Konversationelle Analyse in Looker – Übersicht

Die konversationelle Analyse ist eine Funktion, mit der Sie Ihre Daten per Chat abfragen können. Sie basiert auf Gemini für Google Cloud. Die konversationelle Analyse basiert auf der semantischen Modellierungsebene von Looker und ermöglicht es Nutzern in Ihrer Organisation, Fragen zu Daten in natürlicher Sprache zu stellen, um eine kontrollierte, vertrauenswürdige Self-Service-BI zu erhalten. Dieser Ansatz beschleunigt die Einführung von Analysen in Ihrem Unternehmen, da er Governance und Sicherheit auf Unternehmensniveau bietet.

Die konversationelle Analyse ist sowohl in Looker (Google Cloud Core)- als auch in Looker (Original)-Instanzen verfügbar.

Weitere Informationen dazu, wie und wann Gemini for Google Cloud Ihre Daten verwendet

Wichtige Features

Die Gesprächsanalyse umfasst die folgenden Hauptfunktionen:

  • Explores in natürlicher Sprache abfragen: Sie können sich in natürlicher Sprache mit einem einzelnen Explore oder mit einem KI-Datenagenten unterhalten, der bis zu fünf Explores abfragt.
  • Datenagent zum Abfragen von Explores erstellen: Sie können einen KI-basierten Agent zum Abfragen von Explores anpassen, indem Sie Kontext und Anweisungen bereitstellen, die für Ihre Daten spezifisch sind. So kann der Datenagent genauere und kontextbezogenere Antworten generieren. Sie können Ihre Data Agents auch für andere Nutzer freigeben oder in anderen Anwendungen wie Gemini Enterprise veröffentlichen, damit diese Fragen mit demselben Kontext stellen können. Sie können diesen Typ von Daten-Agent mit bis zu fünf Explores verbinden. Fügen Sie dem Kontext Ihres KI-Datenagenten bestätigte Abfragen hinzu, um die Accuracy der Antworten Ihres Explore-KI-Datenagenten zu verbessern.
  • Dashboard mit einem KI-Datenagenten abfragen Vorabversion: Mit der konversationellen Analyse können Sie einen Dashboard-KI-Datenagenten erstellen, der die zugrunde liegenden Modelle eines Dashboards abfragen kann. Dashboardagenten sind verfügbar, wenn die Einstellung Dashboardagenten aktivieren auf der Seite Gemini in Looker im Bereich Admin aktiviert ist. Außerdem können Dashboard-Ersteller Dashboard-Agents auf der Ebene einzelner Dashboards aktivieren oder deaktivieren. Dashboard-Agents sind für benutzerdefinierte Dashboards und LookML-Dashboards verfügbar.
  • Erweiterte Analysen: Mit der Funktion Erweiterte Analysen in der konversationellen Analyse werden Ihre Fragen in natürlicher Sprache in Python-Code übersetzt und dieser Code wird ausgeführt. Im Vergleich zu Standard-SQL-basierten Abfragen ermöglicht die Verwendung von Python in der Funktion Erweiterte Analysen komplexere Analysen und Visualisierungen.
  • Einbetten: Sie können Conversational Analytics in eine Website oder Anwendung einbetten, indem Sie ein HTML-iframe-Tag verwenden, genau wie bei anderen Looker-Inhaltstypen. Die Analyse von Unterhaltungen unterstützt sowohl privates Einbetten, bei dem Nutzer mit ihrem Looker-Login authentifiziert werden, als auch signiertes Einbetten, bei dem Nutzer über Ihre eigene Anwendung authentifiziert werden.
  • Nutzer-Engagement, Überwachung der Tokennutzung und Feedback Vorabversion: Nutzer mit Zugriff auf Looker System Activity-Inhalte können mehr über das Nutzer-Engagement und die Tokennutzung erfahren, wenn ein Looker-Administrator die Vorabversion Conversational Analytics Agent Token usage aktiviert hat. Nutzer mit Zugriff auf Looker-Systemaktivitätsinhalte können die Abfragedaten von Nutzern überwachen, sofern die Nutzer der Weitergabe ihrer Abfragedaten zugestimmt haben und ein Looker-Administrator die Vorschaufunktion End User Conversational Analytics (CA) Query Review aktiviert hat. Das Dashboard Konversationelle Analyse ist im Bereich Systemaktivität des Admin-Bereichs verfügbar.
  • Ausgelöste agentische Workflows Vorabversion: Sie können messwertbasierte Benachrichtigungen und das Monitoring direkt über Abfragen in natürlicher Sprache in eigenständigen Unterhaltungen mit Explores oder mit Explore-Daten-Agents einrichten. Agentic Workflows sind verfügbar, wenn die Einstellung Agentic Workflows auf der Seite Gemini in Looker im Bereich Admin aktiviert ist.

KI-Datenagenten im Vergleich zu Unterhaltungen

Die Interaktion mit einem Daten-Agenten bietet mehrere wichtige Vorteile gegenüber einer Standardunterhaltung mit einem einzelnen Explore. Wenn Sie eine Unterhaltung über ein Explore starten, können Sie schnell Abfragen in natürlicher Sprache für diese bestimmte Datenquelle ausführen. Ein Daten-Agent fungiert jedoch als spezialisierter, eigenständiger Analyst, der angepasst und in Ihrer gesamten Organisation freigegeben werden kann.

KI-Datenagenten bieten gegenüber Unterhaltungen mit Explores folgende Vorteile:

  • Chat mit mehreren Explores: In einer Unterhaltung mit einem Explore können Sie jeweils nur ein Explore abfragen. Ein Daten-Agent kann jedoch mit bis zu fünf verschiedenen Explores verbunden werden. So können Nutzer domainübergreifende Analysen durchführen und umfassendere Antworten erhalten.
  • Mit einem Looker-Dashboard chatten: Wenn Sie mit einem Dashboard chatten, wird durch die konversationelle Analyse ein Dashboard-Daten-Agent erstellt, mit dem Sie nicht nur ein Dashboard, sondern auch die zugrunde liegenden Explores abfragen können.
  • Erstellter Kontext: Sie können Ihrem Datenagenten benutzerdefinierte Anweisungen geben, die in einer Standardunterhaltung in Explore nicht verfügbar sind. Dazu gehören die folgenden Ressourcen:
    • Unternehmensglossare: Sie können organisationsspezifische Fachbegriffe oder Akronyme direkt in den Anweisungen des KI-Agents definieren.
    • Persona-Framework: Sie können dem Agenten eine bestimmte Rolle oder ein bestimmtes Fachwissen zuweisen, um einen konsistenten Ton und eine professionelle Einschätzung für die Unterhaltung festzulegen.
  • Spezialisierung von Agenten: Anstatt die einzelne generische Schnittstelle einer Unterhaltung zu verwenden, können Sie spezialisierte Agenten für verschiedene Geschäftsbereiche erstellen, z. B. einen Revenue Agent (Umsatz-Agent) oder einen Ops Agent (Betriebs-Agent). So können Nutzer die Analyse besser nachvollziehen und werden zu den Feldern und Filtern geleitet, die für ihre Anforderungen am relevantesten sind.
  • Zusammenarbeit und Wiederverwendung: Explore-Unterhaltungen sind in der Regel auf einen Nutzer beschränkt, während Data Agents für andere Mitglieder Ihrer Organisation freigegeben werden können. Durch die Freigabe können mehrere Nutzer von demselben erstellten Kontext und derselben Governance profitieren, die von einem Administrator oder Datenexperten entwickelt wurden.
  • Benutzerdefiniertes Verhalten: Sie können Ihren Agent so konfigurieren, dass er bestimmte Anforderungen erfüllt, z. B. Standardfilter verwendet. Ein Beispiel: „Wenn kein Zeitraum angegeben ist, verwende immer die letzten sechs Monate.“ Diese Sicherheitsvorkehrungen sorgen dafür, dass der Agent die Governance- und Sicherheitsstandards Ihrer Organisation einhält. Sie können auch Felder in Explores ausblenden, damit der Daten-Agent sie nicht in Abfragen verwendet.

In der folgenden Tabelle sind die wichtigsten Unterschiede zwischen diesen Arten von Unterhaltungen und KI-Datenagenten zusammengefasst:

Funktion „Konversationelle Analyse“ Gängige Anwendungsfälle Einstiegspunkt Freigabefunktionen Beschränkungen
Konversationen ansehen
  • Standardabfragen in natürlicher Sprache für ein einzelnes Looker-Explore.
  • Zusammengehörige Fragen zu einem bestimmten Dataset werden in separaten Sitzungen organisiert.
  • Verwendet die Fragemodi Fast und Thinking.
  • Wählen Sie in der Explore-Ansicht Unterhaltung beginnen aus.
  • Auf der Seite „Conversational Analytics“: Wählen Sie den Tab Unterhaltungen aus.
 In der Regel auf einen Nutzer beschränkt (nicht gemeinsam nutzbar).
  • Es kann jeweils nur ein Explore abgefragt werden.
  • Kein benutzerdefinierter Kontext oder benutzerdefinierte Anweisungen (z. B. bestätigte Anfragen, Personas, Unternehmensglossare).
  • Keine Agentspezialisierung für verschiedene Geschäftsbereiche einer Organisation
  • Die Option Unterhaltung starten ist bei der neuen Explore-Funktion nicht verfügbar.
KI-Datenagenten ansehen
  • Spezialisierte, eigenständige Datenanalyse-KI-Agenten, die für bestimmte Geschäftsbereiche einer Organisation entwickelt wurden (z. B. Revenue Agent, Ops Agent).
  • Domainübergreifende Analyse mit bis zu fünf verknüpften Explores.
  • Erstellter Kontext mit benutzerdefinierten Anweisungen, verifizierten Anfragen, Unternehmensglossaren und Persona-Frameworks, um Schutzmaßnahmen zu erzwingen und die Genauigkeit zu verbessern.
  • Erweiterte Analysen, bei denen Python-Code ausgeführt wird, sofern aktiviert.
  • Erfordert keine expliziten explore-Berechtigungen.
 Wählen Sie auf der Seite „Conversational Analytics“ den Tab Agents aus. Kann für andere Nutzer in der Organisation freigegeben werden, indem Zugriff auf Inhalte gewährt wird (Ansehen oder Administratorzugriff; Bearbeiten). Kann auch in externen Anwendungen wie Gemini Enterprise (Vorabversion) veröffentlicht werden.
  • Erfordert access_data und andere Berechtigungen für die Modelle, die den Explores zugrunde liegen. Durch die Freigabe des Agents wird kein Zugriff auf die Explores gewährt.
  • Unterstützt keine bestätigten Anfragen, die Pivots oder benutzerdefinierte Felder enthalten.
Dashboard-Agents
  • Direkte Abfragen in natürlicher Sprache für ein bestimmtes Looker-Dashboard und die zugehörigen mit Abfragen verknüpften Kacheln.
  • Agentenverhalten in Dashboards mit benutzerdefinierten Anweisungen optimieren und anpassen
  • Der Zugriff wird ausschließlich über Berechtigungen auf Dashboard-Ebene (Zugriff verwalten; Bearbeiten im Dashboard) und Modellberechtigungen verwaltet.
  • Kann für benutzerdefinierte Dashboards auf der Ebene des einzelnen Dashboards aktiviert oder deaktiviert werden.
 Über das Dashboard: Wählen Sie Mit diesem Dashboard chatten aus. Übernimmt das Freigabemodell des Dashboards.
  • Kann nicht unabhängig vom Dashboard freigegeben werden.
  • Sie werden nicht auf der Seite „Konversationelle Analyse“ angezeigt. Unterhaltungen mit einem Dashboard-Agenten sind nur über die Seite Letzte Unterhaltungen zugänglich, die über das Dashboard-Menü aufgerufen werden kann.
  • Beschränkt auf den Kontext des Dashboards und der damit verknüpften Tiles.
  • Das Anpassen des Dashboard-Agent-Verhaltens mit benutzerdefinierten Anweisungen wird für LookML-Dashboards nicht unterstützt.
  • Die Funktion Erweiterte Analysen wird nicht unterstützt.

Wie funktioniert Conversational Analytics?

Bei der konversationellen Analyse wird Gemini für Google Cloud verwendet, um Fragen in natürlicher Sprache zu interpretieren und auf Grundlage Ihrer Daten Antworten in Looker zu liefern. Es verwendet das semantische Modell von Looker – die LookML-Definitionen Ihrer Daten – als zentrale Informationsquelle, um sicherzustellen, dass die Antworten korrekt und konsistent sind. Die konversationelle Analyse kann Ihre Geschäftsdefinitionen für Messwerte wie „Umsatz“ oder „Kündigung“ interpretieren, da sie in LookML definiert sind. Anhand dieser Definitionen werden genaue und konsistente Fragen gestellt.

Um die Antworten auf Ihre spezifischen Daten und Ihren geschäftlichen Kontext zu stützen, werden bei der konversationellen Analyse verschiedene Techniken verwendet:

  • LookML-Schema: Zu Beginn einer Anfrage ruft Conversational Analytics das Schema aus den Explores ab, die damit verbunden sind. Bei konversationellen Analysen werden Parameter aus dem LookML-Modell auf verschiedene Weise verwendet:
    • Felder identifizieren: Metadaten aus dem Schema helfen Conversational Analytics, sich auf relevante Felder zu konzentrieren. Diese Metadaten umfassen LookML-Parameter wie name, label, description, type und dimension_group. Mithilfe dieser Parameter kann die konversationelle Analyse Begriffe in Nutzerfragen den richtigen Feldern zuordnen. description kann beispielsweise unternehmensspezifische Terminologie oder Kontext für ein Feld bereitstellen. In Conversational Analytics werden alle Felder ignoriert, in denen der Parameter hidden verwendet wird.
    • Antwortformatierung: Bei der konversationellen Analyse werden label-Parameter für die benutzerfreundliche Feldbenennung und value_format-Parameter für die Formatierung von Daten in Antworten verwendet.
  • Abfragegenerierung: Anstatt Ihre Datenbank direkt abzufragen, wird bei der konversationellen Analyse ermittelt, welche Felder, Filter, Sortierungen und Grenzwerte in der Abfrage verwendet werden sollen. Looker erstellt und führt die Abfrage dann mithilfe des zugrunde liegenden LookML-Modells aus. Dieser Prozess ähnelt der Interaktion eines Nutzers mit einer Explore-Oberfläche. Conversational Analytics muss keine komplexe Join-Logik oder Felddefinitionen verstehen, da Looker die Abfrage auf Grundlage des LookML-Modells erstellt. Durch die Abfragegenerierung wird sichergestellt, dass alle Abfragen der Join-Logik, den Filtern, der Aggregation und den Datenberechtigungen entsprechen, die in Ihrem LookML-Modell definiert sind. Damit Abfragen generiert werden können, muss Conversational Analytics die richtigen Werte für Filter ermitteln. Diese Werte müssen genau mit den Werten in den zugrunde liegenden Daten übereinstimmen oder erweiterte Filterausdrücke wie Platzhalter enthalten. Um Abweichungen zwischen den Werten, die der Nutzer in seine Fragen in natürlicher Sprache aufnimmt, und den genauen Werten, die für einen Filter erforderlich sein können, zu beheben, werden in Conversational Analytics Werte verwendet, die mit allowed_value in parameter-Feldern definiert sind. Außerdem können Tools verwendet werden, um nach bestimmten Werten in Feldern zu suchen:
    • Beispieldaten: Gibt bis zu 100 Werte aus einem Feld zurück, damit Conversational Analytics Muster erkennen oder eine genaue Übereinstimmung für Filterwerte finden kann.
    • Fuzzy-Suche: Generiert eine Reihe von Suchbegriffen basierend auf der Nutzereingabe und prüft, ob sie in einer Dimension vorhanden sind, um geeignete Filterwerte zu finden. Sowohl Beispieldaten als auch die unscharfe Suche verwenden die Vorschlags-API von Looker und werden daher von LookML-Parametern wie suggestions, suggest_explore und suggest_dimension beeinflusst.
  • Analyse: Nachdem Looker die Abfragen ausgeführt hat, werden die Abfrageergebnisse von Conversational Analytics analysiert, um Nutzerfragen zu beantworten. Bei konversationellen Analysen können Ergebnisse auf verschiedene Arten analysiert werden:
    • Dabei werden integrierte Gemini-Funktionen verwendet, um Ergebnisse zu interpretieren und zusammenzufassen.
    • Dazu wird die Ausführung von Python-Code über Advanced Analytics verwendet, um die Ergebnisse weiter zu analysieren.
    • Es erstellt Visualisierungen auf Grundlage von Abfrageergebnissen.

Mithilfe des semantischen Modells von Looker bietet Conversational Analytics Zugriff auf Daten aus verschiedenen Plattformen wie BigQuery, AlloyDB, Redshift, Snowflake und Databricks, ohne dass die zugrunde liegende Datenkomplexität verstanden werden muss. Außerdem wird dafür gesorgt, dass alle Antworten konsistent und geregelt sind.

Wie funktionieren Daten-KI-Agenten für Conversational Analytics?

Die Antworten eines Conversational Analytics-Daten-KI-Agenten basieren auf zwei primären Eingaben: dem LookML-Schema Ihrer Instanz, das von einem Looker-Entwickler definiert wird, und den Agent-Anweisungen, die Sie beim Erstellen oder Bearbeiten des Agenten schreiben.

Ein Daten-Agent muss anhand Ihrer Anfrage ermitteln, welche LookML-Felder ausgewählt und welche Filter, Sortierungen oder Grenzwerte angewendet werden sollen. Dazu wird die natürliche Sprache in Ihrer Anfrage auf folgende Weise den eigenen Agent-Anweisungen und dem LookML-Schema der Daten zugeordnet:

  1. Semantische Begriffe zuordnen: Nutzer verwenden in ihren Fragen oft Fachbegriffe. Der KI-Agent verwendet Ihre Agent-Anweisungen und die LookML-Feldmetadaten, um Ihre Anfrage zu interpretieren. Bei der Anfrage „Wie viel Neugeschäft haben wir gemacht?“ kann ein Daten-Agent „Neugeschäft“ beispielsweise einem Messwert zuordnen, mit dem der monatliche wiederkehrende Umsatz berechnet wird. Bei der Frage „Wer sind unsere wichtigsten Kunden?“ kann ein Daten-Agent „wichtigsten“ einer Anzahl von Nutzungen und „Kunden“ einer Dimension namens Customer Name (Kundenname) zuordnen.
  2. Feldwerte zuordnen: Der Agent sucht mithilfe spezieller Tools nach bestimmten Datenpunkten, z. B. „Kalifornien“ oder „Slim-Fit-Jeans“, um die Daten zu erfassen oder unscharfe Suchanfragen auszuführen. Wenn ein Nutzer beispielsweise nach „Jeans“ fragt, kann der Agent eine unscharfe Suche im Feld Produktname auslösen, um die genauen String-Übereinstimmungen in Ihrer Datenbank zu finden. Wenn ein Nutzer nach „NY“ fragt, ist das dann das Feld City oder State? Der KI-Agent muss möglicherweise die Daten stichprobenartig untersuchen, um herauszufinden, in welchem Feld „NY“ enthalten ist, oder eine klärende Frage stellen.
  3. Beispielabfragen: Sie können spezifische Frage-Antwort-Beispiele, sogenannte bestätigte Abfragen oder Gold-Abfragen, im Kontext des Daten-KI-Agenten angeben, um die Genauigkeit für häufige oder wichtige Abfragen zu verbessern.

Looker verwendet dann die LookML-Definitionen dieser Felder und andere Logik, die im Explore definiert ist, einschließlich Felddefinitionen, Zugriffsberechtigungen oder Nutzerattributen, nutzerdefinierten Dashboardfiltern oder komplexer Liquid- oder Join-Logik, um die Abfrage zu erstellen, die an die Datenbank gesendet wird. Da der Agent nicht die gesamte SQL-Abfrage schreibt, muss er die Daten nicht „verstehen“ und kann genauer und deterministischer arbeiten.

Weitere Informationen dazu, wie Ihr Agent LookML verwendet, finden Sie auf der Dokumentationsseite Best Practices für die Konfiguration von Conversational Analytics in Looker.

Bekannte Einschränkungen

Für Conversational Analytics-Dashboard-Agents gelten die folgenden bekannten Einschränkungen:

  • Advanced Analytics wird für Dashboard-Agents nicht unterstützt.
  • Dashboard-Agenten übernehmen das Freigabemodell des Dashboards. Der Zugriff auf den Agenten unterliegt dem Zugriff auf das zugrunde liegende Dashboard.
  • Sie können den Kontext oder die Anweisungen für LookML-Dashboard-Agents nicht ändern.

Einschränkungen bei Visualisierungen

Für die Erstellung von Konversationsdiagrammen wird in Conversational Analytics Vega-Lite verwendet. Die folgenden Vega-Diagrammtypen werden vollständig unterstützt:

  • Liniendiagramm (eine oder mehrere Reihen)
  • Flächendiagramm
  • Balkendiagramm (horizontal, vertikal, gestapelt)
  • Streudiagramm (eine oder mehrere Gruppen)
  • Kreisdiagramm

Die folgenden Vega-Diagrammtypen werden unterstützt, aber beim Rendern kann es zu unerwartetem Verhalten kommen:

  • Maps
  • Heatmaps
  • Diagramme mit Kurzinfos

Diagrammtypen, die nicht im Vega-Katalog enthalten sind, werden nicht unterstützt. Alle Diagramme, die in diesem Abschnitt nicht aufgeführt sind, werden als nicht unterstützt betrachtet.

Einschränkungen bei Datenquellen

Für die konversationelle Analyse gelten die folgenden Einschränkungen für Datenquellen:

  • Conversational Analytics kann maximal 50.000 Zeilen pro Abfrage zurückgeben.
  • Mit Conversational Analytics kann der Wert eines Nur-Filter-Feldes, das mit den LookML-Parametern parameter oder filter definiert ist, nicht festgelegt werden.

Einschränkungen bei Fragen

Conversational Analytics unterstützt Fragen, die mit einer einzelnen Visualisierung beantwortet werden können, z. B.:

  • Trends der Messwerte im Zeitverlauf
  • Aufschlüsselung oder Verteilung eines Messwerts nach Dimension
  • Eindeutige Werte für eine oder mehrere Dimensionen
  • Einzelne Messwerte
  • Die wichtigsten Dimensionswerte nach Messwert

Conversational Analytics unterstützt noch keine Fragen, die nur mit den folgenden Arten von komplizierten Visualisierungen beantwortet werden können:

  • Vorhersage und Prognose
  • Erweiterte statistische Analysen, einschließlich Korrelations- und Anomalieerkennung

Liste der Dokumentation

Compliance-Funktionen von Gemini in Looker-Funktionen

Die konversationelle Analyse ist noch nicht in den Autorisierungsgrenzen von FedRAMP High oder FedRAMP Medium enthalten. Bevor Sie die Einstellung Gemini in Looker für Ihre Looker-Instanz aktivieren, sollten Sie mit Ihrer Genehmigungsstelle besprechen, ob die Compliance-Angebote von Gemini für Google Cloudden Anforderungen Ihrer Organisation entsprechen.

Bei Looker (Google Cloud Core)-Instanzen werden die Gemini in Looker-Funktionen den Standardangeboten hinzugefügt, sobald ein Assured Workloads-Kontrollpaket verfügbar ist und die Änderungsanforderungen und -prozesse dieses Pakets erfüllt sind. Die Compliancefunktionen der zugehörigen Looker (Google Cloud Core)-Instanz werden bei der Konversationsanalyse in Looker berücksichtigt. Die folgende Ausnahme gilt:

Die Unterstützung für den Datenstandort (Data Residency Zone, DRZ), insbesondere für ruhende Daten, ist für alle Looker-Kunden verfügbar. Alle ruhenden Daten, die mit Conversational Analytics verknüpft sind, befinden sich ausschließlich in der Looker-Instanz und sind auf eine einzelne Region beschränkt. Daten bei der Übertragung und maschinelles Lernen (ML) werden über einen globalen Dienst verarbeitet.

Compliance in der Europäischen Union

Die lokale Verarbeitung ist für Kunden mit Sitz in der Europäischen Union (EU) mit Instanzen von Looker (Original) oder Looker (Google Cloud Core) verfügbar, auf denen Looker 26.10 oder höher ausgeführt wird. Diese Option ermöglicht die Datenverarbeitung innerhalb der EU und sorgt dafür, dass der Traffic von Conversational Analytics für Looker über einen multiregionalen EU-Endpunkt geleitet wird. So werden Kundendaten aus der EU innerhalb der EU verarbeitet.

Die lokale Verarbeitung gilt für alle Funktionen für die konversationelle Analyse in Looker (mit Ausnahme von Dashboard-KI-Datenagenten) und alle Looker API-Endpunkte für die konversationelle Analyse. Sie gilt nicht für die Conversational Analytics API.

Feedback geben

Sie können Google Feedback zu einzelnen Antworten in der konversationellen Analyse geben, indem Sie eine der folgenden Optionen auswählen:

  • thumb_up Gute Antwort: Geben Sie an, dass die Antwort hilfreich war.
  • thumb_down Schlechte Antwort: Geben Sie an, dass die Antwort nicht hilfreich war.