Gemini in Looker: Hvad kan AI i Looker bruges til?
Google har integreret generativ AI i Looker gennem Gemini in Looker. Funktionerne gør det blandt andet muligt at stille spørgsmål til virksomhedens data i almindeligt sprog, få resultater vist som tabeller og visualiseringer og gennemføre analyser i flere trin.
Den centrale funktion til dialog med data hedder Conversational Analytics. Den bygger på Lookers semantiske lag og anvender virksomhedens LookML-model til at forbinde brugernes spørgsmål med de rigtige felter, beregninger og forretningsbegreber. Vil du først have det samlede overblik, kan du læse vores artikel om AI og Business Intelligence
Mulighederne afhænger af virksomhedens Looker-løsning, opsætning, brugerrettigheder og kvaliteten af den bagvedliggende LookML-model. Nogle Gemini-funktioner er generelt tilgængelige, mens andre fortsat er i preview.
I denne artikel ser vi nærmere på:
Hvad Gemini in Looker og Conversational Analytics er
Hvilke tekniske og administrative krav der gælder
Hvordan brugerne kan stille spørgsmål til data i almindeligt sprog
Hvordan Looker arbejder med dataagenter og avancerede analyser
Hvordan LookML-modellen klargøres til AI
Hvilke begrænsninger virksomheder skal være opmærksomme på
Hvordan sikkerhed, adgang og ansvarlig brug håndteres
Fold de enkelte sektioner ud for at læse mere om det område, der er relevant for jer.
Hvad er Gemini in Looker?
Gemini in Looker er en samlet betegnelse for en række AI-funktioner i Looker. Funktionerne er udviklet til både almindelige brugere, analytikere, udviklere og administratorer. Den mest centrale funktion for almindelige BI-brugere er Conversational Analytics.
Google beskriver den således:
“Conversational analytics is a chat-with-your-data feature that is powered by Gemini for Google Cloud.”
Kilde: Google Cloud: Conversational Analytics in Looker overview
Conversational Analytics gør det muligt at stille spørgsmål til data i naturligt sprog. Gemini fortolker spørgsmålet, forbinder det med relevante data i Looker og kan returnere resultatet som tekst, en datatabel eller en visualisering.
Gemini in Looker er mere end Conversational Analytics
Gemini in Looker omfatter flere forskellige funktioner. Google fremhæver blandt andet muligheder for at:
Stille spørgsmål til virksomhedens data i almindeligt sprog
Generere tabeller og visualiseringer ud fra et spørgsmål
Gennemføre samtaler med opfølgende spørgsmål
Oprette specialiserede dataagenter
Udføre avancerede analyser ved hjælp af Python
Tilpasse visualiseringer ved hjælp af almindeligt sprog
Få hjælp til at skrive Looker-udtryk
Få forslag til LookML-parametre
Generere opsummeringer af Explores
Finde gemt indhold gennem semantisk søgning
Integrere Conversational Analytics i eksterne applikationer
Ikke alle funktionerne har samme status. Conversational Analytics er generelt tilgængelig, mens blandt andet visse dashboardagenter, LookML-generering, opsummeringer og andre assistentfunktioner fortsat kan være i preview.
Virksomheden bør derfor undersøge den aktuelle status for den enkelte funktion, inden den anvendes i forretningskritiske arbejdsgange.
Looker anvender det semantiske lag
Conversational Analytics arbejder ikke direkte og frit mod databasen. Funktionen anvender Lookers semantiske model, som er defineret i LookML.
LookML beskriver blandt andet:
Hvilke tabeller og datakilder der kan anvendes
Hvordan tabellerne hænger sammen
Hvilke dimensioner og målinger brugerne kan arbejde med
Hvordan KPI’er og beregninger er defineret
Hvilke filtre og begrænsninger der gælder
Hvordan data skal navngives og vises
Hvilke brugere der må tilgå bestemte data
Når en bruger stiller et spørgsmål, forsøger Gemini at forbinde formuleringen med de relevante felter i den semantiske model. Looker sammensætter derefter forespørgslen ud fra de relationer, beregninger og adgangsregler, der allerede er defineret i LookML.
Det betyder, at Gemini ikke behøver at konstruere hele SQL-forespørgslen på egen hånd. Looker står fortsat for at omsætte de valgte felter, filtre og sorteringer til den forespørgsel, der sendes til databasen.
Explores og dataagenter
Brugerne kan føre en samtale direkte med et enkelt Looker Explore eller anvende en dataagent. Et Explore er en afgrænset indgang til virksomhedens datamodel. Det kan eksempelvis være et Explore til salg, lager, kunder eller økonomi.
En dataagent kan forbindes med op til fem Explores og konfigureres med yderligere kontekst og instruktioner. Det gør det muligt at udvikle en specialiseret agent til eksempelvis salg, marketing eller økonomi.
Agenten kan blandt andet instrueres i:
Hvordan virksomhedens faglige begreber skal fortolkes
Hvilke felter der skal anvendes til bestemte spørgsmål
Hvilke filtre der normalt skal anvendes
Hvordan tvetydige spørgsmål skal håndteres
Hvilke beregninger der er relevante
Hvilken målgruppe svarene er rettet mod
Hvad kræver Gemini in Looker?
Gemini-funktionerne skal aktiveres og konfigureres, før brugerne kan anvende dem. Det er ikke tilstrækkeligt, at virksomheden allerede har data og rapporter i Looker.
Conversational Analytics er tilgængelig i både Looker (Google Cloud core) og Looker (original), men opsætningen afhænger af, hvilken type instans virksomheden anvender.
De overordnede krav omfatter:
En understøttet Looker-instans
Aktivering af Gemini in Looker
Aktivering af Conversational Analytics
De nødvendige Looker-roller og tilladelser
Adgang til de relevante modeller og Explores
En LookML-model, som funktionen kan arbejde med
Korrekt konfiguration af eventuelle IP-begrænsninger
Tilstrækkelig kapacitet til virksomhedens brug
Funktionen skal aktiveres af en administrator
I Looker (original) skal en Looker-administrator aktivere både Gemini in Looker og Conversational Analytics i instansens indstillinger.
I Looker (Google Cloud core) skal en bruger med IAM-rollen Looker Admin først aktivere Gemini in Looker i Google Cloud Console. Derefter skal Conversational Analytics aktiveres i Lookers administrationspanel.
De enkelte Gemini-funktioner kan styres særskilt. En virksomhed kan derfor aktivere Conversational Analytics uden nødvendigvis at aktivere alle øvrige AI-funktioner.
Adgangen afhænger af roller og indhold
Adgangen styres gennem en kombination af:
Funktionsadgang
Dataadgang
Modeladgang
Adgang til det konkrete indhold
Adgang til den enkelte dataagent
En bruger skal eksempelvis både have tilladelse til at anvende Gemini in Looker og adgang til de modeller, som det valgte Explore eller den valgte agent bygger på.
Google har defineret særlige roller til Conversational Analytics, herunder roller til brugere, seere og ansvarlige for dataagenter. Virksomheden kan også opbygge egne roller og tilladelsessæt.
Hvis en bruger forsøger at føre en samtale med et Explore eller en agent uden at have de nødvendige rettigheder til de bagvedliggende data, viser Looker en fejl.
IP-begrænsninger kan kræve ændringer
Hvis virksomheden anvender en IP-allowlist til at begrænse adgangen til sin Looker-instans, kan det være nødvendigt at tillade forbindelser fra Google Cloud-tjenester.
Den konkrete opsætning afhænger af, om virksomheden anvender Looker (original) eller Looker (Google Cloud core). Dette bør undersøges, før funktionen aktiveres.
Forbruget måles i datatokens
Google måler brugen af Conversational Analytics i datatokens. De omfatter både det input, der sendes til modellen, og det output, som modellen genererer.
Input kan blandt andet omfatte:
Brugerens spørgsmål
Samtalehistorikken
LookML-metadata
Agentinstruktioner
Anden kontekst
Output kan blandt andet omfatte:
Tekstbaserede svar
Visualiseringer
Forespørgsler
Forklaringer
Synlig ræsonnering i Thinking mode
Den månedlige kapacitet er samlet på instansniveau og deles mellem de godkendte brugere. Den inkluderede kapacitet afhænger af virksomhedens Looker-abonnement. Priser og forbrugsgrænser kan ændre sig, så de aktuelle vilkår bør kontrolleres før en udrulning.
Stil spørgsmål til jeres data
Conversational Analytics gør det muligt at undersøge virksomhedens data gennem en samtale. Brugeren kan vælge et Explore eller en dataagent og stille spørgsmål uden selv at opbygge forespørgslen manuelt.
Google beskriver muligheden således:
“Gemini in Looker lets you ask questions about your data source by using natural language.”
Kilde: Google Cloud: Query an Explore in natural language
En bruger kan eksempelvis spørge:
Hvordan har omsætningen udviklet sig det seneste år?
Hvilke kunder har købt mest i denne måned?
Hvilke produktgrupper har den højeste dækningsgrad?
Hvordan fordeler salget sig mellem vores regioner?
Hvilke produkter har haft den største tilbagegang?
Hvordan adskiller resultatet sig fra samme periode sidste år?
Gemini forsøger at forbinde spørgsmålet med de relevante dimensioner, målinger, filtre og værdier i LookML-modellen. Looker udfører derefter forespørgslen og kan præsentere resultatet som en forklaring, tabel eller visualisering.
Brugeren kan stille opfølgende spørgsmål
Conversational Analytics understøtter samtaler i flere trin. Brugeren kan derfor tage udgangspunkt i et svar og efterfølgende ændre eller afgrænse analysen.
En samtale kan eksempelvis fortsætte sådan:
Vis den samlede omsætning fordelt på regioner.
Vis kun de seneste seks måneder.
Opdel derefter resultatet efter produktgruppe.
Vis resultatet som et kurvediagram.
Hvilken region har haft den største tilbagegang?
Looker anvender de tidligere spørgsmål og svar som kontekst i den aktive samtale. Konteksten følger ikke automatisk med over i en anden samtale.
Fast mode og Thinking mode
Brugeren kan vælge mellem to måder at behandle spørgsmålet på:
Fast mode er beregnet til mere direkte spørgsmål om kendte målinger og dimensioner. Et spørgsmål om den samlede omsætning i sidste måned kan eksempelvis forbindes direkte med et defineret omsætningsmål og et tidsfilter.
Thinking mode er beregnet til mere komplekse spørgsmål. Her kan agenten planlægge analysen, kombinere flere trin og vælge mellem forskellige værktøjer.
Thinking mode kan også stille opklarende spørgsmål, hvis brugerens formulering er tvetydig. Hvis datamodellen eksempelvis indeholder både en ordredato og en fakturadato, kan agenten bede brugeren præcisere, hvilken dato der skal anvendes.
Brugeren kan undersøge svarets grundlag
Conversational Analytics giver mulighed for at undersøge, hvordan et spørgsmål er blevet fortolket, og hvordan resultatet er beregnet.
Brugeren kan blandt andet:
Se den anvendte dataforespørgsel
Se hvilke felter og filtre der indgår
Få en forklaring af beregningen
Åbne resultatet i et Looker Explore
Se yderligere analytiske detaljer, hvis funktionen er aktiveret
Undersøge ræsonneringen i Thinking mode
Denne gennemsigtighed gør det lettere at kontrollere, om Gemini har forstået spørgsmålet korrekt. Den er dog ikke i sig selv en garanti for, at resultatet er korrekt.
Spørgsmålet skal kunne forbindes med modellen
Kvaliteten af svaret afhænger af, om brugerens formulering kan forbindes med det rigtige indhold i LookML-modellen.
Hvis brugeren spørger efter virksomhedens “bedste kunder”, skal det være tydeligt, om “bedste” betyder:
Højeste omsætning
Største dækningsbidrag
Flest køb
Højeste vækst
Laveste risiko
Højeste kundelivstidsværdi
Hvis betydningen ikke er defineret i modellen eller agentens instruktioner, kan Gemini vælge en anden fortolkning end den, brugeren havde tænkt sig.
Opret analyser og arbejd med dataagenter
Conversational Analytics kan både besvare direkte spørgsmål til et enkelt Explore og arbejde gennem specialiserede dataagenter.
En dataagent er en konfigureret AI-assistent, der kan forbindes med op til fem Explores. Agenten kan tilpasses til en bestemt målgruppe eller et bestemt forretningsområde.
Det kan eksempelvis være:
En salgsagent med adgang til kunder, ordrer og produkter
En økonomiagent med adgang til budgetter, regnskab og afvigelser
En lageragent med adgang til beholdning, omsætningshastighed og genbestilling
En marketingagent med adgang til kampagner, leads og konverteringer
En ledelsesagent med adgang til udvalgte tværgående KPI’er
Google skriver om dataagenter:
“With agents, you can provide Conversational Analytics with context and instructions.”
Kilde: Google Cloud: Create and manage Explore data agents
Instruktionerne kan hjælpe agenten med at forstå virksomhedens terminologi, vælge de relevante felter og følge bestemte retningslinjer.
Verificerede forespørgsler kan forbedre svarene
En dataagent kan forsynes med verificerede forespørgsler, også omtalt som golden queries.
En verificeret forespørgsel forbinder et kendt spørgsmål med en forespørgsel, som virksomheden har kontrolleret. Det kan hjælpe agenten med at håndtere almindelige eller forretningskritiske spørgsmål mere præcist.
Det kan eksempelvis være:
Hvad var nettoomsætningen sidste måned?
Hvor stor er den aktuelle lagerbinding?
Hvilke kunder har den højeste dækningsgrad?
Hvordan beregnes antallet af aktive kunder?
Verificerede forespørgsler garanterer ikke alle fremtidige svar, men de giver agenten konkrete eksempler på, hvordan centrale spørgsmål skal forbindes med modellen.
Avancerede analyser anvender Python
Hvis Advanced Analytics aktiveres, kan en dataagent omsætte spørgsmål i naturligt sprog til Python-kode og udføre koden som en del af analysen.
Det gør det muligt at arbejde med analyser, som rækker ud over en almindelig SQL-baseret forespørgsel. Det kan blandt andet omfatte mere komplekse beregninger og visualiseringer.
Advanced Analytics skal aktiveres af en administrator. Funktionen skal desuden aktiveres for den enkelte dataagent af den bruger, som opretter agenten.
Python-koden og resultatet bør fortsat kontrolleres, før analysen anvendes som grundlag for væsentlige beslutninger.
Visualiseringer har begrænsninger
Conversational Analytics kan generere blandt andet:
Kurvediagrammer
Områdediagrammer
Søjlediagrammer
Punktdiagrammer
Cirkeldiagrammer
Datatabeller
Google oplyser, at kort, heatmaps og visualiseringer med tooltips kan give uventede resultater. Visualiseringstyper uden for det understøttede Vega-Lite-katalog understøttes ikke.
Conversational Analytics kan returnere op til 50.000 rækker pr. forespørgsel. Funktionen understøtter heller ikke alle typer Looker-filtre og specialfelter.
Ikke alle spørgsmål kan besvares
Conversational Analytics fungerer bedst ved spørgsmål, der kan besvares gennem en enkelt visualisering eller et afgrænset analytisk resultat.
Det kan eksempelvis være:
En måling over tid
Fordelingen af en måling efter en dimension
En liste over værdier
Et enkelt nøgletal
De største eller mindste værdier efter en måling
Google angiver, at Conversational Analytics ikke i sin almindelige SQL-baserede form understøtter alle spørgsmål om prognoser, korrelationer, anomalier og avanceret statistik.
Advanced Analytics kan udvide mulighederne gennem Python, men det ændrer ikke på behovet for at teste og kontrollere resultaterne.
Conversational Analytics kan integreres i andre løsninger
Conversational Analytics kan indlejres i en hjemmeside eller applikation gennem en iframe. Funktionen understøtter både privat indlejring med Looker-login og signed embedding, hvor brugeren godkendes gennem virksomhedens egen applikation.
Looker tilbyder også API’er til at udvikle egne samtalebaserede dataoplevelser.
Det betyder, at Conversational Analytics ikke nødvendigvis behøver at være begrænset til Lookers almindelige brugergrænseflade. De samme styrede datamodeller og dataagenter kan indgå i andre interne eller kundevendte løsninger.
Gør LookML-modellen klar til Gemini in Looker
Conversational Analytics bruger LookML-modellen, dataværdierne og dataagentens instruktioner som grundlag for sine svar.
Google formulerer sammenhængen således:
“The quality of its responses is tied to how effectively you prepare these inputs.”
Kilde: Google Cloud: Best practices for configuring Conversational Analytics
En eksisterende Looker-løsning har ofte allerede en væsentlig del af fundamentet. Data er forbundet, relationer er defineret, og centrale beregninger er samlet i den semantiske model.
Det betyder dog ikke, at modellen automatisk er klar til Conversational Analytics. En model, der fungerer godt for erfarne Looker-brugere, kan stadig indeholde tekniske feltnavne, overflødige felter eller utilstrækkelige beskrivelser, som gør det vanskeligt for Gemini at fortolke almindeligt sprog.
Brug klare navne og beskrivelser
Felter skal have navne, som afspejler den betydning, de har i virksomheden.
Et navn som amt_usd_curr kan være forståeligt for en udvikler, men er mindre tydeligt for både brugeren og Gemini. Et navn som “Omsætning i USD” giver en klarere forbindelse mellem spørgsmålet og feltet.
Google anbefaler blandt andet at:
Give felter tydelige og forretningsvenlige labels
Tilføje præcise beskrivelser
Beskrive branchespecifikke begreber
Skelne mellem felter med lignende betydning
Forklare beregninger og relevante undtagelser
Standardisere tidszoner og datoformater
Definere synonymer for almindelige betegnelser
En beskrivelse bør ikke blot gentage feltets navn. Den bør forklare, hvad feltet betyder, hvordan det anvendes, og hvornår det ikke skal bruges.
Skjul overflødige og tekniske felter
En model med mange rå nøgler, dubletter og tekniske mellemregninger giver Gemini flere mulige felter at vælge mellem. Det øger risikoen for fejl og kan gøre behandlingen langsommere.
Google anbefaler derfor at skjule felter, som ikke er relevante for slutbrugernes analyser. Det kan blandt andet være:
Primærnøgler
Fremmednøgler
Interne ID’er
Tekniske hjælpefelter
Dublerede felter
Midlertidige beregninger
Felter uden analytisk værdi
Skjulte felter kan fortsat anvendes internt i LookML-modellen, selvom de ikke stilles til rådighed for Conversational Analytics.
Hvis et eksisterende Explore indeholder meget teknisk indhold, kan virksomheden oprette et særskilt og mere afgrænset Explore til AI-baseret analyse.
Saml centrale beregninger i LookML
Hyppigt anvendte beregninger bør så vidt muligt defineres centralt i LookML.
Det kan eksempelvis være:
Omsætning
Dækningsbidrag
Dækningsgrad
Gennemsnitlig ordreværdi
Aktive kunder
Kundeafgang
Lagerbinding
Leveringssikkerhed
Når beregningen er defineret centralt, kan både rapporter, Explores og dataagenter anvende den samme forretningslogik. Det reducerer risikoen for, at forskellige brugere eller agenter beregner den samme KPI på forskellige måder.
Conversational Analytics understøtter ikke brugerdefinerede felter i forespørgsler. Beregninger, som ofte anvendes i brugerdefinerede felter, kan derfor med fordel flyttes ind i LookML-modellen.
Tilføj synonymer og virksomhedens sprog
LookML kan anvendes til at definere synonymer og beskrivelser, som hjælper Gemini med at forstå forskellige betegnelser for det samme begreb.
Hvis medarbejderne eksempelvis bruger ordene “kundeafgang”, “churn” og “opsagte kunder”, bør modellen hjælpe Gemini med at forbinde betegnelserne med det samme kontrollerede felt eller den samme beregning.
Det er særligt relevant for:
Interne forkortelser
Branchespecifikke termer
Alternative KPI-navne
Danske og engelske betegnelser
Begreber, som anvendes forskelligt på tværs af afdelinger
Kontekst, der gælder for alle brugere, bør som udgangspunkt defineres i LookML. Instruktioner, der kun gælder for en bestemt målgruppe eller arbejdsgang, kan placeres i den enkelte dataagent.
Begræns den enkelte dataagents formål
Det kan være fristende at oprette én agent, der skal kunne svare på alle spørgsmål i virksomheden. Google anbefaler imidlertid specialiserede agenter til bestemte fagområder.
En afgrænset agent har færre datakilder, begreber og instruktioner at vælge mellem. Det kan gøre den lettere at teste og reducere risikoen for, at den vælger et forkert felt eller en forkert kontekst.
En salgsagent behøver eksempelvis ikke nødvendigvis adgang til alle felter om personale, produktion og leverandører.
Test før bred udrulning
Google anbefaler en trinvis udrulning. Virksomheden kan begynde med et eller to velstrukturerede Explores og en mindre gruppe brugere, som kender dataene.
Testen bør blandt andet undersøge, om Gemini:
Forstår virksomhedens vigtigste begreber
Vælger de rigtige målinger og dimensioner
Anvender de korrekte filtre
Håndterer datoer og perioder korrekt
Fortolker alternative formuleringer ensartet
Stiller opklarende spørgsmål ved tvetydighed
Respekterer brugernes adgangsrettigheder
Giver resultater, der stemmer med kendte tal
Anvender de verificerede forespørgsler korrekt
Producerer relevante og forståelige visualiseringer
Når modellen og agenten er testet med en afgrænset gruppe, kan adgangen gradvist udvides til flere brugere og forretningsområder.
Sikkerhed og ansvarlig brug
Conversational Analytics gør det lettere at arbejde med virksomhedens data. Derfor er det afgørende, at adgangsrettighederne og datamodellen er korrekt konfigureret.
Funktionen anvender Lookers eksisterende regler for adgang til modeller og indhold. En bruger kan ikke uden videre spørge sig frem til data, som vedkommende ikke har adgang til gennem den bagvedliggende Looker-løsning.
Lookers adgangsregler er fortsat fundamentet
Når Looker sammensætter en forespørgsel, anvendes den logik og de adgangsregler, der er defineret i modellen.
Det kan blandt andet omfatte:
Looker-roller og tilladelser
Modeladgang
Indholdsadgang
Access grants
Brugerattributter
Filtre
Join-logik
Liquid-logik
Dataagenten overtager ikke ansvaret for adgangsstyringen. Hvis en bruger har for bred adgang i den eksisterende Looker-løsning, retter Gemini ikke automatisk problemet.
Inden Conversational Analytics aktiveres bredt, bør virksomheden derfor gennemgå både brugernes rettigheder og de data, som de enkelte Explores og agenter giver adgang til.
Prompts og svar anvendes ikke til modeltræning
Google oplyser følgende om Gemini for Google Cloud:
“Gemini doesn't use your prompts or its responses as data to train its models.”
Kilde: Google Cloud: How Gemini products use your data
Prompts og svar behandles i overensstemmelse med Google Clouds vilkår og Cloud Data Processing Addendum. Data krypteres under overførsel til den bagvedliggende model.
Visse funktioner i Trusted Tester-programmet kan give mulighed for frivilligt at dele data til produktforbedring. Google oplyser, at sådanne data ikke anvendes til træning af Gemini-modeller.
Dataplacering og behandling skal vurderes
Data i hvile, som er knyttet til Conversational Analytics, opbevares ifølge Google i den region, hvor Looker-instansen befinder sig.
Databehandling og machine learning kan dog anvende globale tjenester. Google tilbyder lokaliseret behandling for kvalificerede EU-baserede kunder på understøttede Looker-versioner, men der gælder undtagelser for bestemte funktioner og regioner.
Virksomheder med krav til dataplacering og behandling bør derfor kontrollere:
Hvilken Looker-instans og region de anvender
Hvilken Looker-version der er installeret
Om lokaliseret EU-behandling er tilgængelig
Om de ønskede funktioner er omfattet
Om previewfunktioner opfylder virksomhedens compliancekrav
Om databehandlingen passer til virksomhedens egne politikker
Et overbevisende svar kan være forkert
Google fremhæver selv denne begrænsning:
“Gemini for Google Cloud products can generate output that seems plausible but is factually incorrect.”
Kilde: Google Cloud: Set up Conversational Analytics in Looker
Det betyder, at et velformuleret svar ikke nødvendigvis er korrekt. Gemini kan blandt andet:
Misforstå brugerens spørgsmål
Vælge et forkert felt
Anvende en forkert måling
Fortolke et fagligt begreb forkert
Overse en relevant afgrænsning
Vælge en uegnet visualisering
Generere en forkert forklaring
Udføre fejlagtig Python-kode
Muligheden for at se forespørgslen og beregningsgrundlaget gør svaret lettere at kontrollere, men den fjerner ikke behovet for faglig vurdering.
Fastlæg klare rammer for brugen
En ansvarlig anvendelse af Gemini in Looker kræver, at virksomheden fastlægger:
Hvilke problemer AI-funktionerne skal løse
Hvilke Explores og datamodeller de må anvende
Hvem der må oprette og ændre dataagenter
Hvem der må bruge Advanced Analytics
Hvordan personoplysninger og følsomme data håndteres
Hvornår et resultat skal kontrolleres
Hvem der har ansvaret for LookML-modellen
Hvordan fejl og tvetydige svar håndteres
Hvordan brug og datatokens overvåges
Hvornår en previewfunktion må anvendes
Det kan være en fordel at begynde med et konkret forretningsbehov, et afgrænset Explore og en mindre gruppe brugere. Det gør det muligt at teste både datagrundlag, adgangsrettigheder og svar, før funktionen stilles bredt til rådighed.
Gemini in Looker bygger videre på virksomhedens eksisterende BI-løsning. Funktionen overtager ikke ansvaret for datakvalitet, adgangsstyring eller den faglige vurdering af resultaterne.
Opsummering: Gemini gør det lettere at gå i dialog med data i Looker
Gemini in Looker kan gøre det lettere for flere medarbejdere at arbejde aktivt med virksomhedens data. Conversational Analytics gør det muligt at stille spørgsmål i almindeligt sprog, fortsætte analysen gennem opfølgende spørgsmål og få resultaterne præsenteret som tekst, tabeller og visualiseringer.
Specialiserede dataagenter kan give forskellige brugergrupper en mere målrettet adgang til data. Advanced Analytics kan desuden udvide mulighederne med Python-baserede analyser, mens Lookers indlejringsmuligheder gør det muligt at anvende Conversational Analytics i andre applikationer.
Mulighederne betyder dog ikke, at det bagvedliggende BI-arbejde bliver overflødigt. Kvaliteten af svarene afhænger fortsat af virksomhedens data, LookML-model, Explores, beregninger, beskrivelser, agentinstruktioner og adgangsrettigheder.
Virksomheder med en velfungerende Looker-løsning har derfor ofte allerede en væsentlig del af fundamentet. Næste skridt er at undersøge, om den eksisterende model er egnet til Conversational Analytics, og om AI-funktionerne kan skabe værdi i en konkret analyse eller arbejdsgang.
Hos Capana hjælper vi jer med at vurdere mulighederne i Gemini in Looker, klargøre jeres LookML-model og teste Conversational Analytics på konkrete forretningsbehov.
Målet er ikke blot at aktivere AI, men at gøre den til en troværdig og værdiskabende del af jeres Looker-løsning.
