在「数据与分析」类工具里，Looker 中的 Gemini 的定位是：谷歌 Looker BI 中的 Gemini 对话分析能力。

单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。

推荐组合：Looker 中的 Gemini + Firebase Studio

Firebase Studio 的定位是：谷歌的云端全栈开发环境，集成 Gemini 进行应用生成。两者分工可以是：Looker 中的 Gemini 负责「自然语言问数」这一步，Firebase Studio 负责开发集成与脚本处理。

工作流步骤

  1. 明确交付物和验收标准，例如：给出了可复核的计算过程。
  2. 准备输入：一张销售明细表，先去掉敏感信息。
  3. 在 Looker 中的 Gemini 中执行核心步骤（提示词见下文）
  4. 把结果交给 Firebase Studio 做下一步处理，或从 Firebase Studio 取得所需材料。
  5. 人工检查关键事实与格式，记录发现的问题。
  6. 把这次用到的提示词和设置保存为模板，下次复用。

自然语言问数

适用情况：手头有一张销售明细表时。

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。

交接时最容易出问题的地方

  • 格式不兼容：两边导入导出的格式提前测试一次。
  • 信息丢失：每次交接附上来源和版本号。
  • 责任不清：约定哪一步由谁做最终确认。
  • 权限分散：两边的账号和分享范围分别检查。

如果暂时不想引入第二个工具，也可以先用 Power BI Copilot 等同类产品替代其中一环，跑通流程后再决定。

更多可以试的用法

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。

检查点：先排查数据本身问题。

图表建议

输入：一组需要汇报的数据。

根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。

验收标准：指出了误导风险。

评测大模型应用

输入：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。

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：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。

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：口径

指标的定义与计算规则，不同口径会得出不同结论。

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。

适合人群：电商运营

电商运营可以用 Looker 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。

适合人群：咨询顾问

咨询顾问可以用 Looker 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

使用提醒

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