Ringkasan analisis percakapan di Looker

Analisis percakapan adalah fitur percakapan dengan data yang didukung oleh Gemini untuk Google Cloud. Berdasarkan lapisan pemodelan semantik Looker, analisis percakapan memungkinkan pengguna di organisasi Anda mengajukan pertanyaan terkait data dalam bahasa reguler dan alami (percakapan) untuk BI layanan mandiri yang tepercaya dan dikelola. Pendekatan ini mempercepat adopsi analisis di seluruh organisasi Anda dengan menyediakan tata kelola dan keamanan tingkat perusahaan.

Analisis percakapan tersedia di instance Looker (Google Cloud core) dan di instance Looker (asli).

Pelajari cara dan waktu Gemini untuk Google Cloud menggunakan data Anda.

Fitur utama

Analisis percakapan mencakup fitur utama berikut:

  • Membuat kueri Eksplorasi dalam bahasa alami: Berinteraksi dalam bahasa alami dengan Eksplorasi tertentu atau dengan agen data yang membuat kueri hingga lima Eksplorasi.
  • Membuat agen data untuk membuat kueri Eksplorasi: Anda dapat menyesuaikan agen yang didukung AI untuk membuat kueri Eksplorasi dengan memberikan konteks dan petunjuk yang spesifik untuk data Anda, yang membantu agen data menghasilkan respons yang lebih akurat dan relevan secara kontekstual. Anda juga dapat membagikan agen data kepada pengguna lain atau memublikasikannya ke aplikasi lain, seperti Gemini Enterprise, sehingga mereka dapat mengajukan pertanyaan dengan konteks yang sama. Anda dapat menghubungkan jenis agen data ini ke maksimal lima Eksplorasi.
  • Membuat kueri dasbor menggunakan agen data Pratinjau: Gunakan analisis percakapan untuk membuat agen data dasbor yang dapat membuat kueri dasbor dan model dasbor yang mendasarinya. Agen dasbor tersedia saat setelan Enable Chat with Dashboard diaktifkan di halaman Gemini in Looker di panel Admin.
  • Analisis lanjutan: Fitur Advanced Analytics dalam analisis percakapan menerjemahkan pertanyaan bahasa alami Anda ke dalam kode Python dan menjalankan kode tersebut. Dibandingkan dengan kueri berbasis SQL standar, penggunaan Python oleh fitur Advanced Analytics memungkinkan analisis dan visualisasi yang lebih kompleks.
  • Penyematan: Anda dapat menyematkan analisis percakapan di situs atau aplikasi menggunakan tag iframe HTML seperti yang dapat Anda lakukan dengan jenis konten Looker lainnya. Analisis percakapan mendukung penyematan pribadi, tempat pengguna diautentikasi dengan login Looker mereka, dan penyematan bertanda tangan, tempat pengguna diautentikasi melalui aplikasi Anda sendiri.
  • **Pemantauan penggunaan token dan interaksi**: Pengguna yang memiliki akses ke konten Aktivitas Sistem Looker dapat mempelajari lebih lanjut interaksi pengguna dengan agen dan percakapan analisis percakapan serta memantau penggunaan token pengguna. Dasbor Conversational Analytics tersedia di bagian System Activity di panel Admin. Informasi tentang penggunaan token tersedia saat fitur pratinjau Conversational Analytics Observability diaktifkan.
  • Alur kerja agentic yang dipicu Pratinjau: Siapkan pemberitahuan dan pemantauan berbasis metrik langsung melalui kueri bahasa alami dalam percakapan mandiri dengan Eksplorasi atau dengan agen data Eksplorasi. Alur kerja agentic tersedia saat setelan Agentic Workflows diaktifkan di halaman Gemini in Looker di panel Admin.

Agen data versus Percakapan

Chat dengan agen data menawarkan beberapa keunggulan utama dibandingkan dengan melakukan percakapan standar dengan satu Eksplorasi. Meskipun memulai percakapan dari Eksplorasi memungkinkan pembuatan kueri bahasa alami yang cepat untuk sumber data tertentu, agen data berfungsi sebagai analis mandiri khusus yang dapat disesuaikan dan dibagikan di seluruh organisasi Anda.

Agen data memberikan keunggulan berikut dibandingkan percakapan dengan Eksplorasi:

  • Chat dengan beberapa Eksplorasi: Dalam percakapan dengan Eksplorasi, Anda hanya dapat membuat kueri satu Eksplorasi dalam satu waktu. Namun, agen data dapat terhubung ke maksimal lima Eksplorasi berbeda, sehingga pengguna dapat melakukan analisis lintas domain dan menerima jawaban yang lebih komprehensif.
  • Chat dengan dasbor Looker: Saat Anda melakukan chat dengan dasbor, analisis percakapan akan membuat agen data dasbor yang dapat Anda gunakan untuk membuat kueri tidak hanya dasbor, tetapi juga Eksplorasi yang mendasari dasbor.
  • Konteks yang dibuat: Anda dapat memberikan petunjuk kustom kepada agen data yang tidak tersedia dalam percakapan Eksplorasi standar, termasuk referensi berikut:
    • Kueri emas: Anda dapat memberikan pasangan pertanyaan bahasa alami dan kueri Looker yang terverifikasi kepada agen untuk mengaitkan pola bisnis umum dan mengurangi ambiguitas secara signifikan untuk model.
    • Glosarium bisnis: Anda dapat menentukan jargon atau akronim khusus organisasi langsung dalam petunjuk agen.
    • Framework persona: Anda dapat menetapkan peran atau keahlian tertentu kepada agen, menetapkan nada yang konsisten dan penilaian profesional untuk percakapan.
  • Spesialisasi agen: Daripada menggunakan satu antarmuka percakapan generik, Anda dapat membuat agen khusus untuk unit bisnis yang berbeda, seperti Agen Pendapatan atau Agen Operasi. Hal ini memungkinkan pengalaman analisis yang lebih terpandu, sehingga mengarahkan pengguna ke kolom dan filter tertentu yang paling relevan dengan kebutuhan mereka.
  • Kolaborasi dan penggunaan kembali: Percakapan Eksplorasi biasanya terbatas untuk satu pengguna, sedangkan agen data dapat dibagikan kepada anggota lain di organisasi Anda. Pembagian memastikan bahwa beberapa pengguna dapat memperoleh manfaat dari konteks dan tata kelola yang sama yang dibuat oleh administrator atau pakar data.
  • Perilaku kustom: Anda dapat mengonfigurasi agen untuk beroperasi dalam persyaratan yang ketat, seperti menggunakan filter default — misalnya, "selalu default ke 6 bulan terakhir jika tidak ada jangka waktu yang disebutkan." Batasan ini memastikan bahwa agen beroperasi dalam standar tata kelola dan keamanan khusus organisasi Anda. Anda juga dapat menyembunyikan kolom di Eksplorasi untuk mencegah agen data menggunakannya dalam kueri.

Tabel berikut merangkum perbedaan utama dalam jenis percakapan dan agen data ini:

Fitur analisis percakapan Kasus penggunaan utama Titik entri Kemampuan berbagi Batasan
Percakapan Eksplorasi
  • Pembuatan kueri bahasa alami standar untuk satu Eksplorasi Looker.
  • Mengatur pertanyaan terkait tentang set data tertentu ke dalam sesi terpisah.
  • Menggunakan mode pertanyaan Fast dan Thinking.
  • Dari Eksplorasi: Pilih Start a conversation.
  • Dari halaman analisis percakapan: Pilih tab Conversations.
 Biasanya terbatas untuk satu pengguna (tidak dapat dibagikan).
  • Terbatas untuk membuat kueri hanya satu Eksplorasi dalam satu waktu.
  • Tidak ada konteks atau petunjuk kustom yang dibuat (misalnya, kueri emas, persona, glosarium bisnis).
  • Tidak ada spesialisasi agen untuk unit bisnis organisasi yang berbeda.
  • Opsi Start a conversation tidak tersedia saat menggunakan pengalaman Eksplorasi baru.
Agen data Eksplorasi
  • Agen analisis data mandiri khusus yang didesain untuk unit bisnis tertentu di organisasi (misalnya, Agen Pendapatan, Agen Operasi).
  • Analisis lintas domain yang menggunakan hingga lima Eksplorasi terhubung.
  • Konteks yang dibuat yang mencakup petunjuk kustom, kueri emas, glosarium bisnis, dan framework persona untuk menerapkan batasan dan meningkatkan akurasi.
  • Analisis lanjutan yang menggunakan eksekusi kode Python, jika diaktifkan.
  • Tidak memerlukan izin explore eksplisit.
 Dari halaman analisis percakapan: Pilih tab Agents. Dapat dibagikan kepada pengguna lain di organisasi dengan memberikan akses konten (View atau Manager access; Edit). Juga dapat dipublikasikan ke aplikasi eksternal seperti Gemini Enterprise (Pratinjau).
  • Memerlukan access_data dan izin lainnya pada model yang mendasari Eksplorasi (membagikan agen tidak memberikan akses ke Eksplorasi).
  • Tidak mendukung kueri emas yang berisi pivot atau kolom kustom.
Agen dasbor Dari dasbor: Pilih Chat with this dashboard. Tidak dapat dibagikan kepada pengguna lain.
  • Tidak dapat dibagikan satu per satu.
  • Tidak muncul di halaman analisis percakapan. Percakapan dengan agen dasbor hanya dapat diakses dari halaman Recent conversations, yang tersedia dari menu dasbor.
  • Terbatas pada konteks dasbor dan kartu yang ditautkan ke kuerinya.
  • Menyesuaikan perilaku agen dasbor dengan petunjuk kustom tidak didukung untuk dasbor LookML.
  • Fitur Advanced Analytics tidak didukung.

Bagaimana cara kerja analisis percakapan?

Analisis percakapan menggunakan Gemini untuk Google Cloud menafsirkan pertanyaan bahasa alami dan memberikan jawaban di Looker berdasarkan data Anda. Analisis percakapan menggunakan model semantik Looker — definisi LookML data Anda — sebagai sumber tepercaya untuk memastikan bahwa respons akurat dan konsisten. Analisis percakapan dapat menafsirkan definisi bisnis Anda untuk metrik seperti "pendapatan" atau "churn" karena ditentukan dalam LookML, menggunakan definisi ini untuk memberikan pertanyaan yang akurat dan konsisten.

Untuk mendasarkan responsnya pada data dan konteks bisnis spesifik Anda, analisis percakapan menggunakan beberapa teknik:

  • Skema LookML: Di awal permintaan, analisis percakapan mengambil skema dari Eksplorasi yang terhubung dengannya. Analisis percakapan menggunakan parameter dari model LookML dalam beberapa cara:
    • Identifikasi kolom: Metadata dari skema membantu analisis percakapan berfokus pada kolom yang relevan. Metadata ini mencakup parameter LookML seperti name, label, description, type, dan dimension_group. Parameter ini membantu analisis percakapan memetakan istilah dalam pertanyaan pengguna ke kolom yang benar. Misalnya, description dapat memberikan terminologi atau konteks khusus bisnis untuk kolom. Analisis percakapan mengabaikan kolom apa pun yang menggunakan parameter hidden.
    • Pemformatan respons: Analisis percakapan menggunakan label parameter untuk penamaan kolom yang mudah digunakan dan value_format parameter untuk memformat data dalam respons.
  • Pembuatan kueri: Daripada membuat kueri database secara langsung, analisis percakapan menentukan kolom, filter, pengurutan, dan batas yang harus digunakan dalam kueri. Looker kemudian menyusun dan menjalankan kueri menggunakan model LookML yang mendasarinya. Proses ini mirip dengan cara pengguna berinteraksi dengan antarmuka Eksplorasi; analisis percakapan tidak perlu memahami logika gabungan atau definisi kolom yang kompleks karena Looker menangani komposisi kueri berdasarkan model LookML. Pembuatan kueri memastikan bahwa semua kueri mematuhi logika gabungan, pemfilteran, agregasi, dan izin data yang ditentukan dalam model LookML Anda. Untuk membuat kueri, analisis percakapan harus menentukan nilai yang benar untuk digunakan dalam filter. Nilai ini harus cocok persis dengan nilai dalam data yang mendasarinya atau ekspresi filter yang lebih canggih seperti karakter pengganti. Untuk mengatasi perbedaan antara nilai yang disertakan pengguna dalam pertanyaan bahasa alami mereka dan nilai persis yang mungkin diperlukan oleh filter, analisis percakapan menggunakan nilai yang ditentukan dengan allowed_value di parameter kolom dan dapat menggunakan alat untuk memeriksa nilai tertentu di kolom:
    • Data contoh: Menampilkan hingga 100 nilai dari kolom untuk membantu analisis percakapan mempelajari pola atau menemukan kecocokan persis untuk nilai filter.
    • Penelusuran fuzzy: Membuat kumpulan istilah penelusuran berdasarkan input pengguna dan memeriksa keberadaannya dalam dimensi untuk menemukan nilai filter yang sesuai. Data contoh dan penelusuran fuzzy menggunakan Looker's suggestion API dan oleh karena itu dipengaruhi oleh parameter LookML seperti suggestions, suggest_explore, dan suggest_dimension.
  • Analisis: Setelah Looker menjalankan kueri, analisis percakapan akan menganalisis hasil kueri untuk menjawab pertanyaan pengguna. Analisis percakapan dapat menganalisis hasil dengan satu atau beberapa cara berikut:
    • Analisis percakapan menggunakan kemampuan Gemini bawaan untuk menafsirkan dan meringkas hasil.
    • Analisis percakapan menggunakan eksekusi kode Python melalui Advanced Analytics untuk melakukan analisis lebih lanjut pada hasil.
    • Analisis percakapan membuat visualisasi berdasarkan hasil kueri.

Dengan memanfaatkan model semantik Looker, analisis percakapan memberikan akses ke data dari berbagai platform — seperti BigQuery, AlloyDB, Redshift, Snowflake, dan Databricks — tanpa perlu memahami kompleksitas data yang mendasarinya, dan memastikan bahwa semua respons konsisten dan dikelola.

Bagaimana cara kerja agen data analisis percakapan?

Agen data analisis percakapan mendasarkan responsnya pada dua input utama: skema LookML instance Anda, yang ditentukan oleh developer Looker, dan petunjuk agen, yang Anda tulis saat membuat atau mengedit agen.

Dari kueri Anda, agen data harus menentukan kolom LookML mana yang akan dipilih dan filter, pengurutan, atau batas mana yang akan diterapkan. Untuk melakukannya secara akurat, agen data memetakan bahasa alami dalam kueri Anda ke petunjuk agennya sendiri dan skema LookML data dengan cara berikut:

  1. Memetakan istilah semantik: Pengguna sering menggunakan jargon bisnis dalam pertanyaan mereka. Agen menggunakan petunjuk agen Anda dan metadata kolom LookML untuk menafsirkan kueri Anda. Misalnya, untuk kueri "How much new business did we do?", agen data akan dapat memetakan "new business" ke ukuran yang menghitung pendapatan berulang bulanan. Untuk kueri "Who are our top customers?", agen data akan dapat memetakan "top" ke jumlah penggunaan dan "customers" ke dimensi yang disebut Customer Name.
  2. Memetakan nilai kolom: Agen mencari titik data tertentu — misalnya, "California" atau "Slim-fit Jeans" — menggunakan alat khusus untuk mengambil sampel data atau melakukan penelusuran fuzzy. Misalnya, jika pengguna meminta "jeans", agen dapat memicu penelusuran fuzzy di seluruh kolom Product Name untuk menemukan kecocokan string yang tepat di database Anda. Jika pengguna meminta "NY", apakah itu kolom City atau kolom State ? Agen mungkin perlu mengambil sampel data untuk melihat kolom mana yang berisi "NY" atau mengajukan pertanyaan klarifikasi.
  3. Penyempurnaan dengan contoh kueri: Anda dapat memberikan contoh pertanyaan dan jawaban tertentu, yang disebut "kueri emas", dalam petunjuk agen data untuk meningkatkan akurasi kueri umum atau penting.

Looker kemudian menggunakan definisi LookML kolom ini dan logika lain yang ditentukan dalam Eksplorasi — termasuk definisi kolom, pemberian akses atau atribut pengguna, filter dasbor yang ditentukan pengguna, atau logika gabungan atau Liquid yang kompleks — untuk menyusun kueri yang dikirim ke database. Karena agen tidak menulis seluruh kueri SQL, agen tidak perlu "memahami" data dan dapat beroperasi dengan lebih akurat dan deterministik.

Untuk mempelajari lebih lanjut cara agen Anda menggunakan LookML, lihat halaman dokumentasi Praktik terbaik untuk mengonfigurasi analisis percakapan di Looker.

Daftar dokumentasi

Memahami kemampuan kepatuhan fitur Gemini di Looker

Analisis Percakapan belum disertakan dalam batas otorisasi FedRAMP High atau FedRAMP Medium. Sebelum mengaktifkan setelan Gemini in Looker untuk instance Looker Anda, diskusikan dengan badan pemberi otorisasi Anda apakah penawaran kepatuhan Gemini for Google Cloud's memenuhi kebutuhan organisasi Anda.

Untuk instance Looker (Google Cloud core), setiap paket kontrol Assured Workloads yang tersedia akan menambahkan fitur Gemini di Looker sebagai penawaran default saat persyaratan dan proses perubahan paket tersebut terpenuhi. Analisis Percakapan di Looker menghormati kemampuan kepatuhan instance Looker (Google Cloud core) terkait, dengan pengecualian berikut:

Dukungan Data Residency (DRZ), khususnya untuk data tidak aktif, tersedia untuk semua pelanggan Looker. Semua data tidak aktif yang terkait dengan Analisis Percakapan berada secara ketat dalam instance Looker dan terbatas pada satu region. Data dalam perjalanan dapat diproses menggunakan layanan global.

Berikan masukan

Anda dapat memberikan masukan kepada Google tentang respons individual dalam analisis percakapan dengan memilih salah satu opsi berikut:

  • thumb_up Respons yang baik: Menunjukkan bahwa respons tersebut membantu.
  • thumb_down Respons yang buruk: Menunjukkan bahwa respons tersebut tidak membantu.