Tabellenstatistiken generieren

Mit BigQuery-Tabellenstatistiken können Sie die Struktur und den Inhalt von BigQuery-Standardtabellen, externen BigQuery-Tabellen und BigLake-Tabellen schnell nachvollziehen, ohne komplexe Abfragen schreiben zu müssen. Sie können SQL-Abfragen anhand von Fragen in natürlicher Sprache generieren. Das reduziert den Zeit- und Arbeitsaufwand für das manuelle Schreiben von Abfragen.

Eine Übersicht über Tabellen- und Datensatz-Einblicke finden Sie unter Übersicht über Dateneinblicke.

Modi zum Generieren von Dateneinblicken in Tabellen

BigQuery bietet zwei Modi zum Generieren von Tabellenstatistiken:

Modus Beschreibung Nutzung
Generieren und veröffentlichen (Vorabversion)

Speichert generierte Tabellenstatistiken als Metadatenaspekte in Knowledge Catalog. Sie benötigen die erforderlichen Berechtigungen zum Veröffentlichen. Wenn Sie Generieren und veröffentlichen verwenden, geschieht Folgendes:

  • Speichert Tabellen- und Spaltenbeschreibungen in Knowledge Catalog.
  • Erfasst vorgeschlagene Abfragen und Fragen als wiederverwendbare Aspekte.
  • Macht veröffentlichte Statistiken für alle Nutzer mit entsprechendem Knowledge Catalog-Zugriff zugänglich und sorgt so für die gemeinsame Nutzung von Organisationswissen.
  • Ermöglicht das Bearbeiten und Speichern von Beschreibungen direkt in Knowledge Catalog.

Verwenden Sie diesen Modus für die unternehmensweite Datendokumentation, die dauerhaft und wiederverwendbar ist, oder wenn Sie kataloggesteuerte Governance-Workflows erstellen.
Ohne Veröffentlichung generieren

Erstellt Tabellenstatistiken wie Beschreibungen, Fragen in natürlicher Sprache und SQL-Abfragen bei Bedarf. Wenn Sie Ohne Veröffentlichung generieren auswählen, werden die Statistiken nicht im Knowledge Catalog veröffentlicht.

Verwenden Sie diesen Modus für schnelle, Ad-hoc-Analysen, um den Katalog nicht zu überladen.

Hinweis

Datenstatistiken werden mit Gemini in BigQuery generiert. Damit Sie Statistiken generieren können, müssen Sie zuerst Gemini in BigQuery einrichten.

APIs aktivieren

Wenn Sie Dateneinblicke verwenden möchten, müssen Sie die folgenden APIs in Ihrem Projekt aktivieren: Dataplex API, BigQuery API und Gemini for Google Cloud API.

Rollen, die zum Aktivieren von APIs erforderlich sind

Zum Aktivieren von APIs benötigen Sie die Berechtigung serviceusage.services.enable. Wenn Sie das Projekt erstellt haben, haben Sie diese Berechtigung wahrscheinlich bereits über die Inhaberrolle (roles/owner). Andernfalls können Sie diese Berechtigung über die Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin) erhalten. Informationen zum Zuweisen von Rollen

APIs aktivieren

Weitere Informationen zum Aktivieren der Gemini for Google Cloud API finden Sie unter Gemini for Google Cloud API in einem Projekt in Google Cloud aktivieren.

Rollen und Berechtigungen

Wenn Sie Dateneinblicke erstellen, verwalten und abrufen möchten, bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen (Identity and Access Management) zuzuweisen:

Bitten Sie Ihren Administrator, Ihnen die folgende IAM-Rolle zuzuweisen, um Lesezugriff auf die generierten Statistiken zu erhalten:

  • Dataplex DataScan DataViewer (roles/dataplex.dataScanDataViewer) im Projekt mit den BigQuery-Tabellen, für die Sie die Statistiken ansehen.

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für die Ressource zuzuweisen, um Dateneinblicke in Knowledge Catalog zu veröffentlichen:

Bitten Sie Ihren Administrator, Ihnen die folgende IAM-Rolle zuzuweisen, um APIs zu aktivieren:

Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Sie können die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten. Erweitern Sie den Abschnitt Erforderliche Berechtigungen, um die genauen Berechtigungen anzuzeigen, die zum Generieren von Statistiken erforderlich sind:

Erforderliche Berechtigungen

  • bigquery.jobs.create
  • bigquery.tables.get
  • bigquery.tables.getData
  • dataplex.datascans.create
  • dataplex.datascans.get
  • dataplex.datascans.getData
  • dataplex.datascans.run

Statistiken für eine BigQuery-Tabelle generieren

Um Statistiken für BigQuery-Tabellen zu generieren, können Sie dieGoogle Cloud Console oder den Scantyp DATA_DOCUMENTATION verwenden, der von der DataScans API des Knowledge Catalog unterstützt wird. Bei diesen Scans werden Metadaten, SQL-Abfragen für die Datenexploration, Schemabeschreibungen und Zusammenfassungen auf Tabellenebene generiert.

Console

Um Statistiken für eine BigQuery-Tabelle generieren zu können, müssen Sie mit BigQuery Studio auf den Tabelleneintrag in BigQuery zugreifen.

  1. Wechseln Sie in der Google Cloud Console zu BigQuery Studio.

    Zu BigQuery Studio

  2. Wählen Sie im Bereich Explorer das Projekt, das Dataset und dann die Tabelle aus, für die Sie Statistiken generieren möchten.

  3. Klicken Sie auf den Tab Statistiken.

    Wenn der Tab leer ist, wurden für diese Tabelle noch keine Statistiken generiert.

  4. Klicken Sie auf Generieren, um Statistiken zu generieren.

  5. Wählen Sie die Veröffentlichungsbedingung aus:

    • Wenn Sie Statistiken generieren und dauerhaft als Metadatenaspekte an das Asset anhängen möchten, aktivieren Sie die Option Veröffentlichungsbedingung. Dadurch werden die Statistiken indexierbar, suchbar und für andere Nutzer in Ihrer Organisation sichtbar.

    • Wenn Sie während der aktuellen Sitzung vorübergehend Statistiken generieren und ansehen möchten, deaktivieren Sie die Option Bedingung veröffentlichen.

    Weitere Informationen zu den Unterschieden zwischen den Modi Generieren und veröffentlichen und Generieren ohne Veröffentlichung finden Sie unter Modi zum Generieren von Dateneinblicken.

  6. Optional: Geben Sie im Feld Benutzerdefinierte Anweisungen Anleitungen und Domainkontext an, um anzupassen, wie Gemini Insights generiert.

    Sie können beispielsweise Namenskonventionen erzwingen, Geschäftsdefinitionen angeben oder Join-Schlüssel beschreiben:

    LANGUAGE: Always write column descriptions in uppercase.

DOMAIN_CONTEXT:
- This dataset supports the Order-to-Cash process for the EMEA commercial
  sales team.
- Primary consumers are finance analysts and regional sales managers, not
  engineers.

RELATIONSHIPS:
- returns.order_item_id → order_items.id (one-to-one; use LEFT JOIN to
  preserve unreturned items)

  7. Wählen Sie eine Region aus, um Insights zu generieren, und klicken Sie auf Generieren.

    Es dauert einige Minuten, bis die Statistiken erfasst werden.

    Wenn veröffentlichte Ergebnisse der Datenprofilerstellung für die Tabelle verfügbar sind, werden sie zum Generieren von Insights verwendet. Andernfalls werden Statistiken anhand der Spaltennamen und -beschreibungen generiert. Weitere Informationen finden Sie unter Best Practices für das Generieren von Datenerkenntnissen.

  8. Sehen Sie sich auf dem Tab Insights die generierten Fragen in natürlicher Sprache an.

  9. Klicken Sie auf die Frage, um die SQL-Abfrage aufzurufen, mit der sie beantwortet wird.

  10. Klicken Sie auf In Abfrage kopieren, um eine Abfrage in BigQuery zu öffnen.

  11. So stellen Sie Folgefragen:

    1. Klicken Sie auf Weiterführende Frage stellen. Die Abfrage wird in einem neuen Daten-Canvas geöffnet.

    2. Klicken Sie auf Ausführen und dann auf Diese Ergebnisse abfragen.

    3. Wenn Sie eine weiterführende Frage stellen möchten, geben Sie einen Prompt in das Prompt-Feld Natürliche Sprache ein oder bearbeiten Sie die SQL-Abfrage im Abfrageeditor.

  12. Wenn Sie eine neue Reihe von Abfragen generieren möchten, klicken Sie auf Statistiken generieren und lösen Sie die Pipeline noch einmal aus.

Nachdem Sie Statistiken für eine Tabelle erstellt haben, können alle Nutzer mit der Berechtigung dataplex.datascans.getData und Zugriff auf die Tabelle diese Statistiken aufrufen.

REST

Wenn Sie Insights programmatisch generieren möchten, verwenden Sie die DataScans API von Knowledge Catalog. Dazu müssen Sie die folgenden Schritte ausführen:

  1. Optional: Datenprofilscan für die Tabelle erstellen
  2. Datenscan für die Datendokumentation für die BigQuery-Tabelle generieren
  3. Status des Scans der Datendokumentation prüfen
  4. Ergebnisse des Datendokumentationsscans in einer BigQuery-Tabelle veröffentlichen

Optional: Datenprofilscan für die Tabelle erstellen

Durch das Vorhandensein von Datenprofilscans werden Halluzinationen und Näherungen von Gemini reduziert, da die Ausgabe auf realen Werten in den Daten basiert.

So erstellen Sie einen Datenprofilscan und führen ihn aus:

  1. Erstellen Sie einen Datenprofilscan mit der Methode dataScans.create.

  2. Führen Sie den Datenprofilscan mit der Methode dataScans.run aus. Warten Sie, bis die Ausführung abgeschlossen ist.

  3. Veröffentlichen Sie die Scanergebnisse in der BigQuery-Tabelle, indem Sie die folgenden Labels für die Datenprofilerstellung an die Tabelle anhängen:

    • dataplex-dp-published-scan:DATASCAN_ID
    • dataplex-dp-published-project:PROJECT_ID
    • dataplex-dp-published-location:LOCATION

    Weitere Informationen finden Sie unter Labels zu Tabellen und Ansichten hinzufügen.

Datenscan für die Datendokumentation für die BigQuery-Tabelle generieren

Sie können einen standardmäßigen verwalteten Scan oder einen optimierten einmaligen Scan ausführen.

Option A: Verwalteter Standardscan (erstellen und ausführen)

Verwenden Sie diese Methode, wenn Sie die Scanressource im Laufe der Zeit verwalten möchten.

  1. Erstellen Sie einen Datenscan für die Datendokumentation mit der Methode dataScans.create.

Mit dem Parameter generation_scopes können Sie den Umfang der Generierung anpassen, um Schema, Beschreibungen, Abfragen oder eine Kombination daraus einzubeziehen. Optional können Sie diese Statistiken in Knowledge Catalog veröffentlichen, indem Sie den Parameter catalogPublishingEnabled auf true setzen.

  • Wenn Sie Schemas, Tabellenbeschreibungen und SQL-Abfragen generieren möchten, lassen Sie data_documentation_spec leer oder setzen Sie generation_scopes auf ALL. Beispiel:

      gcurl -X POST \
  https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
  dataScans?dataScanId=DATASCAN_ID \
  -d '{
    "data": {
      "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
  datasets/DATASET_ID/tables/TABLE_ID"
    },
    "executionSpec": {
      "trigger": { "onDemand": {} }
    },
    "type": "DATA_DOCUMENTATION",
    "dataDocumentationSpec": {
      "generationScopes": "ALL"
      "catalogPublishingEnabled": true
    }
  }'

    Ersetzen Sie Folgendes:

    • PROJECT_ID: die ID Ihres Google Cloud-Projekts, in dem sich das Dataset befindet
    • LOCATION: die Region, in der der Datenscan ausgeführt wird
    • DATASCAN_ID: Ein eindeutiger Name, den Sie für diesen Scan angeben.
    • DATASET_ID: die ID des BigQuery-Datasets, das gescannt wird
    • TABLE_ID: die ID der BigQuery-Tabelle, die gescannt wird

  • Wenn Sie das Schema, die Tabellenbeschreibungen und die Spaltenbeschreibungen ohne SQL-Abfragen generieren möchten, setzen Sie generation_scopes auf TABLE_AND_COLUMN_DESCRIPTIONS. Beispiel:

      gcurl -X POST \
  https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
  dataScans?dataScanId=DATASCAN_ID \
  -d '{
    "data": {
      "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
  datasets/DATASET_ID/tables/TABLE_ID"
    },
    "executionSpec": {
      "trigger": { "onDemand": {} }
    },
    "type": "DATA_DOCUMENTATION",
    "dataDocumentationSpec": {
      "generationScopes": "TABLE_AND_COLUMN_DESCRIPTIONS"
      "catalogPublishingEnabled": true
    }
  }'

  • Wenn Sie SQL-Abfragen ohne Beschreibungen generieren möchten, setzen Sie generation_scopes auf SQL_QUERIES. Beispiel:

      gcurl -X POST \
  https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
  dataScans?dataScanId=DATASCAN_ID \
  -d '{
    "data": {
      "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
  datasets/DATASET_ID/tables/TABLE_ID"
    },
    "executionSpec": {
      "trigger": { "onDemand": {} }
    },
    "type": "DATA_DOCUMENTATION",
    "dataDocumentationSpec": {
      "generationScopes": "SQL_QUERIES"
      "catalogPublishingEnabled": true
    }
  }'

  1. Starten Sie den Scandatendokumentationsjob mit der Methode dataScans.run.

    Beispiel:

    gcurl -X POST \
https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
dataScans/DATASCAN_ID:run

    Diese Anfrage gibt eine eindeutige Job-ID zusammen mit dem Anfangsstatus zurück.

Option B: Einmaliger Scan (optimiert)

Mit dieser Methode können Sie einen Scan in einem einzigen API-Aufruf starten und abschließen. Bei dieser Methode muss die Ausführungsmethode nicht separat aufgerufen werden. Außerdem kann die Scanressource mithilfe der TTL-Funktion (Time to Live) automatisch gelöscht werden.

Erstellen und starten Sie den Scan mit der Methode dataScans.create. Beispiel:

gcurl -X POST \
"https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/dataScans?\
dataScanId=DATASCAN_ID" \
-d '{
  "data": {
    "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/datasets/DATASET_ID/\
    tables/TABLE_ID"
  },
  "type": "DATA_DOCUMENTATION",
  "dataDocumentationSpec": {
    "generationScopes": "ALL",
    "catalogPublishingEnabled": true
  }
  "executionSpec": {
    "trigger": {
      "one_time": {
        "ttl_after_scan_completion": { "seconds": TTL_TIME }
      }
    }
  }
}'

Ersetzen Sie Folgendes:

  • PROJECT_ID: die ID Ihres Google Cloud-Projekts, in dem sich das Dataset befindet
  • LOCATION: die Region, in der der Datenscan ausgeführt wird
  • DATASCAN_ID: Ein eindeutiger Name, den Sie für diesen Scan angeben.
  • DATASET_ID: die ID des BigQuery-Datasets, das gescannt wird
  • TABLE_ID: die ID der BigQuery-Tabelle, die gescannt wird
  • TTL_TIME: die Dauer in Sekunden, nach der die Scanressource automatisch gelöscht werden soll (z. B. 3600 für eine Stunde)

Status des Scans der Datendokumentation prüfen

Prüfen Sie mit der Methode dataScans.get, ob die Ausführung des Scan-Jobs abgeschlossen ist.

Verwenden Sie die Job-ID, um den Status des Jobs abzurufen. Beispiel:

gcurl -X GET https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/dataScans/DATASCAN_ID/jobs/JOB_ID

Der Job ist abgeschlossen, wenn der Status entweder SUCCEEDED oder FAILURE lautet.

Ergebnisse des Datendokumentationsscans in einer BigQuery-Tabelle veröffentlichen

Wenn Sie die Scanergebnisse in der BigQuery-Tabelle veröffentlichen möchten, hängen Sie die folgenden Datendokumentationslabels an die Tabelle an:

  • dataplex-data-documentation-published-scan:DATASCAN_ID
  • dataplex-data-documentation-published-project:PROJECT_ID
  • dataplex-data-documentation-published-location:LOCATION

Statistiken für eine externe BigQuery-Tabelle generieren

BigQuery-Datenanalyse unterstützt das Erstellen von Statistiken für externe BigQuery-Tabellen mit Daten in Cloud Storage. Sie und das Knowledge Catalog-Dienstkonto für das aktuelle Projekt müssen die Rolle Storage-Objekt-Betrachter (roles/storage.objectViewer) für den Cloud Storage-Bucket haben, der die Daten enthält. Weitere Informationen finden Sie unter Hauptkonto zu einer Richtlinie auf Bucket-Ebene hinzufügen.

Folgen Sie der Anleitung im Abschnitt Statistiken für eine BigQuery-Tabelle generieren, um Statistiken für eine externe BigQuery-Tabelle zu generieren.

Statistiken für eine BigLake-Tabelle generieren

So generieren Sie Statistiken für eine BigLake-Tabelle:

  1. Aktivieren Sie die BigQuery Connection API in Ihrem Projekt.

    BigQuery Connection API aktivieren

  2. BigQuery-Verbindung erstellen Weitere Informationen finden Sie unter Verbindungen verwalten.

  3. Weisen Sie dem Dienstkonto, das der von Ihnen erstellten BigQuery-Verbindung entspricht, die IAM-Rolle „Storage Object Betrachter“ (roles/storage.objectViewer) zu.

    Sie können die Dienstkonto-ID über die Verbindungsdetails abrufen.

  4. Folgen Sie dazu der Anleitung im Abschnitt Statistiken für eine BigQuery-Tabelle generieren dieses Dokuments.

Tabellen- und Spaltenbeschreibungen generieren

Gemini in BigQuery generiert automatisch Tabellen- und Spaltenbeschreibungen, wenn Sie Dateneinblicke generieren. Sie können diese Beschreibungen nach Bedarf bearbeiten und dann in den Metadaten der Tabelle speichern. Die gespeicherten Beschreibungen werden verwendet, um zukünftige Statistiken zu generieren.

Sprache für die Generierung von Steuerelementen

Sie können Gemini anweisen, Tabellen- und Spaltenbeschreibungen in einer bestimmten Sprache zu generieren. Fügen Sie dazu im Feld Benutzerdefinierte Anweisung eine kurze Anweisung (z. B. „Tabellen- und Spaltenbeschreibungen auf Französisch generieren“) zur vorhandenen Beschreibung Ihrer Tabelle hinzu, bevor Sie die Dateneinblicke generieren.

Wenn Sie Insights generieren, interpretiert Gemini diese Anweisungen und erstellt die Metadaten in der angeforderten Sprache. Dieser Mechanismus funktioniert, weil Gemini vorhandene Tabellenbeschreibungen als Kontext verwendet, wenn neue generiert werden.

Eine Liste der unterstützten Sprachen finden Sie unter Gemini-Sprachunterstützung.

Textzeilen generieren

So generieren Sie Tabellen- und Spaltenbeschreibungen:

  1. Folgen Sie dazu der Anleitung im entsprechenden Abschnitt dieses Dokuments:

  2. Klicken Sie auf den Tab Details.

  3. Klicken Sie neben Tabelleninformationen auf Beschreibungen ansehen.

    Die generierte Tabellenbeschreibung und die Spaltenbeschreibungen werden angezeigt.

  4. So bearbeiten und speichern Sie die generierte Tabellenbeschreibung:

    1. Klicken Sie im Abschnitt Tabellenbeschreibung auf In Details speichern.

    2. Wenn Sie die aktuelle Beschreibung durch die generierte Beschreibung ersetzen möchten, klicken Sie auf Vorgeschlagene Beschreibung kopieren.

    3. Bearbeiten Sie die Tabellenbeschreibung nach Bedarf und klicken Sie dann auf In Details speichern.

      Die Tabellenbeschreibung wird sofort aktualisiert.

  5. So bearbeiten und speichern Sie die generierten Spaltenbeschreibungen:

    1. Klicken Sie im Abschnitt Spaltenbeschreibungen auf Im Schema speichern.

      Die generierten Spaltenbeschreibungen werden für jede Spalte in das Feld Neue Beschreibung eingefügt.

    2. Bearbeiten Sie die Spaltenbeschreibungen nach Bedarf und klicken Sie dann auf Speichern.

      Die Spaltenbeschreibungen werden sofort aktualisiert.

  6. Klicken Sie auf Schließen, um den Vorschaubereich zu schließen.

Best Practices für die Generierung von Datenerkenntnissen

Beachten Sie die folgenden Empfehlungen, um die Genauigkeit der generierten Insights zu verbessern:

  • Geben Sie umfassende Beschreibungen an. Achten Sie darauf, dass sowohl Tabellen als auch Spalten im Dataset klare, detaillierte Beschreibungen haben.

  • Fundierungsinformationen mit Profilerstellung erhalten Wenn keine Beschreibungen verfügbar sind, muss jede Tabelle im Dataset mit einem Profilscan verknüpft sein, um die generierten Insights zu fundieren.

  • Regeln explizit definieren. Fügen Sie alle Beziehungen oder Geschäftslogiken, die das Insights-Modul verwendet, um die Generierung von Beziehungen zu beeinflussen, in die Beschreibung der jeweiligen Tabelle ein.

Statistiken auf Datenprofilergebnisse stützen

Bei der generativen KI ist Fundierung die Fähigkeit, die Modellausgabe mit überprüfbaren Informationsquellen zu verbinden. Sie können generierte Tabellenstatistiken mit Datenprofilergebnissen fundieren. Bei der Datenprofilerstellung werden die Spalten in Ihren BigQuery-Tabellen analysiert und allgemeine statistische Merkmale wie typische Datenwerte und Datenverteilung identifiziert.

Wenn Sie einen Datenprofilscan für eine Tabelle erstellen, können Sie die Scanergebnisse auf den BigQuery- und Knowledge Catalog-Seiten in der Google Cloud Console veröffentlichen. Insights verwendet die Ergebnisse der Datenprofilerstellung, um genauere und relevantere Abfragen zu erstellen. Dazu wird Folgendes getan:

  1. Analysiert die Ergebnisse der Datenprofilerstellung, um interessante Muster, Trends oder Ausreißer in den Daten zu identifizieren.

  2. Generiert Abfragen, die sich auf diese Muster, Trends oder Ausreißer konzentrieren, um Erkenntnisse zu gewinnen.

  3. Validiert die generierten Abfragen anhand der Ergebnisse des Datenprofilings, um sicherzustellen, dass die Abfragen aussagekräftige Ergebnisse zurückgeben.

Ohne Datenprofilscans passiert Folgendes:

  • Die generierten Abfragen enthalten mit höherer Wahrscheinlichkeit ungenaue Klauseln oder liefern sinnlose Ergebnisse.

  • Die generierten Spaltenbeschreibungen basieren nur auf dem Spaltennamen.

Achten Sie darauf, dass der Datenprofilscan für Ihre Tabelle auf dem neuesten Stand ist und die Ergebnisse in BigQuery veröffentlicht werden.

Sie können die Einstellungen für die Datenprofilerstellung anpassen, um die Stichprobengröße zu erhöhen und Zeilen und Spalten herauszufiltern. Generieren Sie Statistiken neu, nachdem Sie einen neuen Datenprofilscan ausgeführt haben.

Die Qualität der Dataset-Statistiken verbessert sich auch erheblich, wenn die Tabellen im Dataset Datenprofilerstellungsergebnisse enthalten.

Tabellenbeschreibung hinzufügen

Detaillierte Tabellenbeschreibungen, in denen Sie beschreiben, was Sie in Ihrer Tabelle analysieren möchten, können Gemini in BigQuery helfen, relevantere Insights für Tabellen und Datasets zu generieren. Nachdem Sie eine Tabellenbeschreibung hinzugefügt haben, generieren Sie die Statistiken neu.

Sie können beispielsweise die folgende Beschreibung zu einer telco_churn-Tabelle hinzufügen, wie sie in Beispiel für Dateneinblicke in Tabellen verwendet wird:

This table tracks customer churn data, including subscription details, tenure,
and service usage, to predict customer churn behavior.

Wenn Sie die von Gemini generierte Tabellenbeschreibung speichern, wird diese Beschreibung verwendet, um zukünftige Statistiken zu generieren.

Spaltenbeschreibung hinzufügen

Spaltenbeschreibungen, die erklären, was die einzelnen Spalten enthalten oder wie eine Spalte mit einer anderen zusammenhängt, können die Qualität Ihrer Insights sowohl für Tabellen- als auch für Dataset-Insights verbessern. Nachdem Sie die Spaltenbeschreibungen in Ihrer Tabelle aktualisiert haben, generieren Sie die Statistiken neu.

Sie können beispielsweise die folgenden Beschreibungen zu bestimmten Spalten einer telco_churn-Tabelle hinzufügen, wie sie im Beispiel für Dateneinblicke in Tabellen verwendet wird:

Für die Spalte tenure:

The number of months the customer has been with the service.

Für die Spalte churn:

Whether the customer has stopped using the service. TRUE indicates the customer
no longer uses the service, FALSE indicates the customer is active.

Wenn Sie die von Gemini generierten Spaltenbeschreibungen speichern, werden diese Beschreibungen verwendet, um zukünftige Statistiken zu generieren.

KI-Insights verwalten

Nachdem Sie Insights für eine Tabelle generiert haben, können Sie sie in Knowledge Catalog verwalten, aktualisieren oder löschen. Weitere Informationen finden Sie unter Tabellenstatistiken verwalten.

Nächste Schritte