Konversationelle Analyse in Looker – Übersicht

Konversationelle Analyse ist eine auf Gemini für Google Cloud basierende Funktion, mit der Sie Ihre Daten per Chat abfragen können. Die konversationelle Analyse basiert auf der semantischen Modellierungsebene von Looker und ermöglicht es Nutzern in Ihrer Organisation, Fragen zu Daten in natürlicher (konversationeller) 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 Conversational Analytics-Funktion umfasst die folgenden Hauptfunktionen:

  • Explores in natürlicher Sprache abfragen: Sie können in natürlicher Sprache mit einem einzelnen Explore oder mit einem KI-Datenagenten kommunizieren, der bis zu fünf Explores abfragt.
  • KI-Datenagenten zum Abfragen von Explores erstellen: Sie können einen KI-basierten Agenten zum Abfragen von Explores anpassen, indem Sie Kontext und Anweisungen bereitstellen, die auf Ihre Daten zugeschnitten sind. So kann der KI-Datenagent genauere und kontextrelevantere 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 KI-Datenagenten 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: Mit Conversational Analytics können Sie einen Dashboard-Datenagenten generieren, der die zugrunde liegenden Modelle eines Dashboards abfragen kann. Wenn Dashboard-Agenten aktiviert sind, stellt jedes Dashboard einen einzelnen, freigegebenen Standard-Agenten bereit, der das Dashboard und die mit Abfragen verknüpften Kacheln abfragen kann. Dashboard-Agents sind verfügbar, wenn die Einstellung Dashboard-Agents auf der Seite Gemini in Looker im Bereich Admin aktiviert ist. Außerdem können Dashboard-Ersteller Dashboard-Agenten auf der Ebene einzelner Dashboards aktivieren oder deaktivieren. Dashboard-Agenten sind für benutzerdefinierte Dashboards und für LookML-Dashboards verfügbar.
  • Erweiterte Analysen: Die Funktion Erweiterte Analysen in der konversationellen Analyse übersetzt Ihre Fragen in natürlicher Sprache in Python-Code und führt diesen Code aus. Im Vergleich zu Standard-SQL-Abfragen ermöglicht die Verwendung von Python in der Funktion Erweiterte Analysen komplexere Analysen und Visualisierungen.
  • Einbetten: Sie können Conversational Analytics in eine Website oder eine Anwendung einbetten. Verwenden Sie dazu ein HTML-iFrame-Tag, wie Sie es auch bei anderen Looker-Inhaltstypen tun. Die Analyse von Unterhaltungen unterstützt sowohl private Einbettung, bei der Nutzer mit ihrem Looker-Login authentifiziert werden, als auch signierte Einbettung, bei der Nutzer über Ihre eigene Anwendung authentifiziert werden.
  • Nutzer-Engagement und Tokennutzung: Nutzer mit Zugriff auf die Systemaktivität von Looker können das Nutzer-Engagement und die Tokennutzung von konversationellen Analyse-Agents in der gesamten Instanz im Blick behalten. Das Dashboard Konversationelle Analyse ist im Bereich Systemaktivität des Admin-Bereichs verfügbar. Bei Looker (Google Cloud Core)-Instanzen ist die Beobachtbarkeit der Tokennutzung in der Vorabversion verfügbar, wenn ein Looker-Administrator die Funktion in der Vorabversion Tokennutzung des Conversational Analytics-Agents aktiviert hat.
  • Antworten auf Nutzerabfragen und Feedback [Vorabversion]: Nutzer mit Zugriff auf Inhalte der Systemaktivität von Looker können die Abfragedaten und das Feedback von Nutzern einsehen, wenn Nutzer der Weitergabe ihrer Abfragedaten zugestimmt haben und ein Looker-Administrator die Überprüfung von Abfragen für konversationelle Analysen (CA) von Endnutzern Funktion in der Vorabversion aktiviert hat. Das Dashboard Konversationelle Analyse ist im Bereich Systemaktivität des Admin-Bereichs verfügbar.
  • Agentic Workflows [Vorabversion]: Sie können messwertbasierte Benachrichtigungen und das Monitoring direkt über Abfragen in natürlicher Sprache in direkten Chats mit einem Explore oder mit Explore-Daten-Agents einrichten. Agentische Workflows sind verfügbar, wenn die Einstellungen Trusted Tester-Funktionen aktivieren und Agentische Workflows auf der Seite Gemini in Looker im Admin-Bereich aktiviert sind. Außerdem muss die Einstellung für konversationelle Analysen aktiviert sein, die den von Ihnen verwendeten Inhalten entspricht (Konversationelle Analysen (Seite „Konversationen“) für Explores oder Dashboard-Agenten für Dashboards).
  • Geplante agentische Workflows Vorschau: Sie können wiederkehrende agentische Workflows einrichten, um Ihre Daten zu überwachen und wiederkehrende Berichte zu senden. Geplante agentische Workflows sind verfügbar, wenn die Einstellung Agentische Workflows auf der Seite Gemini in Looker im Admin-Bereich aktiviert ist. Außerdem muss die Einstellung für die konversationelle Analyse aktiviert sein, die dem von Ihnen verwendeten Inhalt entspricht (Konversationelle Analyse (Seite „Unterhaltungen“) für Explores oder Dashboard-Agenten für Dashboards).

Im Abschnitt Liste der Dokumentation auf dieser Seite finden Sie Links zu detaillierteren Informationen zu den einzelnen Funktionen.

Liste der Dokumentation

KI-Datenagenten im Vergleich zu Unterhaltungen

Das Chatten mit einem KI-Datenagenten bietet mehrere wichtige Vorteile gegenüber einer Standardunterhaltung mit einem einzelnen Explore. Wenn Sie eine Unterhaltung über „Explore“ starten, können Sie diese spezifische Datenquelle schnell in natürlicher Sprache abfragen. Ein KI-Datenagent hingegen fungiert als spezialisierter, eigenständiger Analyst, der angepasst und in Ihrer Organisation freigegeben werden kann.

KI-Datenagenten bieten gegenüber Unterhaltungen mit Explores die folgenden Vorteile:

  • Mit mehreren Explores chatten: In einer Unterhaltung mit einem Explore können Sie jeweils nur ein Explore abfragen. Ein KI-Datenagent kann jedoch mit bis zu fünf verschiedenen Explores verbunden werden, sodass Nutzer domänenübergreifende Analysen durchführen und umfassendere Antworten erhalten können.
  • Mit einem Looker-Dashboard chatten: Wenn Sie mit einem Dashboard chatten, erstellt Conversational Analytics einen Dashboard-Datenagenten, 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 organisationsspezifischen Jargon oder Akronyme direkt in den Anweisungen des KI-Agenten definieren.
    • Persona-Framework: Sie können dem KI-Agenten eine bestimmte Rolle oder ein bestimmtes Fachgebiet zuweisen und so einen einheitlichen Ton und eine professionelle Beurteilung für die Unterhaltung festlegen.
  • Spezialisierung von Agenten: Anstatt die einzelne generische Oberfläche einer Unterhaltung zu verwenden, können Sie spezialisierte Agenten für verschiedene Geschäftsbereiche erstellen, z. B. einen Revenue Agent oder einen Ops 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-Konversationen sind in der Regel auf einen Nutzer beschränkt, während KI-Datenagenten mit anderen Mitgliedern Ihrer Organisation geteilt werden können. Durch die Freigabe können mehrere Nutzer von demselben 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 KI-Datenagent 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
Unterhaltungen ansehen
  • Standardabfragen in natürlicher Sprache für ein einzelnes Looker-Explore.
  • Zusammengehörige Fragen zu einem bestimmten Dataset in separaten Sitzungen organisieren.
  • Nutzt die Fragemodi Fast und Thinking.
  • Wählen Sie im Explore-Bereich Unterhaltung beginnen aus.
  • Auf der Seite „Konversationelle Analyse“: Wählen Sie den Tab Unterhaltungen aus.
 In der Regel auf einen Nutzer beschränkt (nicht gemeinsam nutzbar).
  • Es kann jeweils nur ein Explore abgefragt werden.
  • Keine benutzerdefinierten Kontexte oder Anweisungen (z. B. verifizierte Abfragen, Personas, Unternehmensglossare).
  • Keine KI-Agentenspezialisierung für verschiedene Geschäftsbereiche einer Organisation.
  • Die Option Unterhaltung beginnen ist in der neuen Explore-Version nicht verfügbar.
KI-Datenagenten ansehen
  • Spezialisierte, eigenständige Datenanalyse-Agenten, die für bestimmte Geschäftsbereiche eines Unternehmens entwickelt wurden (z. B. Revenue Agent, Ops Agent).
  • Domainübergreifende Analyse mit bis zu fünf verbundenen Explores.
  • Erstellter Kontext, der benutzerdefinierte Anweisungen, verifizierte Abfragen, Unternehmensglossare und Persona-Frameworks enthält, um Guardrails durchzusetzen und die Genauigkeit zu verbessern.
  • Erweiterte Analysen, die die Ausführung von Python-Code verwenden, sofern aktiviert.
  • Erfordert keine expliziten explore-Berechtigungen.
 Wählen Sie auf der Seite „Conversational Analytics“ den Tab Agents (KI-Agents) aus. Kann für andere Nutzer in der Organisation freigegeben werden, indem Zugriff auf Inhalte gewährt wird (Ansehen oder Verwalten; Bearbeiten). Kann auch in externen Anwendungen wie Gemini Enterprise (Vorschau) veröffentlicht werden.
  • Erfordert access_data und andere Berechtigungen für die Modelle, die den Explores zugrunde liegen. Durch das Freigeben des KI-Agenten wird kein Zugriff auf die Explores gewährt.
  • Unterstützt keine bestätigten Anfragen mit Pivots oder benutzerdefinierten Feldern.
Dashboard-Agenten
  • 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 auf der Ebene einzelner Dashboards für benutzerdefinierte 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-Agent sind nur über die Seite Letzte Unterhaltungen zugänglich, die über das Dashboard-Menü aufgerufen werden kann.
  • Beschränkt auf den Kontext des Dashboards und seiner mit Abfragen verknüpften Tiles.
  • Das Anpassen des Verhaltens von Dashboard-Agents 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. Als zentrale Informationsquelle wird das semantische Modell von Looker verwendet, also die LookML-Definitionen Ihrer Daten. So wird sichergestellt, dass die Antworten korrekt und konsistent sind. Die konversationelle Analyse kann Ihre Geschäftsdefinitionen für Messwerte wie „Umsatz“ oder „Abwanderung“ interpretieren, da sie in LookML definiert sind. Diese Definitionen werden verwendet, um genaue und konsistente Fragen zu liefern.

Die konversationelle Analyse verwendet mehrere Techniken, um ihre Antworten auf Ihre spezifischen Daten und Ihren Geschäftskontext zu stützen:

  • 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:
    • Feldidentifikation: Metadaten aus dem Schema helfen der konversationellen Analyse, sich auf relevante Felder zu konzentrieren. Diese Metadaten umfassen LookML-Parameter wie name, label, description, type und dimension_group. Diese Parameter helfen der konversationellen Analyse, Begriffe in Nutzerfragen den richtigen Feldern zuzuordnen. description kann beispielsweise branchenspezifische 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, bestimmt die konversationelle Analyse, welche Felder, Filter, Sortierungen und Limits 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 Abfrageerstellung basierend auf dem LookML-Modell übernimmt. 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. Um Abfragen zu generieren, muss Conversational Analytics die richtigen Werte für die 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 die konversationelle Analyse 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 erhobene Stichproben als auch die Fuzzy-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. Konversationelle Analysen können Ergebnisse auf eine oder mehrere der folgenden Arten analysieren:
    • Die integrierten Gemini-Funktionen werden verwendet, um Ergebnisse zu interpretieren und zusammenzufassen.
    • Dabei wird Python-Code über Advanced Analytics ausgeführt, um die Ergebnisse weiter zu analysieren.
    • Es erstellt Visualisierungen basierend auf Abfrageergebnissen.

Durch die Nutzung des semantischen Modells von Looker ermöglicht Conversational Analytics den Zugriff auf Daten von verschiedenen Plattformen wie BigQuery, AlloyDB, Redshift, Snowflake und Databricks, ohne dass die zugrunde liegende Datenkomplexität verstanden werden muss. Außerdem wird sichergestellt, dass alle Antworten konsistent und kontrolliert sind.

Wie funktionieren Daten-KI-Agenten für Conversational Analytics?

Ein Daten-KI-Agent für konversationelle Analysen basiert seine Antworten auf zwei primären Eingaben: dem LookML-Schema Ihrer Instanz, das von einem Looker-Entwickler definiert wird, und den Agentenanweisungen, die Sie beim Erstellen oder Bearbeiten des Agenten schreiben.

Ein KI-Datenagent muss anhand Ihrer Abfrage bestimmen, welche LookML-Felder ausgewählt und welche Filter, Sortierungen oder Limits angewendet werden sollen. Dazu wird die natürliche Sprache in Ihrer Abfrage auf die eigenen Agentenanweisungen und das LookML-Schema der Daten folgendermaßen abgebildet:

  1. Semantische Begriffe zuordnen: Nutzer verwenden in ihren Fragen oft Fachjargon. Der KI-Agent verwendet Ihre Anweisungen und die LookML-Feldmetadaten, um Ihre Abfrage 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 Abfrage „Wer sind unsere Top-Kunden?“ kann ein KI-Datenagent „Top“ einer Nutzungshäufigkeit und „Kunden“ einer Dimension namens Kundenname zuordnen.
  2. Feldwerte zuordnen: Der Agent sucht nach bestimmten Datenpunkten, z. B. „California“ oder „Slim-fit Jeans“, und verwendet dazu spezielle Tools, um die Daten zu prüfen oder unscharfe Suchen durchzuführen. Wenn ein Nutzer beispielsweise nach „Jeans“ sucht, 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 das Feld Stadt oder Bundesstaat? Der Agent muss die Daten möglicherweise stichprobenartig prüfen, um herauszufinden, welches Feld „NY“ enthält, 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-Agenten 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

Bei der konversationellen Analyse wird Vega-Lite zum Erstellen von Konversationsdiagrammen 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 nicht unterstützt.

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

Compliance-Funktionen von Gemini in Looker

Die konversationelle Analyse ist noch nicht in den Autorisierungsgrenzen für 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 mit jedem verfügbaren Assured Workloads-Steuerungspaket Gemini in Looker-Funktionen zu den Standardangeboten hinzugefügt, sobald die Änderungsanforderungen und ‑prozesse dieses Pakets erfüllt sind. Konversationsanalysen in Looker berücksichtigen die Compliance-Funktionen der zugehörigen Looker (Google Cloud Core)-Instanz, mit folgender Ausnahme:

Der Support für den Datenstandort (DRZ), insbesondere für ruhende Daten, ist für alle Looker-Kunden verfügbar. Alle ruhenden Daten, die mit der konversationellen Analyse 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. Mit dieser Option wird die Datenverarbeitung innerhalb der EU-Gerichtsbarkeit ermöglicht und der Traffic von Conversational Analytics von Looker kann über einen multiregionalen EU-Endpunkt geleitet werden. So wird sichergestellt, dass EU-Kundendaten innerhalb der EU verarbeitet werden.

Die lokalisierte Verarbeitung gilt für alle Funktionen von konversationellen Analysen in Looker und alle Endpunkte der Looker API für konversationelle Analysen. 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: Damit geben Sie an, dass die Antwort hilfreich war.
  • thumb_down Schlechte Antwort: Geben Sie an, dass die Antwort nicht hilfreich war.