Visão geral das Análises de Conversação no Looker

A análise conversacional é um recurso de conversa com seus dados que é alimentado por 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 governada e confiável. 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 conversacional 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: você pode personalizar um agente de consulta de dados com tecnologia de IA fornecendo contexto e instruções específicas para seus dados, o que ajuda o agente de dados a gerar respostas mais precisas e contextualmente relevantes. 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 detalhadas.
  • Consultar um painel usando uma visualização do agente de dados Pré-visualização: use a análise conversacional para gerar um agente de dados do painel que possa consultar o painel e os modelos relacionados.
  • Análise avançada: o recurso de análise avançada na análise conversacional traduz suas perguntas em linguagem natural para código Python e executa esse código. Em comparação com as consultas padrão baseadas em SQL, o uso do Python pelo recurso de análise avançada permite análises e visualizações mais complexas.
  • Incorporação: você pode incorporar a análise conversacional em um site ou aplicativo usando uma tag de iframe HTML, assim como outros tipos de conteúdo do Looker. A análise conversacional oferece suporte à incorporação particular, em que os usuários são autenticados usando o login do Looker, e à incorporação assinada, em que os usuários são autenticados pelo seu próprio aplicativo.

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 uma consulta rápida 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 análises detalhadas:

  • Conversar com várias análises detalhadas: em uma conversa com uma análise detalhada, você só pode consultar uma análise detalhada por vez. No entanto, um agente de dados pode se conectar a até cinco análises detalhadas distintas, permitindo que os usuários realizem 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 do painel que pode ser usado para consultar não apenas um painel, mas também as análises detalhadas relacionadas.
  • Contexto criado: você pode fornecer ao agente de dados instruções personalizadas que não estão disponíveis em uma conversa padrão de análise detalhada, 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 do modelo.
    • Glossários de negócios: você pode definir jargões ou acrônimos específicos da organização diretamente nas instruções do agente.
    • Estrutura de persona: você pode atribuir uma função ou especialização específica ao agente, definindo um tom consistente e um julgamento profissional para a conversa.
  • Especialização do agente: 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 orientada, direcionando os usuários para os campos e filtros mais relevantes para as necessidades deles.
  • Colaboração e reutilização: as conversas de análise detalhada 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 usar os últimos seis meses como padrão se nenhum período for mencionado". Essas barreiras de proteção garantem que o agente opere dentro dos padrões específicos de governança e segurança da sua organização. Você também pode ocultar campos em análises detalhadas para impedir que o agente de dados os use em consultas.

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

Recurso de análise conversacional Principais casos de uso Ponto de entrada Recursos de compartilhamento Limitações
Conversas de análise detalhada
  • Consulta padrão em linguagem natural de uma única análise detalhada do Looker.
  • Organização de perguntas relacionadas sobre um conjunto de dados específico em sessões discretas.
  • Utiliza os modos de pergunta Rápido e Pensando.
  • Na análise detalhada: selecione Iniciar uma conversa.
  • Na página de análise conversacional: selecione a guia Conversas.
 Geralmente limitado a um usuário (não compartilhável).
  • Limitado a consultar apenas uma análise detalhada por vez.
  • Nenhum contexto ou instrução personalizada (por exemplo, consultas de ouro, personas, glossários de negócios).
  • Nenhuma 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.
Agentes de dados de análise detalhada
  • 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 entre domínios usando até cinco análises detalhadas conectadas.
  • Contexto criado, incluindo instruções personalizadas, consultas de ouro, glossários empresariais e estruturas de persona para aplicar barreiras de proteção e melhorar a acurácia.
  • Análise avançada usando a execução de código Python, se ativada.
  • Não exige permissões explore explícitas.
 Na página de análise conversacional: selecione a guia Agentes. Pode ser compartilhado com outros usuários da organização concedendo acesso ao conteúdo (Acesso de visualização ou Acesso de administrador; Editar). Também pode ser publicado em aplicativos externos, como o Gemini Enterprise (visualização).
  • Exige access_data e outras permissões nos modelos subjacentes às Análises (o compartilhamento do agente não concede acesso às Análises).
  • Não oferece suporte a consultas de ouro que contenham tabelas dinâmicas ou campos personalizados.
Agentes de painel
  • Consulta direta em linguagem natural de um painel específico do Looker e dos blocos vinculados à consulta.
  • 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.
 No painel: selecione Conversar com este painel. Não pode ser compartilhado com outros usuários.
  • Não pode ser compartilhado individualmente.
  • Não aparece na página de análise conversacional. As conversas com um agente de painel só podem ser acessadas na página Conversas recentes, que está disponível no menu do painel.
  • Limitado ao contexto do painel e dos blocos vinculados à consulta.
  • Os agentes de painel não são compatíveis com painéis do LookML.
  • O recurso Análise avançada não é compatível.

Como funciona a análise conversacional?

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

Para fundamentar as respostas no seu contexto de dados e negócios específicos, a análise conversacional usa várias técnicas:

  • Esquema LookML: no início de uma solicitação, a análise conversacional busca o esquema das análises detalhadas conectadas a ela. A análise conversacional usa parâmetros do modelo LookML de várias maneiras:
    • Identificação de campo: os metadados do esquema ajudam a análise conversacional a se concentrar nos campos relevantes. Esses metadados incluem parâmetros LookML, como name, label, description, type e dimension_group. Esses parâmetros ajudam a análise conversacional a mapear termos em perguntas do usuário para os campos corretos. Por exemplo, description pode fornecer terminologia ou contexto específico da empresa para um campo. A análise conversacional ignora todos os campos que usam o hidden parâmetro.
    • Formatação de resposta: a análise conversacional 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 compõe e executa a consulta usando o modelo LookML relacionado. Esse processo é semelhante à forma como um usuário interage com uma interface de análise detalhada. A análise conversacional não precisa entender a lógica de mesclagem complexa ou as definições de campo porque o Looker processa a composição da consulta com base no modelo LookML. A geração de consultas garante que todas as consultas sigam a lógica de mesclagem, filtragem, agregação e permissões de dados definidas no modelo LookML. Para gerar consultas, a análise conversacional precisa determinar os valores corretos a serem usados nos filtros. Esses valores precisam ser correspondências exatas de valores nos dados relacionados 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 parameter campos e pode usar ferramentas para verificar valores específicos em 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 aproximada usam a API de sugestões do Looker e, portanto, são influenciados por parâmetros LookML, como suggestions, suggest_explore, e suggest_dimension.
  • Análise: depois que o Looker executa as consultas, a análise conversacional analisa os resultados da consulta para responder às perguntas do usuário. A análise conversacional pode analisar os resultados de uma ou mais das seguintes maneiras:
    • Ela usa os recursos integrados do Gemini para interpretar e resumir os resultados.
    • Ela usa a execução de código Python por meio da análise avançada para realizar mais análises nos resultados.
    • Ela cria visualizações com base nos resultados da consulta.

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

Como os agentes de dados de análise conversacional funcionam?

Um agente de dados de análise conversacional 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.

Na sua consulta, um agente de dados precisa determinar quais campos 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 de negócios nas perguntas. O agente usa as instruções do agente e os metadados do campo LookML para interpretar sua consulta. Por exemplo, para a consulta "Quanto de novos negócios fizemos?", um agente de dados poderá mapear "novos negócios" para uma medida que calcula a receita recorrente mensal. Para a consulta "Quem são nossos principais clientes?", um agente de dados poderá 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 "Calças jeans slim", usando ferramentas especializadas para amostrar os dados ou realizar pesquisas aproximadas. Por exemplo, se um usuário pedir "calças jeans", o agente poderá acionar uma pesquisa aproximada no campo Nome do produto para encontrar as correspondências exatas de string no seu banco de dados. Se um usuário pedir "NY", é o campo Cidade ou um campo Estado? O agente pode precisar amostrar os 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 LookML desses campos e outras lógicas definidas na análise detalhada, incluindo definições de campo, concessões de acesso ou atributos do usuário, filtros de painel definidos pelo usuário ou lógica complexa de Liquid ou mesclagem, para compor a consulta enviada ao banco de dados. Como o agente não está escrevendo toda a consulta SQL, ele não precisa "entender" os dados e pode operar com mais precisão e determinismo.

Para saber mais sobre como o agente usa o 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 conversacional ainda não está incluída nos limites de autorização do FedRAMP de nível médio ou alto. Antes de ativar a configuração Gemini no Looker para sua instância do Looker, discuta com o órgão autorizador se as ofertas 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 como ofertas padrão à medida que os requisitos e processos de mudança desse pacote forem atendidos. A análise conversacional 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, na sigla em inglês), 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 são confinados a uma única região. Os dados em trânsito podem ser tratados usando um serviço global.

Enviar feedback

Você pode enviar feedback ao Google sobre respostas individuais na análise conversacional selecionando uma das seguintes opções:

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