Diese Seite wurde von der Cloud Translation API übersetzt.

Analysen mit BigQuery Data Canvas

In diesem Dokument wird beschrieben, wie Sie Data Canvas für die Datenanalyse verwenden. Sie können auch Metadaten für Data Canvas mit dem Dataplex Universal Catalog verwalten.

Mit dem Data Canvas von BigQuery Studio, einem Feature von Gemini in BigQuery, können Sie Daten mithilfe natürlicher Sprach-Prompts und einer grafischen Benutzeroberfläche für Analyse-Workflows Daten transformieren, abfragen und visualisieren.

Für Analyse-Workflows wird im BigQuery-Data-Canvas ein gerichteter azyklischer Graph (Directed Acyclic Graph, DAG) verwendet, der eine grafische Ansicht Ihres Workflows bietet. Im BigQuery-Data-Canvas können Sie zentralisiert Abfrageergebnisse iterieren und mit mehreren Abfragezweigen arbeiten.

Der Daten-Canvas von BigQuery soll Analyseaufgaben beschleunigen und Datenexperten wie Datenanalysten und Data Engineers dabei helfen, Daten in Einblicke zu verwandeln. Sie benötigen keine technischen Kenntnisse bestimmter Tools, sondern nur grundlegende Kenntnisse im Lesen und Schreiben von SQL. Der Daten-Canvas in BigQuery funktioniert mit Dataplex Universal Catalog-Metadaten zur Identifizierung entsprechender Tabellen auf Basis natürlicher Sprache.

BigQuery-Daten-Canvasse sind nicht für die direkte Verwendung durch Geschäftsnutzer vorgesehen.

BigQuery-Daten-Canvas verwendet Gemini in BigQuery, um Ihre Daten zu suchen, SQL zu erstellen, Diagramme zu generieren und Datenzusammenfassungen auszugeben.

Weitere Informationen dazu, wie und wann Gemini für Google Cloud Ihre Daten verwendet

Leistungsspektrum

Mit dem BigQuery-Daten-Canvas haben Sie folgende Möglichkeiten:

Verwenden Sie Suchanfragen in natürlicher Sprache oder die Syntax für die Keyword-Suche mit Dataplex Universal Catalog-Metadaten, um Assets wie Tabellen, Ansichten oder materialisierte Ansichten zu finden.
Natürliche Sprache für einfache SQL-Abfragen nutzen, zum Beispiel:
- Abfragen, die FROM-Klauseln, mathematische Funktionen, Arrays und Strukturen enthalten.
- JOIN-Vorgänge für zwei Tabellen.
Benutzerdefinierte Visualisierungen erstellen, indem Sie in natürlicher Sprache beschreiben, was Sie möchten
Datenstatistiken automatisieren.

Beschränkungen

Befehle in natürlicher Sprache funktionieren möglicherweise nicht gut mit den folgenden Elementen:
- BigQuery ML
- Apache Spark
- Objekttabellen
- BigLake
- INFORMATION_SCHEMA Ansichten
- JSON
- Verschachtelte und wiederkehrende Felder
- Komplexe Funktionen und Datentypen wie DATETIME und TIMEZONE
Datenvisualisierungen funktionieren nicht mit Geokarten.

Best Practices für die Prompt-Erstellung

Mit den richtigen Prompting-Techniken können Sie komplexe SQL-Abfragen generieren. Die folgenden Vorschläge helfen BigQuery Data Canvas, Ihre Prompts in natürlicher Sprache zu optimieren, um die Genauigkeit Ihrer Abfragen zu erhöhen:

Klar schreiben. Formulieren Sie Ihre Anfrage klar und vermeiden Sie vage Formulierungen.
Direkte Fragen stellen: Um die präziseste Antwort zu erhalten, stellen Sie jeweils nur eine Frage und halten Sie Ihre Prompts kurz. Wenn Sie ursprünglich einen Prompt mit mehr als einer Frage eingegeben haben, listen Sie die einzelnen Teile der Frage auf, damit sie für Gemini klar verständlich sind.
Geben Sie präzise und explizite Anweisungen. Heben Sie wichtige Begriffe in Ihren Prompts hervor.
Operatorrangfolge angeben: Geben Sie die Anweisungen klar und geordnet an. Teilen Sie Aufgaben in kleine, fokussierte Schritte auf.
Verfeinern und iterieren: Probieren Sie verschiedene Formulierungen und Ansätze aus, um herauszufinden, was die besten Ergebnisse liefert.

Weitere Informationen finden Sie unter Best Practices für Prompts für BigQuery Data Canvas.

Hinweise

Achten Sie darauf, dass Gemini in BigQuery für Ihr Google Cloud -Projekt aktiviert ist. Dieser Schritt wird normalerweise von einem Administrator ausgeführt.
Sie benötigen die erforderliche IAM-Berechtigungen (Identity and Access Management), um den BigQuery-Daten-Canvas zu verwenden.
Wenn Sie Metadaten für Daten-Canvas im Dataplex Universal Catalog verwalten möchten, muss die Dataplex API in Ihrem Google Cloud Projekt aktiviert sein.

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für das Projekt zuzuweisen, um die Berechtigungen zu erhalten, die Sie zur Verwendung von BigQuery-Daten-Canvas benötigen:

BigQuery Studio User (roles/bigquery.studioUser)
Gemini für Google Cloud-Nutzer (roles/cloudaicompanion.user)

Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Sie können die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten.

Weitere Informationen zu IAM-Rollen und Berechtigungen in BigQuery finden Sie unter Einführung in IAM.

Wenn Sie Data Canvas-Metadaten in Dataplex Universal Catalog verwalten möchten, benötigen Sie die erforderlichen Dataplex Universal Catalog-Rollen und die Berechtigung dataform.repositories.get.

Knotentypen

Eine Arbeitsfläche ist eine Sammlung von einem oder mehreren Knoten. Knoten können in beliebiger Reihenfolge verbunden werden. Für BigQuery-Daten-Canvas sind die folgenden Knotentypen verfügbar:

Text
Suchen
Tabelle
SQL
Visualisierung
Statistiken

Textknoten

Mit einem Textknoten in BigQuery-Daten-Canvas können Sie Rich-Text-Inhalte in Ihr Canvas einfügen. Damit können Sie Ihrem Arbeitsbereich Erklärungen, Notizen oder Anleitungen hinzufügen, um den Kontext und Zweck Ihrer Analyse für sich und andere besser verständlich zu machen. Sie können beliebige Textinhalte in den Textknoten-Editor eingeben, einschließlich Markdown zur Formatierung. So können Sie visuell ansprechende und informative Textblöcke erstellen.

Über den Textknoten haben Sie folgende Möglichkeiten:

Löschen Sie den Knoten.
Fehlerbehebung für den Knoten
Duplizieren Sie den Knoten.

Suchknoten

Mit einem Suchknoten im BigQuery-Daten-Canvas können Sie Daten-Assets finden und in Ihren Canvas einfügen. Sie fungiert als Brücke zwischen Ihren Abfragen in natürlicher Sprache oder Keyword-Suchen und den tatsächlichen Daten, mit denen Sie arbeiten möchten.

Sie geben eine Suchanfrage ein, entweder in natürlicher Sprache oder mit Suchbegriffen. Der Suchknoten durchsucht Ihre Datenassets. Dabei werden Dataplex Universal Catalog-Metadaten für einen besseren Kontext verwendet. Im BigQuery-Daten-Canvas werden auch zuletzt verwendete Tabellen, Abfragen und gespeicherte Abfragen vorgeschlagen.

Der Suchknoten gibt eine Liste relevanter Daten-Assets zurück, die Ihrer Anfrage entsprechen. Dabei werden Spaltennamen und Tabellenbeschreibungen berücksichtigt. Anschließend können Sie die Assets auswählen, die Sie Ihrem Daten-Canvas als Tabellenknoten hinzufügen möchten. Dort können Sie die Daten weiter analysieren und visualisieren.

Über den Suchknoten haben Sie folgende Möglichkeiten:

Löschen Sie den Knoten.
Fehlerbehebung für den Knoten
Duplizieren Sie den Knoten.

Tabellenknoten

In BigQuery-Daten-Canvas stellt ein Tabellenknoten eine bestimmte Tabelle dar, die Sie in Ihren Analyseworkflow eingebunden haben. Sie stellt die Daten dar, mit denen Sie arbeiten, und ermöglicht Ihnen, direkt mit ihnen zu interagieren.

In einem Tabellenknoten werden Informationen zur Tabelle angezeigt, z. B. Name, Schema und eine Vorschau der Daten. Sie können mit der Tabelle interagieren, indem Sie sich Details wie das Tabellenschema, die Tabellendetails und eine Tabellenvorschau ansehen.

Über den Tabellenknoten haben Sie folgende Möglichkeiten:

Löschen Sie den Knoten.
Fehlerbehebung für den Knoten
Duplizieren Sie den Knoten.
Führen Sie den Knoten aus.
Führen Sie den Knoten und den folgenden Knoten aus.

Im Datenbereich haben Sie folgende Möglichkeiten:

Fragen Sie die Ergebnisse in einem neuen SQL-Knoten ab.
Führen Sie die Ergebnisse mit einer anderen Tabelle zusammen.

SQL-Knoten

Mit einem SQL-Knoten in BigQuery Data Canvas können Sie benutzerdefinierte SQL-Abfragen direkt in Ihrem Canvas ausführen. Sie können SQL-Code entweder direkt im SQL-Node-Editor schreiben oder einen Prompt in natürlicher Sprache verwenden, um den SQL-Code zu generieren.

Im SQL-Knoten wird die angegebene SQL-Abfrage für die angegebenen Datenquellen ausgeführt. Der SQL-Knoten erzeugt eine Ergebnistabelle, die dann zur weiteren Analyse oder Visualisierung mit anderen Knoten im Arbeitsbereich verbunden werden kann.

Nachdem die Abfrage ausgeführt wurde, können Sie sie als geplante Abfrage exportieren, die Abfrageergebnisse exportieren oder die Arbeitsfläche freigeben, ähnlich wie beim Ausführen einer interaktiven Abfrage.

Über den SQL-Knoten haben Sie folgende Möglichkeiten:

Exportieren Sie die SQL-Anweisung als geplante Abfrage.
Löschen Sie den Knoten.
Fehlerbehebung für den Knoten
Duplizieren Sie den Knoten.
Führen Sie den Knoten aus.
Führen Sie den Knoten und den folgenden Knoten aus.

Im Datenbereich haben Sie folgende Möglichkeiten:

Fragen Sie die Ergebnisse in einem neuen SQL-Knoten ab.
Visualisieren Sie die Ergebnisse in einem Visualisierungsknoten.
Statistiken zu den Ergebnissen in einem Statistikknoten generieren
Führen Sie die Ergebnisse mit einer anderen Tabelle zusammen.

Visualisierungsknoten

Mit einem Visualisierungsknoten in BigQuery Data Canvas können Sie Daten visuell darstellen, um Trends, Muster und Statistiken besser zu verstehen. Sie bietet eine Vielzahl von Diagrammtypen, aus denen Sie die beste Visualisierung für Ihre Daten auswählen und anpassen können.

Ein Visualisierungsknoten verwendet eine Tabelle als Eingabe. Diese kann das Ergebnis einer SQL-Abfrage oder eines Tabellenknotens sein. Anhand des ausgewählten Diagrammtyps und der Daten in der Eingabetabelle wird im Visualisierungsknoten ein Diagramm generiert. Sie können Auto-Chart auswählen, damit BigQuery den besten Diagrammtyp für Ihre Daten auswählt. Im Visualisierungsknoten wird dann das generierte Diagramm angezeigt.

Mit dem Visualisierungsknoten können Sie Ihr Diagramm anpassen, z. B. Farben, Labels und Datenquellen ändern. Sie können das Diagramm auch als PNG-Datei exportieren.

Sie können Daten mit den folgenden Grafiktypen visualisieren:

Balkendiagramm
Heatmap
Liniendiagramm
Kreisdiagramm
Streudiagramm

Im Visualisierungsknoten haben Sie folgende Möglichkeiten:

Exportieren Sie das Diagramm als PNG-Datei.
Fehlerbehebung für den Knoten
Duplizieren Sie den Knoten.
Führen Sie den Knoten aus.
Führen Sie den Knoten und den folgenden Knoten aus.

Im Datenbereich haben Sie folgende Möglichkeiten:

Statistiken zu den Ergebnissen in einem Statistikknoten generieren
Bearbeiten Sie die Visualisierung.

Statistikknoten

Mit einem Insights-Knoten im BigQuery-Daten-Canvas können Sie Erkenntnisse und Zusammenfassungen aus den Daten in Ihrem Daten-Canvas generieren. So können Sie Muster erkennen, die Datenqualität bewerten und statistische Analysen in Ihrem Arbeitsbereich durchführen. Es werden Trends, Muster, Anomalien und Korrelationen in Ihren Daten identifiziert und prägnante und klare Zusammenfassungen der Ergebnisse der Datenanalyse erstellt.

Weitere Informationen zu Data Insights finden Sie unter Data Insights in BigQuery generieren.

Über den Knoten „Statistiken“ haben Sie folgende Möglichkeiten:

Löschen Sie den Knoten.
Duplizieren Sie den Knoten.
Führen Sie den Knoten aus.

BigQuery-Daten-Canvas verwenden

Sie können BigQuery-Daten-Canvas in der Google Cloud Konsole, in einer Abfrage oder in einer Tabelle verwenden.

Rufen Sie die Seite BigQuery auf.

BigQuery aufrufen
Klicken Sie im Abfrageeditor neben SQL-Abfrage auf Neu erstellen und dann auf Daten-Canvas.
Geben Sie im Feld Prompt in natürlicher Sprache einen Prompt in natürlicher Sprache ein.

Wenn Sie beispielsweise Find me tables related to trees eingeben, gibt BigQuery-Daten-Canvas eine Liste möglicher Tabellen zurück, einschließlich öffentlicher Datasets wie bigquery-public-data.usfs_fia.plot_tree oder bigquery-public-data.new_york_trees.tree_species.
Wählen Sie eine Tabelle aus.

Dem BigQuery-Daten-Canvas wird ein Tabellenknoten für die ausgewählte Tabelle hinzugefügt. Wenn Sie sich Schemainformationen, Tabellendetails oder eine Datenvorschau ansehen möchten, wählen Sie die verschiedenen Tabs im Tabellenknoten aus.

Die folgenden Beispiele veranschaulichen verschiedene Möglichkeiten, den BigQuery-Daten-Canvas in Analyseworkflows zu verwenden.

Beispiel für einen Workflow: Daten suchen, abfragen und visualisieren

In diesem Beispiel verwenden Sie Prompts in natürlicher Sprache im BigQuery-Daten-Canvas, um Daten zu finden, eine Abfrage zu generieren und die Abfrage zu bearbeiten. Anschließend erstellen Sie ein Diagramm.

Prompt 1: Daten finden

Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

BigQuery aufrufen
Klicken Sie im Abfrageeditor neben SQL-Abfrage auf Neu erstellen und dann auf Daten-Canvas.
Klicken Sie auf Daten suchen.
Klicken Sie auf filter_list Suchfilter bearbeiten und dann im Bereich Suche filtern auf die Ein/Aus-Schaltfläche Öffentliche BigQuery-Datasets, um sie zu aktivieren.
Geben Sie im Feld für den Prompt in natürlicher Sprache den folgenden Prompt ein:
```
Chicago taxi trips
```
Der BigQuery-Daten-Canvas generiert eine Liste potenzieller Tabellen anhand von Metadaten aus dem Dataplex Universal Catalog. Sie können mehrere Tabellen auswählen.
Wählen Sie die Tabelle bigquery-public-data.chicago_taxi_trips.taxi_trips aus und klicken Sie dann auf Dem Arbeitsbereich hinzufügen.

Dem BigQuery-Daten-Canvas wird ein Tabellenknoten für taxi_trips hinzugefügt. Wenn Sie sich Schemainformationen, Tabellendetails oder eine Datenvorschau ansehen möchten, wählen Sie die verschiedenen Tabs im Tabellenknoten aus.

Prompt 2: SQL-Abfrage in der ausgewählten Tabelle generieren

Um eine SQL-Abfrage für den bigquery-public-data.chicago_taxi_trips.taxi_trips zu erstellen, gehen Sie so vor:

Klicken Sie im Daten-Canvas auf Abfrage.

Geben Sie im Prompt-Feld Natürliche Sprache Folgendes ein:

Get me the 100 longest trips

Das BigQuery-Daten-Canvas generiert eine SQL-Abfrage, die etwa so aussieht:

SELECT
  taxi_id,
  trip_start_timestamp,
  trip_end_timestamp,
  trip_miles
FROM
  `bigquery-public-data.chicago_taxi_trips.taxi_trips`
ORDER BY
  trip_miles DESC
LIMIT
  100;

Prompt 3: Abfrage bearbeiten

Wenn Sie die generierte Abfrage bearbeiten möchten, können Sie sie manuell anpassen oder die Eingabeaufforderung in natürlicher Sprache ändern und die Abfrage neu generieren. In diesem Beispiel verwenden Sie einen Prompt in natürlicher Sprache, um die Abfrage so zu bearbeiten, dass nur Fahrten ausgewählt werden, bei denen der Kunde bar bezahlt hat.

Geben Sie im Prompt-Feld Natürliche Sprache Folgendes ein:

Get me the 100 longest trips where the payment type is cash

Das BigQuery-Daten-Canvas generiert eine SQL-Abfrage, die etwa so aussieht:

SELECT
  taxi_id,
  trip_start_timestamp,
  trip_end_timestamp,
  trip_miles
FROM
  `PROJECT_ID.chicago_taxi_trips_123123.taxi_trips`
WHERE
  payment_type = 'Cash'
ORDER BY
  trip_miles DESC
LIMIT
  100;

Im vorherigen Beispiel ist PROJECT_ID die ID Ihres Google Cloud Projekts.

Klicken Sie auf Ausführen, um die Ergebnisse der Abfrage aufzurufen.

Diagramme erstellen

Klicken Sie im Daten-Canvas auf Visualisieren.
Klicken Sie auf Balkendiagramm erstellen.

Der BigQuery-Daten-Canvas erstellt ein Balkendiagramm, das die Fahrten mit den meisten gefahrenen Kilometer nach Fahrt-ID anzeigt. Neben einem Diagramm fasst BigQuery Data Canvas einige der wichtigsten Details der Daten zusammen, die der Visualisierung zugrunde liegen.
Optional: Führen Sie einen oder mehrere der folgenden Schritte aus:
- Klicken Sie zum Ändern des Diagramms auf Bearbeiten und bearbeiten Sie dann das Diagramm im Bereich Visualisierung bearbeiten.
- Wenn Sie das Daten-Canvas freigeben möchten, klicken Sie auf Freigeben und dann auf Link freigeben, um den BigQuery-Daten-Canvas-Link zu kopieren.
- Wählen Sie zum Bereinigen des Daten-Canvas Weitere Aktionen und dann Canvas löschen aus. In diesem Schritt wird ein leerer Canvas erstellt.

Beispielworkflow: Tabellen zusammenführen

In diesem Beispiel verwenden Sie Prompts in natürlicher Sprache im BigQuery-Daten-Canvas, um Daten zu finden und Tabellen zu verknüpfen. Anschließend exportieren Sie eine Abfrage als Notebook.

Prompt 1: Daten finden

Geben Sie im Promptfeld Natürliche Sprache den folgenden Prompt ein:
```
Information about trees
```
Im BigQuery-Daten-Canvas werden mehrere Tabellen mit Informationen zu Bäumen vorgeschlagen.
Wählen Sie in diesem Beispiel die Tabelle bigquery-public-data.new_york_trees.tree_census_1995 aus und klicken Sie dann auf Dem Arbeitsbereich hinzufügen.

Die Tabelle wird auf dem Canvas angezeigt.

Prompt 2: Tabellen unter ihrer Adresse zusammenführen

Klicken Sie im Daten-Canvas auf Verknüpfen.

BigQuery-Daten-Canvas schlägt Tabellen vor, die zusammengeführt werden könnten.
Wenn Sie ein neues Promptfeld für Natürliche Sprache öffnen möchten, klicken Sie auf Nach Tabellen suchen.
Geben Sie im Promptfeld Natürliche Sprache den folgenden Prompt ein:
```
Information about trees
```
Wählen Sie die Tabelle bigquery-public-data.new_york_trees.tree_census_2005 aus und klicken Sie dann auf Auf Arbeitsbereich einfügen.

Die Tabelle wird auf dem Canvas angezeigt.
Klicken Sie im Daten-Canvas auf Verknüpfen.
Wählen Sie im Bereich Auf diesem Arbeitsbereich das Kästchen Tabellenzelle aus und klicken Sie dann auf OK.

Geben Sie im Promptfeld Natürliche Sprache den folgenden Prompt ein:

Join on address

BigQuery-Daten-Canvas schlägt eine SQL-Abfrage vor, um diese beiden Tabellen anhand ihrer Adresse zusammenzuführen.

SELECT
  *
FROM
  `bigquery-public-data.new_york_trees.tree_census_2015` AS t2015
JOIN
  `bigquery-public-data.new_york_trees.tree_census_1995` AS t1995
ON
  t2015.address = t1995.address;

Klicken Sie auf Ausführen, um die Abfrage auszuführen und die Ergebnisse anzusehen.

Abfrage als Notebook exportieren

Mit BigQuery-Daten-Canvas können Sie Ihre Abfragen als Notebook exportieren.

Klicken Sie im Daten-Canvas auf Als Notebook exportieren.
Geben Sie im Bereich Notebook speichern den Namen des Notebooks und die Region ein, in der Sie es speichern möchten.
Klicken Sie auf Speichern. Das Notebook wird erstellt.
Optional: Wenn Sie das erstellte Notebook aufrufen möchten, klicken Sie auf Öffnen.

Beispiel-Workflow: Diagramm mit einem Prompt bearbeiten

In diesem Beispiel verwenden Sie Prompts in natürlicher Sprache im BigQuery-Daten-Canvas, um Daten zu suchen, abzufragen und zu filtern und dann Visualisierungsdetails zu bearbeiten.

Prompt 1: Daten finden

Wenn Sie Daten zu US-Namen abrufen möchten, geben Sie den folgenden Prompt ein:
```
Find data about USA names
```
Mit dem BigQuery-Daten-Canvas wird eine Liste von Tabellen generiert.
Wählen Sie in diesem Beispiel die Tabelle bigquery-public-data.usa_names.usa_1910_current aus und klicken Sie auf Dem Arbeitsbereich hinzufügen.

Prompt 2: Daten abfragen

Wenn Sie die Daten abfragen möchten, klicken Sie im Daten-Canvas auf Abfrage und geben Sie dann den folgenden Prompt ein:
```
Summarize this data
```
Das BigQuery-Daten-Canvas generiert eine Abfrage, die etwa so aussieht:
```
SELECT
  state,
  gender,
  year,
  name,
  number
FROM
  `bigquery-public-data.usa_names.usa_1910_current`
```
Klicken Sie auf Ausführen. Die Abfrageergebnisse werden angezeigt.

Prompt 3: Daten filtern

Klicken Sie im Daten-Canvas auf Diese Ergebnisse abfragen.
Geben Sie zum Filtern der Daten im Promptfeld SQL den folgenden Prompt ein:
```
Get me the top 10 most popular names in 1980
```
Das BigQuery-Daten-Canvas generiert eine Abfrage, die etwa so aussieht:
```
SELECT
  name,
  SUM(number) AS total_count
FROM
  `bigquery-public-data`.usa_names.usa_1910_current
WHERE
  year = 1980
GROUP BY
  name
ORDER BY
  total_count DESC
LIMIT
  10;
```
Wenn Sie die Abfrage ausführen, erhalten Sie eine Tabelle mit den zehn häufigsten Namen von Kindern, die 1980 geboren wurden.

Diagramm erstellen und bearbeiten

Klicken Sie im Daten-Canvas auf Visualisieren.

Im BigQuery-Daten-Canvas werden verschiedene Visualisierungsoptionen vorgeschlagen (Balkendiagramm, Kreisdiagramm, Liniendiagramm, benutzerdefinierte Visualisierung usw.).
Klicken Sie in diesem Beispiel auf Balkendiagramm erstellen.

Das BigQuery-Daten-Canvas erstellt ein Balkendiagramm, das etwa so aussieht:

Neben einem Diagramm fasst der Daten-Canvas von BigQuery einige der wichtigsten Details der Daten zusammen, die der Visualisierung zugrunde liegen. Um das Diagramm anzupassen, klicken Sie auf Visualisierungsdetails und bearbeiten das Diagramm in der Seitenleiste.

Prompt 4: Visualisierungsdetails bearbeiten

Geben Sie im Prompt-Feld Visualisierung Folgendes ein:
```
Create a bar chart sorted high to low, with a gradient
```
Das BigQuery-Daten-Canvas erstellt ein Balkendiagramm, das etwa so aussieht:
Optional: Wenn Sie weitere Änderungen vornehmen möchten, klicken Sie auf Bearbeiten.

Der Bereich Visualisierung bearbeiten wird angezeigt. Sie können Details wie den Diagrammtitel, den Namen der X-Achse und den Namen der Y-Achse bearbeiten. Wenn Sie auf den Tab JSON-Editor klicken, können Sie das Diagramm außerdem basierend auf den JSON-Werten direkt bearbeiten.

Mit einem Gemini-Assistenten arbeiten

Sie können mit einem auf Gemini basierenden Chat Daten-Canvas in BigQuery verwenden. Der Chat-Assistent kann Knoten basierend auf Ihren Anfragen erstellen, Abfragen ausführen und Visualisierungen erstellen. Sie können Tabellen auswählen, mit denen der Assistent arbeiten soll, und Anweisungen hinzufügen, um das Verhalten des Assistenten zu steuern. Der Assistent funktioniert mit neuen oder vorhandenen Daten-Canvas.

So arbeiten Sie mit dem Gemini-Assistenten:

Klicken Sie zum Öffnen des Assistenten im Daten-Canvas auf spark Data Canvas-Assistenten öffnen.
Geben Sie im Feld Frage zu Daten stellen einen Prompt in natürlicher Sprache ein, z. B. einen der folgenden:
- Show me interesting statistics of my data.
- Make a chart based on my data, sorted high to low.
- I want to see sample data from my table.
Die Antwort enthält einen oder mehrere Knoten, die auf der Anfrage basieren. Wenn Sie den Assistenten beispielsweise bitten, ein Diagramm Ihrer Daten zu erstellen, wird ein Visualisierungsknoten auf dem Daten-Canvas erstellt.

Wenn Sie auf das Feld Eine Frage zu Daten stellen klicken, haben Sie auch folgende Möglichkeiten:
- Klicken Sie auf Einstellungen, um Daten hinzuzufügen.
- Klicken Sie auf Einstellungen, um Anweisungen hinzuzufügen.
Wenn Sie weiter mit dem Assistenten arbeiten möchten, fügen Sie zusätzliche Prompts in natürlicher Sprache hinzu.

Sie können weiterhin Prompts in natürlicher Sprache eingeben, während Sie mit dem Daten-Canvas arbeiten.

Daten hinzufügen

Wenn Sie mit der Gemini-Chatoberfläche arbeiten, können Sie Daten hinzufügen, damit der Assistent weiß, auf welches Dataset er sich beziehen soll. Der Assistent fordert Sie auf, eine Tabelle auszuwählen, bevor Sie Prompts ausführen. Wenn Sie im Assistenten nach Daten suchen, können Sie den Umfang der durchsuchbaren Daten auf alle Projekte, markierte Projekte oder Ihr aktuelles Projekt beschränken. Sie können auch festlegen, ob öffentliche Datasets in Ihre Suche einbezogen werden sollen.

So fügen Sie dem Gemini-Assistenten Daten hinzu:

Klicken Sie zum Öffnen des Assistenten im Daten-Canvas auf spark Data Canvas-Assistenten öffnen.
Klicken Sie auf Einstellungen und dann auf Daten hinzufügen.
Optional: Wenn Sie die Suchergebnisse auf öffentliche Datasets ausweiten möchten, klicken Sie auf die Ein/Aus-Schaltfläche Öffentliche Datasets, um sie zu aktivieren.
Optional: Wenn Sie den Bereich der Suchergebnisse auf andere Projekte ändern möchten, wählen Sie im Menü Bereich die entsprechende Projektoption aus.
Klicken Sie das Kästchen für jede Tabelle an, die Sie dem Assistenten hinzufügen möchten.
1. Wenn Sie nach Tabellen suchen möchten, die nicht vom Assistenten vorgeschlagen werden, klicken Sie auf Nach Tabellen suchen.
2. Geben Sie im Prompt-Feld Natürliche Sprache einen Prompt ein, der die gewünschte Tabelle beschreibt, und drücken Sie dann die Eingabetaste.
3. Klicken Sie das Kästchen für jede Tabelle an, die Sie dem Assistenten hinzufügen möchten, und klicken Sie dann auf Ok.
Schließen Sie den Bereich Einstellungen für Canvas-Assistenten.

Der Assistent stützt seine Analyse auf die von Ihnen ausgewählten Daten.

Anleitung hinzufügen

Wenn Sie mit der Gemini Chat-Oberfläche arbeiten, können Sie Anweisungen hinzufügen, damit der Assistent weiß, wie er sich verhalten soll. Diese Anweisungen werden auf alle Prompts im Datenbereich angewendet. Beispiele für mögliche Anweisungen:

Visualize trends over time.
Chart colors: Red (negative), Green (positive)
Domain: USA

So fügen Sie dem Assistenten Anweisungen hinzu:

Klicken Sie zum Öffnen des Assistenten im Daten-Canvas auf spark Data Canvas-Assistenten öffnen.
Klicken Sie auf Einstellungen.
Fügen Sie im Feld Anleitung eine Liste mit Anweisungen für den Assistenten hinzu und schließen Sie dann den Bereich Canvas-Assistenteneinstellungen.

Der Assistent merkt sich die Anweisungen und wendet sie auf zukünftige Prompts an.

Best Practices für Gemini Assistant

Wenn Sie mit dem Assistenten für den BigQuery-Daten-Canvas arbeiten, sollten Sie die folgenden Best Practices beachten, um optimale Ergebnisse zu erzielen:

Seien Sie spezifisch und eindeutig. Geben Sie klar an, was Sie berechnen, analysieren oder visualisieren möchten. Sagen Sie beispielsweise Calculate the average trip duration for trips starting in council district eight anstelle von Analyze trip data.
Für einen genauen Datenkontext sorgen: Der Assistent kann nur mit den Daten arbeiten, die Sie bereitstellen. Achten Sie darauf, dass alle relevanten Tabellen und Spalten dem Arbeitsbereich hinzugefügt wurden.
Einfach anfangen und dann iterieren: Beginnen Sie mit einer einfachen Frage, damit der Assistent die grundlegende Struktur und die Daten versteht. Sagen Sie zum Beispiel zuerst Show total trips by subscriber_type und dann Show total trips by subscriber_type and break down the result by council_district.
Komplexe Fragen aufschlüsseln: Bei mehrstufigen Prozessen sollten Sie Ihren Prompt klar und in einzelne Abschnitte unterteilt formulieren oder für jeden wichtigen Schritt separate Prompts verwenden. Geben Sie beispielsweise First, find the top five busiest stations by trip count. Second, calculate the average trip duration for trips starting from only those top five stations ein.
Berechnungen klar angeben: Geben Sie die ausgewählte Berechnung an, z. B. SUM, MAX oder AVERAGE. Geben Sie beispielsweise Find the MAX trip duration per bike_id ein.
Systemanweisungen für persistenten Kontext und Einstellungen verwenden Verwenden Sie Systemanweisungen, um Informationsregeln und Einstellungen anzugeben, die für alle Prompts gelten.
Canvas ansehen Überprüfen Sie immer die generierten Knoten, um sicherzustellen, dass die Logik mit Ihrer Anfrage übereinstimmt und die Ergebnisse korrekt sind.
Test Probieren Sie verschiedene Formulierungen, Detaillierungsgrade und Promptstrukturen aus, um zu sehen, wie der Assistent auf Ihre spezifischen Daten und Analyseanforderungen reagiert.
Auf Spaltennamen verweisen: Verwenden Sie nach Möglichkeit die tatsächlichen Spaltennamen aus den ausgewählten Daten. Sagen Sie beispielsweise Show the count of trips grouped by subscriber_type and start_station_name anstelle von Show trips by subscriber type.

Beispielworkflow: Mit einem Gemini-Assistenten arbeiten

In diesem Beispiel verwenden Sie Prompts in natürlicher Sprache mit dem Gemini-Assistenten, um Daten zu finden, abzufragen und zu visualisieren.

Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

BigQuery aufrufen
Klicken Sie im Abfrageeditor neben SQL-Abfrage auf Neu erstellen und dann auf Daten-Canvas.
Klicken Sie auf Daten suchen.
Klicken Sie auf filter_list Suchfilter bearbeiten und dann im Bereich Suche filtern auf die Ein/Aus-Schaltfläche Öffentliche BigQuery-Datasets, um sie zu aktivieren.
Geben Sie im Feld für den Prompt in natürlicher Sprache den folgenden Prompt ein:
```
bikeshare
```
Der BigQuery-Daten-Canvas generiert eine Liste potenzieller Tabellen anhand von Metadaten aus dem Dataplex Universal Catalog. Sie können mehrere Tabellen auswählen.
Wählen Sie die Tabelle bigquery-public-data.austin_bikeshare.bikeshare_stations und bigquery-public-data.austin_bikeshare.bikeshare_trips aus und klicken Sie dann auf Dem Arbeitsbereich hinzufügen.

Für jede der ausgewählten Tabellen wird dem BigQuery-Daten-Canvas ein Tabellenknoten hinzugefügt. Wenn Sie sich Schemainformationen, Tabellendetails oder eine Datenvorschau ansehen möchten, wählen Sie die verschiedenen Tabs im Tabellenknoten aus.
Klicken Sie zum Öffnen des Assistenten im Daten-Canvas auf spark Data Canvas-Assistenten öffnen.
Klicken Sie auf Einstellungen.

Fügen Sie dem Feld Anleitung die folgenden Anweisungen für den Assistenten hinzu:

Tasks:
  - Visualize findings with charts
  - Show many charts per question
  - Make sure to cover each part via a separate line of reasoning

Schließen Sie den Bereich Einstellungen für Canvas-Assistenten.
Geben Sie im Feld Frage zu Daten stellen den folgenden Prompt in natürlicher Sprache ein:
```
Show the number of trips by council district and subscriber type
```
Sie können weiterhin Prompts in das Feld Frage zu Daten stellen eingeben. Geben Sie den folgenden Natural Language Prompt ein:
```
What are most popular stations among the top 5 subscriber types
```
Geben Sie den finalen Prompt ein:
```
What station is least used to start and end a trip
```
Nachdem Sie alle relevanten Prompts eingegeben haben, wird der Arbeitsbereich mit den entsprechenden Knoten für Abfragen und Visualisierungen gefüllt, die auf den Prompts und Anweisungen basieren, die Sie dem Assistenten gegeben haben. Geben Sie weitere Prompts ein oder ändern Sie vorhandene Prompts, um die gewünschten Ergebnisse zu erhalten.

Alle Daten-Canvasse ansehen

So rufen Sie eine Liste aller Daten-Canvas in Ihrem Projekt auf:

Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

BigQuery aufrufen
Klicken Sie im Bereich Explorer neben Data Canvases auf Aktionen ansehen und führen Sie einen der folgenden Schritte aus:

Wenn Sie die Liste im aktuellen Tab öffnen möchten, klicken Sie auf Alle anzeigen.
Wenn Sie die Liste in einem neuen Tab öffnen möchten, klicken Sie auf Alle anzeigen in > Neuer Tab.
Wenn Sie die Liste in einem geteilten Tab öffnen möchten, klicken Sie auf Alle anzeigen in > Tab aufteilen.

Metadaten des Daten-Canvas ansehen

So rufen Sie die Metadaten des Datenbereichs auf:

Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

BigQuery aufrufen
Maximieren Sie im Bereich Explorer Ihr Projekt und den Ordner Data Canvas und gegebenenfalls den Ordner Freigegebene Data Canvas. Klicken Sie auf den Namen des Daten-Canvas, für den Sie Metadaten aufrufen möchten.
Im Bereich Zusammenfassung finden Sie Informationen zum Daten-Canvas, z. B. die verwendete Region und das Datum der letzten Änderung.

Mit Data Canvas-Versionen arbeiten

Sie können einen Daten-Canvas entweder innerhalb oder außerhalb eines Repositorys erstellen. Die Versionsverwaltung von Data Canvas wird je nach Speicherort des Data Canvas unterschiedlich gehandhabt.

Versionsverwaltung von Data Canvas in Repositories

Repositories sind Git-Repositories, die sich entweder in BigQuery oder bei einem Drittanbieter befinden. Sie können Arbeitsbereiche in Repositorys verwenden, um die Versionskontrolle für Daten-Canvas durchzuführen. Weitere Informationen finden Sie unter Versionsverwaltung für eine Datei verwenden.

Versionsverwaltung von Data Canvas außerhalb von Repositories

Sie können Versionen eines Daten-Canvas aufrufen, vergleichen und wiederherstellen.

Daten-Canvas-Versionen ansehen und vergleichen

So rufen Sie verschiedene Versionen eines Daten-Canvas auf und vergleichen sie mit der aktuellen Version:

Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

BigQuery aufrufen
Maximieren Sie im Bereich Explorer Ihr Projekt und den Ordner Data Canvas und gegebenenfalls den Ordner Freigegebene Data Canvas. Klicken Sie auf den Namen des Daten-Canvas, für den Sie Aktivitäten aufrufen möchten.
Klicken Sie auf Versionsverlauf, um eine Liste der Daten-Canvas-Versionen in absteigender Reihenfolge nach Datum aufzurufen.
Klicken Sie neben einer Version des Daten-Canvas auf Aktionen ansehen und dann auf Vergleichen. Der Vergleichsbereich wird geöffnet und die ausgewählte Daten-Canvas-Version wird mit der aktuellen Daten-Canvas-Version verglichen.
Optional: Wenn Sie die Versionen inline und nicht in separaten Bereichen vergleichen möchten, klicken Sie auf Vergleichen und dann auf Inline.

Daten-Canvas-Version wiederherstellen

Wenn Sie über den Vergleichsbereich wiederherstellen, können Sie die vorherige Version des Daten-Canvas mit der aktuellen Version vergleichen, bevor Sie die Wiederherstellung bestätigen.

Maximieren Sie im Bereich Explorer Ihr Projekt und den Ordner Data Canvas und gegebenenfalls den Ordner Freigegebene Data Canvas. Klicken Sie auf den Namen des Daten-Canvas, von dem Sie eine vorherige Version wiederherstellen möchten.
Klicken Sie auf Versionsverlauf.
Klicken Sie neben der Version des Daten-Canvas, die Sie wiederherstellen möchten, auf Aktionen ansehen und dann auf Vergleichen.

Der Vergleichsbereich wird geöffnet und die ausgewählte Version des Datenbereichs wird mit der neuesten Version des Datenbereichs verglichen.
Wenn Sie nach dem Vergleich die vorherige Version des Datenbereichs wiederherstellen möchten, klicken Sie auf Wiederherstellen.
Klicken Sie auf Bestätigen.

Metadaten in Dataplex Universal Catalog verwalten

Mit Dataplex Universal Catalog können Sie Metadaten für Datenbereiche ansehen und verwalten. Data Canvas sind standardmäßig in Dataplex Universal Catalog verfügbar, ohne dass eine zusätzliche Konfiguration erforderlich ist.

Mit Dataplex Universal Catalog können Sie Daten-Canvas an allen BigQuery-Standorten verwalten. Die Verwaltung von Daten-Canvas in Dataplex Universal Catalog unterliegt den Kontingenten und Limits für Dataplex Universal Catalog und der Preisgestaltung für Dataplex Universal Catalog.

Dataplex Universal Catalog ruft automatisch die folgenden Metadaten aus Datenbereichen ab:

Name des Datenassets
Übergeordnetes Data Asset
Speicherort des Daten-Assets
Datentyp-Asset
Entsprechendes Google Cloud Projekt

Im Dataplex Universal Catalog werden Daten-Canvas als Einträge mit den folgenden Eintragswerten protokolliert:

Systemeintragsgruppe: Die Systemeintragsgruppe für Daten-Canvas ist @dataform. Wenn Sie Details zu Data Canvas-Einträgen in Dataplex Universal Catalog aufrufen möchten, müssen Sie die dataform-Systemeintragsgruppe aufrufen. Eine Anleitung dazu, wie Sie eine Liste aller Einträge in einer Eintragsgruppe aufrufen, finden Sie in der Dataplex Universal Catalog-Dokumentation unter Details einer Eintragsgruppe ansehen.
Systemeintragstyp: Der Systemeintragstyp für Daten-Canvas ist dataform-code-asset. Wenn Sie Details zu Daten-Canvas ansehen möchten, müssen Sie den System-Eintragstyp dataform-code-asset aufrufen, die Ergebnisse mit einem aspektbasierten Filter filtern und das Feld type im Aspekt dataform-code-asset auf DATA_CANVAS festlegen. Wählen Sie dann einen Eintrag des ausgewählten Datenbereichs aus. Eine Anleitung dazu, wie Sie Details zu einem ausgewählten Eintragstyp aufrufen, finden Sie in der Dataplex Universal Catalog-Dokumentation unter Details zu einem Eintragstyp aufrufen. Eine Anleitung dazu, wie Sie die Details eines ausgewählten Eintrags aufrufen, finden Sie in der Dataplex Universal Catalog-Dokumentation unter Details eines Eintrags ansehen.
Systemaspekttyp: Der Systemaspekttyp für Daten-Canvas ist dataform-code-asset. Wenn Sie Daten-Canvas in Dataplex Universal Catalog zusätzlichen Kontext hinzufügen möchten, indem Sie Daten-Canvas-Einträge mit Aspekten annotieren, rufen Sie den Aspekttyp dataform-code-asset auf, filtern Sie die Ergebnisse mit einem aspektbasierten Filter und legen Sie das Feld type im Aspekt dataform-code-asset auf DATA_CANVAS fest. Eine Anleitung zum Annotieren von Einträgen mit Aspekten finden Sie in der Dataplex Universal Catalog-Dokumentation unter Aspekte verwalten und Metadaten anreichern.
Typ: Der Typ für Daten-Canvas ist DATA_CANVAS. Mit diesem Typ können Sie Daten-Canvas im Systemeingabetyp dataform-code-asset und im Aspekttyp dataform-code-asset filtern, indem Sie die aspect:dataplex-types.global.dataform-code-asset.type=DATA_CANVAS-Abfrage in einem aspektbasierten Filter verwenden.

Eine Anleitung zum Suchen nach Assets in Dataplex Universal Catalog finden Sie in der Dataplex Universal Catalog-Dokumentation unter Nach Daten-Assets in Dataplex Universal Catalog suchen.

Preise

Weitere Informationen zu den Preisen für diese Funktion finden Sie unter Preisübersicht für Gemini in BigQuery.

Kontingente und Limits

Informationen zu Kontingenten und Limits für diese Funktion finden Sie unter Kontingente für Gemini in BigQuery.

Standorte

Sie können BigQuery Data Canvas an allen BigQuery-Standorten verwenden. Gemini in BigQuery ist weltweit verfügbar. Sie können die Datenverarbeitung also nicht auf eine bestimmte Region beschränken. Weitere Informationen zu den Standorten, an denen Daten von Gemini in BigQuery verarbeitet werden, finden Sie unter Gemini-Bereitstellungsstandorte.

Feedback geben

Um dazu beitragen, die Vorschläge im BigQuery-Data Canvas zu verbessern, senden Sie Ihr Feedback an Google. So geben Sie Feedback:

Klicken Sie in der Symbolleiste der Google Cloud Console auf Feedback geben.
Optional: Wenn Sie die DAG-JSON-Informationen kopieren möchten, um Ihrem Feedback zusätzlichen Kontext zu geben, klicken Sie auf Kopieren.
Klicken Sie auf das Formular, um es auszufüllen und Feedback zu geben.

Datenfreigabeeinstellungen gelten für das gesamte Projekt und können nur von einem Projektadministrator mit den IAM-Berechtigungen serviceusage.services.enable und serviceusage.services.list festgelegt werden. Weitere Informationen zur Datennutzung im Trusted Tester-Programm finden Sie unter Gemini im Google Cloud Trusted Tester-Programm.

Wenn Sie direktes Feedback zu diesem Feature geben möchten, können Sie sich auch an datacanvas-feedback@google.com wenden.

Analysen mit BigQuery Data Canvas

Leistungsspektrum

Beschränkungen

Best Practices für die Prompt-Erstellung

Hinweise

Erforderliche Rollen

Knotentypen

Textknoten

Suchknoten

Tabellenknoten

SQL-Knoten

Visualisierungsknoten

Statistikknoten

BigQuery-Daten-Canvas verwenden

Beispiel für einen Workflow: Daten suchen, abfragen und visualisieren

Prompt 1: Daten finden

Prompt 2: SQL-Abfrage in der ausgewählten Tabelle generieren

Prompt 3: Abfrage bearbeiten

Diagramme erstellen

Beispielworkflow: Tabellen zusammenführen

Prompt 1: Daten finden

Prompt 2: Tabellen unter ihrer Adresse zusammenführen

Abfrage als Notebook exportieren

Beispiel-Workflow: Diagramm mit einem Prompt bearbeiten

Prompt 1: Daten finden

Prompt 2: Daten abfragen

Prompt 3: Daten filtern

Diagramm erstellen und bearbeiten

Prompt 4: Visualisierungsdetails bearbeiten

Mit einem Gemini-Assistenten arbeiten

Daten hinzufügen

Anleitung hinzufügen

Best Practices für Gemini Assistant

Beispielworkflow: Mit einem Gemini-Assistenten arbeiten

Alle Daten-Canvasse ansehen

Metadaten des Daten-Canvas ansehen

Mit Data Canvas-Versionen arbeiten

Versionsverwaltung von Data Canvas in Repositories

Versionsverwaltung von Data Canvas außerhalb von Repositories

Daten-Canvas-Versionen ansehen und vergleichen

Daten-Canvas-Version wiederherstellen

Metadaten in Dataplex Universal Catalog verwalten

Preise

Kontingente und Limits

Standorte

Feedback geben

Nächste Schritte