8.1 KiB

Raw Blame History

Dashboard Activity & Tasks su Elasticsearch

Autore: Matteo Benedetto
Email: matteo.benedetto@e-geos.it
Data: 03/12/2025

1. Struttura dei dati in Elasticsearch

1.1 Indice

Tutti i dati sono indicizzati in Elasticsearch nell'indice:

Nome indice: geodata

L'indice viene creato automaticamente dal servizio data_loader (contenitore Docker) oppure tramite lo script di inizializzazione usato nella fase di sviluppo.

1.2 Mapping principale

Il mapping dell’indice geodata è stato definito in modo esplicito per evitare problemi con i tipi dinamici e per supportare aggregazioni e visualizzazioni in Grafana.

Campi principali:

location (geo_point)
- Coordinate geografiche del punto (latitudine/longitudine).
timestamp (date)
- Data/ora dell’evento.
status (keyword)
- Stato del ticket/attività. Valori possibili: OPEN, CLOSED, IN_PROGRESS, ON_HOLD.
timing_status (keyword)
- Stato di puntualità, definito solo quando status = CLOSED.
- Valori possibili: CLOSED_ON_TIME, CLOSED_LATE.
lead_time (integer)
- Tempo di lavorazione (in minuti) per le attività chiuse, usato per le medie nella dashboard.
operator (keyword)
- Operatore responsabile (es. Operator A, Operator B, …).
duration (integer)
- Durata generica dell’evento (valore grezzo usato solo come informativo).
task_type (keyword)
- Tipo di task, usato nella dashboard Tasks. Valori esemplificativi:
  - Create Activity
  - Close Activity
  - Create WF
  - Close WF
  - Select DTO
  - Report Generation
  - Report QC
min_duration (integer)
- Durata minima simulata per il tipo di task (in secondi).
max_duration (integer)
- Durata massima simulata per il tipo di task (in secondi).
avg_duration (integer)
- Durata media simulata per il tipo di task (in secondi).
task_duration (integer)
- Durata effettiva del singolo evento (in secondi).
id (integer)
- Identificativo numerico univoco del record nella generazione mock.

1.3 Generazione e caricamento dati

Generazione dati: file generate_mock_data.py
- Genera un file GeoJSON data/sample.geojson con 1000 feature.
- Popola per ogni feature:
  - coordinate casuali in Europa,
  - campi di stato (status, timing_status, lead_time),
  - informazioni di task (task_type, durate, operatore, timestamp).
Caricamento in Elasticsearch: file loader/load_data.py
- Attende che Elasticsearch sia disponibile.
- Crea l’indice geodata con il mapping descritto sopra.
- Legge sample.geojson e per ogni feature crea un documento con:
  - location.lat / location.lon
  - tutti i campi in properties (timestamp, status, operator, ecc.).

2. Dashboard "Activity"

La prima dashboard si chiama "Activity" ed è salvata in grafana/dashboards/dashboard.json.

2.1 Pannelli principali

Activity Status (table)
- Datasource: Elasticsearch
- Query: aggregazione terms sul campo status + metrica count.
- Trasformazioni:
  - organize per rinominare i campi in Status, Count, Avg Lead Time.
  - calculateField per calcolare il totale e la colonna Proportion (percentuale sul totale).
- Colori: override sul campo Status con testo colorato (OPEN giallo, CLOSED blu, IN_PROGRESS azzurro, ON_HOLD viola).
- Uso: fornisce il riepilogo delle attività per stato con la proporzione e il tempo medio di lavorazione.
Activity Distribution (geomap heatmap)
- Datasource: Elasticsearch
- Query: metrica raw_data con query: "*" e timeField: "timestamp".
- Layer: tipo heatmap con:
  - location.mode = "coords"
  - latitude = "location.lat", longitude = "location.lon"
- Uso: visualizza la distribuzione geografica degli eventi come heatmap sull’Europa.
Timing Status (table)
- Datasource: Elasticsearch
- Query: aggregazione terms su timing_status + metrica count.
- Colori:
  - CLOSED_ON_TIME con background verde.
  - CLOSED_LATE con background arancione.
- Uso: mostra il numero di attività chiuse in tempo vs in ritardo.
On-Time vs Late (pie chart)
- Datasource: Elasticsearch
- Query: identica a Timing Status (terms su timing_status).
- Trasformazioni:
  - trasformazione per convertire i risultati dell’aggregazione in valori per il pie chart.
- Uso: rappresentazione grafica (torta) della ripartizione CLOSED_ON_TIME vs CLOSED_LATE.
Activity Over Time (time series)
- Datasource: Elasticsearch
- Query: date_histogram su timestamp + metrica count.
- Uso: andamento temporale del numero di eventi.

3. Dashboard "Tasks"

La seconda dashboard si chiama "Tasks" ed è salvata in grafana/dashboards/tasks_dashboard.json.

3.1 Tasks (tabella in alto a sinistra)

Datasource: Elasticsearch
Query:
- terms su task_type (raggruppamento per tipo di task).
- Metriche:
  - count (Total)
  - min su task_duration (Min Duration)
  - max su task_duration (Max Duration)
Trasformazioni:
- organize per rinominare i campi:
  - task_type → Task
  - Count → Total
  - Min task_duration → Min Duration
  - Max task_duration → Max Duration
Colori: testo del campo Task colorato in azzurro.
Uso: riepilogo per tipo di task con numero totale e range di durata.

3.2 Tasks by Operator (grafico a barre orizzontali)

Datasource: Elasticsearch
Query:
- Primo livello: terms su operator (asse Y del grafico).
- Secondo livello: terms su task_type (serie colorate).
- Metrica: count.
Trasformazioni:
- groupingToMatrix (o equivalente) per trasformare l’output dell’aggregazione in una matrice con:
  - rowField = operator
  - columnField = task_type
  - valueField = Count
Opzioni grafiche:
- orientation = horizontal.
- stacking = normal per avere barre impilate per operatore.
- Legenda a destra con un colore per ogni tipo di task (Create Activity, Close Activity, Create WF, Close WF, Select DTO, Report Generation, Report QC).
Uso: mostra per ogni operatore il numero di task, suddivisi per tipologia come barre orizzontali impilate.

3.3 Tasks (tabella in basso)

Datasource: Elasticsearch
Query:
- terms su task_type e operator (raggruppamento per Task + Operator).
- Metriche:
  - count (Total)
  - min/max/avg su task_duration.
Trasformazioni:
- organize per ordinare le colonne e rinominare i campi in:
  - Task, Operator, Total, Min, Max, Average.
Unità di misura:
- Durate espresse in secondi, visualizzate in Grafana come secondi/minuti (in base al formato scelto nella colonna).
Uso: tabella dettagliata per tipo di task e operatore, con statistiche di durata.

4. Note operative

Provisioning Grafana
- I file delle dashboard sono montati nel container Grafana tramite Docker Compose.
- Ogni modifica ai file JSON (dashboard.json, tasks_dashboard.json) richiede un riavvio del container Grafana (docker compose restart grafana).
Datasource Elasticsearch
- È definito tramite provisioning (file datasource.yml) usando:
  - jsonData.index = "geodata"
  - jsonData.timeField = "timestamp"
- Non viene usata la uid del datasource nelle dashboard: i pannelli si riferiscono al datasource tramite "datasource": "Elasticsearch" per evitare problemi di provisioning.
Rigenerazione dati
- Per rigenerare i dati mock:
  1. Eseguire python3 generate_mock_data.py nella root del progetto.
  2. Cancellare l’indice geodata in Elasticsearch.
  3. Riavviare il container data_loader in modo che ricrei l’indice con il mapping corretto e ricarichi sample.geojson.

Questo documento descrive lo stato corrente della soluzione (stack Docker Elasticsearch + Grafana + loader Python) usata per visualizzare dati geospaziali e metriche di attività/task nelle dashboard Activity e Tasks.

8.1 KiB Raw Blame History