谷歌 Looker BI 中的 Gemini 对话分析能力——这是 Looker 中的 Gemini 最主要的用途，也是本文讨论的前提。

看文档和设置项时遇到的术语，这里用一两句话解释清楚。

术语表

  • 口径：指标的定义与计算规则，不同口径会得出不同结论。
  • 文本转 SQL：把自然语言问题转换为数据库查询语句。
  • 语义层：把业务指标定义统一管理，让 AI 查询时口径一致。
  • 异常检测：自动发现偏离正常范围的数据点。
  • 追踪（Tracing）：记录大模型应用每次调用的输入输出与耗时。
  • 评测集：用于反复检验模型或应用效果的标准问题集合。

和 Looker 中的 Gemini 相关的补充

  • 在线服务：Looker 中的 Gemini 的产品形态，决定了安装、权限和数据存放方式。
  • 同类产品：Power BI Copilot、ThoughtSpot、Tableau。
  • 所属方向：数据与分析。

把概念用起来

写 SQL 查询

准备材料：数据库表结构说明。

根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。

验收标准：说明了口径问题。

延伸练习

评测大模型应用

准备材料：一批真实用户问题和应用回答。

为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。

交付前确认：评分标准清晰可复用。

数据清洗方案

输入：一份有缺失和异常值的数据。

分析这份数据的质量问题：缺失值比例、异常值、格式不一致的字段，给出处理建议，并说明每种处理方式对结论的影响。

检查点：说明了处理对结论的影响。

指标异动解读

适用情况：手头有一个突然下降的业务指标时。

日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。

验收标准：先排查数据本身问题。

常见问题：生成的 SQL 运行报错

提供准确的表结构和字段说明，先在测试库运行。

常见问题：问数结果看似合理但错误

准备几道已知答案的问题做抽检。

常见问题：AI 算出的数字和报表不一致

检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。

概念补充：追踪（Tracing）

记录大模型应用每次调用的输入输出与耗时。

概念补充：文本转 SQL

把自然语言问题转换为数据库查询语句。

适合人群：科研人员

科研人员可以用 Looker 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

适合人群：财务人员

财务人员可以用 Looker 处理单据识别录入、报表说明与分析等工作。需要注意：财务数据属于敏感信息，优先使用企业版或本地方案，结果需复核。

适合人群：销售

销售可以用 Looker 处理客户背景调研、跟进邮件与话术等工作。需要注意：客户数据按公司规定处理，报价和承诺以合同为准。

注意事项

文中提示词和示例仅作示意，实际效果取决于你的材料和 Looker 当前版本，重要内容请人工核对后再使用。

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

延伸阅读