Visão geral das Análises de Conversação no Looker

A Análise Conversacional é um recurso de conversa com seus dados que é alimentado pelo Gemini para Google Cloud. Com base na camada de modelagem semântica do Looker, a Análise Conversacional permite que os usuários da sua organização façam perguntas relacionadas a dados em linguagem natural (conversacional) para uma BI de autoatendimento confiável e governada. Essa abordagem acelera a adoção de análises em toda a organização, oferecendo governança e segurança de nível empresarial.

A análise conversacional está disponível nas instâncias do Looker (Google Cloud Core) e do Looker (original).

Saiba como e quando o Gemini para Google Cloud usa seus dados.

Principais recursos

A análise de conversas inclui os seguintes recursos principais:

  • Consultar análises detalhadas em linguagem natural: converse em linguagem natural com uma análise detalhada individual ou com um agente de dados que consulta até cinco análises detalhadas.
  • Criar um agente de dados para consultar análises detalhadas: é possível personalizar um agente de consulta de análises detalhadas com tecnologia de IA fornecendo contexto e instruções específicos para seus dados. Isso ajuda o agente de dados a gerar respostas mais precisas e relevantes para o contexto. Você também pode compartilhar seus agentes de dados com outros usuários ou publicá-los em outros aplicativos, como o Gemini Enterprise, para que eles possam fazer perguntas com o mesmo contexto. É possível conectar esse tipo de agente de dados a até cinco Análises.
  • Consultar um painel usando um agente de dados Prévia: use a Análise Conversacional para gerar um agente de dados do painel que pode consultar o painel e os modelos subjacentes. Os agentes do painel ficam disponíveis quando a configuração Ativar agentes do painel está ativada na página Gemini no Looker do painel Administrador. Além disso, os criadores de painéis podem ativar ou desativar agentes no nível de cada painel definido pelo usuário.
  • Análise avançada: o recurso Análise avançada da Análise Conversacional traduz suas perguntas em linguagem natural para código Python e executa esse código. Em comparação com as consultas SQL padrão, o uso do Python pelo recurso Análise avançada permite análises e visualizações mais complexas.
  • Incorporação: é possível incorporar a Análise de conversação em um site ou aplicativo usando uma tag iframe HTML, assim como outros tipos de conteúdo do Looker. A análise de dados de conversação oferece suporte à incorporação particular, em que os usuários são autenticados com o login do Looker, e à incorporação assinada, em que os usuários são autenticados pelo seu próprio aplicativo.
  • Fluxos de trabalho com agentes acionados [Prévia]: configure alertas e monitoramento com base em métricas diretamente por consultas em linguagem natural em conversas independentes com análises detalhadas ou com agentes de dados da análise detalhada. Os fluxos de trabalho agênticos ficam disponíveis quando a configuração Agentic Workflows está ativada na página Gemini no Looker do painel Administrador.

Agentes de dados x Conversas

Conversar com um agente de dados oferece várias vantagens importantes em relação a uma conversa padrão com uma única Análise detalhada. Embora iniciar uma conversa em uma análise detalhada permita consultas rápidas em linguagem natural dessa fonte de dados específica, um agente de dados funciona como um analista independente especializado que pode ser personalizado e compartilhado em toda a organização.

Os agentes de dados oferecem a seguinte vantagem em relação às conversas com as análises detalhadas:

  • Conversar com várias análises: em uma conversa com uma análise, você só pode consultar uma análise por vez. No entanto, um agente de dados pode se conectar a até cinco análises distintas, permitindo que os usuários façam análises entre domínios e recebam respostas mais abrangentes.
  • Conversar com um painel do Looker: ao conversar com um painel, a Análise de conversação cria um agente de dados que pode ser usado para consultar não apenas um painel, mas também as análises detalhadas dele.
  • Contexto criado: você pode fornecer ao seu agente de dados instruções personalizadas que não estão disponíveis em uma conversa padrão do recurso Analisar, incluindo os seguintes recursos:
    • Consultas de ouro: você pode fornecer ao agente pares de perguntas em linguagem natural e consultas verificadas do Looker para ancorar padrões de negócios comuns e reduzir significativamente a ambiguidade para o modelo.
    • Glossários de negócios: é possível definir jargões ou acrônimos específicos da organização diretamente nas instruções do agente.
    • Estrutura de persona: você pode atribuir uma função ou especialidade específica ao agente, definindo um tom consistente e um julgamento profissional para a conversa.
  • Especialização de agentes: em vez de usar a interface genérica única de uma conversa, você pode criar agentes especializados para diferentes unidades de negócios, como um agente de receita ou um agente de operações. Isso permite uma experiência de análise mais guiada, direcionando os usuários aos campos e filtros específicos mais relevantes para as necessidades deles.
  • Colaboração e reutilização: as conversas do recurso Detalhar geralmente são limitadas a um usuário, enquanto os agentes de dados podem ser compartilhados com outros membros da sua organização. O compartilhamento garante que vários usuários possam se beneficiar do mesmo contexto e governança criados por um administrador ou especialista em dados.
  • Comportamento personalizado: você pode configurar o agente para operar dentro de requisitos rigorosos, como usar filtros padrão. Por exemplo, "sempre use os últimos seis meses se nenhum período for mencionado". Esses limites garantem que o agente opere dentro dos padrões específicos de governança e segurança da sua organização. Também é possível ocultar campos nas análises detalhadas para impedir que o agente de dados os use em consultas.

A tabela a seguir resume as principais diferenças entre esses tipos de conversas e agentes de dados:

Recurso Análise Conversacional Principais casos de uso Ponto de entrada Recursos de compartilhamento Limitações
Conferir conversas
  • Consulta padrão em linguagem natural de uma única Análise do Looker.
  • Organizar perguntas relacionadas sobre um conjunto de dados específico em sessões discretas.
  • Usa os modos de pergunta Rápido e Raciocínio.
  • No recurso Explorar, selecione Iniciar uma conversa.
  • Na página "Análise de conversas", selecione a guia Conversas.
 Normalmente, é limitada a um usuário e não pode ser compartilhada.
  • Só é possível consultar uma análise por vez.
  • Sem contexto ou instruções criadas pelo usuário (por exemplo, consultas de ouro, personas, glossários de negócios).
  • Não há especialização de agente para diferentes unidades de negócios de uma organização.
  • A opção Iniciar uma conversa não está disponível ao usar a nova experiência de Análise detalhada.
Analisar agentes de dados
  • Agentes especializados e independentes de análise de dados projetados para unidades de negócios específicas de uma organização (por exemplo, agente de receita, agente de operações).
  • Análise entre domínios que usa até cinco análises detalhadas conectadas.
  • Contexto criado que inclui instruções personalizadas, consultas de ouro, glossários empresariais e estruturas de personas para aplicar restrições e melhorar a acurácia.
  • Análises avançadas que usam a execução de código Python, se ativadas.
  • Não requer permissões explícitas de explore.
 Na página "Análise de conversas", selecione a guia Agentes. Pode ser compartilhado com outros usuários na organização concedendo acesso ao conteúdo (Visualizar ou Acesso de administrador; Editar). Também pode ser publicado em aplicativos externos, como o Gemini Enterprise (prévia).
  • Requer access_data e outras permissões nos modelos que embasam as análises detalhadas. Compartilhar o agente não concede acesso a elas.
  • Não é compatível com consultas de ouro que contêm pivôs ou campos personalizados.
Agentes do painel
  • Consultas diretas em linguagem natural de um painel específico do Looker e seus blocos vinculados a consultas.
  • Curadoria e personalização do comportamento do agente em painéis com instruções personalizadas.
  • O acesso é gerenciado estritamente por permissões no nível do painel (Gerenciar acesso; Editar no painel) e permissões do modelo.
  • Pode ser ativado ou desativado no nível do painel individual para painéis definidos pelo usuário.
 No painel, selecione Converse com este painel. Herda o modelo de compartilhamento do painel.
  • Não pode ser compartilhado de forma independente do painel.
  • Não aparecem na página da Análise Conversacional. As conversas com um agente do painel só podem ser acessadas na página Conversas recentes, disponível no menu do painel.
  • Limitado ao contexto do painel e dos blocos vinculados a consultas.
  • Não é possível personalizar o comportamento do agente do painel com instruções personalizadas em painéis do LookML.
  • O recurso Análise avançada não é compatível.

Como funciona a análise de conversas?

A análise conversacional usa o Gemini para Google Cloud interpretar perguntas em linguagem natural e fornecer respostas no Looker com base nos seus dados. Ele usa o modelo semântico do Looker (as definições LookML dos seus dados) como fonte de verdade para garantir que as respostas sejam precisas e consistentes. A Análise Conversacional pode interpretar suas definições de negócios para métricas como "receita" ou "churn" porque elas são definidas em LookML, usando essas definições para fazer perguntas precisas e consistentes.

Para basear as respostas nos seus dados e contexto de negócios específicos, a Análise Conversacional usa várias técnicas:

  • Esquema da LookML: no início de uma solicitação, o Conversational Analytics busca o esquema das Análises conectadas a ele. A Análise Conversacional usa parâmetros do modelo da LookML de várias maneiras:
    • Identificação de campos: os metadados do esquema ajudam a Análise Conversacional a se concentrar nos campos relevantes. Esses metadados incluem parâmetros da LookML, como name, label, description, type e dimension_group. Esses parâmetros ajudam a Análise Conversacional a mapear termos nas perguntas dos usuários para os campos corretos. Por exemplo, description pode fornecer terminologia ou contexto específico para um campo. A Análise Conversacional ignora todos os campos que usam o parâmetro hidden.
    • Formatação da resposta: a análise de dados de conversação usa parâmetros label para nomear campos de maneira fácil para o usuário e parâmetros value_format para formatar dados em respostas.
  • Geração de consultas: em vez de consultar seu banco de dados diretamente, a Análise Conversacional determina quais campos, filtros, classificações e limites devem ser usados na consulta. Em seguida, o Looker cria e executa a consulta usando o modelo LookML subjacente. Esse processo é semelhante à forma como um usuário interage com uma interface do recurso Detalhar. A Análise de conversas não precisa entender a lógica de junção complexa ou as definições de campo porque o Looker processa a composição de consultas com base no modelo da LookML. A geração de consultas garante que todas as consultas sigam a lógica de junção, filtragem, agregação e permissões de dados definidas no seu modelo LookML. Para gerar consultas, a Análise de dados de conversação precisa determinar os valores corretos a serem usados nos filtros. Esses valores precisam corresponder exatamente aos valores nos dados subjacentes ou a expressões de filtro mais avançadas, como caracteres curinga. Para resolver discrepâncias entre os valores que o usuário inclui nas perguntas em linguagem natural e os valores exatos que podem ser exigidos por um filtro, a Análise Conversacional usa valores definidos com allowed_value nos campos parameter e pode usar ferramentas para verificar valores específicos nos campos:
    • Dados de amostra: retorna até 100 valores de um campo para ajudar a Análise Conversacional a aprender padrões ou encontrar uma correspondência exata para valores de filtro.
    • Pesquisa aproximada: gera um conjunto de termos de pesquisa com base na entrada do usuário e verifica a presença deles em uma dimensão para encontrar valores de filtro adequados. Os dados de amostra e a pesquisa difusa usam a API de sugestões do Looker e, portanto, são influenciados por parâmetros da LookML, como suggestions, suggest_explore e suggest_dimension.
  • Análise: depois que o Looker executa as consultas, a Análise Conversacional analisa os resultados para responder às perguntas do usuário. A Análise Conversacional pode analisar resultados de uma ou mais das seguintes maneiras:
    • Ele usa recursos integrados do Gemini para interpretar e resumir os resultados.
    • Ele usa a execução de código Python pela Análise avançada para realizar mais análises nos resultados.
    • Ele cria visualizações com base nos resultados da consulta.

Ao aproveitar o modelo semântico do Looker, a análise de dados de conversação oferece acesso a dados de várias plataformas, como BigQuery, AlloyDB, Redshift, Snowflake e Databricks, sem precisar entender a complexidade dos dados subjacentes. Além disso, garante que todas as respostas sejam consistentes e governadas.

Como os agentes de dados da Análise Conversacional funcionam?

Um agente de dados do Conversational Analytics baseia as respostas em duas entradas principais: o esquema LookML da sua instância, definido por um desenvolvedor do Looker, e as instruções do agente, que você escreve ao criar ou editar o agente.

Com base na sua consulta, um agente de dados precisa determinar quais campos da LookML selecionar e quais filtros, classificações ou limites aplicar. Para fazer isso com precisão, ele mapeia a linguagem natural na sua consulta para as próprias instruções do agente e o esquema LookML dos dados das seguintes maneiras:

  1. Mapeamento de termos semânticos: os usuários costumam usar jargões empresariais nas perguntas. O agente usa suas instruções e os metadados de campo da LookML para interpretar a consulta. Por exemplo, para a consulta "Quanto de novos negócios fizemos?", um agente de dados pode mapear "novos negócios" para uma medida que calcula a receita recorrente mensal. Para a consulta "Quem são nossos principais clientes?", um agente de dados pode mapear "principais" para uma contagem de uso e "clientes" para uma dimensão chamada Nome do cliente.
  2. Mapeamento de valores de campo: o agente procura pontos de dados específicos, por exemplo, "Califórnia" ou "Jeans slim fit", usando ferramentas especializadas para amostrar os dados ou realizar pesquisas difusas. Por exemplo, se um usuário pedir "jeans", o agente poderá acionar uma pesquisa difusa no campo Nome do produto para encontrar as correspondências exatas de string no seu banco de dados. Se um usuário pedir "NY", isso é o campo Cidade ou Estado? O agente pode precisar fazer uma amostragem dos dados para ver qual campo contém "NY" ou fazer uma pergunta para esclarecer.
  3. Refinamento com exemplos de consultas: você pode fornecer exemplos específicos de perguntas e respostas, chamados de "consultas de ouro", nas instruções do agente de dados para melhorar a precisão de consultas comuns ou críticas.

Em seguida, o Looker usa as definições do LookML desses campos e outras lógicas definidas na Análise, incluindo definições de campo, concessões de acesso ou atributos do usuário, filtros de painel definidos pelo usuário ou lógicas complexas de Liquid ou junção, para criar a consulta enviada ao banco de dados. Como o agente não escreve toda a consulta SQL, ele não precisa "entender" os dados e pode operar com mais precisão e de forma determinística.

Para saber mais sobre como seu agente usa a LookML, consulte a página de documentação Práticas recomendadas para configurar a Análise Conversacional no Looker.

Lista de documentação

Entender os recursos de compliance do Gemini no Looker

A análise de conversas ainda não está incluída nos limites de autorização FedRAMP High ou FedRAMP Medium. Antes de ativar a configuração Gemini no Looker na sua instância do Looker, converse com o órgão autorizador para saber se as soluções de compliance do Gemini para Google Cloudatendem às necessidades da sua organização.

Para instâncias do Looker (Google Cloud Core), cada pacote de controle do Assured Workloads que ficar disponível vai adicionar recursos do Gemini no Looker às ofertas padrão à medida que os requisitos e processos de mudança desse pacote forem atendidos. A análise de conversas no Looker respeita os recursos de compliance da instância associada do Looker (Google Cloud Core), com a seguinte exceção:

O suporte à residência de dados (DRZ), especificamente para dados em repouso, está disponível para todos os clientes do Looker. Todos os dados em repouso associados à Análise Conversacional residem estritamente na instância do Looker e ficam confinados a uma única região. Os dados em trânsito e o machine learning (ML) são processados usando um serviço global.

Conformidade na União Europeia

Já disponível para clientes da União Europeia (UE) é uma opção de tratamento localizada que permite o tratamento de dados na jurisdição da UE. Essa opção permite que o tráfego da análise de conversas do Looker seja encaminhado por um endpoint multirregional da UE, o que garante que os dados dos clientes da UE sejam tratados dentro da UE.

O processamento localizado se aplica a todos os recursos da Análise Conversacional no Looker (exceto os agentes de dados do painel) e a todos os endpoints da API Conversational Analytics do Looker. Ela não se aplica à API Conversational Analytics.

Essa opção está disponível em uma lista de permissões. Para solicitar a inscrição na lista de permissões de processamento de ML da UE da análise de conversas do Looker, preencha o formulário de solicitação de processamento de ML da UE do Looker. A capacidade é limitada. A inscrição é concedida de acordo com a disponibilidade funcional e pode afetar a taxa de transferência do serviço. Você vai receber um e-mail de confirmação quando a inscrição for concluída.

Enviar feedback

Você pode dar feedback ao Google sobre respostas individuais no Conversational Analytics selecionando uma das seguintes opções:

  • thumb_up Boa resposta: indique que a resposta foi útil.
  • thumb_down Resposta ruim: indica que a resposta não foi útil.