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 um BI de autoatendimento controlado e confiável. Essa abordagem acelera a adoção de análises em toda a organização, oferecendo governança e segurança de nível empresarial.

A análise de conversação 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 em linguagem natural: converse em linguagem natural com uma análise individual ou com um agente de dados que está consultando até cinco análises.
  • Criar um agente de dados para consultar Análises: é possível personalizar um agente de consulta de Análises com tecnologia de IA fornecendo contexto e instruções específicos para seus dados, o que ajuda o agente a gerar respostas mais precisas e contextualmente relevantes. Também é possível 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. Adicione consultas verificadas ao contexto do agente de dados para melhorar a precisão das respostas do agente de dados da Análise.
  • Consultar um painel usando um agente de dados: use as Análises de Conversação para gerar um agente de dados de painel que pode consultar os modelos subjacentes de um painel. Quando os agentes de painel estão ativados, cada painel oferece um único agente padrão compartilhado que pode consultar o painel e os blocos vinculados a consultas. Os agentes de painel ficam disponíveis quando a configuração Agentes de painel está ativada na página Gemini no Looker no painel Administrador. Além disso, os criadores de painéis podem ativar ou desativar os agentes de painel em cada painel. Os agentes de dashboard estão disponíveis para painéis definidos pelo usuário e para dashboards do LookML.
  • Análise avançada: o recurso Análise avançada na Análise Conversacional traduz suas perguntas em linguagem natural em código Python e executa esse código. Em comparação com as consultas padrão baseadas em SQL, o uso do Python pelo recurso Análise avançada permite análises e visualizações mais complexas.
  • Incorporação: é possível incorporar o Conversational Analytics em um site ou aplicativo usando uma tag de iframe HTML, assim como em outros tipos de conteúdo do Looker. As análises de dados conversacionais são compatíveis com a incorporação particular, em que os usuários são autenticados com o login do Looker, e com a incorporação assinada, em que os usuários são autenticados pelo seu próprio aplicativo.
  • Engajamento do usuário e uso de tokens: os usuários com acesso à Atividade do sistema do Looker podem monitorar o engajamento do usuário e o uso de tokens dos agentes da Análise Conversacional em toda a instância. O painel Análise Conversacional está disponível na seção Atividade do sistema do painel Administrador.
  • Respostas e feedback de consultas de usuários [pré-lançamento]: os usuários com acesso ao conteúdo da Atividade do sistema do Looker podem monitorar os dados e o feedback de consultas dos usuários se eles tiverem consentido em compartilhar os dados de consulta e se um administrador do Looker tiver ativado o recurso em fase de pré-lançamento Análise de consultas de análise de conversas (CA) do usuário final. O painel Análise Conversacional está disponível na seção Atividade do sistema do painel Administrador.
  • Agentic Workflows acionados [pré-lançamento]: configure alertas e monitoramento com base em métricas diretamente por consultas em linguagem natural em chats diretos com um agente de dados do recurso Explorar ou do recurso Explorar. Os Agentic Workflows estão disponíveis quando as configurações Ativar recursos de trusted testers e Agentic Workflows estão ativadas na página Gemini no Looker no painel de admin Administrador, junto com a configuração de análise de conversação que corresponde ao conteúdo que você está usando (Análise de conversação (página de conversas) para Análises ou Agentes do painel para dashboards).
  • Fluxos de trabalho agênticos programados Pré-lançamento: configure fluxos de trabalho agênticos recorrentes para monitorar seus dados e enviar relatórios recorrentes. Os fluxos de trabalho agênticos programados ficam disponíveis quando a configuração Fluxos de trabalho agênticos está ativada na página Gemini no Looker do painel Administrador, junto com a configuração de Análise Conversacional que corresponde ao conteúdo que você está usando (Análise Conversacional (página Conversas) para Análises ou Agentes de painel para painéis).

Consulte a seção Lista de documentação desta página para ver links com informações mais detalhadas sobre cada recurso.

Lista de documentação

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. Iniciar uma conversa em uma Análise permite consultar rapidamente essa fonte de dados específica em linguagem natural, mas 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:

  • 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 diferentes, permitindo que os usuários façam análises entre domínios e recebam respostas mais abrangentes.
  • Conversar com um painel do Looker: quando você conversa com um painel, a Análise Conversacional cria um agente de dados de painel que pode ser usado para consultar não apenas um painel, mas também as análises subjacentes dele.
  • Contexto criado: é possível fornecer ao agente de dados instruções personalizadas que não estão disponíveis em uma conversa padrão do Explore, incluindo os seguintes recursos:
    • Glossários empresariais: é possível definir jargões ou acrônimos específicos da organização diretamente nas instruções do agente.
    • Estrutura de persona: você pode atribuir uma função ou experiência 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 para os campos e filtros específicos mais relevantes para as necessidades deles.
  • Colaboração e reutilização: as conversas do recurso Explorar 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: é possível configurar o agente para operar de acordo com requisitos estritos, como usar filtros padrão. Por exemplo, "sempre usar os últimos 6 meses como padrão se nenhum período for mencionado". Essas proteções garantem que o agente opere de acordo com os padrões específicos de governança e segurança da sua organização. Também é possível ocultar campos em Análises 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
Analisar conversas
  • Consulta padrão em linguagem natural de uma única Análise do Looker.
  • Organizar perguntas relacionadas sobre um conjunto de dados específico em sessões distintas.
  • Usa os modos de pergunta Rápido e Raciocínio.
  • Na guia Explorar: selecione Iniciar uma conversa.
  • Na página "Análise conversacional": selecione a guia Conversas.
 Normalmente, é limitada a um usuário (não pode ser compartilhada).
  • Limitado a consultar apenas uma Análise por vez.
  • Não há contexto ou instruções personalizados (por exemplo, consultas verificadas, personas, glossários empresariais).
  • Não há especialização de agentes para diferentes unidades de negócios de uma organização.
  • A opção Iniciar uma conversa não está disponível ao usar a nova experiência do Explorar.
Analisar agentes de dados
  • Agentes de análise de dados especializados e independentes, projetados para unidades de negócios específicas de uma organização (por exemplo, agente de receita, agente de operações).
  • Análise de vários domínios que usa até cinco análises detalhadas conectadas.
  • Contexto criado que inclui instruções personalizadas, consultas verificadas, glossários empresariais e frameworks de persona para aplicar proteções e melhorar a precisão.
  • Análises avançadas que usam a execução de código Python, se ativada.
  • Não requer permissões explícitas de explore.
 Na página "Análise de conversação", selecione a guia Agentes. Podem ser compartilhados com outros usuários na organização ao conceder acesso ao conteúdo (Visualizar ou Acesso de administrador; Editar). Também pode ser publicado em aplicativos externos, como o Gemini Enterprise (pré-lançamento).
  • Requer access_data e outras permissões nos modelos que estão por trás das Análises (compartilhar o agente não concede acesso às Análises).
  • Não é compatível com consultas verificadas que contêm tabelas dinâmicas ou campos personalizados.
Agentes do painel
  • Consulta direta em linguagem natural de um painel específico do Looker e dos blocos vinculados à consulta.
  • Organizar e personalizar o comportamento do agente em painéis com instruções personalizadas.
  • O acesso é gerenciado estritamente pelas permissões no nível do painel (Gerenciar acesso; Editar no painel) e pelas permissões do modelo.
  • Pode ser ativado ou desativado no nível do painel individual para painéis definidos pelo usuário.
 No painel: selecione Conversar com este painel. Herda o modelo de compartilhamento do painel.
  • Não podem ser compartilhadas de forma independente do painel.
  • Não aparecem na página "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 aos blocos vinculados à consulta.
  • 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 conversação?

A análise conversacional usa o Gemini para Google Cloud para interpretar perguntas em linguagem natural e fornecer respostas no Looker com base nos seus dados. Ele usa o modelo semântico do Looker (as definições do 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 no LookML, usando essas definições para fornecer perguntas precisas e consistentes.

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

  • Esquema do LookML: no início de uma solicitação, a Análise Conversacional busca o esquema das Análises conectadas a ela. A Análise Conversacional usa parâmetros do modelo do 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 do 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 de negócios para um campo. A Análise Conversacional ignora todos os campos que usam o parâmetro hidden.
    • Formatação de respostas: a análise de conversação usa parâmetros label para nomear campos de forma fácil de usar e parâmetros value_format para formatar dados em respostas.
  • Geração de consultas: em vez de consultar o banco de dados diretamente, a Análise Conversacional determina quais campos, filtros, classificações e limites devem ser usados na consulta. Em seguida, o Looker compõe e executa a consulta usando o modelo LookML subjacente. Esse processo é semelhante à forma como um usuário interage com uma interface de Análise. A Análise de Conversação não precisa entender a lógica de mesclagem complexa ou as definições de campo, porque o Looker lida com a composição de consultas com base no modelo do LookML. A geração de consultas garante que todas as consultas sigam a lógica de mesclagem, a filtragem, a agregação e as permissões de dados definidas no modelo do LookML. Para gerar consultas, a Análise de Conversação precisa determinar os valores corretos a serem usados nos filtros. Esses valores precisam ser correspondências exatas dos valores nos dados subjacentes ou 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 em 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. Tanto os dados de amostra quanto a pesquisa aproximada usam a API de sugestão do Looker e, portanto, são influenciados por parâmetros do 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 de conversação pode analisar os resultados de uma ou mais das seguintes maneiras:
    • Ele usa os recursos integrados do Gemini para interpretar e resumir os resultados.
    • Ele usa a execução de código Python com a Análise Avançada para realizar mais análises nos resultados.
    • Ele cria visualizações com base nos resultados da consulta.

Ao usar o modelo semântico do Looker, a Análise de Conversas oferece acesso a dados de várias plataformas, como BigQuery, AlloyDB, Redshift, Snowflake e Databricks, sem que seja necessário entender a complexidade dos dados subjacentes. Além disso, ela garante que todas as respostas sejam consistentes e controladas.

Como funcionam os agentes de dados da Análise Conversacional?

Um agente de dados do Conversational Analytics baseia as respostas em duas entradas principais: o esquema LookML da sua instância, que é 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 do LookML selecionar e quais filtros, classificações ou limites aplicar. Para fazer isso com precisão, ele mapeia a linguagem natural da 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 comerciais nas perguntas. O agente usa as instruções do agente e os metadados do campo do LookML para interpretar sua consulta. Por exemplo, para a consulta "Quantos 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, como "Califórnia" ou "calça jeans slim fit", usando ferramentas especializadas para amostrar os dados ou realizar pesquisas aproximadas. Por exemplo, se um usuário pedir "jeans", o agente poderá acionar uma pesquisa aproximada no campo Nome do produto para encontrar as correspondências exatas de string no banco de dados. Se um usuário pedir "NY", isso é o campo Cidade ou Estado? O agente pode precisar analisar os dados para ver qual campo contém "NY" ou fazer uma pergunta para esclarecer a situação.
  3. Exemplos de consultas: é possível fornecer exemplos específicos de perguntas e respostas, chamados de consultas verificadas e também conhecidos como consultas de ouro, no contexto do agente de dados para melhorar a precisão de consultas comuns ou críticas.

Em seguida, o Looker usa as definições de 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 de mesclagem, para compor a consulta que é enviada ao banco de dados. Como o agente não está escrevendo toda a consulta SQL, ele não precisa "entender" os dados e pode operar de forma mais precisa e determinística.

Para saber mais sobre como o agente usa o LookML, consulte a página de documentação Práticas recomendadas para configurar o Conversational Analytics no Looker.

Limitações conhecidas

Os agentes do painel do Conversational Analytics têm as seguintes limitações conhecidas:

  • A Análise avançada não é compatível com agentes do painel.
  • Os agentes do painel herdam o modelo de compartilhamento do painel. O acesso ao agente é controlado pelo acesso ao painel subjacente.
  • Não é possível modificar o contexto ou as instruções dos agentes de dashboards do LookML.

Limitações nas visualizações

A Análise Conversacional usa o Vega-lite para gerar gráficos de conversas. Os seguintes tipos de gráfico do Vega são totalmente compatíveis:

  • Gráfico de linhas (uma ou mais séries)
  • Gráfico de área
  • Gráfico de barras (horizontal, vertical, empilhado)
  • Gráfico de dispersão (um ou mais grupos)
  • Gráfico de pizza

Os seguintes tipos de gráfico do Vega são compatíveis, mas podem apresentar um comportamento inesperado ao serem renderizados:

  • Maps
  • Mapas de calor
  • Gráficos com dicas

Não há suporte para tipos de gráfico que não estão no catálogo do Vega. Os gráficos que não estão especificados nesta seção não são compatíveis.

Limitações nas fontes de dados

A Análise Conversacional tem as seguintes limitações de fonte de dados:

  • A Análise de Conversação pode retornar até 50.000 linhas por consulta.
  • A Análise de Conversação não pode definir o valor de um campo somente para filtro definido usando os parâmetros parameter ou filter do LookML.

Limitações das perguntas

A API Conversational Analytics é compatível com perguntas que podem ser respondidas por uma única visualização, por exemplo:

  • Tendências das métricas ao longo do tempo
  • Divisão ou distribuição de uma métrica por dimensão
  • Valores exclusivos de uma ou mais dimensões
  • Valores de uma métrica
  • Os principais valores de dimensão por métrica

A API Conversational Analytics ainda não é compatível com perguntas que só podem ser respondidas com os seguintes tipos de visualizações complexas:

  • Previsão e estimativa
  • Análise estatística avançada, incluindo correlação e detecção de anomalias

Entender os recursos de compliance do Gemini no Looker

A análise de conversas ainda não está incluída nos limites de autorização do FedRAMP High ou do FedRAMP Medium. Antes de ativar a configuração Gemini no Looker para 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 for disponibilizado vai adicionar recursos do Gemini no Looker às ofertas padrão, conforme os requisitos e processos de mudança desse pacote forem atendidos. As análises conversacionais no Looker respeitam 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 estão confinados a uma única região. Os dados em trânsito e o machine learning (ML) são processados usando um serviço global.

Conformidade na União Europeia

O processamento localizado está disponível para clientes na União Europeia (UE) com instâncias do Looker (original) ou do Looker (Google Cloud Core) que executam o Looker 26.10 ou mais recente. Essa opção permite o tratamento de dados na jurisdição da UE e permite que o tráfego da Análise de Conversação do Looker seja roteado por um endpoint multirregional da UE, o que garante que os dados dos clientes da UE sejam tratados na UE.

O processamento localizado se aplica a todos os recursos da Análise Conversacional no Looker e a todos os endpoints da API Conversational Analytics do Looker. Ele não se aplica à API Conversational Analytics.

Enviar feedback

Para enviar feedback ao Google sobre respostas individuais na Análise Conversacional, selecione uma das seguintes opções:

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