Conversational Analytics: bouw een data-agent in BigQuery

Als je in een datateam werkt, klinkt dit scenario vast bekend: je backlog puilt uit van de ad-hocverzoeken. Businessgebruikers hebben voortdurend simpele variaties op bestaande rapporten nodig en vragen: "Kun je dit groeperen op productcategorie?" of "Hoe verhoudt dit zich tot vorige maand?" Terwijl zij in de wachtrij staan voor een antwoord, worden je data-engineers en analisten bedolven onder repetitieve SQL-taken.

Met Conversational Analytics in BigQuery kun je die flessenhals eindelijk verplaatsen. Deze functie brengt een door AI aangedreven redeneermotor rechtstreeks naar BigQuery Studio, waardoor gebruikers vragen in natuurlijke taal kunnen stellen en direct data, grafieken en gegenereerde SQL ontvangen. 

In deze gids leer je hoe je conversational analytics in BigQuery instelt en gebruikt. Je bouwt, configureert en verfijnt je eigen data-agents, zodat je organisatie veilig met de data kan chatten.

Wat is Conversational Analytics?

Conversational analytics verschuift de data-interactie van handmatige SQL-queries naar gesprekken in natuurlijke taal. In plaats van SELECT-statements te schrijven, praat je met een data-agent die je zakelijke context begrijpt en antwoorden geeft die zijn onderbouwd met je echte tabellen.

Dit is niet zomaar een simpele text-to-SQL-parser; het is een grote stap richting échte datagedemocratiseerd gebruik. 

Het stelt niet-technische gebruikers in staat om zelfstandig realtime inzichten te krijgen en geeft dataprofessionals een snelle manier om datasets te verkennen en rapportages te automatiseren.

Hoe Gemini data-agents aanstuurt

De kern van BigQuery’s conversational analytics is een redeneermotor die wordt aangedreven door de Gemini-modelreeks. Data-agents gebruiken een gestructureerde pipeline in meerdere stappen om te zorgen dat inzichten gebaseerd zijn op jouw specifieke datacontent:

• Intentie-interpretatie: De agent evalueert de prompt aan de hand van aangepaste instructies, metadata en businessglossaria. Dit zorgt voor begrip van termen zoals "Q3-prestaties", die verwijzen naar specifieke fiscale kalenders en KPI’s.

• Schema-gebaseerde SQL-generatie: De AI vertaalt natuurlijke taal naar geoptimaliseerde SQL. De code wordt specifiek gemapt op BigQuery-schema’s en gecontroleerd tegen interne logica om nauwkeurigheid te garanderen.

• Veilige uitvoering: De agent voert de gegenereerde query rechtstreeks uit binnen je BigQuery-omgeving. Bestaande beveiligings- en IAM-protocollen blijven behouden. De agent ziet alleen wat jij mag zien.

• Inzichten synthetiseren: De agent destilleert ruwe rijen tot een leesbare samenvatting. Hij levert de onderliggende data en dynamische visualisaties (zoals grafieken) en behoudt de "draad" van het gesprek voor vervolgvragen.

BigQuery vs Looker: de juiste instap kiezen

Google Cloud biedt conversational analytics op verschillende lagen van je datastack. De juiste instap kiezen hangt af van je gebruikers en waar je businesslogica zich bevindt:

Welke route kies je?

• Kies BigQuery als je maatwerk-AI-applicaties moet bouwen of ongestructureerde data rechtstreeks wilt analyseren.
• Kies Looker als je organisatie consistente metrics via LookML vereist.
• Kies Data Studio als je niet-technische gebruikers een eenvoudige manier wilt geven om bestaande BigQuery Data Agents te bevragen.

Deze tutorial richt zich op BigQuery als de snelste manier voor datateams om agents te prototypen en in productie te brengen, precies daar waar de data zich bevindt.

Hoe data-agents werken in BigQuery

Het is belangrijk om de architectuur van een data-agent te begrijpen voordat je hem instelt. In de Google Cloud-omgeving is een data-agent de centrale abstractielaag. Hij combineert BigQuery-assets met de redeneercapaciteiten van de Gemini-modellenfamilie.

In plaats van ruwe tabellen direct bloot te leggen, configureert een data-agent alles wat het model nodig heeft om vragen te interpreteren, veilige SQL te genereren en betrouwbare antwoorden te geven. Deze combinatie van databronnen, instructies en geverifieerde logica maakt BigQuery’s conversational analytics betrouwbaarder dan standaard text-to-SQL-tools.

Kennisbronnen

Kennisbronnen zijn de funderingslaag van elke data-agent. Ze definiëren precies welke data de agent mag benaderen en bevragen.

• Assettypen: Tables, Views en User Defined Functions (UDF’s) kunnen als kennisbron worden gekoppeld.

• Schaalbaarheid: Meerdere kennisbronnen kunnen aan één agent gekoppeld worden. Hierdoor kan de agent informatie uit verschillende bedrijfsdomeinen combineren.

• Toegangsbeheer: Door specifieke kennisbronnen te definiëren zorg je dat de agent alleen binnen geautoriseerde data opereert.

Agentinstructies en metadata

De intelligentie van een agent hangt af van de geboden context. Dit is cruciaal om een generiek model de taal van een bedrijf te laten begrijpen. 

Door aangepaste instructies, synoniemen en businessglossaria te definiëren, wordt de agent geaard in een specifiek domein. Zo kun je de agent bijvoorbeeld leren dat "Top Customers" verwijst naar gebruikers met een lifetime value (LTV) van meer dan $ 1.000.

Belangrijke verankeringselementen:

• Aangepaste instructies: Bied richtlijnen op hoog niveau, zoals "Sluit interne testaccounts altijd uit in omzetrapporten."

• Businessglossaria: Koppel technische termen aan natuurlijke taal, bijvoorbeeld store_id aan "Vestigingslocatie".

• Veldmetadata: Omschrijvingen die de agent helpen de nuances van specifieke variabelen te begrijpen, zoals "Bruto-omzet" versus "Nettowinst".

Hoe beter je instructies en metadata, hoe hoger de nauwkeurigheid van de agent. 

Geverifieerde queries

Geverifieerde queries, voorheen bekend als Golden Queries, zijn vooraf gedefinieerde vraag-antwoordparen die als bron van waarheid dienen. Door specifieke vragen te koppelen aan door experts getoetste SQL gebruikt de agent de juiste joinpaden en filters voor kritieke KPI’s.

Deze queries kunnen BigQuery ML- (BQML) functies bevatten. Zo kan de agent geavanceerde verzoeken afhandelen, zoals churn-voorspellingen of verkoopprognoses genereren, met exact de modelparameters die door data scientists zijn gedefinieerd. Zodra ze zijn geverifieerd, worden deze assets beheerd via de Dataplex Universal Catalog, wat consistentie in de hele organisatie waarborgt.

Nu je de bouwstenen begrijpt, gaan we daadwerkelijk je eerste data-agent bouwen en configureren.

Conversational Analytics instellen in BigQuery

Zorg ervoor dat je aan de volgende vereisten voldoet om onze tutorial te volgen:

• Een Google Cloud-project met BigQuery ingeschakeld en facturering actief.
• Basiskennis van SQL (je schrijft niet veel, maar je beoordeelt gegenereerde queries).
• De IAM-rol Gemini Data Analytics Data Agent Owner (of een vergelijkbare Creator/Editor-rol).

Voordat je je eerste agent bouwt, moet je je Google Cloud-project configureren en controleren of je gebruikersaccount de benodigde machtigingen heeft. Data-agents werken als een laag bovenop je bestaande data, dus een correcte IAM-configuratie (Identity and Access Management) is cruciaal voor zowel beveiliging als functionaliteit.

Volg deze stappen:

1. Open de Google Cloud-console en ken jezelf de rol Gemini Data Analytics Data Agent Owner toe:
• Ga naar IAM & Admin → IAM.
• Klik op Toegang verlenen.
• Voeg je e-mailadres toe en wijs de rol Gemini Data Analytics Data Agent Owner toe. Deze rol geeft je toestemming om alle data-agents in het project te maken, bewerken, delen en verwijderen.

2. Gebruik het navigatiemenu in de zijbalk of het zoekmenu bovenaan de pagina om naar BigQuery te gaan.

3. Klik in de navigatie links op Agents.

4. Als de functie nog niet is ingeschakeld, zie je een opvallende banner of knop met de tekst Enable the Data Analytics API with Gemini. Klik daarop en schakel vervolgens zowel de Gemini in BigQuery API als de Gemini for Google Cloud API in.

Zodra dit is ingeschakeld, wordt de Agents-pagina volledig functioneel. Je zou nu de nieuwe agentpagina moeten zien:

Navigeren door de Agent Catalog

De Agent Catalog wordt gebruikt om data-agents te maken, beheren en versies te onderhouden binnen BigQuery Studio.

Dit vind je in de Agent Catalog:

• Vooraf gedefinieerde voorbeeldagent — Een kant-en-klare voorbeeldagent die automatisch voor elk project wordt aangemaakt. Alleen-lezen en ideaal om te verkennen hoe een voltooide agent eruitziet voordat je zelf aan de slag gaat.
• Mijn conceptagents — Agents die je bent gestart maar nog niet hebt gepubliceerd (perfect om te experimenteren).
• Mijn agents — Agents die je hebt gemaakt en gepubliceerd.
• Gedeeld door anderen — Agents die door teamgenoten in je organisatie zijn gepubliceerd (als ze die met jou hebben gedeeld).

De levenscyclus van een agent volgt deze structuur (Draft → Created → Published):

• Draft — Je kunt instructies bewerken, kennisbronnen toevoegen, queries testen in het livevoorbeeld en itereren zonder iemand anders te beïnvloeden.
• Created — Opgeslagen versie die nog privé is.
• Published — Live en bruikbaar voor iedereen met de juiste IAM-rollen. Gepubliceerde agents kunnen rechtstreeks worden gebruikt in BigQuery Studio, Data Studio Pro of via de Conversational Analytics API.

Klik op een agentkaart om deze te openen, details te bekijken, een gesprek te starten of te bewerken (als je Owner-machtigingen hebt). De interface bevat ook een tabblad Conversations waar je eerdere chats met agents of databronnen kunt beheren.

Een data-agent maken en configureren in BigQuery

Nu de basis staat, gaan we een data-agent from scratch bouwen. We gebruiken de dataset bigquery-public-data.austin_bikeshare om ruwe ritdata om te zetten in een conversational interface. We gebruiken twee tabellen:

• bikeshare_trips — gedetailleerde data op ritniveau

• bikeshare_stations — stationmetadata

De agentaanmaak starten

1. Zorg dat je op het tabblad Agent Catalog zit.
2. Klik op de knop Create agent. De pagina New agent wordt geopend met een Editor-paneel links en een live Preview-paneel rechts.
3. Vul in het gedeelte Editor eerst de basis in (agentnaam en beschrijving).

Met deze twee velden kun je de agent later snel herkennen. Zodra ze zijn ingesteld, ben je klaar om de drie kernbouwstenen te configureren die we eerder bespraken: kennisbronnen, instructies en (later) geverifieerde queries. 

Kennisbronnen selecteren

Kennisbronnen bepalen precies welke data de agent kan benaderen. Hoe minder en gerichter de bronnen, hoe beter de nauwkeurigheid en hoe lager de kosten. Klik in het gedeelte Knowledge sources van de editor op Add source. Zoek naar austin_bikeshare en selecteer bikeshare_trips en bikeshare_stations als bronnen.

Klik voor elke tabel die je toevoegt op Customize. 

Gemini genereert automatisch een beschrijving en stelt kolommetadata voor. Bekijk alles, accepteer de juiste suggesties, voer eventuele aanpassingen door en klik op Update.

Een veelgemaakte fout is om in één keer 50 tabellen toe te voegen. Begin met 2–3 kerntabellen. Zo kun je de logica van de agent makkelijker debuggen. Je kunt de kennis later altijd uitbreiden zodra de kernqueries kloppen.

Effectieve agentinstructies schrijven

Vervolgens moet je je agent verankeren met instructies. In plaats van alleen een generieke tekstprompt te schrijven (bijv. "Beantwoord vragen over sales"), kun je in de data-agentinterface van BigQuery zeer gestructureerde context bieden om de AI te sturen bij het genereren van queries. Zie het als het onboarden van een nieuwe analist met jullie exacte datadictionary.

Gebruik het veld Instructions om gestructureerde businesscontext te geven. Hier is een complete, kant-en-klare voorbeeldtekst die je kunt plakken:

• Synoniemen: Definieer alternatieve termen voor je kolommen zodat de agent natuurlijke taalvariaties begrijpt. Voorbeeld: "Journey", "Ride" en "Commute" verwijzen allemaal naar een record in de tabel bikeshare_trips. "Dock", "Hub" of "Station" verwijst naar een record in de tabel bikeshare_stations.

• Sleutelveelden: Markeer de belangrijkste velden voor analyses. Dit vertelt de agent welke kolommen prioriteit hebben als de vraag van een gebruiker breed is. Voorbeeld: Geef prioriteit aan trip_id, start_station_name, end_station_name, subscriber_type, start_time en duration_minutes voor algemene rapportages.

• Uit te sluiten velden: Geef kolommen op die de data-agent strikt moet vermijden. Dit is erg handig om verouderde kolommen of irrelevante data te verbergen. Voorbeeld: Gebruik de kolom bike_id in de tabel bikeshare_trips niet voor de meeste analyses, omdat deze zelden nodig is voor businessvragen.

• Filteren en groeperen: Instrueer de agent over standaardmanieren om de data te segmenteren. Voorbeeld: Tenzij anders aangegeven, filter ritten altijd uit waar duration_minutes < 1 (dit zijn valse starts of testritten). Groepeer standaard op start_station_name wanneer de gebruiker vraagt om “per station” of “topstations”.

• Join-relaties: Omdat onze agent meerdere tabellen gebruikt, definieer je expliciet hoe ze met elkaar zijn verbonden. Dit zorgt ervoor dat de agent niet gokt met de verkeerde foreign keys. Voorbeeld: Join de tabel bikeshare_trips met bikeshare_stations door bikeshare_trips.start_station_id te matchen met bikeshare_stations.station_id (en op vergelijkbare wijze voor end_station_id).

Je kunt alles hierboven combineren tot één nette bloktekst in het veld Instructions. Hier is een gepolijste, kant-en-klare versie die de gestructureerde richtlijnen bevat:

You are a senior transportation analyst for the Austin Bikeshare program.
Core rules and defaults:
- Always filter on start_time unless the user specifies a different time field.
- Default time range for any "trend", "recent", "last month", or similar = last 30 days.
- "Top stations" means stations with the highest ridership (highest number of trips started).
- Exclude false start rides/test rides: never include trips where duration_minutes < 1.
- Display station names in final results; use station_id only for joins.
- Prefer clear, readable visualizations: bar charts for rankings, line charts for time-based trends.
Key fields: Prioritize trip_id, start_station_name, end_station_name, subscriber_type, start_time, and duration_minutes for most analyses.
Join relationships: Join bikeshare_trips to bikeshare_stations on bikeshare_trips.start_station_id = bikeshare_stations.station_id (and similarly for end_station_id).
Persona framework (very effective): Begin your instructions with a clear persona statement. This sets the tone, depth of analysis, and output style (e.g., “You are a senior transportation analyst…”).

Waarom dit ertoe doet: Als je deze velden leeg laat, kan een vage vraag als "Wat waren onze topverkopen?" ertoe leiden dat de agent de verkeerde tabellen joint, put uit inactieve accounts of verouderde data meeneemt. Door je instructies over deze vijf categorieën te structureren, zorg je ervoor dat de gegenereerde SQL strikt aansluit bij jullie gevestigde businesslogica.

Begrippen definiëren in een glossarium

Naast instructies kun je (en zou je) begrippen direct in de agent definiëren. Deze helpen de agent om vakjargon, afkortingen en afgeleide concepten consistent te interpreteren.

Klik op Add term in het gedeelte Glossary (meestal in de buurt van Instructions) en maak begrippen aan met een term, definitie en synoniemen (komma-gescheiden).

Hier zijn aanbevolen glossariumtermen voor de Austin Bikeshare-dataset:

Je kunt naar behoefte meer termen toevoegen (bijvoorbeeld voor start_station_name, end_station_name of afgeleide metrics zoals “gemiddelde ritduur” of “lange rit”).

Met glossaria geldt: als het management besluit om de officiële definitie van een “Lange rit” volgend kwartaal te wijzigen naar 45 minuten, hoeft je datagovernanceteam dit slechts één keer in Dataplex bij te werken. Elke data-agent die aan dat glossarium is gekoppeld neemt de nieuwe logica direct over, zodat je consistentie houdt in de hele organisatie.

Je agent testen met queries in natuurlijke taal

Zodra je de kennisbronnen, instructies en glossariumtermen hebt geconfigureerd, is het tijd om je agent te testen voordat je publiceert.

Scroll naar de rechterkant van het scherm naar het Preview-paneel. Deze livechatinterface laat je in realtime met je agent interacteren terwijl je hem bouwt. Je kunt vragen stellen, de redenering van de agent beoordelen, de gegenereerde SQL inspecteren en snel itereren.

Het Preview-paneel toont:

• De naam en beschrijving van de agent bovenaan
• Een chatachtige invoer onderaan (“Stel een vraag”)
• Realtime antwoorden met redenering, SQL, resultaten en visualisaties

Probeer deze vier queries met oplopende complexiteit (aangepast aan het bereik van de dataset tot 2024):

1. Eenvoudige opzoeking: Hoeveel ritten zijn er gestart in juni 2024?
2. Gefilterde aggregatie: Wat waren de top 5 stations naar rittenaantal in het laatste kwartaal van 2024?
3. Analyse in meerdere stappen: Vergelijk de gemiddelde ritduur op weekdagen versus weekenden in 2024.
4. Vervolgvraag (test het gespreksgeheugen): Laat nu dezelfde vergelijking zien, maar alleen voor het Zilker Park-station.

Wat je ziet in het antwoord van de agent:

• Samenvatting — Een uitleg in natuurlijke taal van de resultaten.

• Queryresultaat — Een overzichtelijke tabel met de data (bijv. totaal aantal ritten, topstations of gemiddelde duur).

• Inzichten — Bulletpoints met bevindingen die de resultaten in een businesscontext duiden.

• Gegenereerde SQL — Klik op Open in Editor om de volledige SQL-query te bekijken die de agent heeft gemaakt (je ziet dat correct wordt gefilterd op start_time en dat duration_minutes >= 1 wordt toegepast om valse starts uit te sluiten).

• Voorgestelde vervolgvraag — Handige prompts onderaan (bijv. “Wat waren de top 10 startstations in juni 2024?”, “Maak een voorspelling van het dagelijks aantal ritten…” enz.).

• Visualisatie — Een automatisch gegenereerde grafiek (staafdiagram voor ranglijsten, zoals te zien in je top 5-stationsvoorbeeld).

Gespreksgeheugen in actie

Je vierde query (“Laat nu dezelfde vergelijking zien maar alleen voor het Zilker Park-station”) toont het vermogen van de agent om context uit de vorige vraag vast te houden. 

Zoals je in de volgende screenshot ziet, beperkt hij de vergelijking tussen weekdagen en weekenden correct tot Zilker Park zonder dat jij het volledige verzoek herhaalt.

Testtips:

• Gebruik exact de businesstermen die je in instructies en glossarium hebt gedefinieerd (bijv. “ridership”, “false start”).
• Let goed op hoe de agent datumfilters en uitsluitingen hanteert — hier maken goede instructies een groot verschil.
• Als het antwoord niet klopt, verfijn je instructies of glossarium, sla op en test opnieuw.
• Bekijk regelmatig de gegenereerde SQL — dit is een van de beste manieren om te debuggen en de nauwkeurigheid van de agent te verbeteren.

Zodra de agent consequent duidelijke, nauwkeurige en goed gestructureerde antwoorden geeft, klik je bovenaan op Save en daarna op Publish. Je Austin Bikeshare Analyst-agent is nu klaar voor gebruik!

Nauwkeurigheid verbeteren met geverifieerde queries

Zelfs met goede instructies en glossariumtermen kan je data-agent soms nog businessregels verkeerd interpreteren of inconsistente antwoorden genereren.

Geverifieerde queries lossen dit op door je in staat te stellen de agent expliciet de juiste aanpak te leren voor belangrijke of veelgestelde vragen. Elke geverifieerde query bestaat uit een vraag in natuurlijke taal, gekoppeld aan de exacte SQL die moet worden gebruikt.

Ze fungeren als hoogwaardige voorbeelden die de redenering van de agent verankeren en zijn een van de effectiefste manieren om van een “goed genoeg”-agent naar een productieklare agent te gaan.

Je eerste geverifieerde query schrijven

Scroll in de agenteditor naar het gedeelte Verified Queries. Je hebt twee eenvoudige manieren om geverifieerde queries toe te voegen:

Optie 1: Handmatig maken

Klik op Add query. Je ziet het scherm Add verified query, waar je kunt:

• Een vraag in natuurlijke taal invoeren
• De juiste SQL in de editor schrijven of plakken
• Op Run klikken om te testen
• Op Add klikken om op te slaan

Optie 2: Gemini-gegenereerde suggesties gebruiken (aanbevolen voor een snellere start)

Klik op View Gemini-generated suggestions. Dit opent het scherm “Review suggested verified queries”, waar Gemini relevante vragen voorstelt op basis van je kennisbronnen.

Je kunt:

• De voorgestelde vragen bekijken
• De bijbehorende tabellen controleren
• De vragen selecteren die je bevallen
• De vraag of SQL indien nodig bewerken (sterk aanbevolen — sommige suggesties kunnen verouderde datums of logica bevatten)
• Op Add klikken om ze aan je agent toe te voegen

Een goede geverifieerde query voor de Austin Bikeshare-dataset zou kunnen zijn:

Vraag:

What were the top 5 stations by ridership in Q2 2024?

SQL:

WITH
 QuarterlyRidership AS (
   -- Count trips starting at each station
   SELECT start_station_id AS station_id, COUNT(trip_id) AS ridership_count
   FROM bigquery-public-data.austin_bikeshare.bikeshare_trips
   WHERE TIMESTAMP_TRUNC(start_time, QUARTER) = TIMESTAMP '2024-04-01 00:00:00'
   GROUP BY start_station_id
   UNION ALL
   -- Count trips ending at each station
   SELECT
     CAST(end_station_id AS INT64) AS station_id,
     COUNT(trip_id) AS ridership_count
   FROM bigquery-public-data.austin_bikeshare.bikeshare_trips
   WHERE
     TIMESTAMP_TRUNC(start_time, QUARTER) = TIMESTAMP '2024-04-01 00:00:00'
     AND end_station_id IS NOT NULL
   GROUP BY CAST(end_station_id AS INT64)
 )
SELECT stations.name AS station_name, SUM(qr.ridership_count) AS total_ridership
FROM QuarterlyRidership AS qr
INNER JOIN
 bigquery-public-data.austin_bikeshare.bikeshare_stations AS stations
 ON qr.station_id = stations.station_id
GROUP BY stations.name
ORDER BY SUM(qr.ridership_count) DESC
LIMIT 5;

Itereren op de nauwkeurigheid van de data-agent

Zelfs als de agent bij de eerste poging een redelijk antwoord geeft, kun je de nauwkeurigheid en consistentie aanzienlijk verbeteren door de gegenereerde SQL te bekijken en geverifieerde queries toe te voegen.

Volg deze praktische workflow:

1. Stel een vraag in het Preview-paneel.
2. Bekijk de gegenereerde SQL (klik op het SQL-vak en vervolgens op Open in Editor om de volledige query te zien).
3. Identificeer waar de agent de mist in ging of waar de logica kan worden verbeterd.
4. Los het op door een geverifieerde query toe te voegen (of instructies te verfijnen).
5. Test dezelfde vraag opnieuw en observeer de verbetering.

Stel, je vroeg: “Wat was de gemiddelde ritduur in juni 2024?” In het eerste antwoord geeft de agent 26,68 minuten terug en sluit ritten korter dan 1 minuut correct uit. Stel nu dat de standaard businessregel van het team is om ritten korter dan 5 minuten uit te sluiten.

Als je de gegenereerde SQL opent (via Open in Editor), zie je dat de filter slechts duration_minutes >= 1 is.

Oplossing: voeg een geverifieerde query toe

Klik op Add query in het gedeelte Verified Queries en maak deze entry aan:

Vraag: 

What was the average trip duration in June 2024?

SQL:

SELECT 
  ROUND(AVG(duration_minutes), 2) AS avg_trip_duration_minutes
FROM 
  bigquery-public-data.austin_bikeshare.bikeshare_trips
WHERE 
  start_time BETWEEN '2024-06-01' AND '2024-06-30'
  AND duration_minutes >= 5;     -- stricter rule: exclude trips under 5 minutes

Na het opslaan van de geverifieerde query stel je dezelfde vraag opnieuw in het Preview-paneel. De agent geeft nu consequent ~32,08 minuten terug en past je striktere 5-minutendrempel toe. De resultaten sluiten beter aan bij jullie zakelijke definitie van “zinvolle” ritten.

Geavanceerde mogelijkheden van BigQuery Conversational Analytics

BigQuery’s conversational analytics onderscheidt zich van eenvoudige text-to-SQL-tools door native ondersteuning voor BigQuery ML-functies, ongestructureerde data en eenvoudig delen binnen het Google Cloud-ecosysteem.

Machine learning

Een van de grootste onderscheiders is het vermogen van de agent om BigQuery ML-functies rechtstreeks vanuit natuurlijke taal aan te roepen, zodat je verder gaat dan terugblikkende rapportage naar vooruitkijkende inzichten.

Predictive analytics

Je kunt bijvoorbeeld een data-agent vragen het dagelijks aantal ritten voor de komende 30 dagen te voorspellen op basis van trends in 2024. Hij triggert AI.FORECAST en genereert een voorspelling voor juli 2024, naast een fraaie grafiek met historische dagelijkse ritten (blauwe lijn) en de 30-daagse voorspelling (oranje lijn) met een gearceerd 95%-betrouwbaarheidsinterval.

Afwijkingsdetectie

Een andere manier waarop machinelearningalgoritmen nuttig kunnen zijn, is door te detecteren of er iets mis is in je data. Als je bijvoorbeeld een agent vraagt om afwijkingen in het dagelijks aantal ritten in juni 2024 te detecteren, zal hij AI.DETECT_ANOMALIES aanroepen, juni 2024 vergelijken met voorgaande maanden en een tijdreeks-tabel plus een lijngrafiek retourneren. 

In dit geval werden geen formele afwijkingen op 95%-niveau gemarkeerd, maar 19 juni werd wel aangewezen als bijna-afwijking (92,1% kans) met een duidelijke daling in rittenaantal.

Ongestructureerde data bevragen

De meeste conversational BI-tools haken af zodra data niet netjes in rijen en kolommen is georganiseerd. BigQuery ondersteunt echter Object Tables, waarmee je ongestructureerde data (zoals pdf’s, afbeeldingen en ruwe tekstlogs) uit Google Cloud Storage kunt analyseren.

Omdat de data-agent wordt aangedreven door de multimodale capaciteiten van Gemini, kan hij tegelijkertijd redeneren over zowel je gestructureerde metrics als je ongestructureerde bestanden. Dit is een enorme, unieke troef van BigQuery.

Als je rijdersenquête-pdf’s of stationinspectieafbeeldingen in een objecttabel hebt, vraag dan simpelweg: “Vat de belangrijkste klachten samen uit de rijdersenquêtes-pdf’s van Q2 2024.” De agent leest de ongestructureerde bestanden en combineert de informatie met je gestructureerde ritdata

Agents delen via Data Studio Pro en de Conversational Analytics API

Je datateam bouwt en test data-agents in BigQuery Studio, maar je eindgebruikers werken waarschijnlijk in heel andere applicaties. Google maakt het eenvoudig om de agent los te koppelen van de GCP Console, zodat je businessgebruikers kunt bedienen waar ze al werken.

• Data Studio Pro: Je kunt je gepubliceerde BigQuery-data-agents eenvoudig zichtbaar maken in Data Studio Pro. Zo kunnen niet-technische stakeholders chatten met exact dezelfde gecontroleerde agent, direct naast hun vertrouwde BI-dashboards.
• Conversational Analytics API & ADK: Wil je je agent inbedden in een maatwerk webapp, een interne Slack-bot of een portal voor klanten, dan kunnen developers de Conversational Analytics API en de Agent Development Kit (ADK) gebruiken. Zo bouw je sterk aangepaste, stateful chatervaringen die worden aangedreven door je BigQuery-data.

Als je zelf een maatwerkchatapplicatie wilt bouwen, kun je allees dan ook meer in de officiële Introduction to Conversational Analytics in BigQuery.

Conclusie

Als er één belangrijk principe is om mee te nemen, dan is het dit: conversational analytics verplaatst de analytische flessenhals van wachten op een datateam naar simpelweg de juiste vraag stellen.

Deze democratisering betekent niet dat datateams overbodig zijn, maar hun rol verandert. Een AI-agent is slechts zo intelligent als de vangrails die je eromheen bouwt. De nauwkeurigheid en veiligheid van je data-agents hangen volledig af van de instructies, context en schema-architectuur die je biedt.

Om de meest effectieve conversational agents te bouwen, heb je nog steeds een sterke beheersing van het onderliggende datawarehouse nodig. Wil jij of je team die kernvaardigheden versterken en het platform beheersen dat deze AI-functies aandrijft, bekijk dan vandaag nog DataCamp’s Introduction to BigQuery-cursus!