סקירה כללית של ניתוח נתונים בשיחה ב-Looker

התכונה 'ניתוח נתונים באמצעות צ'אט' מאפשרת לכם לשוחח עם הנתונים שלכם, והיא מבוססת על Gemini for Google Cloud. התכונה 'ניתוח נתונים בשיחה' מבוססת על שכבת המודלים הסמנטיים של Looker, ומאפשרת למשתמשים בארגון לשאול שאלות שקשורות לנתונים בשפה טבעית רגילה (בסגנון שיחה), כדי לקבל תובנות עסקיות אמינות בשירות עצמי. הגישה הזו מאיצה את הטמעת ניתוח הנתונים בארגון, כי היא מספקת ניהול ואבטחה ברמה ארגונית.

ניתוח שיחות זמין גם במופעים של Looker ‏ (שירות הליבה של Google Cloud) וגם במופעים של Looker (המקורי).

איך Gemini for Google Cloud ‎ משתמש בנתונים שלכם, ובאילו מקרים.

תכונות עיקריות

התכונות העיקריות של ניתוח שיחות:

  • ניהול שיחה עם נתוני Looker Explore: ניהול שיחה בשפה טבעית עם נתוני Looker Explore או עם סוכן נתונים בהתאמה אישית במופע Looker (מקורי) או במופע Looker (Google Cloud Core). אתם יכולים לנהל שיחה עם תרשים ניתוח נתונים ספציפי או עם סוכן נתונים שמחובר לחמישה תרשימי ניתוח נתונים לכל היותר.
  • יצירה וניהול של סוכני נתונים: בעזרת סוכני נתונים, אתם יכולים להתאים אישית את הסוכן מבוסס-AI לחיפוש נתונים על ידי מתן הקשר והוראות שספציפיים לנתונים שלכם. כך סוכן הנתונים יכול ליצור תשובות מדויקות יותר ורלוונטיות להקשר. אתם יכולים גם לשתף את סוכני הנתונים שלכם עם משתמשים אחרים, כדי שהם יוכלו לשאול שאלות באותו הקשר. אפשר לקשר את הסוכן לעד חמישה כלי Explore.
  • ניתוח מתקדם באמצעות מפענח הקוד [גרסת טרום-השקה]: מפענח הקוד בתוך ניתוח שיחות מתרגם את השאלות שלכם בשפה טבעית לקוד Python ומריץ את הקוד הזה. בהשוואה לשאילתות רגילות שמבוססות על SQL, השימוש ב-Python בכלי לניתוח קוד מאפשר ניתוחים והמחשות מורכבים יותר.
  • הטמעת ניתוח נתונים בשיחה באתר או באפליקציה: אפשר להטמיע ניתוח נתונים בשיחה באתר או באפליקציה באמצעות תג HTML iframe, בדיוק כמו שאתם יכולים לעשות עם סוגי תוכן אחרים ב-Looker. ניתוח נתונים בשיחה תומך גם בהטמעה פרטית, שבה המשתמשים מאומתים באמצעות פרטי הכניסה שלהם ל-Looker, וגם בהטמעה עם חתימה, שבה המשתמשים מאומתים דרך האפליקציה שלכם.

איך פועל ניתוח נתונים בממשק שיחה?

ב-Conversational Analytics נעשה שימוש ב-Gemini Google Cloud כדי לפרש שאלות בשפה טבעית ולספק תשובות שמבוססות על הנתונים שלכם ב-Looker. הוא משתמש במודל הסמנטי של Looker – הגדרות LookML של הנתונים שלכם – כמקור אמין כדי לוודא שהתשובות מדויקות ועקביות. הניתוח השיחתי יכול לפרש את ההגדרות העסקיות שלכם למדדים כמו 'הכנסה' או 'נטישה', כי הן מוגדרות ב-LookML. הוא משתמש בהגדרות האלה כדי לספק תשובות מדויקות ועקביות לשאלות.

כדי שהתשובות של ממשק Analytics לשיחה יתבססו על הנתונים הספציפיים שלכם ועל ההקשר העסקי, הוא משתמש בכמה טכניקות:

  • סכימת LookML: בתחילת הבקשה, התכונה 'ניתוח נתונים שימושי' מאחזרת את הסכימה מהניתוחים שמקושרים אליה. הכלי לניתוח נתוני שיחות משתמש בפרמטרים מהמודל LookML בכמה דרכים:
    • זיהוי שדות: מטא-נתונים מהסכימה עוזרים לניתוח נתוני השיחות להתמקד בשדות רלוונטיים. המטא-נתונים האלה כוללים פרמטרים של LookML כמו name,‏ label,‏ description,‏ type ו-dimension_group. הפרמטרים האלה עוזרים לניתוח נתונים בשיחה למפות מונחים בשאלות של משתמשים לשדות הנכונים. לדוגמה, description יכול לספק טרמינולוגיה ספציפית לעסק או הקשר לשדה.
    • עיצוב התשובה: ממשק Analytics לשיחות משתמש בפרמטרים label כדי לתת שמות לשדות בצורה ידידותית למשתמש, ובפרמטרים value_format כדי לעצב את הנתונים בתשובות.
  • יצירת שאילתות: במקום להריץ שאילתות ישירות במסד הנתונים, התכונה 'ניתוח נתונים שיחתי' קובעת באילו שדות, מסננים, מיון ומגבלות צריך להשתמש בשאילתה. לאחר מכן, Looker מרכיב ומריץ את השאילתה באמצעות מודל LookML הבסיסי. התהליך הזה דומה לאופן שבו משתמש יוצר אינטראקציה עם ממשק 'ניתוח נתונים מתקדם'. אין צורך להבין לוגיקה מורכבת של צירוף או הגדרות של שדות, כי Looker מטפל בהרכבת השאילתה על סמך מודל LookML. יצירת שאילתות מבטיחה שכל השאילתות יפעלו לפי לוגיקת הצירוף, הסינון, הצבירה והרשאות הגישה לנתונים שמוגדרות במודל LookML. כדי ליצור שאילתות, ניתוח שיחות צריך לקבוע את הערכים הנכונים לשימוש במסננים. הערכים האלה צריכים להיות זהים לערכים בנתונים הבסיסיים, או ביטויי סינון מתקדמים יותר כמו תווים כלליים. כדי לפתור את הבעיות שנובעות מההבדלים בין הערכים שהמשתמש כולל בשאלות בשפה טבעית לבין הערכים המדויקים שנדרשים במסנן, מערכת Analytics השיחה משתמשת בערכים שמוגדרים עם allowed_value בשדות parameter, ויכולה להשתמש בכלים כדי לבדוק ערכים ספציפיים בשדות:
    • נתונים לדוגמה: מחזירה עד 100 ערכים משדה כדי לעזור לניתוח נתוני השיחות ללמוד דפוסים או למצוא התאמה מדויקת לערכי סינון.
    • חיפוש משוער: המערכת יוצרת קבוצה של מונחי חיפוש על סמך הקלט של המשתמש, ובודקת אם הם מופיעים במאפיין כדי למצוא ערכי סינון מתאימים. גם נתוני הדוגמה וגם החיפוש המשוער משתמשים בממשק Looker Suggestion API, ולכן מושפעים מפרמטרים של LookML כמו suggestions, ‏ suggest_explore ו-suggest_dimension.
  • ניתוח: אחרי ש-Looker מריץ את השאילתות, ניתוח שיחות מנתח את תוצאות השאילתות כדי לענות על שאלות של משתמשים. ניתוח נתוני השיחות יכול לנתח את התוצאות באחת או יותר מהדרכים הבאות:
    • הוא משתמש ביכולות המובנות של Gemini כדי לפרש ולסכם את התוצאות.
    • הוא משתמש בהרצת קוד Python דרך מפענח הקוד כדי לבצע ניתוח נוסף של התוצאות.
    • הוא יוצר הדמיות על סמך תוצאות השאילתות.

בעזרת המודל הסמנטי של Looker, ניתוח נתונים שיחתי מספק גישה לנתונים מפלטפורמות שונות – כמו BigQuery,‏ AlloyDB,‏ Redshift,‏ Snowflake ו-Databricks – בלי שתצטרכו להבין את מורכבות הנתונים הבסיסית, ומבטיח שכל התשובות יהיו עקביות ומפוקחות.

איך פועלים סוכני נתונים של ניתוח נתונים בממשק שיחה?

סוכן נתונים של ניתוח שיחות מבסס את התשובות שלו על שני קלטים עיקריים: סכימת LookML של המופע, שמוגדרת על ידי מפתח Looker, והוראות לסוכן, שאתם כותבים כשאתם יוצרים את הסוכן.

מתוך השאילתה, סוכן נתונים צריך לקבוע אילו שדות LookML לבחור ואילו מסננים, מיון או הגבלות להחיל. כדי לעשות את זה בצורה מדויקת, הוא ממפה את השפה הטבעית בשאילתה להוראות הסוכן ולסכימת LookML של הנתונים בדרכים הבאות:

  1. מיפוי מונחים סמנטיים: משתמשים מרבים להשתמש בז'רגון עסקי בשאלות שלהם. הסוכן משתמש בהוראות לסוכן ובמטא-נתונים של שדות LookML כדי לפרש את השאילתה. לדוגמה, לשאילתה 'כמה עסקים חדשים היו לנו?', סוכן נתונים יוכל למפות את 'עסקים חדשים' למדד שמחשב את ההכנסה החודשית החוזרת. לשאילתה "מי הם הלקוחות המובילים שלנו?" סוכן נתונים יוכל למפות את המילה "מובילים" לספירת שימוש ואת המילה "לקוחות" למאפיין שנקרא שם לקוח.
  2. מיפוי ערכי שדות: הסוכן מחפש נקודות נתונים ספציפיות – למשל, 'קליפורניה' או 'ג&#39ינס סלים פיט' – באמצעות כלים ייעודיים לדגימת הנתונים או לביצוע חיפושים משוערים. לדוגמה, אם משתמש מבקש "ג'ינס", יכול להיות שהסוכן יפעיל חיפוש משוער בשדה שם המוצר כדי למצוא התאמות מדויקות למחרוזת במסד הנתונים שלכם. אם משתמש מבקש "NY", האם זה השדה City או השדה State? יכול להיות שהסוכן יצטרך לבדוק מדגם מהנתונים כדי לראות באיזה שדה מופיע הערך NY, או לשאול שאלה להבהרה.
  3. שיפור באמצעות דוגמאות לשאילתות: כדי לשפר את הדיוק של שאילתות נפוצות או קריטיות, אפשר לספק בהוראות לסוכן הנתונים דוגמאות ספציפיות של שאלות ותשובות שנקראות 'שאילתות מוזהבות'.

לאחר מכן, Looker משתמש בהגדרות LookML של השדות האלה ובלוגיקה אחרת שמוגדרת בניתוח – כולל הגדרות שדות, הרשאות גישה או מאפייני משתמש, או לוגיקה מורכבת של Liquid או של הצטרפות – כדי ליצור את השאילתה שנשלחת למסד הנתונים. הסוכן לא כותב את כל שאילתת ה-SQL, ולכן הוא לא צריך "להבין" את הנתונים ויכול לפעול בצורה מדויקת ודטרמיניסטית יותר.

מידע נוסף על השימוש של הסוכן ב-LookML זמין במאמר שיטות מומלצות להגדרת ניתוח שיחות ב-Looker.

סוכני נתונים לעומת שיחות

יצירת סוכן נתונים מציעה כמה יתרונות מרכזיים בהשוואה לשיחה רגילה עם תכונת החיפוש והניתוח אחת. כשמתחילים שיחה מתוך כלי הניתוח, אפשר ליצור במהירות שאילתות בשפה טבעית לגבי מקור הנתונים הספציפי הזה. לעומת זאת, סוכן נתונים מתפקד כאנליסט עצמאי וייעודי שאפשר להתאים אישית ולשתף בארגון.

סוכני נתונים מספקים את היתרון הבא לעומת שיחות עם תכונת הניתוחים:

  • שיחה עם כמה ניתוחים: בשיחה עם ניתוח, אפשר לשאול שאילתה רק על ניתוח אחד בכל פעם. עם זאת, סוכן נתונים יכול להתחבר לחמישה ניתוחים שונים לכל היותר, וכך לאפשר למשתמשים לבצע ניתוח חוצה-דומיינים ולקבל תשובות מקיפות יותר.
  • הקשר שנוצר על ידי המשתמש: אתם יכולים לספק לסוכן הנתונים הוראות בהתאמה אישית שלא זמינות בשיחה רגילה ב-Explore, כולל המשאבים הבאים:
    • שאילתות מוזהבות: אתם יכולים לספק לסוכן זוגות של שאלות בשפה טבעית ושאילתות מאומתות של Looker כדי להטמיע דפוסים עסקיים נפוצים ולצמצם באופן משמעותי את העמימות של המודל.
    • מילוני מונחים עסקיים: אתם יכולים להגדיר מונחים מקצועיים או ראשי תיבות שספציפיים לארגון שלכם ישירות בהוראות של הסוכן.
    • מסגרת פרסונה: אתם יכולים להקצות לסוכן תפקיד או מומחיות ספציפיים, ולהגדיר טון עקבי ושיקול דעת מקצועי לשיחה.
  • התמחות של סוכנים: במקום להשתמש בממשק כללי אחד לשיחה, אתם יכולים ליצור סוכנים מומחים ליחידות עסקיות שונות, כמו סוכן הכנסות או סוכן תפעול. כך אפשר ליהנות מחוויית ניתוח מודרכת יותר, שמובילה את המשתמשים לשדות ולמסננים הספציפיים שהכי רלוונטיים לצרכים שלהם.
  • שיתוף פעולה ושימוש חוזר: בדרך כלל, שיחות עם תכונת החיפוש הן פרטיות ומוגבלות למשתמש אחד, אבל אפשר לשתף סוכני נתונים עם חברים אחרים בארגון. שיתוף מבטיח שכמה משתמשים יוכלו ליהנות מאותו הקשר ומאותה מערכת ניהול שנוצרו על ידי אדמין או מומחה נתונים.
  • התנהגות מותאמת אישית: אתם יכולים להגדיר את הסוכן כך שיפעל בהתאם לדרישות מחמירות, כמו שימוש במסנני ברירת מחדל – לדוגמה, "תמיד תוגדר ברירת מחדל ל-6 החודשים האחרונים אם לא מצוין טווח זמן". ההגבלות האלה מבטיחות שהסוכן יפעל בהתאם לתקני הממשל והאבטחה הספציפיים של הארגון. אפשר גם להסתיר שדות בניתוחים כדי למנוע מסוכן הנתונים להשתמש בהם בשאילתות.

רשימת מסמכי התיעוד

הסבר על יכולות התאימות של Gemini ב-Looker

הניתוח השיחתי לא נכלל עדיין בגבולות ההרשאה של FedRAMP High או FedRAMP Medium. לפני שמפעילים את ההגדרה Gemini ב-Looker במופע Looker, כדאי להתייעץ עם הגורם המוסמך בארגון כדי לבדוק אם פתרונות התאימות של Gemini for Google Cloudעונים על הצרכים של הארגון.

במקרים של מופעי Looker (Google Cloud core), כל חבילת בקרה של Assured Workloads שתהיה זמינה תוסיף תכונות של Gemini ב-Looker כהצעות ברירת מחדל, אחרי שיעמדו בדרישות השינוי של החבילה ובתהליכים שלה. התכונה 'ניתוח שיחות' ב-Looker פועלת בהתאם ליכולות התאימות של מופע Looker (Google Cloud core) המשויך, עם היוצא מן הכלל הבא:

כל לקוחות Looker יכולים לקבל תמיכה בנושא שמירת נתונים (DRZ), במיוחד בנוגע לנתונים במנוחה. כל הנתונים במצב מנוחה שמשויכים לניתוח שיחות נמצאים אך ורק במופע Looker ומוגבלים לאזור אחד. יכול להיות שהנתונים בזמן ההעברה יעברו עיבוד באמצעות שירות גלובלי.

שליחת משוב

אתם יכולים לשלוח משוב ל-Google על תשובות ספציפיות ב-Conversational Analytics. לשם כך, בוחרים באחת מהאפשרויות הבאות:

  • ‫thumb_up תשובה טובה: מציין שהתשובה הייתה מועילה.
  • ‫thumb_down התשובה לא טובה: מציינים שהתשובה לא הייתה מועילה.