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

Conversational Analytics 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 gleichzeitig mit bis zu fünf Explores interagieren.
  • 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 Conversational Analytics 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.
  • Conversational Analytics in eine Website oder Anwendung einbetten: Sie können Conversational Analytics mit einem HTML-iFrame-Tag in eine Website oder Anwendung einbetten, genau wie andere Looker-Inhaltstypen. Conversational Analytics 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 Conversational Analytics?

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. Conversational Analytics 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 Conversational Analytics das Schema aus den Explores ab, die damit verbunden sind. Bei Conversational Analytics werden Parameter aus dem LookML-Modell auf verschiedene Weise verwendet:
    • Felder identifizieren: Metadaten aus dem Schema helfen Conversational Analytics, sich auf relevante Felder zu konzentrieren. Diese Metadaten umfassen LookML-Parameter wie name, label, description, type und dimension_group. Mithilfe dieser Parameter kann Conversational Analytics 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 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. Conversational Analytics 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 Conversational Analytics 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 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 Conversational Analytics Muster erkennen oder eine genaue Übereinstimmung für Filterwerte finden kann.
    • Ungefähre 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 von Conversational Analytics analysiert, um Nutzerfragen zu beantworten. Mit Conversational Analytics 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 Conversational Analytics 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 Conversational Analytics?

Die Antworten eines Conversational Analytics-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 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 mithilfe spezieller Tools nach bestimmten Datenpunkten, z. B. „Kalifornien“ oder „Slim-Fit-Jeans“, um die Daten zu erfassen oder unscharfe Suchvorgänge durchzuführen. 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, ist das dann das Feld City oder State? Der Agent muss die Daten möglicherweise stichprobenartig untersuchen, um herauszufinden, in welchem Feld „NY“ enthalten ist.
  3. Verfeinerung mit Beispielanfragen: Sie können in den Anweisungen für Daten-Agents 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 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.

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 jeweilige Datenquelle schnell in natürlicher Sprache abfragen. Ein Daten-Agent fungiert dagegen als spezialisierter, eigenständiger Analyst, der angepasst und in Ihrem Unternehmen 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 KI-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 KI-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 das Gespräch 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. 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.

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. Conversational Analytics in Looker berücksichtigt die 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 der konversationellen Analyse verknüpft sind, befinden sich ausschließlich in der Looker-Instanz und sind auf eine einzelne Region beschränkt. Die Datenübertragung kann über einen globalen Dienst erfolgen.

Feedback geben

Sie können Google Feedback zu einzelnen Antworten in Conversational Analytics 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.