先说清楚它是什么：Looker 中的 Gemini 属于「数据与分析」方向的在线服务，谷歌 Looker BI 中的 Gemini 对话分析能力。

下面列出 10 个具体场景，每个都注明适合与不适合的情况。

10 个场景

  1. 自然语言问数：适合每周重复执行。
  2. 写 SQL 查询：适合先小范围试用。
  3. 数据清洗方案：需要人工复核。
  4. 指标异动解读：需要人工复核。
  5. 图表建议：适合先小范围试用。
  6. 评测大模型应用：适合先小范围试用。
  7. 数据分析师：取数与 SQL：可以做成固定模板。
  8. 财务人员：单据识别录入：适合每周重复执行。
  9. 新媒体运营：内容排期：适合每周重复执行。
  10. 软件工程师：代码阅读与重构：效果依赖输入材料质量。

挑两个场景细看

写 SQL 查询

输入：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。

交付前确认：说明了口径问题。

指标异动解读

准备材料：一个突然下降的业务指标。

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。

检查点：先排查数据本身问题。

不适合的场景

  • 需要专业资质最终签字的判断。
  • 无法核实来源却要公开发布的内容。
  • 涉及他人隐私且未获授权的材料。

延伸练习

自然语言问数

输入：一张销售明细表。

请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。

检查点：给出了可复核的计算过程。

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。

检查点：评分标准清晰可复用。

数据清洗方案

准备材料：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。

交付前确认：说明了处理对结论的影响。

常见问题：图表结论被过度解读

区分相关与因果，在报告中标注假设。

常见问题：敏感数据暴露给模型

使用脱敏视图或只读账号，限制可访问的表。

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。

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：评测集

用于反复检验模型或应用效果的标准问题集合。

适合人群：新媒体运营

新媒体运营可以用 Looker 处理内容排期、数据复盘等工作。需要注意：活动规则与奖品说明要准确，避免诱导分享等违规玩法。

适合人群：HR 与招聘

HR 与招聘可以用 Looker 处理岗位描述撰写、面试题与评估表等工作。需要注意：简历筛选不得以性别、年龄等因素做歧视性判断，候选人信息需妥善保管。

写在最后

本文基于 Looker 中的 Gemini 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

涉及个人信息、商业机密或受监管数据时，先确认 Looker 中的 Gemini 的数据处理条款，再决定能否使用。

延伸阅读