Konversationelle Analysen in Looker – Übersicht

Die konversationelle Analyse ist eine Funktion, mit der Sie Ihre Daten per Chat abfragen können. Sie basiert auf Gemini für Google Cloud. Die konversationelle Analyse basiert auf dem semantischen Modellierungs-Layer von Looker und ermöglicht es Nutzern in Ihrem Unternehmen, Fragen zu Daten in natürlicher 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 Gesprächsanalyse umfasst die folgenden Hauptfunktionen:

  • Explores in natürlicher Sprache abfragen: Sie können sich in natürlicher Sprache mit einem einzelnen Explore oder mit einem Datenagenten unterhalten, der bis zu fünf Explores abfragt.
  • Datenagent zum Abfragen von Explores erstellen: Sie können einen KI-basierten Agent zum Abfragen von Explores anpassen, indem Sie Kontext und Anweisungen bereitstellen, die für Ihre Daten spezifisch sind. So kann der Datenagent genauere und kontextbezogene Antworten generieren. Sie können Ihre Data Agents auch mit anderen Nutzern teilen oder in anderen Anwendungen wie Gemini Enterprise veröffentlichen, damit diese Fragen mit demselben Kontext stellen können. Sie können diesen Datentyp mit bis zu fünf Explores verbinden.
  • Dashboard mit einem Datenagenten abfragen Vorabversion: Mit Conversational Analytics können Sie einen Datenagenten für Dashboards erstellen, mit dem das Dashboard und die zugrunde liegenden Modelle abgefragt werden können.
  • 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-basierten Abfragen ermöglicht die Verwendung von Python in der Funktion Erweiterte Analysen komplexere Analysen und Visualisierungen.
  • Einbetten: Sie können Conversational Analytics in eine Website oder Anwendung einbetten, indem Sie ein HTML-iFrame-Tag verwenden, genau wie bei anderen Looker-Inhaltstypen. Die Analyse von Unterhaltungen unterstützt sowohl privates Einbetten, bei dem Nutzer mit ihrem Looker-Login authentifiziert werden, als auch signiertes Einbetten, bei dem Nutzer über Ihre eigene Anwendung authentifiziert werden.
  • Ausgelöste agentische Workflows Vorabversion: Sie können messwertbasierte Benachrichtigungen und das Monitoring direkt über Abfragen in natürlicher Sprache in eigenständigen Unterhaltungen mit Explores oder mit Explore-Daten-Agents einrichten.

KI-Datenagenten im Vergleich zu Unterhaltungen

Die Interaktion mit einem Daten-Agenten bietet mehrere wichtige Vorteile gegenüber einem Standardgespräch mit einem einzelnen Explore. Wenn Sie eine Unterhaltung über ein Explore starten, können Sie die entsprechende Datenquelle schnell in natürlicher Sprache abfragen. Ein Daten-Agent fungiert dagegen als spezialisierter, eigenständiger Analyst, der angepasst und in Ihrer Organisation freigegeben werden kann.

KI-Datenagenten bieten gegenüber Unterhaltungen mit Explores folgende Vorteile:

  • Chat mit mehreren Explores: In einer Unterhaltung mit einem Explore können Sie jeweils nur ein Explore abfragen. Ein Daten-Agent kann jedoch mit bis zu fünf verschiedenen Explores verbunden werden, sodass Nutzer domainübergreifende Analysen durchführen und umfassendere Antworten erhalten können.
  • Mit einem Looker-Dashboard chatten: Wenn Sie mit einem Dashboard chatten, wird durch Conversational Analytics ein Dashboard-Datenagent erstellt, 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:
    • Golden Queries: Sie können dem Agenten Paare aus Fragen in natürlicher Sprache und bestätigten Looker-Abfragen zur Verfügung stellen, um gängige Geschäftsmuster zu verankern und die Mehrdeutigkeit des Modells deutlich zu verringern.
    • Unternehmensglossare: Sie können organisationsspezifische Fachbegriffe oder Akronyme direkt in den Anweisungen des Agenten definieren.
    • Persona-Framework: Sie können dem Agenten eine bestimmte Rolle oder ein bestimmtes Fachwissen zuweisen, um einen konsistenten Ton und eine professionelle Einschätzung für die Unterhaltung festzulegen.
  • Agent-Spezialisierung: 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-Unterhaltungen sind in der Regel auf einen Nutzer beschränkt, während Data Agents für andere Mitglieder Ihrer Organisation freigegeben werden können. Durch die Freigabe können mehrere Nutzer von demselben erstellten 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 Daten-Agent sie nicht in Abfragen verwendet.

In der folgenden Tabelle sind die wichtigsten Unterschiede zwischen diesen Arten von Unterhaltungen und KI-Datenagenten zusammengefasst:

Funktion für konversationelle Analysen Gängige Anwendungsfälle Einstiegspunkt Freigabefunktionen Beschränkungen
Konversationen ansehen
  • Standardmäßige Abfrage eines einzelnen Looker-Explores in natürlicher Sprache.
  • Zusammengehörige Fragen zu einem bestimmten Dataset in separate Sitzungen unterteilen.
  • Verwendet die Fragemodi Fast und Thinking.
  • Über die Explore-Ansicht: Wählen Sie Unterhaltung beginnen aus.
  • Wählen Sie auf der Seite „Konversationelle Analyse“ den Tab Unterhaltungen aus.
 In der Regel auf einen Nutzer beschränkt (nicht gemeinsam nutzbar).
  • Es kann jeweils nur ein Explore abgefragt werden.
  • Kein benutzerdefinierter Kontext oder benutzerdefinierte Anweisungen (z. B. Golden Queries, Personas, Geschäftsglossare).
  • Keine Agentspezialisierung für verschiedene Geschäftsbereiche einer Organisation
  • Die Option Unterhaltung starten ist bei der neuen Explore-Funktion nicht verfügbar.
KI-Datenagenten ansehen
  • Spezialisierte, eigenständige Datenanalyse-Agents, die für bestimmte Geschäftsbereiche einer Organisation entwickelt wurden (z. B. Revenue Agent, Ops Agent).
  • Domainübergreifende Analyse mit bis zu fünf verknüpften Explores.
  • Erstellter Kontext, der benutzerdefinierte Anweisungen, Golden Queries, Unternehmensglossare und Persona-Frameworks umfasst, um Schutzmaßnahmen zu erzwingen und die Genauigkeit zu verbessern.
  • Erweiterte Analysen, bei denen Python-Code ausgeführt wird, sofern aktiviert.
  • Erfordert keine expliziten explore-Berechtigungen.
 Auf der Seite „Conversational Analytics“: Wählen Sie den Tab KI-Agenten aus. Kann für andere Nutzer in der Organisation freigegeben werden, indem Zugriff auf Inhalte gewährt wird (Ansehen oder Administratorzugriff; Bearbeiten). Kann auch in externen Anwendungen wie Gemini Enterprise (Vorabversion) veröffentlicht werden.
  • Erfordert access_data und andere Berechtigungen für die Modelle, die den Explores zugrunde liegen. Durch die Freigabe des Agents wird kein Zugriff auf die Explores gewährt.
  • Unterstützt keine Golden Queries mit Pivots oder benutzerdefinierten Feldern.
Dashboard-Agents
  • Direkte Abfragen in natürlicher Sprache für ein bestimmtes Looker-Dashboard und die zugehörigen mit Abfragen verknüpften Kacheln.
  • Das Verhalten von Agents 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.
 Über das Dashboard: Wählen Sie Mit diesem Dashboard chatten aus. Kann nicht für andere Nutzer freigegeben werden.
  • Kann nicht einzeln freigegeben werden.
  • Sie werden nicht auf der Seite „Konversationelle Analyse“ angezeigt. Unterhaltungen mit einem Dashboard-Kundenservicemitarbeiter sind nur über die Seite Letzte Unterhaltungen zugänglich, die über das Dashboard-Menü aufgerufen werden kann.
  • Beschränkt auf den Kontext des Dashboards und der damit verknüpften Abfrage-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 die konversationelle Analyse?

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. Die Funktion verwendet das semantische Looker-Modell – die LookML-Definitionen Ihrer Daten – als Single Source of Truth, um sicherzustellen, dass die Antworten korrekt und konsistent sind. Bei der konversationellen Analyse können Ihre Geschäftsdefinitionen für Messwerte wie „Umsatz“ oder „Kündigung“ interpretiert werden, da sie in LookML definiert sind. Anhand dieser Definitionen werden genaue und konsistente Fragen gestellt.

Um die Antworten auf Ihre spezifischen Daten und Ihren Geschäftskontext zu stützen, werden bei der konversationellen Analyse verschiedene Techniken verwendet:

  • 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:
    • Felder identifizieren: 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. Mithilfe dieser Parameter können Begriffe in Nutzerfragen den richtigen Feldern zugeordnet werden. Mit description können Sie beispielsweise unternehmensspezifische Terminologie oder Kontext für ein Feld bereitstellen. Bei der Konversationsanalyse 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, wird bei der konversationellen Analyse ermittelt, welche Felder, Filter, Sortierungen und Grenzwerte in der Abfrage verwendet werden sollen. Looker erstellt und führt die Abfrage dann mit dem zugrunde liegenden LookML-Modell aus. Dieser Prozess ähnelt der Interaktion eines Nutzers mit einer Explore-Oberfläche. Für Conversational Analytics ist es nicht erforderlich, komplexe Join-Logik oder Felddefinitionen zu verstehen, da Looker die Abfrageerstellung basierend auf dem LookML-Modell übernimmt. Bei der Abfragegenerierung wird darauf geachtet, dass alle Abfragen der Join-Logik, den Filtern, der Aggregation und den Datenberechtigungen entsprechen, die in Ihrem LookML-Modell definiert sind. Damit Abfragen generiert werden können, muss die konversationelle Analyse die richtigen Werte für 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 bei der konversationellen Analyse 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 Konversationsanalyse 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 Beispieldaten als auch die unscharfe 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 durch die konversationelle Analyse analysiert, um Nutzerfragen zu beantworten. Bei konversationellen Analysen können Ergebnisse auf eine oder mehrere der folgenden Arten analysiert werden:
    • Dabei werden integrierte Gemini-Funktionen verwendet, um Ergebnisse zu interpretieren und zusammenzufassen.
    • Dazu wird die Ausführung von Python-Code über Advanced Analytics verwendet, um die Ergebnisse weiter zu analysieren.
    • Es erstellt Visualisierungen auf Grundlage von Abfrageergebnissen.

Durch die Nutzung des semantischen Modells von Looker bietet die Konversationsanalyse Zugriff auf Daten von verschiedenen Plattformen wie BigQuery, AlloyDB, Redshift, Snowflake und Databricks, ohne dass die zugrunde liegende Datenkomplexität verstanden werden muss. Außerdem wird dafür gesorgt, dass alle Antworten konsistent und geregelt sind.

Wie funktionieren Daten-KI-Agenten für die Konversationsanalyse?

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

Ein Daten-Agent muss anhand Ihrer Anfrage ermitteln, welche LookML-Felder ausgewählt und welche Filter, Sortierungen oder Beschränkungen angewendet werden sollen. Dazu wird die natürliche Sprache in Ihrer Anfrage auf folgende Weise den eigenen Agent-Anweisungen und dem LookML-Schema der Daten zugeordnet:

  1. Semantische Begriffe zuordnen: Nutzer verwenden in ihren Fragen oft Fachbegriffe. Der KI-Agent verwendet Ihre Agent-Anweisungen und die LookML-Feldmetadaten, um Ihre Anfrage 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 Frage „Wer sind unsere wichtigsten Kunden?“ kann ein Daten-Agent „wichtigsten“ einer Anzahl von Nutzungen und „Kunden“ einer Dimension namens Customer Name (Kundenname) zuordnen.
  2. Feldwerte zuordnen: Der Agent sucht mit speziellen Tools nach bestimmten Datenpunkten, z. B. „Kalifornien“ oder „Slim-Fit-Jeans“, um die Daten zu erfassen oder unscharfe Suchanfragen auszuführen. Wenn ein Nutzer beispielsweise nach „Jeans“ fragt, 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, bezieht sich das auf das Feld City (Stadt) oder State (Bundesstaat)? Der Agent muss möglicherweise die Daten stichprobenartig untersuchen, um herauszufinden, in welchem Feld „NY“ enthalten ist, oder eine klärende Frage stellen.
  3. Verfeinerung mit Beispielanfragen: Sie können in den Anweisungen für Datenagenten spezifische Frage-Antwort-Beispiele, sogenannte „Golden Queries“, angeben, um die Genauigkeit für häufige oder wichtige Anfragen 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.

Liste der Dokumentation

Compliance-Funktionen von Gemini in Looker-Funktionen

Conversational Analytics 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 Assured Workloads-Kontrollpaket, das verfügbar wird, Gemini in Looker-Funktionen als Standardangebote hinzugefügt, sobald die Änderungsanforderungen und -prozesse des Pakets erfüllt sind. Conversational Analytics in Looker entspricht den Compliance-Funktionen der zugehörigen Looker (Google Cloud Core)-Instanz, mit der folgenden Ausnahme:

Die Unterstützung des Datenstandorts (Data Residency, DRZ), insbesondere für ruhende Daten, ist für alle Looker-Kunden verfügbar. Alle ruhenden Daten, die mit Conversational Analytics verknüpft sind, befinden sich ausschließlich in der Looker-Instanz und sind auf eine einzelne Region beschränkt. Daten bei der Übertragung können über einen globalen Dienst verarbeitet werden.

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: Geben Sie an, dass die Antwort hilfreich war.
  • thumb_down Schlechte Antwort: Geben Sie an, dass die Antwort nicht hilfreich war.