Vom Dashboard zum Dialog: Wie KI die Datenanalyse in Looker beschleunigt

Die stärksten KI-Features im Überblick

Im BI-Tool Looker hat Google eine Reihe von KI-Features eingeführt, die die Arbeit mit Unternehmensdaten für User:innen kontinuierlich erleichtern.

• Conversational Analytics: Dieses Feature ermöglicht es den User:innen, Ad-hoc-Analysen durchzuführen, indem sie Fragen in natürlicher Sprache an das Tool stellen. Dank Lookers semantischem Layer ist sichergestellt, dass von der KI generierte Antworten korrekte Business Logik nutzen und außerdem schnell nachvollziehbar sind.
• Formula Assistant: Analyst:innen und Business User können in Looker mithilfe des Formula Assistant schnell und einfach komplexe Formeln beim Explorieren der Daten erstellen lassen, was den manuellen Aufwand erheblich reduziert.
• LookML Assistant: Dieser Assistent automatisiert die Codegenerierung für LookML, die Sprache zur Erstellung semantischer Datenmodelle in Looker. Dies beschleunigt die Entwicklung und entlastet Data Engineers. 
• Visualization Assistant:  Der Visualization Assistant ermöglicht es User:innen in Looker, schnell und in natürlicher Sprache individuelle Visualisierungen ihrer Unternehmensdaten zu generieren und zu modifizieren.
• Slide Generator: Dieses Feature generiert Slides direkt aus Dashboards, derzeit nur mit der Looker Studio Pro Lizenz. Die erzeugten Text-Narrative erklären die Daten in den Charts und heben die wichtigsten Erkenntnisse hervor. Da die Präsentationen mit den zugrundeliegenden Reports verknüpft bleiben, dienen stets die aktuellsten Daten als Grundlage. 

Obwohl die Features bei sehr komplexen Anfragen aktuell noch an ihre Grenzen stoßen, liefern sie bei klaren, präzise definierten Aufgaben bereits jetzt einen messbaren Mehrwert.

Für Nutzer:innen der Google Cloud ergeben sich weitere Synergien. Dank der nativen Integration von Looker in die Google Cloud Platform (GCP) können die leistungsstarken KI-Werkzeuge der Cloud, wie Vertex AI und AI in BigQuery, nahtlos angebunden werden.

Fokus auf Conversational Analytics: Sie fragen, Ihre Daten antworten

Als KI-Funktion mit besonders großem Potenzial ermöglicht Conversational Analytics (CA) in Looker den Nutzer:innen, Erkenntnisse aus Daten durch die Verwendung natürlicher Sprache zu gewinnen. Dies ist besonders wertvoll, um schneller Insights außerhalb fester Dashboards und Reports zu generieren. Anstatt sich tiefgreifend mit Filtern, Drill-Downs oder Segmentierungen in der Explore-Ansicht zu beschäftigen, schicken die User:innen klar definierte Prompts an Looker.

CA funktioniert somit in etwa wie ein intelligenter Chatbot, dem man Fragen stellt. Durch die integrierte Reasoning Engine können Nutzer:innen den logischen Prozess hinter dem Output jederzeit nachvollziehen. Diese Transparenz ist entscheidend für das Vertrauen in die Ergebnisse. 

Conversational Analytics erleichtert vielen Mitarbeitenden den Einstieg in das Tool, verringert die Hemmung, datenbasiert zu arbeiten, und macht Unternehmensdaten auch für weniger technikaffine Angestellte zugänglich. Gleichzeitig haben wir in unseren Workshops immer wieder gemerkt, dass ein technisches Grundverständnis des semantischen Layers sowie der Funktionalitäten von Looker zu besseren und präziseren Ergebnissen in der Nutzung von Conversational Analytics führt.

Kein Geheimnis: Wir arbeiten mit Agenten

Für Nutzer:innen wird die Interaktion in Conversational Analytics oft durch sogenannte Agenten unterstützt. Diese Agenten können vom Unternehmen kontinuierlich weiterentwickelt und auf spezifische Zielgruppen zugeschnitten werden, um bestimmte Abfragen gezielt zu beantworten. Das Besondere: Es ist möglich, den Agenten unternehmerisches Meta-Wissen mitzugeben. Wenn ein Unternehmen beispielsweise die Vorgabe hinterlegt, dass „erfolgreiche Standorte“ automatisch als „ROI pro Niederlassung über das letzte Fiskaljahr“ interpretiert werden sollen, wird die KI in die Lage versetzt, unspezifische Prompts von User:innen fachgerecht einzuschätzen.

Auf diese Weise können auch fachfremde Mitarbeiter:innen auf das kollektive Unternehmenswissen zugreifen. Ergänzend dazu gibt es ein weiteres wertvolles Feature (derzeit in Preview), das die Teamarbeit fördert: die Möglichkeit, Unterhaltungen mit Agenten zu teilen, um gewonnene Erkenntnisse schnell im Team weiterzugeben.. 

Ein essenzieller Aspekt beim Einsatz von Agenten ist die Datensicherheit, die durch das umfassende Governance Management in Looker gewährleistet wird. Ihre Unternehmensdaten bleiben stets sicher innerhalb der Looker- und Google Cloud-Umgebung und werden nicht zur externen Weiterentwicklung der zugrundeliegenden KI-Modelle verwendet.

Darüber hinaus behalten Sie die vollständige Kontrolle über die Agenten:

• Die Agenten werden ausschließlich vom Unternehmen trainiert und iterativ verbessert, nicht von Google.
• Das Unternehmen legt präzise fest, welche Agenten auf welche Daten zugreifen dürfen und welche Nutzer:innen die jeweiligen Agenten einsetzen können.

Diese strikten Governance-Regeln stellen sicher, dass Ihre Daten geschützt sind und die Nutzung der Agenten den internen Sicherheits- und Compliance-Anforderungen entspricht.

(Meta-)Datenqualität als Schlüssel zur KI

Für die Nutzung aller KI-Funktionen in Looker gilt, was schon immer galt: Je besser die Datenqualität, desto belastbarer sind die darauf basierenden Analysen. Der Fokus weitet sich nun auf den Kontext aus, der für die semantische Einordnung der Ergebnisse entscheidend ist. Ist die Business Logic des Unternehmens nicht sauber im Datenmodell verankert, können weder Anwender:innen noch KI-Agenten verlässliche Analysen ableiten. Schließlich nützt es wenig, wenn relevantes Fachwissen ausschließlich in den Köpfen der Abteilungen schlummert; die KI riskiert dann, zur Beantwortung einer Frage nicht die korrekte KPI heranzuziehen. Somit gewinnt der semantische Layer über die reine Datenhygiene hinaus eine neue, zusätzliche Wichtigkeit, sobald die Analyseoberfläche von intelligenten Systemen genutzt wird.

Unsere Empfehlung an Unternehmen, die Lookers KI-Optionen testen möchten, ist deshalb: Klären Sie zunächst, wo das relevante Anwenderwissen aktuell residiert und wie es ins Modell sowie zu den Agenten übertragen werden kann. Im Anschluss wählen wir einen geeigneten Anwendungsfall mit guter Rohdatenqualität, um daran Best Practices zu implementieren und die Funktionen gemeinsam zu testen.

Was kommt als Nächstes? Ein Blick in unsere Glaskugel

Die Entwicklung von Looker ist noch lange nicht abgeschlossen und die nächsten Schritte versprechen eine noch tiefere Integration der Datenanalyse in den gesamten Arbeitsalltag. Ein wichtiger Fokus liegt auf der Entgrenzung von Looker: Mit der Conversational Analytics API wird es Unternehmen in Kürze möglich sein, die semantische Leistungsfähigkeit der KI-Analyse in externe Anwendungen einzubetten. Dies schließt die Out-of-the-Box-Integration in Google Workspace und gängige Chat-Applikationen mit ein, was die Zusammenarbeit zwischen verschiedenen Tools drastisch verbessert. 

Generell ist zu erwarten, dass Looker-Features sowohl zunehmend außerhalb der Looker-Oberfläche zugänglich werden (etwa über die Google Cloud Platform (GCP) Toolbox oder Agentspace) als auch innerhalb Looker kontinuierlich erweitert und optimiert werden, um datengetriebenes Arbeiten und Entscheidungen in jedem Workflow zu ermöglichen.