Konversationelle Analyse 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 Ihrer Organisation, 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

Konversationelle Analyse umfasst die folgenden Hauptfunktionen:

  • Mit einem Looker-Explore interagieren: Sie können in natürlicher Sprache mit Looker-Explore-Daten oder mit einem benutzerdefinierten Datenagenten in einer Looker-Instanz (Original) oder einer Looker (Google Cloud Core)-Instanz interagieren. Sie können sich mit einem einzelnen Explore oder mit einem Daten-Agent unterhalten, der mit bis zu fünf Explores verbunden ist.
  • Daten-Agents erstellen und verwalten: Mit Daten-Agents können Sie den KI-basierten Datenabfrage-Agent anpassen, indem Sie Kontext und Anweisungen bereitstellen, die für Ihre Daten spezifisch sind. So kann der Daten-Agent genauere und kontextbezogene Antworten generieren. Sie können Ihre Data Agents auch für andere Nutzer freigeben, damit diese Fragen im selben Kontext stellen können. Sie können Ihren Agenten mit bis zu fünf Explores verbinden.
  • Erweiterte Analysen mit dem Code Interpreter [Vorabversion]: Der Code Interpreter 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 durch den Code Interpreter komplexere Analysen und Visualisierungen.
  • Konversationelle Analyse in eine Website oder Anwendung einbetten: Sie können konversationelle Analyse mit einem HTML-iFrame-Tag in eine Website oder Anwendung einbetten, genau wie andere Looker-Inhaltstypen. Konversationelle Analyse 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.

Wie funktioniert konversationelle Analyse?

Bei der konversationellen Analyse wird Gemini für Google Cloud verwendet, um in natürlicher Sprache gestellte Fragen zu interpretieren und auf Grundlage Ihrer Daten in Looker Antworten zu geben. Es verwendet das semantische Modell von Looker – die LookML-Definitionen Ihrer Daten – als zentrale Datenquelle, um sicherzustellen, dass die Antworten korrekt und konsistent sind. Konversationelle Analyse kann Ihre Geschäftsdefinitionen für Messwerte wie „Umsatz“ oder „Kundenabwanderung“ interpretieren, da sie in LookML definiert sind. Anhand dieser Definitionen werden genaue und konsistente Fragen gestellt.

Um die Antworten auf Ihre spezifischen Daten und Ihren geschäftlichen Kontext abzustimmen, werden bei der konversationellen Analyse verschiedene Techniken verwendet:

  • LookML-Schema: Zu Beginn einer Anfrage ruft konversationelle Analyse das Schema aus den Explores ab, die damit verbunden sind. Bei konversationeller Analyse 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 kann die konversationelle Analyse Begriffe in Nutzerfragen den richtigen Feldern zuordnen. description kann beispielsweise unternehmensspezifische Terminologie oder Kontext für ein Feld bereitstellen.
    • Antwortformatierung: Bei der konversationellen Analyse werden label-Parameter für die benutzerfreundliche Benennung von Feldern und value_format-Parameter für die Formatierung von Daten in Antworten verwendet.
  • Abfragegenerierung: Anstatt Ihre Datenbank direkt abzufragen, wird in 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. Konversationelle Analyse muss keine komplexe Join-Logik oder Felddefinitionen verstehen, da Looker die Abfrage auf Grundlage des LookML-Modells erstellt. 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, verwendet die konversationelle Analyse Werte, 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.
    • Ungefähre Suche: Generiert anhand der Nutzereingabe eine Reihe von Suchbegriffen 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 von konversationeller Analyse analysiert, um Nutzerfragen zu beantworten. Mit konversationeller Analyse 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 den Code Interpreter verwendet, um die Ergebnisse weiter zu analysieren.
    • Es erstellt Visualisierungen auf Grundlage von Abfrageergebnissen.

Mit dem semantischen Modell von Looker bietet konversationelle Analyse Zugriff auf Daten aus 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 konversationelle Analyse?

Die Antworten eines konversationellen Analyse-Daten-KI-Agenten 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 des Agenten schreiben.

Ein Daten-Agent muss anhand Ihrer Anfrage ermitteln, welche LookML-Felder ausgewählt und welche Filter, Sortierungen oder Grenzwerte 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 monatlich 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 KI-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 Daten-Agents spezifische Frage-und-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 oder komplexer Liquid- oder Join-Logik, um die Anfrage 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 konversationeller Analyse in Looker.

KI-Datenagenten im Vergleich zu Unterhaltungen

Die Erstellung eines Daten-Agents bietet mehrere entscheidende Vorteile gegenüber einer Standardunterhaltung 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.
  • 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 der Anleitung des Agents definieren.
    • Persona-Framework: Sie können dem Agenten eine bestimmte Rolle oder ein bestimmtes Fachwissen zuweisen, um einen einheitlichen Ton und eine professionelle Einschätzung für die Unterhaltung festzulegen.
  • 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 (Umsatz-Agent) oder einen Ops Agent (Betriebs-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, etwa „Immer die letzten sechs Monate als Standardzeitraum verwenden, wenn kein Zeitraum angegeben ist“. 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.

Liste der Dokumentation

Compliance-Funktionen von Gemini in Looker-Funktionen

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 Assured Workloads-Kontrollpaket, das verfügbar wird, Gemini in Looker-Funktionen als Standardangebote hinzugefügt, sobald die Änderungsanforderungen und -prozesse des Pakets erfüllt sind. Konversationelle Analyse in Looker berücksichtigt die Compliance-Funktionen der zugehörigen Looker (Google Cloud Core)-Instanz. Die folgende Ausnahme gilt:

Die Unterstützung des Datenstandorts (Data Residency, DRZ), insbesondere für ruhende Daten, ist für alle Looker-Kunden verfügbar. Alle ruhenden Daten, die mit konversationeller Analyse 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.