## Création de visualisations à partir des résultats de requêtes
Transformez les résultats de vos requêtes SQL en visualisations interactives grâce à un workflow structuré :
{% stepper %}
{% step %}
Vérifier la configuration des données
Vérifiez que toutes les catégories de données requises sont activées dans les paramètres de votre système :
1. Accédez à **Configuration PTL** dans la barre latérale gauche
2. Vérifiez que les catégories de données nécessaires (**Données de suivi**, **Entrées**, **États**) sont activées pour répondre à vos besoins d’analyse
3. Si des modifications sont nécessaires, mettez à jour la configuration et envisagez de lancer le chargement des données historiques pour une application rétroactive
{% endstep %}
{% step %}
Développer et exécuter votre requête
Dans le **Panneau d’exécution des requêtes SQL**:
1. Rédigez votre requête d’analyse en utilisant la syntaxe PostgreSQL et les exigences de formatage ci-dessus
2. Incluez les noms de champs appropriés, les conversions de données et les filtres adaptés à vos besoins de visualisation
3. Cliquez **Exécuter** pour exécuter votre requête et générer le jeu de données
4. Passez en revue les résultats pour vérifier la qualité des données et le format de sortie attendu
{% endstep %}
{% step %}
Accéder à l’interface de visualisation
Une fois votre requête exécutée avec succès :
1. Passez à l’onglet **Visualisation** qui apparaît au-dessus des résultats de votre requête
2. Les résultats de votre requête deviennent automatiquement disponibles sous forme de champs de données dans l’interface de visualisation
3. Le générateur de graphiques interactif se charge avec votre jeu de données prêt pour la création visuelle par glisser-déposer
{% endstep %}
{% step %}
Créer des visualisations interactives
Utilisez l’interface de visualisation pour créer des graphiques :
1. Faites glisser les champs issus des résultats de votre requête vers les zones de configuration du graphique (axe X, axe Y, filtres, couleurs)
2. Choisissez les types de visualisation appropriés en fonction des caractéristiques de vos données et de vos objectifs d’analyse
3. Appliquez des filtres et un style pour affiner votre présentation visuelle
4. Exportez les visualisations finalisées dans plusieurs formats (PNG, SVG, CSV, base64) pour le partage et les rapports\\
{% endstep %}
{% endstepper %}
{% hint style="info" %}
**Guide détaillé de visualisation**: Les instructions complètes, étape par étape, pour la création de graphiques sont présentées dans [Créer des visualisations personnalisées](/docs/analytics/fr/explorer-for-iotquery/custom-analysis-sql-configurator/creating-custom-visualizations.md).
{% endhint %}
## Conseils de développement des requêtes
Développez les sections ci-dessous pour découvrir les bonnes pratiques recommandées pour travailler avec les requêtes dans **SQL Configurator**.
Exigences de format des données pour l’analyse télématique
Vos données télématiques utilisent un stockage d’entiers mis à l’échelle qui nécessite une conversion :
| **Type de données** | **Format de stockage** | **Conversion requise** |
| ---------------------- | ----------------------- | ------------------------------------------------------------------------------ |
| **Coordonnées GPS** | Entiers mis à l’échelle | Diviser par 10 000 000 pour obtenir des degrés décimaux |
| **Valeurs de vitesse** | Format entier | Diviser par 100 pour obtenir des km/h |
| **Horodatages** | Deux variantes | Utilisez `device_time` pour les événements, `platform_time` pour le traitement |
Optimisation des performances et de la qualité des données
**Bonnes pratiques essentielles pour une analyse fiable :**
* **Appliquer un filtrage basé sur le temps**: Réduit la taille du jeu de données et améliore les temps de réponse avec `WHERE device_time > now() - INTERVAL '7 days'`
* **Utiliser des champs indexés**: Incluez `device_id` et `device_time` dans les clauses WHERE pour une performance optimale des requêtes
* **Valider les plages de données**: Filtrez les bornes des coordonnées et de la vitesse pour identifier les relevés anormaux
* **Vérifier les relations**: Recoupez les relations des données métier pour vous assurer que les jointures produisent les résultats attendus
* **Gérer les ensembles de résultats**: Ajoutez des clauses LIMIT appropriées pour les requêtes exploratoires afin d’éviter les problèmes de performance
* **Gérer les lacunes de données**: Attendez-vous à des variations normales, comme des interruptions de connectivité en cas de signal faible
{% hint style="info" %}
**Caractéristiques attendues des données**: Les relevés de capteurs nécessitent une validation périodique de l’étalonnage, et les données récentes peuvent encore être en cours de traitement lors de l’analyse en temps réel.
{% endhint %}
Schémas d’analyse interschémas
**Combinez les données organisationnelles et de suivi pour obtenir des informations complètes :**
* **Intégration métier-télématique**: Joignez à l’aide de `device_id` comme clé principale de relation entre les schémas
* **Corrélation employé-véhicule**: Reliez via les relations de la table des objets pour une analyse de la productivité
* **Interprétation des capteurs**: Utilisez la table de référence description\_parameters pour traduire les valeurs codées en libellés lisibles
* **Analyse géographique**: Combinez les coordonnées de suivi avec les définitions de zones pour obtenir des informations opérationnelles
**Exemple : Vue d’ensemble complète de la flotte avec LEFT JOIN**
Lors de l’analyse des opérations de flotte, vous devez souvent voir tous les véhicules, quel que soit leur état d’activité actuel. Cet exemple montre comment `LEFT JOIN` préserve l’intégralité des enregistrements des véhicules même lorsque les données de suivi ou les affectations de conducteur sont manquantes.
```sql
-- Afficher tous les véhicules avec les affectations de conducteur et l’activité la plus récente
SELECT
o.object_label as vehicle_name,
e.first_name || ' ' || e.last_name as assigned_driver,
MAX(t.device_time) as last_seen,
COUNT(t.device_id) as tracking_points_7days
FROM raw_business_data.objects o
LEFT JOIN raw_business_data.employees e ON o.object_id = e.object_id
LEFT JOIN raw_telematics_data.tracking_data_core t ON o.device_id = t.device_id
AND t.device_time > CURRENT_DATE - INTERVAL '7 days'
GROUP BY o.object_label, e.first_name, e.last_name
ORDER BY last_seen DESC NULLS LAST;
```
**Point clé**: LEFT JOIN garantit que tous les véhicules apparaissent dans les résultats, même sans suivi récent ni affectation de conducteur.
{% hint style="info" %}
**Exemples de requêtes**: Les modèles complets spécifiques à chaque cas d’usage sont disponibles dans [SQL Recipe Book](/docs/analytics/fr/example-queries.md).
{% endhint %}
## Étapes suivantes
* [Créer des visualisations personnalisées](/docs/analytics/fr/explorer-for-iotquery/custom-analysis-sql-configurator/creating-custom-visualizations.md) - Processus complet de création de graphiques et d’analyse visuelle
* [SQL Recipe Book](/docs/analytics/fr/example-queries.md) - Modèles de requêtes avancés organisés par scénario analytique
* [Documentation de la couche Bronze](/docs/analytics/fr/iot-query/schema-overview/bronze-layer.md) - Référence complète du schéma de base de données et définitions des champs
{% hint style="info" %}
**Analytique de production**: Pour des rapports et tableaux de bord à l’échelle de l’entreprise, envisagez des outils de BI dédiés qui se connectent directement à votre instance PTL pour offrir de meilleures capacités d’évolutivité et de collaboration. En savoir plus dans [Sélection des outils BI](/docs/analytics/fr/iot-query/connection-setup/selecting-bi-tools.md).
{% endhint %}
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://navixy.com/docs/analytics/fr/explorer-for-iotquery/custom-analysis-sql-configurator.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.