Descripción general de Conversational Analytics en Looker

Conversational Analytics es una función de chat con tus datos que funciona con Gemini para Google Cloud. Con fundamentación en la capa de modelado semántico de Looker, Conversational Analytics permite a los usuarios de tu organización hacer preguntas relacionadas con los datos en lenguaje natural normal (conversacional) para obtener IE de autoservicio confiable y administrado. Este enfoque acelera la adopción de estadísticas en toda tu organización, ya que proporciona administración y seguridad de nivel empresarial.

Conversational Analytics está disponible en instancias de Looker (Google Cloud Core) y en instancias de Looker (original).

Descubre cómo y cuándo Gemini para Google Cloud usa tus datos.

Características clave

Conversational Analytics incluye las siguientes funciones clave:

  • Conversa con una exploración de Looker: Conversa en lenguaje natural con los datos de la exploración de Looker o con un agente de datos personalizado dentro de una instancia de Looker (original) o una instancia de Looker (Google Cloud Core). Puedes conversar con una exploración individual o con un agente de datos conectado a hasta cinco exploraciones.
  • Crea y administra agentes de datos: Con los agentes de datos, puedes personalizar el agente de consulta de datos impulsado por IA proporcionando contexto e instrucciones específicos para tus datos, lo que ayuda al agente de datos a generar respuestas más precisas y contextualmente relevantes. También puedes compartir tus agentes de datos con otros usuarios para que puedan hacer preguntas con el mismo contexto. Puedes conectar tu agente a hasta cinco exploraciones.
  • Estadísticas avanzadas con el intérprete de código [versión preliminar]: El intérprete de código dentro de Conversational Analytics traduce tus preguntas en lenguaje natural a código de Python y ejecuta ese código. En comparación con las consultas estándar basadas en SQL, el uso de Python por parte del intérprete de código permite análisis y visualizaciones más complejos.
  • Incorpora Conversational Analytics en un sitio web o una aplicación: Puedes incorporar Conversational Analytics en un sitio web o una aplicación con una etiqueta iframe de HTML, al igual que con otros tipos de contenido de Looker. Conversational Analytics admite la incorporación privada, en la que los usuarios se autentican con su acceso a Looker, y la incorporación firmada, en la que los usuarios se autentican a través de tu propia aplicación.

¿Cómo funciona Conversational Analytics?

Conversational Analytics usa Gemini para Google Cloud interpretar preguntas en lenguaje natural y proporcionar respuestas basadas en tus datos en Looker. Utiliza el modelo semántico de Looker, las definiciones de LookML de tus datos, como su fuente de información para garantizar que las respuestas sean precisas y coherentes. Conversational Analytics puede interpretar las definiciones de tu empresa para métricas como "ingresos" o "baja", ya que se definen en LookML, y usa estas definiciones para ofrecer preguntas precisas y coherentes.

Para fundamentar sus respuestas en tu contexto empresarial y de datos específicos, Conversational Analytics usa varias técnicas:

  • Esquema de LookML: Al comienzo de una solicitud, Conversational Analytics recupera el esquema de las exploraciones conectadas a él. Conversational Analytics usa parámetros del modelo de LookML de varias maneras:
    • Identificación de campos: Los metadatos del esquema ayudan a Conversational Analytics a enfocarse en los campos relevantes. Estos metadatos incluyen parámetros de LookML, como name, label, description, type y dimension_group. Estos parámetros ayudan a Conversational Analytics a asignar términos en las preguntas de los usuarios a los campos correctos. Por ejemplo, description puede proporcionar terminología o contexto específicos de la empresa para un campo.
    • Formato de respuesta: Conversational Analytics usa parámetros label para asignar nombres de campos fáciles de usar y parámetros value_format para dar formato a los datos en las respuestas.
  • Generación de consultas: En lugar de consultar tu base de datos directamente, Conversational Analytics determina qué campos, filtros, ordenamientos y límites se deben usar en la consulta. Luego, Looker compone y ejecuta la consulta con el modelo de LookML subyacente. Este proceso es similar a la forma en que un usuario interactúa con una interfaz de exploración. Conversational Analytics no necesita comprender la lógica de unión compleja ni las definiciones de campo, ya que Looker controla la composición de la consulta en función del modelo de LookML. La generación de consultas garantiza que todas las consultas cumplan con la lógica de unión, el filtrado, la agregación y los permisos de datos definidos en tu modelo de LookML. Para generar consultas, Conversational Analytics debe determinar los valores correctos para usar en los filtros. Estos valores deben coincidir exactamente con los valores de los datos subyacentes o con expresiones de filtro más avanzadas, como comodines. Para resolver las discrepancias entre los valores que el usuario incluye en sus preguntas en lenguaje natural y los valores exactos que puede requerir un filtro, Conversational Analytics usa valores definidos con allowed_value en campos parameter y puede usar herramientas para verificar valores específicos en los campos:
    • Datos de muestra: Muestra hasta 100 valores de un campo para ayudar a Conversational Analytics a aprender patrones o encontrar una coincidencia exacta para los valores de filtro.
    • Búsqueda aproximada: Genera un conjunto de términos de búsqueda basados en la entrada del usuario y verifica su presencia en una dimensión para encontrar valores de filtro adecuados. Tanto los datos de muestra como la búsqueda aproximada usan la API de sugerencias de Looker y, por lo tanto, están influenciados por parámetros de LookML, como suggestions, suggest_explore, y suggest_dimension.
  • Análisis: Después de que Looker ejecuta las consultas, Conversational Analytics analiza los resultados de las consultas para responder las preguntas de los usuarios. Conversational Analytics puede analizar los resultados de una o más de las siguientes maneras:
    • Usa las capacidades integradas de Gemini para interpretar y resumir los resultados.
    • Usa la ejecución de código de Python a través del intérprete de código para realizar un análisis más detallado de los resultados.
    • Crea visualizaciones basadas en los resultados de las consultas.

Al aprovechar el modelo semántico de Looker, Conversational Analytics proporciona acceso a datos de varias plataformas, como BigQuery, AlloyDB, Redshift, Snowflake y Databricks, sin necesidad de comprender la complejidad de los datos subyacentes, y garantiza que todas las respuestas sean coherentes y administradas.

¿Cómo funcionan los agentes de datos de Conversational Analytics?

Un agente de datos de Conversational Analytics basa sus respuestas en dos entradas principales: el esquema de LookML de tu instancia, que define un desarrollador de Looker, y las instrucciones del agente, que escribes cuando creas el agente.

A partir de tu consulta, un agente de datos debe determinar qué campos de LookML seleccionar y qué filtros, ordenamientos o límites aplicar. Para hacerlo con precisión, asigna el lenguaje natural de tu consulta a sus propias instrucciones del agente y al esquema de LookML de los datos de las siguientes maneras:

  1. Asignación de términos semánticos: Los usuarios suelen usar jerga empresarial en sus preguntas. El agente usa las instrucciones del agente y los metadatos del campo de LookML para interpretar tu consulta. Por ejemplo, para la consulta "¿Cuánto negocio nuevo hicimos?", un agente de datos podría asignar "negocio nuevo" a una medición que calcule los ingresos recurrentes mensuales. Para la consulta "¿Quiénes son nuestros principales clientes?", un agente de datos podría asignar "principales" a un recuento de uso y "clientes" a una dimensión llamada Nombre del cliente.
  2. Asignación de valores de campo: El agente busca puntos de datos específicos, por ejemplo, "California" o "Jeans de corte ajustado", con herramientas especializadas para tomar muestras de los datos o realizar búsquedas aproximadas. Por ejemplo, si un usuario pregunta por "jeans", el agente podría activar una búsqueda aproximada en el campo Nombre del producto para encontrar las coincidencias exactas de cadenas en tu base de datos. Si un usuario pregunta por "NY", ¿se refiere al campo Ciudad o al campo Estado? Es posible que el agente deba tomar muestras de los datos para ver qué campo contiene "NY" o hacer una pregunta aclaratoria.
  3. Refinamiento con ejemplos de consultas: Puedes proporcionar ejemplos específicos de preguntas y respuestas, llamados "consultas de referencia", en las instrucciones del agente de datos para mejorar la precisión de las consultas comunes o críticas.

Luego, Looker usa las definiciones de LookML de estos campos y otra lógica definida en la exploración, incluidas las definiciones de campo, las concesiones de acceso o los atributos de usuario, o la lógica compleja de Liquid o de unión, para componer la consulta que se envía a la base de datos. Como el agente no escribe toda la consulta en SQL, no necesita "comprender" los datos y puede operar con mayor precisión y determinismo.

Para obtener más información sobre cómo tu agente usa LookML, consulta la página de documentación Prácticas recomendadas para configurar Conversational Analytics en Looker.

Agentes de datos en comparación con conversaciones

Crear un agente de datos ofrece varias ventajas clave en comparación con tener una conversación estándar con una sola exploración. Si bien iniciar una conversación desde una exploración permite realizar consultas rápidas en lenguaje natural de esa fuente de datos específica, un agente de datos funciona como un analista independiente especializado que se puede personalizar y compartir en toda tu organización.

Los agentes de datos proporcionan la siguiente ventaja en comparación con las conversaciones con exploraciones:

  • Chatea con varias exploraciones: En una conversación con una exploración, solo puedes consultar una exploración a la vez. Sin embargo, un agente de datos puede conectarse a hasta cinco exploraciones distintas, lo que permite a los usuarios realizar análisis entre dominios y recibir respuestas más completas.
  • Contexto creado: Puedes proporcionar a tu agente de datos instrucciones personalizadas que no están disponibles en una conversación de exploración estándar, incluidos los siguientes recursos:
    • Consultas de referencia: Puedes proporcionar al agente pares de preguntas en lenguaje natural y consultas verificadas de Looker para anclar patrones empresariales comunes y reducir significativamente la ambigüedad del modelo.
    • Glosarios empresariales: Puedes definir jerga o siglas específicas de la organización directamente en las instrucciones del agente.
    • Marco de personajes: Puedes asignar un rol o experiencia específicos al agente, lo que establece un tono coherente y un juicio profesional para la conversación.
  • Especialización del agente: En lugar de usar la interfaz genérica única de una conversación, puedes crear agentes especializados para diferentes unidades de negocios, como un agente de ingresos o un agente de operaciones. Esto permite una experiencia de análisis más guiada, que dirige a los usuarios hacia los campos y filtros específicos más relevantes para sus necesidades.
  • Colaboración y reutilización: Las conversaciones de exploración suelen limitarse a un usuario, mientras que los agentes de datos se pueden compartir con otros miembros de tu organización. El uso compartido garantiza que varios usuarios puedan beneficiarse del mismo contexto y administración creados que desarrolló un administrador o un experto en datos.
  • Comportamiento personalizado: Puedes configurar tu agente para que opere dentro de requisitos estrictos, como usar filtros predeterminados , por ejemplo, "siempre usar los últimos 6 meses de forma predeterminada si no se menciona un período". Estas barreras de protección garantizan que el agente opere dentro de los estándares específicos de administración y seguridad de tu organización. También puedes ocultar campos en las exploraciones para evitar que el agente de datos los use en las consultas.

Lista de documentación

Comprende las capacidades de cumplimiento de Gemini en Looker en las funciones de Looker

Conversational Analytics aún no se incluye en los límites de autorización de FedRAMP High o FedRAMP Moderate. Antes de habilitar la configuración de Gemini en Looker para tu instancia de Looker, analiza con tu organismo autorizador si las ofertas de cumplimiento de Gemini para Google Cloud's satisfacen las necesidades de tu organización.

En el caso de las instancias de Looker (Google Cloud Core), cada paquete de control de Assured Workloads que esté disponible agregará funciones de Gemini en Looker como ofertas predeterminadas a medida que se cumplan los requisitos y procesos de cambio de ese paquete. Conversational Analytics en Looker respeta las capacidades de cumplimiento de la instancia de Looker (Google Cloud Core) asociada, con la siguiente excepción:

La compatibilidad con la residencia de datos (DRZ), específicamente para los datos inactivos, está disponible para todos los clientes de Looker. Todos los datos inactivos asociados con Conversational Analytics residen estrictamente dentro de la instancia de Looker y se limitan a una sola región. Los datos en tránsito se pueden procesar con un servicio global.

Proporcionar comentarios

Para enviar comentarios a Google sobre respuestas individuales en Conversational Analytics, selecciona una de las siguientes opciones:

  • thumb_up Buena respuesta: Indica que la respuesta fue útil.
  • thumb_down Respuesta incorrecta: Indica que la respuesta no fue útil.