> For the complete documentation index, see [llms.txt](https://navixy.com/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer.md).

# Lapisan Transformation

Lapisan Transformation membentuk ulang data IoT Query mentah menjadi entitas yang siap dianalisis. Telusuri transformasi bawaan dan pahami cara data diproses

{% hint style="info" %}

#### Segera hadir!

Arsitektur lapisan transformasi yang dijelaskan di halaman ini saat ini sedang dalam pengembangan. Meskipun kemampuan transformasi inti sudah beroperasi, detail implementasinya dapat berubah sebelum rilis final. Jika Anda tertarik pada akses awal atau memiliki pertanyaan, hubungi <iotquery@navixy.com>.
{% endhint %}

## Apa yang dilakukan lapisan transformasi

Itu **Lapisan transformasi** memproses data mentah dari **Lapisan data mentah** menjadi entitas analitis ternormalisasi yang siap untuk kueri. Di mana lapisan data mentah berisi segala sesuatu yang ditangkap dari perangkat dan sistem (titik individual, peristiwa, dan nilai atribut yang berguna untuk verifikasi dan pemecahan masalah), lapisan transformasi mengubah data mentah itu menjadi objek bermakna seperti perjalanan, kunjungan ke zona, dan status operasional.

{% hint style="info" icon="lightbulb-exclamation" %}
Lapisan transformasi secara singkat: lapisan data mentah adalah semua yang dikumpulkan, lapisan transformasi adalah yang dapat Anda gunakan.
{% endhint %}

Lapisan perantara ini menghilangkan persiapan data manual yang berulang dan membuat data Anda siap untuk analitik praktis. Operator armada dapat menjawab pertanyaan operasional umum tanpa pemrosesan data yang ekstensif, dan integrator memperoleh landasan yang stabil untuk membangun solusi pelaporan dan BI yang skalabel.

Transformasi dapat dirancang dan dikonfigurasi menggunakan [**Penyusun transformasi**](https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer/transformation-builder.md), sebuah alat visual yang memungkinkan Anda membuat entitas analitis kustom melalui antarmuka alur kerja seret dan lepas. Untuk detail tentang cara membangun dan mengelola transformasi, lihat dokumentasi Transformation Builder.

Navixy menyediakan serangkaian transformasi umum siap pakai yang berjalan otomatis dan mengisi `processed_common_data` skema tanpa konfigurasi apa pun dari Anda. Anda dapat mengkueri data ini segera setelah menghubungkan ke IoT Query. Setiap transformasi umum juga dilengkapi templat alur kerja yang dapat Anda muat ke Transformation Builder untuk memeriksa logika pemrosesan atau menyesuaikannya dengan skenario spesifik Anda. Lihat [Transformasi umum](https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer/common-transformations.md) untuk entitas yang tersedia dan skema keluarannya.

## Bagaimana data diatur

Lapisan transformasi menggunakan pendekatan skema dinamis, di mana struktur basis data terbentuk secara otomatis berdasarkan transformasi aktif. Tidak seperti lapisan data mentah dengan definisi skema tetap, lapisan transformasi hanya berisi tabel yang sesuai dengan transformasi yang saat ini aktif. Tabel yang tersedia dan strukturnya bergantung pada transformasi yang dikonfigurasikan dalam **IoT Query** instans.

Data lapisan transformasi diatur ke dalam dua skema PostgreSQL: `processed_common_data` dan `data_kustom_yang_diproses`.

### processed\_common\_data

Itu `processed_common_data` Skema ini berisi transformasi yang dikembangkan dan dipelihara oleh Navixy. Skema ini dibagikan kepada seluruh klien dan menyediakan entitas analitis standar yang menangani kasus penggunaan telematika umum. Tabel muncul dalam skema ini saat Navixy menerapkan transformasi baru untuk memenuhi kebutuhan analitis yang berlaku luas.

{% hint style="warning" %}
Itu `processed_common_data` Skema ini bersifat **hanya-baca untuk klien eksternal**. `data_kustom_yang_diproses` skema melalui [Penyusun transformasi](https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer/transformation-builder.md).
{% endhint %}

### data\_kustom\_yang\_diproses

Itu `data_kustom_yang_diproses` Skema ini berisi transformasi khusus klien yang dibuat untuk memenuhi kebutuhan bisnis yang unik. Setiap klien memiliki salinan terisolasi dari skema ini, sehingga data Anda tidak terlihat oleh organisasi lain. Tabel dalam skema ini sesuai dengan transformasi yang Anda konfigurasikan dan kelola melalui [Penyusun transformasi](https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer/transformation-builder.md).

Anda memiliki kendali penuh atas skema ini: Anda menentukan transformasi mana yang akan dibuat, bagaimana transformasi tersebut memproses data, dan kapan transformasi tersebut berjalan. Transformation Builder menghasilkan konfigurasi dan SQL yang diperlukan untuk menghasilkan entitas analitis kustom Anda.

#### Apa yang terjadi saat transformasi berubah

Saat Anda mengaktifkan suatu transformasi, sistem secara otomatis membuat struktur tabel yang sesuai di skema yang tepat. Saat transformasi dinonaktifkan atau dihapus, tabelnya dapat diarsipkan atau dihapus berdasarkan kebijakan retensi data.

Pembentukan dinamis ini adalah alasan lapisan transformasi tidak menyediakan deskripsi skema tetap seperti yang dilakukan lapisan data mentah. Tabel yang tersedia dan strukturnya mencerminkan transformasi spesifik yang dikonfigurasikan untuk instans IoT Query Anda.

## Karakteristik pemrosesan data

Entitas lapisan transformasi dipelihara secara otomatis melalui proses terjadwal. Saat Anda mengkueri data ini, pertimbangkan karakteristik pemrosesan berikut.

* **Pembaruan terjadwal.** Setiap transformasi memproses catatan lapisan data mentah baru sesuai jadwal yang dikonfigurasikan. Pembaruan biasanya terjadi setiap jam atau setiap beberapa jam, tergantung pada kompleksitas dan konfigurasi transformasi.
* **Jendela pemrosesan.** Transformasi beroperasi pada segmen berbasis waktu untuk memproses bagian data yang dapat dikelola secara efisien alih-alih memindai seluruh kumpulan data. Pendekatan ini menyeimbangkan kinerja pemrosesan dengan kebaruan data.
* **Perilaku penghitungan ulang.** Saat perubahan konfigurasi memicu penghitungan ulang, data terbaru dapat menampilkan ketidakkonsistenan singkat selama jendela pemrosesan aktif. Ketidakkonsistenan ini akan terselesaikan secara otomatis setelah siklus pemrosesan selesai.
* **Perilaku khusus skema.** Transformasi dalam `processed_common_data` diperbarui secara serentak untuk semua klien yang berbagi skema itu, karena Navixy mengelola jadwal secara terpusat. Transformasi dalam `data_kustom_yang_diproses` dijalankan secara independen per klien, memungkinkan Anda menyesuaikan penjadwalan dan logika pemrosesan untuk kebutuhan spesifik Anda.

## Hal yang perlu dipertimbangkan saat melakukan kueri

Saat menulis kueri SQL terhadap data lapisan transformasi, perhatikan poin-poin berikut:

* **Gunakan format lengkap skema.tabel.** Selalu rujuk tabel dengan awalan skemanya untuk menghindari ambiguitas:

```sql
SELECT *
FROM processed_common_data.table_name
WHERE device_time >= CURRENT_DATE - INTERVAL '7 days';
```

* **Sertakan filter rentang waktu.** Tambahkan kondisi berbasis waktu dalam `WHERE` klausa Anda untuk membatasi volume data yang dipindai. Ini meningkatkan kinerja kueri dan mengurangi waktu eksekusi.
* **Periksa jadwal transformasi.** Data dalam tabel lapisan transformasi mencerminkan siklus pemrosesan terakhir yang selesai. Jika Anda memerlukan data yang usianya hanya beberapa menit, lapisan data mentah mungkin lebih sesuai sampai siklus transformasi berikutnya berjalan.
* **Ingat bahwa `processed_common_data` bersifat hanya-baca.** Gunakan skema ini untuk melakukan kueri entitas terstandar yang dipelihara oleh Navixy. Untuk membuat entitas analitis Anda sendiri, konfigurasikan transformasi di `data_kustom_yang_diproses` skema melalui [Penyusun transformasi](https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer/transformation-builder.md).

## Langkah berikutnya

* [**Penyusun transformasi**](https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer/transformation-builder.md): Rancang entitas analitis kustom menggunakan antarmuka alur kerja visual.
* [**Lapisan data mentah**](https://navixy.com/docs/analytics/id/iot-query/schema-overview/bronze-layer.md): Jelajahi skema sumber (`raw_telematics_data` dan `raw_business_data`) yang menjadi masukan bagi transformasi.
* [**Buku Resep SQL**](https://navixy.com/docs/analytics/id/example-queries.md): Pelajari pola kueri dan praktik terbaik untuk bekerja dengan tabel lapisan transformasi di Dashboard Studio.
* [**Transformasi umum**](https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer/common-transformations.md): Jelajahi entitas analitis siap pakai yang tersedia di `processed_common_data`, termasuk skema keluaran, contoh kueri, dan templat Transformation Builder.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://navixy.com/docs/analytics/id/iot-query/schema-overview/transformation-layer.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

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.
