AI 数据分析
Looker
基于建模层的对话分析、嵌入身份与权限、多轮追问，以及从结果核查 SQL 和指标定义。
8 条已收录资料 · 0 个设计案例。下列日期对应各篇材料，不代表产品当前能力清单。
近 30 天重点 5 条资料中优先展示，按原文日期
- Google Cloud 推出基于 BigQuery 与 Looker 的企业AI Agent可观测性方案原文 2026-11-14 · 收录 2026-11-14
- Snowflake语义层七大方案对比：BI与AI场景如何选型原文 2026-10-29 · 收录 2026-11-11
- Google为Gemini推出Data Cloud连接器，支持对话式查询企业数据原文 2026-11-06 · 收录 2026-11-15
精选参考 2 条
IAS：从看板异常追到 dbt SQL，再用只读查询验证
结合 Looker 入口、dbt 模型与血缘、Databricks 只读 SQL；Agent 调查指标逻辑，按业务用户或分析师输出不同细节。
为什么值得关注
最贴近可落地的数据诊断产品：还给出了工具拆分、模型分档和多 Agent 路由的取舍。
Looker Embedded：在业务应用里继续多轮分析并解释 SQL
将基于 Looker 语义模型的对话分析通过 iframe、SDK 或 API 嵌入应用；支持多轮问题、多个 Explore、代码解释器与 SQL 解释。
为什么值得关注
可以参考如何让分析进入业务现场，同时复用身份管理、指标定义和可解释的查询。
产品动态 6 条
Google Cloud 推出基于 BigQuery 与 Looker 的企业AI Agent可观测性方案
Google Cloud 发布面向企业 AI Agent 的可观测性方案，将运营遥测与对话内容分层治理。管理员可通过 Cloud Monitoring 和 Cloud Trace 采集请求量、延迟、Token 用量等聚合指标，且默认排除用户提示词、模型回复、内部思考与生成 SQL 等敏感内容。Agent 所有者可按需开启会话日志，由托管服务代理经 Storage Write API 将数据写入客户自有 BigQuery 表 agent_events，继承 IAM、CMEK 与 VPC Service Controls，并在知识源含行级安全或脱敏时 fail-closed 跳过记录。开发者还可通过开源 ADK 插件单行接入，将完整工具调用链路写入 BigQuery 做根因与漂移分析。
为什么值得关注
该方案将 Agent 运行时可观测性落到数仓内，兼顾遥测成本、隐私边界与审计需求，为 Data Agent 的生产化评估与运营提供了可复用的工程范式。
Google为Gemini推出Data Cloud连接器，支持对话式查询企业数据
Google Cloud发布Data Cloud connectors（预览版），让Gemini用户以自然语言直接查询BigQuery、Spanner、AlloyDB、Cloud SQL及Looker中的实时治理数据。连接器通过Knowledge Catalog定位数据、解析问题，并以用户身份执行行列级权限范围内的查询，结果可导出至Docs、Gmail、Slides。产品同时提供Conversational Analytics agents，可配置上下文与指令构建面向特定场景的数据Agent。
为什么值得关注
这是把Text-to-SQL/对话式分析直接嵌入办公工作流的第一方产品动作，且明确处理了复杂schema准确性与行列级权限治理两个Data Agent核心难题，值得关注其实现边界。
Hex发布BI选型指南：七款工具对比
Hex发布面向企业领导者的商业分析工具选型指南，从自主性与可信度两个维度对比七款BI工具。文章称生成式AI让业务用户能用自然语言追问指标变化，无需提工单等待数据团队，但31%的受访者把信任问题列为首要顾虑。文中还给出用自有KPI测试候选工具的方法，并提到Tableau Agent、ThoughtSpot Analyst Studio、Looker Studio更名等动态。
为什么值得关注
这是厂商视角的BI选型框架，涉及AI问答式分析与语义治理、信任机制，对评估BI工具演进的数据从业者有参考价值。
八款AI看板构建工具横评：从提示词到可用BI
Hex 对比了 8 款 AI 看板构建工具，包括 Sigma、Power BI、Tableau、Looker、Hex Generative Apps、Claude artifacts、Omni Apps 和 ChatGPT，并按四类标准评测：AI 实际生成什么、可定制程度、发布后的协作维护，以及数据治理方式。文章区分了两类路线：一类是在既有 BI 工具内用预置组件生成看板，另一类是由 AI 直接生成前端代码实现定制可视化。核心观点是：生成好看看板不等于企业级分析可用，数字口径一致、同事评审共享和长期维护仍是关键门槛。
为什么值得关注
对 BI 与数据产品选型者而言，这是一份带明确评测维度的横向对比，能帮助判断 AI 看板工具在治理、协作与可维护性上的真实差距。
Snowflake语义层七大方案对比：BI与AI场景如何选型
Hex发布指南，对比在Snowflake上构建语义层的七种方案：Snowflake原生Semantic Views、dbt MetricFlow、Cube、Looker、Omni、Hex和Lightdash。文章区分语义模型与语义层的概念，从建模能力、治理能力两方面评估各方案，并重点讨论两个AI关键问题：定义的跨工具可移植性，以及业务上下文存放在哪里。作者指出，语义层是否可移植、能否同时服务多个BI工具和AI Agent，会影响分析栈演进时的指标复用。
为什么值得关注
随着AI Agent和BI工具都依赖统一指标定义，语义层放在仓库、上游建模层还是BI工具内，直接影响可移植性与治理，对数据平台选型有实际参考价值。
让BI迁移不那么痛苦
文章讨论从Tableau、Power BI、Looker等迁移到Metabase等BI工具时的复杂性，并分享降低迁移工作量的经验。建议迁移前按业务部门审计仪表板，定义“活跃”标准，例如最近30天是否被打开。对不活跃仪表板先归档而非删除，同时检查订阅，必要时了解其实际用途并把单指标合并到核心仪表板。这样可把250个仪表板的迁移范围显著缩小。
收录理由（正文待核验）
BI迁移和仪表板治理是数据团队常见的高成本项目，文章给出了可落地的审计、归档和收敛范围方法，能帮助从业者控制迁移项目风险与工作量。