Konversationelle Analyse in Looker – Übersicht

Konversationelle Analyse ist eine auf Gemini für Google Cloud basierende Funktion, mit der Sie Ihre Daten per Chat abfragen können. Die konversationelle Analyse basiert auf der semantischen Modellierungsebene von Looker und ermöglicht es Nutzern in Ihrer Organisation, Fragen zu Daten in natürlicher (konversationeller) 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:

  • Explores in natürlicher Sprache abfragen: Sie können in natürlicher Sprache mit einem einzelnen Explore oder mit einem KI-Datenagenten kommunizieren, der bis zu fünf Explores abfragt.
  • Daten-Agent zum Abfragen von Explores erstellen: Sie können einen KI-basierten Agenten zum Abfragen von Explores anpassen, indem Sie Kontext und Anweisungen bereitstellen, die für Ihre Daten spezifisch sind. So kann der Daten-Agent genauere und kontextrelevantere Antworten generieren. Sie können Ihre Daten-Agents auch mit anderen Nutzern teilen oder in anderen Anwendungen wie Gemini Enterprise veröffentlichen, damit diese Fragen im selben Kontext stellen können. Sie können diese Art von Daten-Agent mit bis zu fünf Explores verbinden. Fügen Sie dem Kontext Ihres KI-Datenagenten verifizierte Abfragen hinzu, um die Accuracy der Antworten Ihres Explore-KI-Datenagenten zu verbessern.
  • Dashboard mit einem KI-Datenagenten abfragen: Mit konversationeller Analyse können Sie einen KI-Datenagenten für Dashboards erstellen, der die zugrunde liegenden Modelle eines Dashboards abfragen kann. Wenn Dashboard-KI-Agenten aktiviert sind, bietet jedes Dashboard einen einzelnen, freigegebenen Standard-KI-Agenten, der das Dashboard und die mit Abfragen verknüpften Tiles abfragen kann. Dashboard-Agenten sind verfügbar, wenn die Einstellung Dashboard-Agenten auf der Seite Gemini in Looker im Admin-Bereich aktiviert ist. Außerdem können Dashboard-Ersteller Dashboard-Agenten auf der Ebene einzelner Dashboards aktivieren oder deaktivieren. Dashboard-Agenten sind für benutzerdefinierte Dashboards und für LookML-Dashboards verfügbar.
  • Erweiterte Analysen: Die Funktion Erweiterte Analysen in der konversationellen Analyse übersetzt Ihre Fragen in natürlicher Sprache in Python-Code und führt diesen Code aus. Im Vergleich zu Standard-SQL-Abfragen ermöglicht die Verwendung von Python in der Funktion Erweiterte Analysen komplexere Analysen und Visualisierungen.
  • Einbetten: Sie können konversationelle Analyse mithilfe eines HTML-iFrame-Tags in eine Website oder Anwendung einbetten, genau wie andere Looker-Inhaltstypen. Konversationelle Analyse unterstützt sowohl die private Einbettung, bei der Nutzer mit ihrem Looker-Login authentifiziert werden, als auch die signierte Einbettung, bei der Nutzer über Ihre eigene Anwendung authentifiziert werden.
  • Nutzerinteraktion und Tokennutzung: Nutzer mit Zugriff auf die Systemaktivität von Looker können die Nutzerinteraktion und die Tokennutzung von konversationellen Analyse-Agents in der gesamten Instanz im Blick behalten. Das Dashboard Konversationelle Analyse ist im Bereich Systemaktivität des Admin-Bereichs verfügbar.
  • Antworten auf Nutzeranfragen und Feedback [Vorabversion]: Nutzer mit Zugriff auf Inhalte der Systemaktivität von Looker können die Abfragedaten und das Feedback von Nutzern einsehen, wenn Nutzer der Weitergabe ihrer Abfragedaten zugestimmt haben und ein Looker-Administrator die Überprüfung von Anfragen für die konversationelle Analyse (CA) von Endnutzern Funktion in der Vorabversion aktiviert hat. Das Dashboard Konversationelle Analyse ist im Bereich Systemaktivität des Admin-Bereichs verfügbar.
  • Ausgelöste Agentic Workflows [Vorabversion]: Sie können messwertbasierte Benachrichtigungen und Monitoring direkt über Abfragen in natürlicher Sprache in direkten Chats mit einem Explore- oder Explore-Daten-Agenten einrichten. Agentische Workflows sind verfügbar, wenn die Einstellungen Trusted Tester-Funktionen aktivieren und Agentische Workflows auf der Seite Gemini in Looker im Admin-Bereich aktiviert sind. Außerdem muss die Einstellung für konversationelle Analysen aktiviert sein, die den von Ihnen verwendeten Inhalten entspricht (Konversationelle Analysen (Seite „Konversationen“) für Explores oder Dashboard-Agenten für Dashboards).
  • Geplante agentische Workflows Vorabversion: Richten Sie wiederkehrende agentische Workflows ein, um Ihre Daten zu überwachen und wiederkehrende Berichte zu senden. Geplante Agentic Workflows sind verfügbar, wenn die Einstellung Agentic Workflows auf der Seite Gemini in Looker im Admin-Bereich aktiviert ist, zusammen mit der Einstellung für die konversationelle Analyse, die dem von Ihnen verwendeten Inhalt entspricht (Konversationelle Analyse (Seite „Unterhaltungen“) für Explores oder Dashboard-Agenten für Dashboards).

Im Abschnitt Liste der Dokumentation auf dieser Seite finden Sie Links zu detaillierteren Informationen zu den einzelnen Funktionen.

Liste der Dokumentation

Daten-Agenten im Vergleich zu Unterhaltungen

Der Chat mit einem Daten-Agenten bietet mehrere wichtige Vorteile gegenüber einer Standardunterhaltung mit einem einzelnen Explore. Wenn Sie eine Unterhaltung über „Explore“ starten, können Sie schnell Abfragen in natürlicher Sprache für diese bestimmte Datenquelle ausführen. Ein KI-Datenagent fungiert dagegen als spezialisierter eigenständiger Analyst, der angepasst und in Ihrer Organisation freigegeben werden kann.

KI-Datenagenten bieten gegenüber Unterhaltungen mit Explores die folgenden Vorteile:

  • Chat mit mehreren Explores: In einer Unterhaltung mit einem Explore können Sie jeweils nur ein Explore abfragen. Ein KI-Datenagent kann jedoch mit bis zu fünf verschiedenen Explores verbunden werden, sodass Nutzer domänenübergreifende Analysen durchführen und umfassendere Antworten erhalten können.
  • Mit einem Looker-Dashboard chatten: Wenn Sie mit einem Dashboard chatten, erstellt konversationelle Analyse einen Dashboard-Daten-Agenten, mit dem Sie nicht nur ein Dashboard, sondern auch die zugrunde liegenden Explores des Dashboards abfragen können.
  • Erstellter Kontext: Sie können Ihrem KI-Datenagenten benutzerdefinierte Anweisungen geben, die in einer Standardunterhaltung in Explore nicht verfügbar sind. Dazu gehören die folgenden Ressourcen:
    • Unternehmensglossare: Sie können organisationsspezifische Fachbegriffe oder Akronyme direkt in den Anweisungen des KI-Agenten definieren.
    • Persona-Framework: Sie können dem KI-Agenten eine bestimmte Rolle oder ein bestimmtes Fachgebiet zuweisen, um einen einheitlichen Ton und eine professionelle Beurteilung für die Unterhaltung festzulegen.
  • Agentenspezialisierung: Anstatt eine einzige generische Oberfläche für eine Unterhaltung zu verwenden, können Sie spezialisierte Agenten für verschiedene Geschäftsbereiche erstellen, z. B. einen Revenue Agent oder einen Ops Agent. Dies ermöglicht eine geführtere Analyse, bei der Nutzer zu den spezifischen Feldern und Filtern geleitet werden, die für ihre Anforderungen am relevantesten sind.
  • Zusammenarbeit und Wiederverwendung: Explore-Unterhaltungen sind in der Regel auf einen Nutzer beschränkt, während KI-Datenagenten mit anderen Mitgliedern Ihrer Organisation geteilt werden können. Durch die Freigabe können mehrere Nutzer von demselben Kontext und derselben Governance profitieren, die von einem Administrator oder Datenexperten entwickelt wurden.
  • Benutzerdefiniertes Verhalten: Sie können Ihren KI-Agenten so konfigurieren, dass er strenge Anforderungen erfüllt, z. B. Standardfilter verwendet, z. B. „Wenn kein Zeitraum angegeben ist, immer die letzten 6 Monate verwenden“. Diese Schutzmaßnahmen sorgen dafür, dass der Agent innerhalb der spezifischen Governance- und Sicherheitsstandards Ihrer Organisation agiert. Sie können auch Felder in Explores ausblenden, damit der KI-Datenagent sie nicht in Abfragen verwendet.

In der folgenden Tabelle sind die wichtigsten Unterschiede zwischen diesen Arten von Unterhaltungen und KI-Datenagenten zusammengefasst:

Funktion „Konversationelle Analyse“ Gängige Anwendungsfälle Einstiegspunkt Freigabefunktionen Beschränkungen
Unterhaltungen ansehen
  • Standardabfragen in natürlicher Sprache für ein einzelnes Looker-Explore.
  • Zusammengehörige Fragen zu einem bestimmten Dataset in separaten Sitzungen organisieren.
  • Nutzt die Fragemodi Fast und Thinking.
  • Wählen Sie im Explore-Bereich Unterhaltung beginnen aus.
  • Wählen Sie auf der Seite „Konversationelle Analyse“ den Tab Unterhaltungen aus.
 In der Regel auf einen Nutzer beschränkt (nicht gemeinsam nutzbar).
  • Es kann jeweils nur ein Explore abgefragt werden.
  • Keine benutzerdefinierten Kontexte oder Anweisungen (z. B. verifizierte Abfragen, Personas, Unternehmensglossare).
  • Keine Spezialisierung von KI-Agenten für verschiedene Geschäftseinheiten einer Organisation.
  • Die Option Unterhaltung starten ist in der neuen Version von „Entdecken“ nicht verfügbar.
Daten-Agenten kennenlernen
  • Spezialisierte, eigenständige Datenanalyse-Agenten, die für bestimmte Geschäftsbereiche eines Unternehmens entwickelt wurden (z. B. Revenue Agent, Ops Agent).
  • Domainübergreifende Analyse mit bis zu fünf verbundenen Explores.
  • Erstellter Kontext, der benutzerdefinierte Anweisungen, verifizierte Abfragen, Unternehmensglossare und Persona-Frameworks enthält, um Schutzmaßnahmen durchzusetzen und die Genauigkeit zu verbessern.
  • Erweiterte Analysen, die Python-Codeausführung verwenden, sofern aktiviert.
  • Erfordert keine expliziten explore-Berechtigungen.
 Wählen Sie auf der Seite „Konversationelle Analyse“ den Tab Agenten aus. Kann für andere Nutzer in der Organisation freigegeben werden, indem Zugriff auf Inhalte gewährt wird (Ansehen oder Zugriff verwalten; Bearbeiten). Kann auch in externen Anwendungen wie Gemini Enterprise (Vorabversion) veröffentlicht werden.
  • Erfordert access_data und andere Berechtigungen für die Modelle, die den Explores zugrunde liegen. Durch das Freigeben des KI-Agenten wird kein Zugriff auf die Explores gewährt.
  • Verifizierte Abfragen, die Pivots oder benutzerdefinierte Felder enthalten, werden nicht unterstützt.
Dashboard-Agenten
  • Direkte Abfrage eines bestimmten Looker-Dashboards und seiner mit Abfragen verknüpften Tiles in natürlicher Sprache.
  • Verhalten von KI-Agenten auf Dashboards mit benutzerdefinierten Anweisungen anpassen
  • Der Zugriff wird ausschließlich über Berechtigungen auf Dashboard-Ebene (Zugriff verwalten; Bearbeiten im Dashboard) und Modellberechtigungen verwaltet.
  • Kann auf der Ebene einzelner Dashboards für benutzerdefinierte Dashboards aktiviert oder deaktiviert werden.
 Über das Dashboard: Wählen Sie Mit diesem Dashboard chatten aus. Übernimmt das Freigabemodell des Dashboards.
  • Kann nicht unabhängig vom Dashboard freigegeben werden.
  • Sie werden nicht auf der Seite „Konversationelle Analyse“ angezeigt. Unterhaltungen mit einem Dashboard-Agenten sind nur über die Seite Letzte Unterhaltungen zugänglich, die über das Dashboard-Menü aufgerufen werden kann.
  • Beschränkt auf den Kontext des Dashboards und seiner mit Abfragen verknüpften Tiles.
  • Das Anpassen des Verhaltens des Dashboard-Agents mit benutzerdefinierten Anweisungen wird für LookML-Dashboards nicht unterstützt.
  • Die Funktion Erweiterte Analyse wird nicht unterstützt.

Wie funktioniert die konversationelle Analyse?

Die konversationelle Analyse verwendet Gemini für Google Cloud , um Fragen in natürlicher Sprache zu interpretieren und in Looker Antworten auf Grundlage Ihrer Daten zu liefern. Als zentrale Informationsquelle wird das semantische Modell von Looker verwendet, also die LookML-Definitionen Ihrer Daten. So wird sichergestellt, dass die Antworten korrekt und konsistent sind. Die konversationelle Analyse kann Ihre Geschäftsdefinitionen für Messwerte wie „Umsatz“ oder „Abwanderung“ interpretieren, da sie in LookML definiert sind. Diese Definitionen werden verwendet, um genaue und konsistente Fragen zu liefern.

Die konversationelle Analyse verwendet mehrere Techniken, um ihre Antworten auf Ihre spezifischen Daten und Ihren Geschäftskontext zu stützen:

  • LookML-Schema: Zu Beginn einer Anfrage ruft konversationelle Analyse das Schema aus den damit verbundenen Explores ab. Bei konversationellen Analysen werden Parameter aus dem LookML-Modell auf verschiedene Weise verwendet:
    • Feldidentifikation: 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. Diese Parameter helfen der konversationellen Analyse, Begriffe in Nutzerfragen den richtigen Feldern zuzuordnen. description kann beispielsweise geschäftsspezifische Terminologie oder Kontext für ein Feld bereitstellen. Konversationelle Analyse ignoriert alle Felder, die den Parameter hidden verwenden.
    • Antwortformatierung: Die konversationelle Analyse verwendet label-Parameter für nutzerfreundliche Feldnamen und value_format-Parameter für die Formatierung von Daten in Antworten.
  • Abfragegenerierung: Anstatt Ihre Datenbank direkt abzufragen, bestimmt die konversationelle Analyse, welche Felder, Filter, Sortierungen und Limits in der Abfrage verwendet werden sollen. Looker erstellt und führt die Abfrage dann mithilfe des zugrunde liegenden LookML-Modells 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 Abfrageerstellung basierend auf dem LookML-Modell übernimmt. Durch die Abfragegenerierung wird sichergestellt, dass alle Abfragen der Join-Logik, der Filterung, der Aggregation und den Datenberechtigungen entsprechen, die in Ihrem LookML-Modell definiert sind. Um Abfragen zu generieren, muss die konversationelle Analyse die richtigen Werte für die Filter ermitteln. Diese Werte müssen genau mit den Werten in den zugrunde liegenden Daten oder mit komplexeren Filterausdrücken wie Platzhaltern übereinstimmen. Um Abweichungen zwischen den Werten, die der Nutzer in seinen Fragen in natürlicher Sprache verwendet, und den genauen Werten, die für einen Filter erforderlich sind, 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.
    • Fuzzy-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 konversationellen Analysen analysiert, um die Fragen der Nutzer zu beantworten. Die konversationelle Analyse kann Ergebnisse auf eine oder mehrere der folgenden Arten analysieren:
    • Die integrierten Gemini-Funktionen werden verwendet, um Ergebnisse zu interpretieren und zusammenzufassen.
    • Dabei wird Python-Code über Advanced Analytics ausgeführt, um die Ergebnisse weiter zu analysieren.
    • Es erstellt Visualisierungen basierend auf Abfrageergebnissen.

Durch die Nutzung des semantischen Modells von Looker ermöglicht konversationelle Analyse den Zugriff auf Daten von verschiedenen Plattformen wie BigQuery, AlloyDB, Redshift, Snowflake und Databricks, ohne dass die zugrunde liegende Datenkomplexität verstanden werden muss. Außerdem wird sichergestellt, dass alle Antworten konsistent und kontrolliert sind.

Wie funktionieren Daten-Agenten für konversationelle Analyse?

Ein Daten-KI-Agent für konversationelle Analysen basiert seine Antworten auf zwei primären Eingaben: dem LookML-Schema Ihrer Instanz, das von einem Looker-Entwickler definiert wird, und den Agentenanweisungen, die Sie beim Erstellen oder Bearbeiten des KI-Agenten schreiben.

Ein KI-Datenagent muss anhand Ihrer Abfrage bestimmen, welche LookML-Felder ausgewählt und welche Filter, Sortierungen oder Limits angewendet werden sollen. Dazu wird die natürliche Sprache in Ihrer Abfrage auf die eigenen Agentenanweisungen und das LookML-Schema der Daten folgendermaßen abgebildet:

  1. Semantische Begriffe zuordnen: Nutzer verwenden in ihren Fragen häufig Fachjargon. Der KI-Agent verwendet Ihre Anweisungen und die LookML-Feldmetadaten, um Ihre Abfrage zu interpretieren. Beispiel: Bei der Anfrage „Wie viel Neugeschäft haben wir gemacht?“ kann ein KI-Datenagent „Neugeschäft“ einem Messwert zuordnen, der den monatlich wiederkehrenden Umsatz berechnet. Bei der Abfrage „Wer sind unsere Top-Kunden?“ kann ein KI-Datenagent „Top“ einer Nutzungshäufigkeit und „Kunden“ einer Dimension namens Kundenname zuordnen.
  2. Feldwerte zuordnen: Der Agent sucht nach bestimmten Datenpunkten, z. B. „California“ oder „Slim-fit Jeans“, und verwendet dazu spezielle Tools, um die Daten zu prüfen oder unscharfe Suchen durchzuführen. Wenn ein Nutzer beispielsweise nach „Jeans“ sucht, 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 das Feld City (Stadt) oder das Feld State (Bundesstaat)? Der Agent muss die Daten möglicherweise stichprobenartig prüfen, um herauszufinden, welches Feld „NY“ enthält, oder eine klärende Frage stellen.
  3. Abfragebeispiele: Sie können im Kontext des Daten-Agents bestimmte Frage-Antwort-Beispiele angeben, die als verifizierte Abfragen oder Gold-Abfragen bezeichnet werden, um die Accuracy für häufige oder kritische Abfragen zu verbessern.

Looker verwendet dann die LookML-Definitionen dieser Felder und andere im Explore definierte Logik, einschließlich Felddefinitionen, Zugriffsberechtigungen oder Nutzerattributen, benutzerdefinierten Dashboard-Filtern oder komplexer Liquid- oder Join-Logik, um die Abfrage zu erstellen, die an die Datenbank gesendet wird. Da der KI-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.

Bekannte Einschränkungen

Für Dashboard-Agenten für konversationelle Analysen gelten die folgenden bekannten Einschränkungen:

  • Erweiterte Analysen werden für Dashboard-Agenten nicht unterstützt.
  • Dashboard-Agenten übernehmen das Freigabemodell des Dashboards. Der Zugriff auf den Agenten unterliegt dem Zugriff auf das zugrunde liegende Dashboard.
  • Sie können den Kontext oder die Anweisungen für LookML-Dashboard-Agenten nicht ändern.

Einschränkungen bei Visualisierungen

Konversationelle Analyse nutzt Vega-Lite, um Diagramme für Unterhaltungen zu erstellen. Die folgenden Vega-Diagrammtypen werden vollständig unterstützt:

  • Liniendiagramm (eine oder mehrere Reihen)
  • Flächendiagramm
  • Balkendiagramm (horizontal, vertikal, gestapelt)
  • Streudiagramm (eine oder mehrere Gruppen)
  • Kreisdiagramm

Die folgenden Vega-Diagrammtypen werden unterstützt, beim Rendern kann es jedoch zu unerwartetem Verhalten kommen:

  • Maps
  • Heatmaps
  • Diagramme mit Kurzinfos

Diagrammtypen, die nicht im Vega-Katalog enthalten sind, werden nicht unterstützt. Alle Diagramme, die in diesem Abschnitt nicht aufgeführt sind, werden als nicht unterstützt betrachtet.

Einschränkungen bei Datenquellen

Für konversationelle Analyse gelten die folgenden Einschränkungen für Datenquellen:

  • Konversationelle Analyse kann maximal 50.000 Zeilen pro Abfrage zurückgeben.
  • Mit der konversationellen Analyse kann der Wert eines Nur-Filter-Feldes, das mit den LookML-Parametern parameter oder filter definiert ist, nicht festgelegt werden.

Einschränkungen bei Fragen

Konversationelle Analyse unterstützt Fragen, die mit einer einzelnen Visualisierung beantwortet werden können, z. B.:

  • Trends der Messwerte im Zeitverlauf
  • Aufschlüsselung oder Verteilung eines Messwerts nach Dimension
  • Eindeutige Werte für eine oder mehrere Dimensionen
  • Einzelne Messwerte
  • Die wichtigsten Dimensionswerte nach Messwert

Konversationelle Analyse unterstützt noch keine Fragen, die nur mit den folgenden Arten von komplizierten Visualisierungen beantwortet werden können:

  • Vorhersage und Prognose
  • Erweiterte statistische Analysen, einschließlich Korrelations- und Anomalieerkennung

Compliance-Funktionen von Gemini in Looker

Konversationelle Analysen sind noch nicht in den Autorisierungsgrenzen von FedRAMP High oder FedRAMP Medium enthalten. Bevor Sie die Einstellung Gemini in Looker für Ihre Looker-Instanz aktivieren, sollten Sie mit Ihrer autorisierenden Stelle besprechen, ob die Compliance-Angebote von Gemini für Google Cloudden Anforderungen Ihrer Organisation entsprechen.

Bei Looker (Google Cloud Core)-Instanzen werden mit jedem verfügbaren Assured Workloads-Steuerungspaket Gemini in Looker-Funktionen zu den Standardangeboten hinzugefügt, sobald die Änderungsanforderungen und ‑prozesse dieses Pakets erfüllt sind. Konversationsanalysen in Looker berücksichtigen die Compliance-Funktionen der zugehörigen Looker (Google Cloud Core)-Instanz, mit folgender Ausnahme:

Support für Datenstandort (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 und maschinelles Lernen (ML) werden über einen globalen Dienst verarbeitet.

Compliance in der Europäischen Union

Die lokalisierte Verarbeitung ist für Kunden in der Europäischen Union (EU) mit Looker (Original)- oder Looker (Google Cloud Core)-Instanzen verfügbar, auf denen Looker 26.10 oder höher ausgeführt wird. Mit dieser Option wird die Datenverarbeitung innerhalb der EU-Gerichtsbarkeit ermöglicht und der Traffic von konversationeller Analyse von Looker kann über einen multiregionalen EU-Endpunkt geleitet werden. So wird sichergestellt, dass EU-Kundendaten innerhalb der EU verarbeitet werden.

Die lokalisierte Verarbeitung gilt für alle Funktionen von konversationellen Analysen in Looker und alle Endpunkte der Looker API für konversationelle Analysen. Sie gilt nicht für die Conversational Analytics API.

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.