Sohbet Analitiği: BigQuery’de Bir Veri Aracısı Oluşturun

Bir veri ekibinde çalışıyorsanız, bu senaryo muhtemelen tanıdık geliyor: bekleyen işler listeniz anlık taleplerle dolup taşıyor. İş kullanıcılarının mevcut raporların basit varyasyonlarına sürekli ihtiyacı oluyor ve “Bunu ürün kategorisine göre gruplayabilir misiniz?” ya da “Bu geçen ayla nasıl karşılaştırılıyor?” diye soruyorlar. Cevap beklerken, veri mühendisleriniz ve analistleriniz tekrarlayan SQL görevleri altında eziliyor.

BigQuery’deki Sohbet Analitiği ile artık darboğazı tersine çevirebilirsiniz. Bu özellik, AI destekli bir akıl yürütme motorunu doğrudan BigQuery Studio’ya getirir; kullanıcıların doğal dille soru sormasına ve anında veri, grafik ve üretilmiş SQL almasına olanak tanır. 

Bu rehberde, BigQuery’de sohbet analitiğini nasıl kurup kullanacağınızı öğreneceksiniz. Kendi veri aracılarınızı oluşturacak, yapılandıracak ve iyileştirecek, böylece kuruluşunuz verilerinizle güvenle sohbet edebilecektir.

Sohbet Analitiği Nedir?

Sohbet analitiği, veriyle etkileşimi manuel SQL sorgularından doğal dilde konuşmalara kaydırır. SELECT ifadeleri yazmak yerine, işletme bağlamınızı anlayan ve yanıtları gerçek tablolarınıza dayandıran bir veri aracısıyla sohbet edersiniz.

Bu yalnızca basit bir metinden-SQL’e çevirici değildir; gerçek veri demokrasisine doğru atılmış derin bir adımdır. 

Teknik olmayan kullanıcıların gerçek zamanlı içgörülere bağımsızca erişmesini sağlar ve veri profesyonellerine veri kümelerini keşfetmek ve raporlamayı otomatikleştirmek için hızlı bir yol sunar.

Gemini veri aracılarını nasıl güçlendirir

BigQuery’nin sohbet analitiğinin kalbinde, Gemini model ailesi tarafından desteklenen bir akıl yürütme motoru vardır. Veri aracıları, içgörülerin belirli veri bağlamınıza dayanmasını sağlamak için yapılandırılmış, çok aşamalı bir işlem hattı kullanır:

• Niyet yorumlama: Aracı, istemi özel talimatlar, meta veriler ve iş sözlükleriyle karşılaştırır. Bu, belirli mali takvimler ve KPI’larla ilişkili “3. çeyrek performansı” gibi terimlerin anlaşılmasını sağlar.

• Şemaya dayalı SQL üretimi: Yapay zeka, doğal dili optimize edilmiş SQL’e çevirir. Kod, BigQuery şemalarına özel olarak eşlenir ve doğruluk için dahili mantığa karşı doğrulanır.

• Güvenli yürütme: Aracı, oluşturulan sorguyu doğrudan BigQuery ortamınızda çalıştırır. Bu, mevcut güvenlik ve IAM protokollerini korur. Aracı yalnızca yetkili olduğunuz verileri görür.

• İçgörü sentezi: Aracı, ham satırları okunabilir bir özet haline getirir. Altta yatan verileri ve dinamik görselleştirmeleri (grafikler gibi) sunar ve takip soruları için konuşmanın “bağlamını” korur.

BigQuery mi Looker mı: Doğru başlangıç noktasını seçmek

Google Cloud, veri yığınımızın farklı katmanlarında sohbet analitiği sunar. Doğru başlangıç noktasını seçmek, kullanıcılarınıza ve iş mantığınızın nerede yaşadığına bağlıdır:

Hangi yolu seçmelisiniz?

• Yapılandırılmamış verileri doğrudan analiz etmeniz veya özel AI uygulamaları oluşturmanız gerekiyorsa BigQuery’yi seçin.
• Kuruluşunuzun LookML aracılığıyla tutarlı metriklere ihtiyacı varsa Looker’ı seçin.
• Teknik olmayan kullanıcılara mevcut BigQuery Veri Aracılarını sorgulamak için basit bir yol sağlamak istiyorsanız Data Studio’yu seçin.

Bu eğitim, verinin bulunduğu yerde aracılar oluşturup üretime almanın veri ekipleri için en hızlı yolu olarak BigQuery’ye odaklanır.

BigQuery’de Veri Aracıları Nasıl Çalışır

Kuruluma geçmeden önce bir veri aracısının mimarisini anlamak önemlidir. Google Cloud ortamında veri aracısı merkezi soyutlama katmanıdır. BigQuery varlıklarını Gemini model ailesinin akıl yürütme yetenekleriyle birleştirir.

Ham tabloları doğrudan açığa çıkarmak yerine, bir veri aracısı modelin soruları yorumlaması, güvenli SQL üretmesi ve güvenilir yanıtlar döndürmesi için gereken her şeyi yapılandırır. Veri kaynakları, talimatlar ve doğrulanmış mantığın bu birleşimi, BigQuery’nin sohbet analitiğini standart metinden-SQL’e araçlardan daha güvenilir kılar.

Bilgi kaynakları

Bilgi kaynakları, herhangi bir veri aracısının temel katmanıdır. Aracının erişmesine ve sorgulamasına izin verilen veriyi tam olarak tanımlarlar.

• Varlık türleri: Tablolar, Görünümler ve Kullanıcı Tanımlı Fonksiyonlar (UDF) bilgi kaynağı olarak bağlanabilir.

• Ölçeklenebilirlik: Birden fazla bilgi kaynağı tek bir aracıya bağlanabilir. Bu, aracının farklı iş alanlarındaki bilgileri birleştirmesine olanak tanır.

• Erişim kontrolü: Belirli bilgi kaynaklarını tanımlamak, aracının yalnızca yetkili veriler içinde çalışmasını sağlar.

Aracı talimatları ve meta veriler

Bir aracının zekâsı sağlanan bağlama bağlıdır. Bu, genel bir modele bir şirketin dilini öğretmenin anahtarıdır. 

Özel talimatlar, eşanlamlılar ve iş sözlükleri tanımlayarak aracı belirli bir alana sabitlersiniz. Örneğin, aracıya “En İyi Müşteriler”in yaşam boyu değeri (LTV) 1.000 $’ın üzerinde olan kullanıcılar olduğu öğretilebilir.

Temel Dayanak Öğeleri:

• Özel talimatlar: “Gelir raporlarından her zaman dahili test hesaplarını hariç tut.” gibi üst düzey yönergeler sağlayın.

• İş sözlükleri: Teknik terimleri doğal dile eşleyin; örneğin, store_id için “Şube Konumu”.

• Alan meta verileri: “Brüt Gelir” ile “Net Kâr” gibi belirli değişkenlerin inceliklerini aracının anlamasına yardımcı olan açıklamalar.

Talimatlarınız ve meta verileriniz ne kadar iyi olursa, aracının doğruluğu o kadar artar. 

Doğrulanmış sorgular

Önceden “Golden Queries” olarak bilinen doğrulanmış sorgular, doğru bilgi kaynağı görevi gören önceden tanımlanmış soru-cevap çiftleridir. Belirli soruları uzmanlarca onaylanmış SQL’e eşleyerek, aracı kritik KPI’lar için doğru join yollarını ve filtreleri kullanır.

Bu sorgular BigQuery ML (BQML) işlevlerini içerebilir. Bu, aracının veri bilimciler tarafından tanımlanan model parametrelerini aynen kullanarak churn tahmini veya satış tahmini gibi gelişmiş talepleri karşılamasını sağlar. Doğrulandıktan sonra bu varlıklar Dataplex Universal Catalog üzerinden yönetilir ve kuruluş genelinde tutarlılık sağlar.

Artık yapı taşlarını anladığınıza göre, ilk veri aracınızı gerçekten oluşturmaya ve yapılandırmaya geçelim.

BigQuery’de Sohbet Analitiğini Kurma

Eğitimimizi takip edebilmek için lütfen aşağıdaki önkoşullara sahip olduğunuzdan emin olun:

• BigQuery etkin ve faturalandırması açık bir Google Cloud projesi.
• Temel SQL bilgisi (çok yazmayacaksınız, ancak oluşturulan sorguları inceleyeceksiniz).
• Gemini Data Analytics Data Agent Owner IAM rolü (veya eşdeğer Oluşturucu/Düzenleyici rolü).

İlk aracınızı oluşturmadan önce Google Cloud projenizi yapılandırmalı ve kullanıcı hesabınızın gerekli izinlere sahip olduğundan emin olmalısınız. Veri Aracıları mevcut verilerinizin üzerinde bir katman olarak çalışır; bu nedenle doğru IAM (Kimlik ve Erişim Yönetimi) yapılandırması hem güvenlik hem de işlevsellik için kritiktir.

Şu adımları izleyin:

1. Google Cloud konsolunu açın ve kendinize Gemini Data Analytics Data Agent Owner rolünü verin:
• IAM & Yönetici → IAM’a gidin.
• Erişim Ver’e tıklayın.
• E-postanızı ekleyin ve Gemini Data Analytics Data Agent Owner rolünü atayın. Bu rol, projedeki tüm veri aracılarını oluşturma, düzenleme, paylaşma ve silme izni verir.

2. Sol kenar çubuğu gezinme menüsünü veya sayfanın üst kısmındaki arama menüsünü kullanarak BigQuery’ye gidin.

3. Sol gezintide Aracılar’a tıklayın.

4. Özellik henüz etkin değilse, “Gemini ile Data Analytics API’sini Etkinleştir” diyen belirgin bir banner veya düğme görürsünüz. Buna tıklayın ve ardından hem Gemini in BigQuery API’sini hem de Gemini for Google Cloud API’sini etkinleştirin.

Etkinleştirildiğinde Aracılar sayfası tamamen işlevsel hale gelir. Artık yeni aracı sayfasını görmelisiniz:

Aracı Kataloğunda gezinme

Aracı Kataloğu, BigQuery Studio içinde veri aracılarını oluşturmak, yönetmek ve sürümlendirmek için kullanılır.

Aracı Kataloğu’nda bulacaklarınız:

• Ön tanımlı örnek aracı — Her proje için otomatik olarak oluşturulan, kullanıma hazır bir örnek aracı. Yalnızca görüntülenebilir ve kendi aracınızı oluşturmadan önce bitmiş bir aracının nasıl göründüğünü keşfetmek için idealdir.
• Taslak aracılarım — Başladığınız ancak henüz yayımlamadığınız aracılar (deneyler için mükemmel).
• Aracılarım — Oluşturup yayımladığınız aracılar.
• Başkaları tarafından paylaşılan — Kuruluşunuzdaki ekip arkadaşlarının yayımladığı ve sizinle paylaşılan aracılar.

Aracı yaşam döngüsü şu yapıyı izler (Taslak → Oluşturuldu → Yayımlandı):

• Taslak — Talimatları düzenleyebilir, bilgi kaynakları ekleyebilir, canlı önizleme bölmesinde sorguları test edebilir ve başkalarını etkilemeden yineleyebilirsiniz.
• Oluşturuldu — Hâlâ özel olan kaydedilmiş sürüm.
• Yayımlandı — Doğru IAM rollerine sahip herkes tarafından kullanılabilir canlı sürüm. Yayımlanan aracılar doğrudan BigQuery Studio, Data Studio Pro veya Sohbet Analitiği API’si aracılığıyla kullanılabilir.

Herhangi bir aracı kartına tıklayarak onu açabilir, ayrıntıları görüntüleyebilir, bir sohbet başlatabilir veya (Sahip izinlerine sahipseniz) düzenleyebilirsiniz. Arayüz ayrıca aracı veya veri kaynaklarıyla yapılan geçmiş sohbetleri yönetebileceğiniz bir Konuşmalar sekmesi içerir.

BigQuery’de Bir Veri Aracısı Oluşturma ve Yapılandırma

Artık temelleri attığımıza göre sıfırdan bir Veri Aracısı oluşturalım. Ham yolculuk verilerini sohbet arayüzüne dönüştürmek için bigquery-public-data.austin_bikeshare veri kümesini kullanacağız. İki tablo kullanacağız:

• bikeshare_trips — ayrıntılı yolculuk düzeyi verisi

• bikeshare_stations — istasyon meta verisi

Aracı oluşturmaya başlama

1. Aracı Kataloğu sekmesinde olduğunuzdan emin olun.
2. Aracı oluştur düğmesine tıklayın. Yeni aracı sayfası, solda Düzenleyici paneli ve sağda canlı Önizleme bölmesiyle açılır.
3. Düzenleyici bölümünde önce temel bilgileri (aracı adı ve açıklaması) doldurun.

Bu iki alan, aracı daha sonra hızlıca tanımlamanıza yardımcı olur. Bunlar ayarlandıktan sonra, daha önce ele aldığımız üç temel yapı taşını yapılandırmaya hazırsınız: bilgi kaynakları, talimatlar ve (daha sonra) doğrulanmış sorgular. 

Bilgi kaynaklarını seçme

Bilgi kaynakları, aracının erişebileceği veriyi tam olarak tanımlar. Kaynaklar ne kadar az ve odaklı olursa, doğruluk o kadar yüksek ve maliyet o kadar düşük olur. Düzenleyicideki Bilgi kaynakları bölümünde Kaynak ekle’ye tıklayın. austin_bikeshare için arama yapın ve kaynak olarak bikeshare_trips ve bikeshare_stations’ı seçin.

Eklediğiniz her tablo için Özelleştir’e tıklayın. 

Gemini otomatik olarak bir açıklama oluşturur ve sütun meta verileri önerir. Her şeyi gözden geçirin, doğru önerileri kabul edin, gerekli düzenlemeleri yapın ve Güncelle’ye tıklayın.

Yaygın bir hata, 50 tabloyu birden eklemektir. 2–3 çekirdek tabloyla başlayın. Bu, aracının mantığını hata ayıklamayı kolaylaştırır. Çekirdek sorgular doğru olduğunda bilgi alanını her zaman genişletebilirsiniz.

Etkili aracı talimatları yazma

Şimdi aracınızı talimatlarla temellendirmeniz gerekiyor. “Satışlarla ilgili soruları yanıtla” gibi genel bir metin istemi yazmak yerine, BigQuery’nin veri aracısı arayüzü, AI’ın sorgu üretimini yönlendirmek için oldukça yapılandırılmış bir bağlam sağlamanıza izin verir. Bunu, yeni bir analisti şirketinizin tam veri sözlüğüyle işe alıştırmak gibi düşünün.

Talimatlar alanını yapılandırılmış iş bağlamı sağlamak için kullanın. Yapıştırabileceğiniz eksiksiz, kullanıma hazır bir örnek şablon şudur:

• Eşanlamlılar: Sütunlarınız için alternatif terimler tanımlayın; böylece aracı doğal dildeki varyasyonları anlar. Örnek: “Journey”, “Ride” ve “Commute”, bikeshare_trips tablosundaki bir kaydı ifade eder. “Dock”, “Hub” veya “Station”, bikeshare_stations tablosundaki bir kaydı ifade eder.

• Anahtar alanlar: Analiz için en önemli alanları vurgulayın. Bu, kullanıcının sorusu geniş olduğunda aracının hangi sütunlara öncelik vereceğini belirtir. Örnek: Genel raporlama için trip_id, start_station_name, end_station_name, subscriber_type, start_time ve duration_minutes’a öncelik verin.

• Hariç tutulan alanlar: Veri aracısının kesinlikle kaçınması gereken sütunları belirtin. Kullanımdan kaldırılmış sütunları veya alakasız verileri gizlemek için son derece kullanışlıdır. Örnek: bikeshare_trips tablosundaki bike_id sütununu çoğu analizde kullanmayın; iş soruları için nadiren gereklidir.

• Filtreleme ve grupla­ma: Veriyi dilimlemenin standart yollarını aracıya belirtin. Örnek: Aksi belirtilmedikçe, duration_minutes < 1 olan yolculukları (bunlar hatalı başlangıçlar veya test sürüşleridir) her zaman hariç tutun. Kullanıcı “istasyona göre” veya “en iyi istasyonlar” istediğinde, varsayılan olarak veriyi start_station_name’e göre gruplayın.

• Join ilişkileri: Aracımız birden fazla tablodan çektiği için, bunların nasıl bağlandığını açıkça tanımlayın. Bu, aracının yanlış yabancı anahtarları tahmin etmesini engeller. Örnek: bikeshare_trips tablosunu, bikeshare_trips.start_station_id ile bikeshare_stations.station_id eşleştirilerek bikeshare_stations tablosuna bağlayın (ve end_station_id için de benzer şekilde).

Yukarıdakilerin tümünü Talimatlar alanında tek bir temiz blokta birleştirebilirsiniz. İşte yapılandırılmış yönlendirmeyi içeren, cilalı ve yapıştırmaya hazır bir sürüm:

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…”).

Neden önemli: Bu alanları boş bırakırsanız, “En iyi satışlarımız neydi?” gibi muğlak bir soru, aracının yanlış tabloları birleştirmesine, etkin olmayan hesaplardan veri çekmesine veya kullanımdan kaldırılmış verileri dahil etmesine yol açabilir. Talimatlarınızı bu beş kategoriye ayırarak yapılandırmanız, oluşturulan SQL’in yerleşik iş mantığınıza sıkı sıkıya uymasını sağlar.

Terimler sözlüğü tanımlama

Talimatlara ek olarak, terimler sözlüğünü doğrudan aracının içinde tanımlayabilir (ve tanımlamalısınız). Bunlar, aracının iş jargonu, kısaltmalar ve türetilmiş kavramları tutarlı bir şekilde yorumlamasına yardımcı olur.

Sözlük bölümünde (genellikle Talimatların yakınında) Terim ekle’ye tıklayın ve terim, tanım ve eşanlamlıları (virgülle ayrılmış) içeren girdiler oluşturun.

Austin Bikeshare veri kümesi için önerilen sözlük terimleri şunlardır:

Gerektikçe daha fazla terim ekleyebilirsiniz (örneğin start_station_name, end_station_name veya “ortalama yolculuk süresi” ya da “uzun sürüş” gibi türetilmiş metrikler için).

Sözlükleri kullanarak, eğer yönetim gelecek çeyrekte “Uzun Sürüş”ün resmî tanımını 45 dakikaya çevirmeye karar verirse, veri yönetişimi ekibinizin Dataplex’te bunu yalnızca bir kez güncellemesi yeterlidir. Bu sözlüğe bağlı her Veri Aracısı yeni mantığı anında benimser ve kuruluş genelinde tutarlılık sağlanır.

Aracınızı doğal dil sorgularıyla test etme

Bilgi kaynaklarını, talimatları ve sözlük terimlerini yapılandırdıktan sonra, yayımlamadan önce aracınızı test etme zamanı gelir.

Ekranın sağ tarafındaki Önizleme bölmesine kaydırın. Bu canlı sohbet arayüzü, aracı oluştururken onunla gerçek zamanlı etkileşim kurmanıza olanak tanır. Sorular sorabilir, aracının muhakemesini gözden geçirebilir, oluşturulan SQL’i inceleyebilir ve hızla yineleme yapabilirsiniz.

Önizleme bölmesi şunları gösterir:

• Üstte aracının adı ve açıklaması
• Altta sohbet tarzı giriş kutusu (“Bir soru sorun”)
• Gerekçelendirme, SQL, sonuçlar ve görselleştirmelerle gerçek zamanlı yanıtlar

Artan karmaşıklıkta şu dört sorguyu deneyin (veri kümesinin 2024’e kadar olan aralığına uyarlanmıştır):

1. Basit arama: Haziran 2024’te kaç yolculuk başladı?
2. Filtreli toplulaştırma: 2024’ün son çeyreğinde yolcu sayısına göre en iyi 5 istasyon hangileriydi?
3. Çok adımlı analiz: 2024’te hafta içi ve hafta sonu ortalama yolculuk süresini karşılaştırın.
4. Takip sorusu (sohbet hafızasını test eder): Şimdi aynı karşılaştırmayı yalnızca Zilker Park istasyonu için gösterin.

Aracının yanıtında görecekleriniz:

• Özet — Sonuçların doğal dille açıklaması.

• Sorgu sonucu — Verilerin bulunduğu temiz bir tablo (örn. toplam yolculuklar, en iyi istasyonlar veya ortalama süre).

• İçgörüler — Sonuçları iş bağlamında yorumlayan madde işaretli çıkarımlar.

• Oluşturulan SQL — Aracının oluşturduğu tam SQL sorgusunu görmek için Düzenleyicide Aç’a tıklayın (burada start_time üzerinde doğru biçimde filtrelendiğini ve hatalı başlangıç sürüşlerini hariç tutmak için duration_minutes >= 1 uyguladığını göreceksiniz).

• Önerilen takip soruları — Altta yardımcı istemler (örn. “Haziran 2024’te en iyi 10 başlangıç istasyonu hangileriydi?”, “Günlük yolculuk sayısını tahmin et…” vb.).

• Görselleştirme — Otomatik oluşturulan bir grafik (en iyi 5 istasyon örneğinizde görüldüğü gibi sıralamalar için çubuk grafik).

Sohbet hafızasının iş başında olması

Dördüncü sorgunuz (“Şimdi aynı karşılaştırmayı yalnızca Zilker Park istasyonu için gösterin”) aracının önceki sorudan bağlamı koruyabilme yeteneğini gösterir. 

Aşağıdaki ekran görüntüsünden görebileceğiniz gibi, siz tüm isteği tekrar etmeden hafta içi vs hafta sonu süre karşılaştırmasını doğru şekilde Zilker Park’a daraltır.

Test ipuçları:

• Talimatlarda ve sözlükte tanımladığınız iş terimlerini aynen kullanın (örn. “ridership”, “false start”).
• Aracının tarih filtreleme ve hariç tutmaları nasıl ele aldığına dikkat edin — iyi talimatların büyük fark yarattığı yer burasıdır.
• Yanıt hatalıysa, talimatlarınızı veya sözlüğünüzü iyileştirin, kaydedin ve yeniden test edin.
• Oluşturulan SQL’i düzenli olarak gözden geçirin — aracı doğruluğunu hata ayıklamanın ve iyileştirmenin en iyi yollarından biridir.

Aracı tutarlı biçimde net, doğru ve iyi yapılandırılmış yanıtlar verdiğinde, üstte Kaydet’e, ardından Yayımla’ya tıklayın. Austin Bikeshare Analisti aracınız artık kullanıma hazır!

Doğrulanmış Sorgularla Doğruluğu Artırma

İyi talimatlar ve sözlük terimleriyle bile, veri aracınız bazen iş kurallarını yanlış yorumlayabilir veya tutarsız yanıtlar üretebilir.

Doğrulanmış sorgular, aracınıza önemli veya sık sorulan soruları doğru şekilde ele almayı açıkça öğretmenize olanak tanıyarak bunu çözer. Her doğrulanmış sorgu, doğal dilde bir soruyla kullanılacak tam SQL’in eşleşmesinden oluşur.

Bunlar, aracının akıl yürütmesini sabitleyen yüksek kaliteli örnekler olarak hizmet eder ve “idare eder” seviyesinden üretime hazır bir aracıya geçmenin en etkili yollarından biridir.

İlk doğrulanmış sorgunuzu yazma

Aracı düzenleyicide Doğrulanmış Sorgular bölümüne kaydırın. Doğrulanmış sorgular eklemenin iki kolay yolu vardır:

Seçenek 1: Elle oluşturun

Sorgu ekle’ye tıklayın. Doğrulanmış sorgu ekle ekranını görürsünüz; burada şunları yapabilirsiniz:

• Doğal dilde bir Soru girin
• Doğru SQL’i düzenleyiciye yazın veya yapıştırın
• Test etmek için Çalıştır’a tıklayın
• Kaydetmek için Ekle’ye tıklayın

Seçenek 2: Gemini tarafından üretilen önerileri kullanın (hızlı başlangıç için önerilir)

Gemini tarafından üretilen önerileri görüntüle’ye tıklayın. Bu, “Önerilen doğrulanmış sorguları inceleyin” ekranını açar; burada Gemini, bilgi kaynaklarınıza dayanarak ilgili sorular önerir.

Şunları yapabilirsiniz:

• Önerilen soruları gözden geçirin
• İlişkili tabloları kontrol edin
• Beğendiklerinizi seçin
• Gerekiyorsa soruyu veya SQL’i düzenleyin (şiddetle önerilir — bazı öneriler eski tarih veya mantık kullanabilir)
• Aracınıza eklemek için Ekle’ye tıklayın

Austin Bikeshare veri kümesi için iyi bir doğrulanmış sorgu şu olabilir:

Soru:

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;

Veri aracısı doğruluğu üzerinde yineleme

Aracı ilk denemede makul bir yanıt verse bile, oluşturulan SQL’i gözden geçirip doğrulanmış sorgular ekleyerek onu önemli ölçüde daha doğru ve tutarlı hale getirebilirsiniz.

Şu pratik iş akışını izleyin:

1. Önizleme bölmesinde bir soru sorun.
2. Oluşturulan SQL’i inceleyin (SQL kutusuna tıklayın ve ardından tam sorguyu görmek için Düzenleyicide Aç’a tıklayın).
3. Aracının nerede hata yaptığını veya mantığın nerede iyileştirilebileceğini belirleyin.
4. Bir doğrulanmış sorgu ekleyerek (veya talimatları iyileştirerek) düzeltin.
5. Aynı soruyu yeniden test edin ve iyileşmeyi gözlemleyin.

Diyelim ki “Haziran 2024’te ortalama yolculuk süresi neydi?” diye sordunuz. İlk yanıtta aracı 26,68 dakika döndürüyor ve 1 dakikadan kısa yolculukları doğru şekilde hariç tutuyor. Şimdi, ekibin standart iş kuralının 5 dakikadan kısa herhangi bir yolculuğu hariç tutmak olduğunu varsayalım.

Düzenleyicide Aç üzerinden oluşturulan SQL’i açtığınızda filtrenin yalnızca duration_minutes >= 1 olduğunu görürsünüz.

Düzeltme: Doğrulanmış bir sorgu ekleyin

Doğrulanmış Sorgular bölümünde Sorgu ekle ’ye tıklayın ve şu girdiyi oluşturun:

Soru: 

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

Doğrulanmış sorguyu kaydettikten sonra aynı soruyu Önizleme bölmesinde tekrar sorun. Aracı artık tutarlı biçimde ~32,08 dakika döndürür ve daha sıkı 5 dakikalık eşik değerinizi uygular. Sonuçlar, “anlamlı” yolculuklara ilişkin iş görüşünüzle daha uyumlu hale gelir.

BigQuery Sohbet Analitiğinin Gelişmiş Yetenekleri

BigQuery’nin sohbet analitiği, BigQuery ML işlevlerini, yapılandırılmamış verileri ve Google Cloud ekosistemi genelinde kolay paylaşımı yerel olarak destekleyerek basit metinden-SQL’e araçlardan ayrışır.

Makine öğrenimi

En büyük farklılaştırıcılardan biri, aracının BigQuery ML işlevlerini doğal dilden doğrudan çağırarak geriye dönük raporlamanın ötesine geçip ileriye dönük içgörüler sunabilmesidir.

Öngörücü analitik

Örneğin, bir veri aracısından 2024 eğilimlerine dayanarak önümüzdeki 30 gün için günlük yolculuk sayısını tahmin etmesini isteyebilirsiniz. Aracı AI.FORECAST’ı tetikler ve Temmuz 2024 için bir tahmin üretir; geçmiş günlük yolculukları (mavi çizgi) ve 30 günlük tahmini (turuncu çizgi) gölge 95% güven aralığıyla yan yana gösterir.

Anomali tespiti

Makine öğrenimi algoritmalarının yardımcı olabileceği bir başka yol da verilerinizde bir terslik olup olmadığını tespit etmektir. Örneğin bir aracıdan Haziran 2024 boyunca günlük yolcu sayısındaki anomalleri tespit etmesini istediğinizde, AI.DETECT_ANOMALIES’i çağırır, Haziran 2024’ü önceki aylarla karşılaştırır ve bir zaman serisi tablosu ile bir çizgi grafik döndürür. 

Bu durumda, %95 güven düzeyinde resmî bir anomali işaretlemedi ancak 19 Haziran’ı belirgin bir yolcu düşüşüyle neredeyse anomali (olasılık %92,1) olarak vurguladı.

Yapılandırılmamış verileri sorgulama

Çoğu sohbet BI aracı, veriler satırlara ve sütunlara düzgünce düzenlenmediğinde başarısız olur. Ancak BigQuery, Google Cloud Storage’da depolanan yapılandırılmamış verileri (PDF’ler, görseller ve ham metin günlükleri gibi) analiz etmenize olanak tanıyan Nesne Tablolarını destekler.

Veri Aracısı Gemini’nin multimodal yetenekleriyle güçlendirildiğinden, hem yapılandırılmış metrikleriniz hem de yapılandırılmamış dosyalarınız arasında aynı anda akıl yürütebilir. Bu, BigQuery için büyük ve benzersiz bir farklılaştırıcıdır.

Bir nesne tablosunda sürücü anketi PDF’leriniz veya istasyon denetim görselleriniz varsa, basitçe “2024 2. çeyrek sürücü anketi PDF’lerindeki başlıca şikayetleri özetleyin.” diye sorun. Aracı, yapılandırılmamış dosyaları okur ve bilgileri yapılandırılmış yolculuk verilerinizle birleştirir

Aracıları Data Studio Pro ve Sohbet Analitiği API’si genelinde paylaşma

Veri ekibiniz Veri Aracılarını BigQuery Studio’da oluşturup test eder; ancak son kullanıcılarınız muhtemelen tamamen farklı uygulamalarda çalışır. Google, aracı GCP Konsolu’ndan ayrıştırmayı ve iş kullanıcılarına zaten çalıştıkları yerde ulaşmayı kolaylaştırır.

• Data Studio Pro: Yayımlanmış BigQuery Veri Aracılarınızı doğrudan Data Studio Pro içinde kolayca sunabilirsiniz. Bu, teknik olmayan paydaşların tanıdık BI panolarının hemen yanında, aynı yönetimli aracıyla sohbet etmesini sağlar.
• Sohbet Analitiği API’si ve ADK: Aracınızı özel bir web uygulamasına, dahili bir Slack botuna veya müşteri odaklı bir portala gömmek istiyorsanız, geliştiriciler Sohbet Analitiği API’sini ve Agent Development Kit’i (ADK) kullanabilir. Bu, BigQuery verileriniz tarafından desteklenen yüksek derecede özelleştirilmiş, duruma duyarlı sohbet deneyimleri oluşturmanıza olanak tanır.

Kendi özel sohbet uygulamanızı kurmayı denemek isterseniz, resmî BigQuery’de Sohbet Analitiğine Giriş’te daha fazla okuyabilirsiniz.

Sonuç

Alınacak tek bir temel ilke varsa o da şudur: sohbet analitiği, analitik darboğazını veri ekibinden yanıt beklemekten doğru soruyu sormaya kaydırır.

Bu demokratikleşme, veri ekiplerinin gereksiz kaldığı anlamına gelmez; ancak rolleri değişmektedir. Bir AI aracı, etrafına kurduğunuz korkuluklar kadar akıllıdır. Veri aracılarınızın doğruluğu ve güvenliği, tamamen sağladığınız talimatlara, bağlama ve şema mimarisine bağlıdır.

En etkili sohbet aracılarının oluşturulması için, altta yatan veri ambarına güçlü bir hakimiyet yine de gereklidir. Siz veya ekibiniz bu temel becerileri güçlendirmek ve bu AI özelliklerine güç veren platformu ustalıkla kullanmak istiyorsanız, DataCamp’in Introduction to BigQuery kursuna bugün göz atın!