סקירה כללית של ניתוח נתונים בשיחה ב-Looker

ניתוח שיחות הוא תכונה שמאפשרת לנהל שיחה עם הנתונים שלכם, והיא מבוססת על Gemini for Google Cloud. הניתוח השיחתי מבוסס על שכבת המודלים הסמנטיים של Looker, ומאפשר למשתמשים בארגון לשאול שאלות שקשורות לנתונים בשפה טבעית רגילה (שיחה) כדי לקבל תובנות עסקיות אמינות בשירות עצמי. הגישה הזו מאיצה את הטמעת ניתוח הנתונים בארגון, כי היא מספקת ניהול ומדיניות אבטחה 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

ניתוח שיחות כולל את התכונות העיקריות הבאות:

  • שאילתות בשפה טבעית ב-Explore: אפשר לנהל שיחה בשפה טבעית עם Explore ספציפי או עם סוכן נתונים שמבצע שאילתות בחמישה דוחות Explore לכל היותר.
  • יצירת סוכן נתונים לשאילתות ב-Explore: אתם יכולים להתאים אישית סוכן מבוסס-AI לשאילתות ב-Explore על ידי מתן הקשר והוראות שספציפיים לנתונים שלכם. כך סוכן הנתונים יכול ליצור תשובות מדויקות ורלוונטיות יותר להקשר. אתם יכולים גם לשתף את סוכני הנתונים עם משתמשים אחרים או לפרסם אותם באפליקציות אחרות, כמו Gemini Enterprise, כדי שהם יוכלו לשאול שאלות עם אותו הקשר. אפשר לקשר את סוג הסוכן הזה לנתונים ל-5 ניתוחים לכל היותר. כדי לשפר את הדיוק של התשובות של סוכן הנתונים של Explore, אפשר להוסיף שאילתות מאומתות להקשר של סוכן הנתונים.
  • שליחת שאילתה ללוח בקרה באמצעות סוכן נתונים תצוגה מקדימה: אפשר להשתמש ב-Conversational Analytics כדי ליצור סוכן נתונים של לוח בקרה שיכול לשלוח שאילתות למודלים הבסיסיים של לוח הבקרה. סוכני מרכז הבקרה זמינים כשההגדרה הפעלת סוכני מרכז הבקרה מופעלת בדף Gemini ב-Looker בחלונית ניהול. בנוסף, יוצרים של מרכזי בקרה יכולים להפעיל או להשבית סוכני מרכז בקרה ברמה של מרכז בקרה ספציפי. סוכני לוחות בקרה זמינים ללוחות בקרה בהגדרת המשתמש וללוחות בקרה של LookML.
  • ניתוח מתקדם: התכונה ניתוח מתקדם בתוך 'ניתוח שיחות' מתרגמת את השאלות שלכם בשפה טבעית לקוד Python ומריצה את הקוד הזה. בהשוואה לשאילתות רגילות שמבוססות על SQL, השימוש ב-Python בתכונה ניתוח מתקדם מאפשר ניתוחים והמחשות מורכבים יותר.
  • הטמעה: אפשר להטמיע את ניתוח השיחות באתר או באפליקציה באמצעות תג iframe של HTML, בדיוק כמו סוגי תוכן אחרים ב-Looker. ניתוח שיחות תומך גם בהטמעה פרטית, שבה המשתמשים מאומתים באמצעות פרטי הכניסה שלהם ל-Looker, וגם בהטמעה עם חתימה, שבה המשתמשים מאומתים באמצעות האפליקציה שלכם.
  • מעורבות משתמשים, מעקב אחר השימוש באסימונים ומשוב גרסת Preview: משתמשים עם גישה לתוכן של פעילות המערכת ב-Looker יכולים לקבל מידע נוסף על מעורבות משתמשים ועל השימוש באסימונים אם אדמין ב-Looker הפעיל את תכונת ה-Preview‏ Conversational Analytics Agent Token usage. משתמשים עם גישה לתוכן של פעילות המערכת ב-Looker יכולים לעקוב אחרי נתוני השאילתות של המשתמשים (אם המשתמשים הסכימו לשיתוף נתוני השאילתות שלהם) ואם אדמין ב-Looker הפעיל את תכונת התצוגה המקדימה בדיקת שאילתות של ניתוח שיחות (CA) של משתמשי קצה. מרכז הבקרה Conversational Analytics זמין בקטע System Activity בחלונית Admin.
  • תהליכי עבודה אג'נטיים מבוססי-טריגר תצוגה מקדימה: הגדרה של התראות ומעקב מבוססי-מדדים ישירות באמצעות שאילתות בשפה טבעית בשיחות עצמאיות עם Explores או עם סוכני נתונים של Explore. תהליכי עבודה מבוססי-סוכנים זמינים כשההגדרה Agentic Workflows (תהליכי עבודה מבוססי-סוכנים) מופעלת בדף Gemini in Looker (‏Gemini ב-Looker) בחלונית Admin (ניהול).

סוכני נתונים לעומת שיחות

לשיחה עם סוכן נתונים יש כמה יתרונות מרכזיים בהשוואה לשיחה רגילה עם ניתוח נתונים. 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, וכך לאפשר למשתמשים לבצע ניתוח חוצה-דומיינים ולקבל תשובות מקיפות יותר.
  • צ'אט עם מרכז שליטה ב-Looker: כשמנהלים צ'אט עם מרכז שליטה, ניתוח נתונים בשיחה יוצר סוכן נתונים של מרכז השליטה, שאפשר להשתמש בו כדי לשאול שאילתות לא רק על מרכז השליטה אלא גם על ניתוחי הנתונים הבסיסיים שלו.
  • הקשר שנוצר על ידי המשתמש: אתם יכולים לספק לסוכן הנתונים הוראות מותאמות אישית שלא זמינות בשיחה רגילה ב-Explore, כולל המשאבים הבאים:
    • 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 סגנון עקבי ושיקול דעת מקצועי לשיחה.
  • התמחות של סוכנים: במקום להשתמש בממשק כללי יחיד 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 בחיפושים מתקדמים מוגבלות 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 להשתמש בברירת המחדל של 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.

בטבלה הבאה מפורטים ההבדלים העיקריים בין סוגי השיחות האלה ובין סוכני הנתונים:

התכונה 'ניתוח נתוני השיחות' תרחישי שימוש עיקריים נקודת כניסה יכולות שיתוף מגבלות
הצגת השיחות
  • שאילתות רגילות בשפה טבעית של Looker Explore יחיד.
  • ארגון שאלות קשורות לגבי מערך נתונים ספציפי לסשנים נפרדים.
  • משתמש במצבי השאלות זריזות והעמקה.
  • בכרטיסייה 'חיפוש', לוחצים על התחלת שיחה.
  • בדף 'ניתוח שיחות': לוחצים על הכרטיסייה שיחות.
 בדרך כלל מוגבל למשתמש אחד (אי אפשר לשתף).
  • אפשר להריץ שאילתה רק על ניתוח אחד בכל פעם.
  • אין הקשר או הוראות שנוצרו בהתאמה אישית (לדוגמה, שאילתות מאומתות, פרסונות, מילוני מונחים עסקיים).
  • אין התמחות של סוכנים ביחידות עסקיות שונות בארגון.
  • האפשרות התחלת שיחה לא זמינה כשמשתמשים בממשק החדש של 'אפשרויות נוספות'.
סוכני נתונים
  • סוכני ניתוח נתונים עצמאיים וייעודיים שמיועדים ליחידות עסקיות ספציפיות בארגון (לדוגמה, סוכן הכנסות, סוכן תפעול).
  • ניתוח בכמה דומיינים שמשתמש בעד חמישה ניתוחים מקושרים.
  • הקשר שנוצר כולל הוראות מותאמות אישית, שאילתות מאומתות, מילוני מונחים עסקיים ומסגרות של פרסונות, כדי לאכוף אמצעי הגנה ולשפר את הדיוק.
  • ניתוח מתקדם שמשתמש בהרצת קוד Python, אם האפשרות הזו מופעלת.
  • לא נדרשות הרשאות explore מפורשות.
 בדף 'ניתוח שיחות', לוחצים על הכרטיסייה סוכנים. אפשר לשתף אותו עם משתמשים אחרים בארגון על ידי הענקת גישה לתוכן (צפייה או גישת ניהול; עריכה). אפשר גם לפרסם אותן באפליקציות חיצוניות כמו Gemini Enterprise (גרסת טרום-השקה).
  • נדרשות הרשאות access_data והרשאות אחרות במודלים שמהווים את הבסיס לניתוחים (שיתוף הסוכן לא מעניק גישה לניתוחים).
  • אין תמיכה בשאילתות מאומתות שמכילות טבלאות ציר או שדות בהתאמה אישית.
סוכני מרכז הבקרה
  • שאילתות ישירות בשפה טבעית של לוחות בקרה ספציפיים ב-Looker ושל המשבצות שמקושרות לשאילתות.
  • אפשר להגדיר ולשנות את התנהגות הסוכן בלוחות בקרה באמצעות הוראות מותאמות אישית.
  • הגישה מנוהלת באופן קפדני באמצעות הרשאות ברמת מרכז הבקרה (ניהול גישה; עריכה במרכז הבקרה) והרשאות מודל.
  • אפשר להפעיל או להשבית את ההגדרה הזו ברמת לוח הבקרה עבור לוחות בקרה שהוגדרו על ידי המשתמש.
 ממרכז הבקרה: לוחצים על צ'אט עם מרכז הבקרה הזה. ההרשאות נגזרות ממודל השיתוף של מרכז הבקרה.
  • אי אפשר לשתף אותם בנפרד מלוח הבקרה.
  • לא מופיעים בדף 'ניתוח נתונים בשיחה'. אפשר לגשת לשיחות עם סוכן במרכז הבקרה רק מהדף שיחות מהזמן האחרון, שזמין בתפריט של מרכז הבקרה.
  • ההגבלה חלה על ההקשר של לוח הבקרה ועל המשבצות שמקושרות לשאילתה שלו.
  • אי אפשר להתאים אישית את התנהגות הסוכן במרכז הבקרה באמצעות הוראות מותאמות אישית במרכזי בקרה של LookML.
  • התכונה ניתוח מתקדם לא נתמכת.

איך פועל ניתוח נתונים בממשק שיחה?

ניתוח שיחות משתמש ב-Gemini כדי Google Cloud לפרש שאלות בשפה טבעית ולספק תשובות ב-Looker על סמך הנתונים שלכם. 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. ניתוח נתוני השיחות משתמש בפרמטרים ממודל LookML בכמה דרכים:
    • זיהוי שדות: מטא-נתונים מהסכימה עוזרים למודל של ניתוח 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 מונחים או הקשר ספציפיים לעסק עבור שדה מסוים. התכונה 'ניתוח שיחות' מתעלמת מכל השדות שמשתמשים בפרמטר hidden.
    • עיצוב התשובה: בניתוח שיחות נעשה שימוש 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 של 'חיפוש נתונים'. אין צורך ש-Conversational Analytics יבין לוגיקה מורכבת של צירוף או הגדרות של שדות, כי Looker מטפל בהרכבת השאילתה על סמך מודל LookML. יצירת שאילתות מבטיחה שכל השאילתות יפעלו לפי הלוגיקה של הצירוף, הסינון, הצבירה והרשאות הגישה לנתונים שמוגדרים במודל LookML. כדי ליצור שאילתות, ניתוח שיחות צריך לקבוע את הערכים הנכונים לשימוש במסננים. הערכים האלה צריכים להיות זהים לערכים בנתונים הבסיסיים או לביטויי סינון מתקדמים יותר, כמו תווים כלליים. כדי לפתור את הבעיות שנובעות מההבדלים בין הערכים שהמשתמש כולל בשאלות בשפה טבעית לבין הערכים המדויקים שנדרשים במסנן, ממשק Analytics לשיחה משתמש בערכים שמוגדרים באמצעות allowed_value בשדות parameter, ויכול להשתמש בכלים כדי לבדוק אם יש ערכים ספציפיים בשדות:
    • נתונים לדוגמה: מחזירה עד 100 ערכים משדה כדי לעזור לניתוח נתוני השיחות ללמוד דפוסים או למצוא התאמה מדויקת לערכי מסננים.
    • חיפוש משוער: יוצר קבוצה של מונחי חיפוש על סמך קלט של משתמשים ובודק 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, התכונה 'ניתוח נתונים בשיחה' מנתחת את תוצאות השאילתות כדי לענות על שאלות של משתמשים. ניתוח שיחות יכול לנתח תוצאות באחת או יותר מהדרכים הבאות:
    • הוא משתמש ביכולות המובנות של Gemini כדי לפרש ולסכם את התוצאות.
    • הוא משתמש בהרצת קוד Python דרך ניתוח מתקדם כדי לבצע ניתוח נוסף של התוצאות.
    • הוא יוצר הדמיות על סמך תוצאות השאילתה.

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 מקורות מידע עיקריים: סכמת LookML של המופע שלכם, שמוגדרת על ידי מפתח Looker, והוראות לסוכן, שאתם כותבים כשאתם יוצרים או עורכים 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 המונח "עסקים חדשים" למדד שמחשב את ההכנסה החודשית החוזרת. לדוגמה, לשאילתה "מי הם הלקוחות המובילים שלנו?" סוכן נתונים יוכל למפות את המילה "מובילים" למדד של מספר השימוש ואת המילה "לקוחות" למאפיין שנקרא שם הלקוח.
  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 "jeans", 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 לדגום את הנתונים כדי לראות באיזה שדה מופיע הערך NY, או לשאול שאלה להבהרה.
  3. דוגמאות לשאילתות: כדי לשפר את הדיוק של שאילתות נפוצות או קריטיות, אתם יכולים לספק בהקשר של סוכן הנתונים דוגמאות ספציפיות של שאלות ותשובות, שנקראות שאילתות מאומתות או שאילתות מוזהבות.

לאחר מכן, Looker משתמש בהגדרות LookML של השדות האלה ובלוגיקה אחרת שמוגדרת ב-Explore – כולל הגדרות שדות, הרשאות גישה או מאפייני משתמש, מסנני לוח בקרה בהגדרת המשתמש או לוגיקה מורכבת של Liquid או של איחוד – 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.

מגבלות ידועות

אלו הן המגבלות הידועות של סוכני לוח הבקרה של ניתוח שיחות:

  • אין תמיכה ב-Advanced Analytics לסוכני לוחות בקרה.
  • סוכנים במרכז הבקרה מקבלים בירושה את מודל השיתוף של מרכז הבקרה; הגישה לסוכן כפופה לגישה למרכז הבקרה הבסיסי.
  • אי אפשר לשנות את ההקשר או את ההוראות של סוכני מרכז השליטה של LookML.

מגבלות על ויזואליזציות

ניתוח נתוני השיחות מתבסס על Vega-lite ליצירת תרשימים של שיחות. יש תמיכה מלאה בסוגי התרשימים הבאים של Vega:

  • תרשים קו (סדרה אחת או יותר)
  • תרשים שטח
  • תרשים עמודות (אופקי, אנכי, מוערם)
  • תרשים פיזור (קבוצה אחת או יותר)
  • תרשים עוגה

סוגי התרשימים הבאים של Vega נתמכים, אבל יכול להיות שתיתקלו בהתנהגות לא צפויה כשמציגים אותם:

  • מפות
  • מפות צפיפות
  • תרשימים עם תיאורי כלים

אין תמיכה בסוגי תרשימים שלא קיימים בקטלוג Vega. תרשימים שלא מצוינים בקטע הזה לא נתמכים.

מגבלות על מקורות נתונים

למקורות הנתונים ב-Conversational Analytics יש את המגבלות הבאות:

  • ניתוח שיחות יכול להחזיר עד 50,000 שורות לכל שאילתה.
  • אי אפשר להגדיר ב-Conversational Analytics את הערך של שדה מסוג filter-only שהוגדר באמצעות הפרמטרים parameter או filter של LookML.

מגבלות על שאלות

ניתוח נתונים בשיחה תומך בשאלות שאפשר לענות עליהן באמצעות תרשים אחד, למשל:

  • מגמות של המדדים לאורך זמן
  • פירוט או התפלגות של המדדים לפי מאפיין
  • ערכים ייחודיים של אחד או כמה מהמאפיינים
  • ערכים של מדד מסוים
  • הערכים של המאפיינים הבולטים לפי מדד

עדיין אין תמיכה ב-Conversational Analytics בשאלות שאפשר לענות עליהן רק באמצעות סוגי התרשימים המורכבים הבאים:

  • תחזיות
  • ניתוח סטטיסטי מתקדם, כולל זיהוי מתאם ואנומליות

רשימת מסמכי התיעוד

הסבר על יכולות התאימות של Gemini ב-Looker

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

במקרים של מופעי Looker (Google Cloud core), כל חבילת אמצעי בקרה של Assured Workloads שתהיה זמינה תוסיף תכונות של Gemini ב-Looker להצעות ברירת המחדל, אחרי שיעמדו בדרישות השינוי של החבילה ובתהליכים שלה. ניתוח שיחות ב-Looker מתבצע בהתאם ליכולות התאימות של מופע Looker (Google Cloud Core) המשויך, למעט במקרה 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. הנתונים בזמן ההעברה ולמידת המכונה (ML) מעובדים באמצעות שירות גלובלי.

תאימות באיחוד האירופי

עיבוד מקומי זמין ללקוחות שנמצאים באיחוד האירופי (EU) עם מופעים של Looker (מקורי) או Looker (ליבת Google Cloud) שמופעלת בהם גרסה Looker 26.10 ואילך. האפשרות הזו מאפשרת עיבוד נתונים בתחום השיפוט של האיחוד האירופי, ומאפשרת לנתב את התנועה של Conversational Analytics ב-Looker דרך נקודת קצה רב-אזורית באיחוד האירופי. כך מובטח שנתוני לקוחות באיחוד האירופי יעובדו באיחוד האירופי.

עיבוד מקומי חל על כל התכונות של ניתוח נתונים בשיחה ב-Looker (לא כולל סוכני נתונים של לוחות בקרה) ועל כל נקודות הקצה של Looker API לניתוח נתונים בשיחה. הוא לא רלוונטי ל-Conversational Analytics API.

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.