Ringkasan analisis percakapan di Looker

Analisis percakapan adalah fitur percakapan dengan data yang didukung oleh Gemini untuk Google Cloud. Berdasarkan lapisan pemodelan semantik Looker, analisis percakapan memberdayakan pengguna di organisasi Anda untuk mengajukan pertanyaan terkait data dalam bahasa alami (percakapan) yang biasa untuk BI layanan mandiri yang tepercaya dan diatur. Pendekatan ini mempercepat adopsi analisis di seluruh organisasi Anda dengan menyediakan tata kelola dan keamanan tingkat perusahaan.

Analisis percakapan tersedia di instance Looker (Google Cloud core) dan di instance Looker (asli).

Pelajari cara dan waktu Gemini untuk Google Cloud menggunakan data Anda.

Fitur utama

Analisis percakapan mencakup fitur utama berikut:

  • Menanyakan Eksplorasi dalam bahasa alami: Berinteraksi dalam bahasa alami dengan Eksplorasi tertentu atau dengan agen data yang mengkueri hingga lima Eksplorasi.
  • Membuat agen data untuk membuat kueri Eksplorasi: Anda dapat menyesuaikan agen yang membuat kueri Eksplorasi yang didukung AI dengan memberikan konteks dan petunjuk yang spesifik untuk data Anda, yang membantu agen data menghasilkan respons yang lebih akurat dan relevan secara kontekstual. Anda juga dapat membagikan agen data Anda kepada pengguna lain atau memublikasikannya ke aplikasi lain, seperti Gemini Enterprise, sehingga mereka dapat mengajukan pertanyaan dengan konteks yang sama. Anda dapat menghubungkan agen data jenis ini ke maksimal lima Jelajah.
  • Membuat kueri dasbor menggunakan agen data Pratinjau: Gunakan analisis percakapan untuk membuat agen data dasbor yang dapat membuat kueri dasbor dan model yang mendasarinya. Agen dasbor tersedia jika setelan Aktifkan Agen Dasbor diaktifkan di halaman Gemini di Looker di panel Admin. Ringkasan dasbor tersedia jika setelan Aktifkan Ringkasan Dasbor diaktifkan di halaman Gemini di Looker pada panel Admin.
  • Analisis lanjutan: Fitur Analisis Lanjutan dalam analisis percakapan menerjemahkan pertanyaan bahasa alami Anda menjadi kode Python dan menjalankan kode tersebut. Dibandingkan dengan kueri berbasis SQL standar, penggunaan Python oleh fitur Analisis Lanjutan memungkinkan analisis dan visualisasi yang lebih kompleks.
  • Penyematan: Anda dapat menyematkan analisis percakapan di situs atau aplikasi menggunakan tag iframe HTML seperti yang dapat Anda lakukan dengan jenis konten Looker lainnya. Analisis percakapan mendukung penyematan pribadi, tempat pengguna diautentikasi dengan login Looker mereka, dan penyematan bertanda tangan, tempat pengguna diautentikasi melalui aplikasi Anda sendiri.
  • Pemantauan engagement dan penggunaan token: Pengguna yang memiliki akses ke konten Aktivitas Sistem Looker dapat mempelajari lebih lanjut engagement pengguna dengan agen dan percakapan analisis percakapan serta memantau penggunaan token pengguna. Dasbor Analisis Percakapan tersedia di bagian Aktivitas Sistem pada panel Admin. Informasi tentang penggunaan token tersedia saat Fitur pratinjau Observabilitas Analytics Berbasis Percakapan diaktifkan.
  • Alur kerja agentik yang dipicu Pratinjau: Siapkan pemberitahuan dan pemantauan berbasis metrik langsung melalui kueri bahasa alami dalam percakapan mandiri dengan Eksplorasi atau dengan agen data Eksplorasi. Alur kerja agentic tersedia jika setelan Alur Kerja Agentic diaktifkan di halaman Gemini di Looker di panel Admin.

Agen data versus Percakapan

Berinteraksi dengan agen data menawarkan beberapa keunggulan utama dibandingkan melakukan percakapan standar dengan satu Jelajah. Meskipun memulai percakapan dari Eksplorasi memungkinkan kueri bahasa alami yang cepat untuk sumber data tertentu tersebut, agen data berfungsi sebagai analis mandiri khusus yang dapat disesuaikan dan dibagikan di seluruh organisasi Anda.

Agen data memberikan keuntungan berikut dibandingkan percakapan dengan Eksplorasi:

  • Melakukan percakapan dengan beberapa Eksplorasi: Dalam percakapan dengan Eksplorasi, Anda hanya dapat membuat kueri satu Eksplorasi dalam satu waktu. Namun, agen data dapat terhubung ke maksimal lima Eksplorasi berbeda, sehingga pengguna dapat melakukan analisis lintas domain dan menerima jawaban yang lebih komprehensif.
  • Mengobrol dengan dasbor Looker: Saat Anda memulai percakapan dengan dasbor, analisis percakapan akan membuat agen data dasbor yang dapat Anda gunakan untuk membuat kueri tidak hanya dasbor, tetapi juga Eksplorasi pokok dasbor.
  • Konteks yang dibuat: Anda dapat memberikan petunjuk kustom kepada agen data yang tidak tersedia dalam percakapan Explore standar, termasuk resource berikut:
    • Kueri emas: Anda dapat memberikan pasangan pertanyaan bahasa alami dan kueri Looker terverifikasi kepada agen untuk menyematkan pola bisnis umum dan mengurangi ambiguitas model secara signifikan.
    • Glosarium bisnis: Anda dapat menentukan jargon atau akronim khusus organisasi langsung dalam petunjuk agen.
    • Framework persona: Anda dapat menetapkan peran atau keahlian tertentu kepada agen, sehingga menetapkan nada bahasa yang konsisten dan penilaian profesional untuk percakapan.
  • Spesialisasi agen: Daripada menggunakan satu antarmuka percakapan generik, Anda dapat membuat agen khusus untuk berbagai unit bisnis, seperti Agen Pendapatan atau Agen Operasi. Hal ini memungkinkan pengalaman analisis yang lebih terpandu, yang mengarahkan pengguna ke kolom dan filter tertentu yang paling relevan dengan kebutuhan mereka.
  • Kolaborasi dan penggunaan ulang: Percakapan eksplorasi biasanya terbatas pada satu pengguna, sementara agen data dapat dibagikan kepada anggota lain di organisasi Anda. Berbagi memastikan bahwa beberapa pengguna dapat memanfaatkan konteks dan tata kelola yang sama yang dibuat oleh administrator atau pakar data.
  • Perilaku kustom: Anda dapat mengonfigurasi agen agar beroperasi dalam persyaratan yang ketat, seperti menggunakan filter default — misalnya, "selalu gunakan default 6 bulan terakhir jika tidak ada jangka waktu yang disebutkan". Batasan ini memastikan bahwa agen beroperasi sesuai dengan standar keamanan dan tata kelola khusus organisasi Anda. Anda juga dapat menyembunyikan kolom di Eksplorasi untuk mencegah agen data menggunakannya dalam kueri.

Tabel berikut merangkum perbedaan utama dalam jenis percakapan dan agen data ini:

fitur analisis percakapan Kasus penggunaan utama Titik entri Kemampuan berbagi Batasan
Menjelajahi percakapan
  • Pembuatan kueri bahasa alami standar dari satu Eksplorasi Looker.
  • Mengatur pertanyaan terkait tentang set data tertentu ke dalam sesi terpisah.
  • Menggunakan mode pertanyaan Cepat dan Penalaran.
  • Dari Jelajahi: Pilih Mulai percakapan.
  • Dari halaman analisis percakapan: Pilih tab Percakapan.
 Biasanya terbatas untuk satu pengguna (tidak dapat dibagikan).
  • Terbatas untuk membuat kueri hanya satu Eksplorasi dalam satu waktu.
  • Tidak ada konteks atau petunjuk yang ditulis khusus (misalnya, kueri emas, persona, glosarium bisnis).
  • Tidak ada spesialisasi agen untuk berbagai unit bisnis organisasi.
  • Opsi Mulai percakapan tidak tersedia saat menggunakan pengalaman Jelajahi baru.
Menjelajahi agen data
  • Agen analisis data mandiri khusus yang dirancang untuk unit bisnis tertentu dalam organisasi (misalnya, Agen Pendapatan, Agen Operasi).
  • Analisis lintas domain yang menggunakan hingga lima Eksplorasi yang terhubung.
  • Konteks yang dibuat yang mencakup petunjuk kustom, kueri emas, glosarium bisnis, dan framework persona untuk menerapkan batas aman dan meningkatkan akurasi.
  • Analisis lanjutan yang menggunakan eksekusi kode Python, jika diaktifkan.
  • Tidak memerlukan izin explore eksplisit.
 Dari halaman analisis percakapan: Pilih tab Agen. Dapat dibagikan kepada pengguna lain di organisasi dengan memberikan akses konten (Akses lihat atau akses Pengelola; Edit). Juga dapat dipublikasikan ke aplikasi eksternal seperti Gemini Enterprise (Pratinjau).
  • Memerlukan access_data dan izin lainnya pada model yang mendasari Eksplorasi (membagikan agen tidak memberikan akses ke Eksplorasi).
  • Tidak mendukung kueri emas yang berisi pivot atau kolom kustom.
Agen dasbor
  • Kueri bahasa alami langsung dari dasbor Looker tertentu dan petak yang ditautkan kueri.
  • Menyeleksi dan menyesuaikan perilaku agen di dasbor dengan petunjuk kustom.
  • Akses dikelola secara ketat melalui izin tingkat dasbor (Kelola akses; Edit di dasbor) dan izin model.
 Dari dasbor: Pilih Chat dengan dasbor ini. Tidak dapat dibagikan kepada pengguna lain.
  • Tidak dapat dibagikan satu per satu.
  • Tidak muncul di halaman analisis percakapan. Percakapan dengan agen dasbor hanya dapat diakses dari halaman Percakapan terbaru, yang tersedia dari menu dasbor.
  • Terbatas pada konteks dasbor dan kartu yang terkait dengan kuerinya.
  • Menyesuaikan perilaku agen dasbor dengan petunjuk kustom tidak didukung untuk dasbor LookML.
  • Fitur Analytics Lanjutan tidak didukung.

Bagaimana cara kerja analisis percakapan?

Analisis percakapan menggunakan Gemini untuk Google Cloud menafsirkan pertanyaan dalam bahasa alami dan memberikan jawaban di Looker berdasarkan data Anda. Fitur ini menggunakan model semantik Looker — definisi LookML data Anda — sebagai sumber tepercaya untuk memastikan respons akurat dan konsisten. Analisis percakapan dapat menafsirkan definisi bisnis Anda untuk metrik seperti "pendapatan" atau "churn" karena metrik tersebut ditentukan di LookML, menggunakan definisi ini untuk memberikan pertanyaan yang akurat dan konsisten.

Untuk mendasarkan responsnya pada data dan konteks bisnis spesifik Anda, analisis percakapan menggunakan beberapa teknik:

  • Skema LookML: Di awal permintaan, analisis percakapan mengambil skema dari Eksplorasi yang terhubung dengannya. Analisis percakapan menggunakan parameter dari model LookML dalam beberapa cara:
    • Identifikasi kolom: Metadata dari skema membantu analisis percakapan berfokus pada kolom yang relevan. Metadata ini mencakup parameter LookML seperti name, label, description, type, dan dimension_group. Parameter ini membantu analisis percakapan memetakan istilah dalam pertanyaan pengguna ke kolom yang benar. Misalnya, description dapat memberikan terminologi atau konteks khusus bisnis untuk suatu kolom. Analisis percakapan mengabaikan kolom apa pun yang menggunakan parameter hidden.
    • Pemformatan respons: Analisis percakapan menggunakan parameter label untuk penamaan kolom yang mudah digunakan dan parameter value_format untuk memformat data dalam respons.
  • Pembuatan kueri: Daripada membuat kueri database secara langsung, analisis percakapan menentukan kolom, filter, pengurutan, dan batas yang harus digunakan dalam kueri. Kemudian, Looker menyusun dan menjalankan kueri menggunakan model LookML yang mendasarinya. Proses ini mirip dengan cara pengguna berinteraksi dengan antarmuka Jelajah; analisis percakapan tidak perlu memahami logika gabungan atau definisi kolom yang kompleks karena Looker menangani komposisi kueri berdasarkan model LookML. Pembuatan kueri memastikan bahwa semua kueri mematuhi logika gabungan, pemfilteran, agregasi, dan izin data yang ditentukan dalam model LookML Anda. Untuk membuat kueri, analisis percakapan harus menentukan nilai yang benar untuk digunakan dalam filter. Nilai ini harus cocok persis dengan nilai dalam data pokok atau ekspresi filter yang lebih canggih seperti karakter pengganti. Untuk mengatasi perbedaan antara nilai yang disertakan pengguna dalam pertanyaan bahasa alami dan nilai persis yang mungkin diperlukan oleh filter, analisis percakapan menggunakan nilai yang ditentukan dengan allowed_value di kolom parameter dan dapat menggunakan alat untuk memeriksa nilai tertentu di kolom:
    • Data sampel: Menampilkan hingga 100 nilai dari kolom untuk membantu analisis percakapan mempelajari pola atau menemukan kecocokan persis untuk nilai filter.
    • Penelusuran fuzzy: Membuat sekumpulan istilah penelusuran berdasarkan input pengguna dan memeriksa keberadaannya dalam dimensi untuk menemukan nilai filter yang sesuai. Data sampel dan penelusuran fuzzy menggunakan suggestion API Looker dan oleh karena itu dipengaruhi oleh parameter LookML seperti suggestions, suggest_explore, dan suggest_dimension.
  • Analisis: Setelah Looker menjalankan kueri, analisis percakapan akan menganalisis hasil kueri untuk menjawab pertanyaan pengguna. Analisis percakapan dapat menganalisis hasil dengan satu atau beberapa cara berikut:
    • Fitur ini menggunakan kemampuan Gemini bawaan untuk menafsirkan dan meringkas hasil.
    • Fitur ini menggunakan eksekusi kode Python melalui Analisis Lanjutan untuk melakukan analisis lebih lanjut pada hasilnya.
    • Fitur ini membuat visualisasi berdasarkan hasil kueri.

Dengan memanfaatkan model semantik Looker, analisis percakapan memberikan akses ke data dari berbagai platform — seperti BigQuery, AlloyDB, Redshift, Snowflake, dan Databricks — tanpa perlu memahami kompleksitas data yang mendasarinya, dan memastikan bahwa semua respons konsisten dan diatur.

Bagaimana cara kerja agen data analisis percakapan?

Agen data analisis percakapan mendasarkan responsnya pada dua input utama: skema LookML instance Anda, yang ditentukan oleh developer Looker, dan petunjuk agen, yang Anda tulis saat membuat atau mengedit agen.

Dari kueri Anda, agen data harus menentukan kolom LookML mana yang akan dipilih dan filter, pengurutan, atau batas mana yang akan diterapkan. Untuk melakukannya secara akurat, LLM memetakan bahasa natural dalam kueri Anda ke petunjuk agennya sendiri dan skema LookML data dengan cara berikut:

  1. Memetakan istilah semantik: Pengguna sering menggunakan jargon bisnis dalam pertanyaan mereka. Agen menggunakan petunjuk agen dan metadata kolom LookML untuk menafsirkan kueri Anda. Misalnya, untuk kueri "Berapa banyak bisnis baru yang kita lakukan?", agen data akan dapat memetakan "bisnis baru" ke ukuran yang menghitung pendapatan berulang bulanan. Untuk kueri "Siapa pelanggan terbaik kita?", agen data akan dapat memetakan "terbaik" ke jumlah penggunaan dan "pelanggan" ke dimensi yang disebut Nama Pelanggan.
  2. Memetakan nilai kolom: Agen mencari titik data tertentu — misalnya, "California" atau "Jeans Slim-fit" — menggunakan alat khusus untuk mengambil sampel data atau melakukan penelusuran fuzzy. Misalnya, jika pengguna meminta "celana jeans", agen dapat memicu penelusuran fuzzy di seluruh kolom Nama Produk untuk menemukan kecocokan string yang tepat dalam database Anda. Jika pengguna meminta "NY", apakah itu kolom City atau kolom State? Agen mungkin perlu mengambil sampel data untuk melihat kolom mana yang berisi "NY" atau mengajukan pertanyaan klarifikasi.
  3. Penyempurnaan dengan contoh kueri: Anda dapat memberikan contoh pertanyaan dan jawaban tertentu, yang disebut "kueri emas", dalam petunjuk agen data untuk meningkatkan akurasi kueri umum atau penting.

Kemudian, Looker menggunakan definisi LookML dari kolom ini dan logika lain yang ditentukan di Jelajah — termasuk definisi kolom, pemberian akses atau atribut pengguna, filter dasbor yang ditentukan pengguna, atau logika gabungan atau Liquid yang kompleks — untuk menyusun kueri yang dikirim ke database. Karena agen tidak menulis seluruh kueri SQL, agen tidak perlu "memahami" data dan dapat beroperasi dengan lebih akurat dan deterministik.

Untuk mempelajari lebih lanjut cara agen Anda menggunakan LookML, lihat halaman dokumentasi Praktik terbaik untuk mengonfigurasi analisis percakapan di Looker.

Daftar dokumentasi

Memahami kemampuan kepatuhan fitur Gemini di Looker

Analisis percakapan belum termasuk dalam batas otorisasi FedRAMP High atau FedRAMP Medium. Sebelum Anda mengaktifkan setelan Gemini di Looker untuk instance Looker Anda, diskusikan dengan badan pemberi otorisasi Anda apakah penawaran kepatuhan Gemini untuk Google Cloudmemenuhi kebutuhan organisasi Anda.

Untuk instance Looker (inti Google Cloud), setiap paket kontrol Assured Workloads yang tersedia akan menambahkan fitur Gemini in Looker ke penawaran default setelah persyaratan dan proses perubahan paket tersebut terpenuhi. Analisis percakapan di Looker mematuhi kemampuan kepatuhan instance Looker (Google Cloud core) terkait, dengan pengecualian berikut:

Dukungan Data Residency (DRZ), khususnya untuk data dalam penyimpanan, tersedia untuk semua pelanggan Looker. Semua data tersimpan yang terkait dengan analisis percakapan berada sepenuhnya dalam instance Looker dan terbatas pada satu region. Data dalam pengiriman dan machine learning (ML) diproses menggunakan layanan global.

Kepatuhan di Uni Eropa

Opsi pemrosesan yang dilokalkan kini tersedia bagi pelanggan yang berlokasi di Uni Eropa (EU) dan memungkinkan pemrosesan data dalam yurisdiksi Uni Eropa. Opsi ini memungkinkan traffic analisis percakapan Looker diarahkan melalui Endpoint Multiregional Uni Eropa, yang memastikan data pelanggan Uni Eropa diproses di Uni Eropa.

Pemrosesan yang dilokalkan berlaku untuk semua fitur analisis percakapan di Looker (kecuali agen data dasbor) dan semua endpoint analisis percakapan Looker API. Pembatasan ini tidak berlaku untuk Conversational Analytics API.

Opsi ini tersedia melalui daftar yang diizinkan. Untuk meminta pendaftaran dalam daftar yang diizinkan pemrosesan ML EU untuk analisis percakapan Looker, isi formulir Permintaan Pemrosesan ML EU Looker. Perhatikan bahwa kapasitas terbatas; pendaftaran diberikan berdasarkan ketersediaan fungsional dan dapat memengaruhi throughput layanan. Anda akan menerima email konfirmasi setelah terdaftar.

Berikan masukan

Anda dapat memberikan masukan kepada Google tentang setiap respons dalam analisis percakapan dengan memilih salah satu opsi berikut:

  • thumb_up Respons bagus: Menunjukkan bahwa respons tersebut membantu.
  • thumb_down Respons buruk: Menunjukkan bahwa respons tidak membantu.