Descripción general de Conversational Analytics

Conversational Analytics en BigQuery te permite chatear con agentes sobre tus datos usando lenguaje natural. Para obtener respuestas sobre tus datos, puedes hacer lo siguiente:

• Crea agentes de datos que definan automáticamente el contexto de los datos y las instrucciones de procesamiento de consultas para un conjunto de fuentes de conocimiento, como tablas, vistas, gráficos o funciones definidas por el usuario (UDF) que selecciones.
• Si es necesario, puedes crear contexto e instrucciones para un agente en forma de metadatos de tablas y campos personalizados, instrucciones para que el agente interprete y consulte los datos, o bien creando consultas verificadas (anteriormente conocidas como consultas de oro) para configurar el agente de datos de modo que responda preguntas de manera eficaz para casos de uso específicos.

Antes de personalizar un agente, te recomendamos que primero trabajes con el contexto y las instrucciones que crea el agente.

Estos son algunos ejemplos del contexto y las instrucciones que le proporcionas al agente:

• Context. Se puede configurar un agente de datos para el análisis de ventas de modo que comprenda que "los de mejor rendimiento" se refiere a los representantes de ventas con los ingresos más altos, en lugar de solo a los que cerraron más acuerdos.
• Instrucciones: Puedes indicarle a un agente de datos que siempre filtre los datos según el trimestre más reciente cuando se le pregunte sobre "tendencias" o que agrupe los resultados por "categoría de producto" de forma predeterminada.

Después de crear agentes de datos, puedes tener conversaciones con ellos para hacer preguntas sobre los datos de BigQuery en lenguaje natural. También puedes crear conversaciones directas con una o más fuentes de datos para responder preguntas básicas y únicas.

El análisis conversacional cuenta con la tecnología de Gemini para Google Cloud y admite algunas funciones de IA y AA de BigQuery. Para obtener más información, consulta Compatibilidad con IA y AA de BigQuery.

Descubre cómo y cuándo Gemini para Cloud de Confiance usa tus datos.

Agentes de datos

Los agentes de datos constan de una o más fuentes de conocimiento y un conjunto de instrucciones específicas para un caso de uso para procesar esos datos. Cuando creas un agente de datos, puedes configurarlo con las siguientes opciones:

• Usar fuentes de conocimiento, como tablas, vistas y UDF, con un agente de datos También puedes conectarte a las tablas de Lakehouse como fuentes. Para obtener más información, consulta Cómo consultar datos de Lakehouse con lenguaje natural.
• Proporciona metadatos personalizados de tablas y campos para describir los datos de la manera más adecuada para el caso de uso determinado.
• Proporciona instrucciones para interpretar los datos y realizar consultas sobre ellos, como definir lo siguiente:
  • Sinónimos y términos comerciales para los nombres de los campos
  • Campos y valores predeterminados más importantes para filtrar y agrupar
• Crea consultas verificadas que el agente de datos pueda usar para definir la estructura de respuesta de un agente y aprender la lógica empresarial que usa tu organización. Anteriormente, las búsquedas verificadas se conocían como búsquedas de referencia. Las consultas verificadas pueden usar funciones de AA y de IA de BigQuery compatibles y admitir parámetros de consulta.
• Crea términos personalizados del glosario de BigQuery para cada agente o importa términos del glosario empresarial desde Knowledge Catalog. Estos términos ayudan a un agente a interpretar las instrucciones del usuario. Para obtener asesoramiento sobre cuándo usar cada tipo, consulta Crea o revisa términos del glosario.

Administra agentes de datos

Puedes crear, administrar y trabajar con los siguientes tipos de agentes de datos en la pestaña Catálogo de agentes de la consola de Cloud de Confiance :

• Un agente de muestra predefinido para cada proyecto de Cloud de Confiance
• Es una lista de los agentes que creaste, publicaste y guardaste como borrador.
• Es una lista de los agentes que otras personas crean y comparten contigo.

Para obtener más información, consulta Cómo crear agentes de datos.

Otros servicios del proyecto que admiten agentes de datos, como la API de Conversational Analytics y Data Studio, pueden acceder a los agentes de datos que crees en BigQuery. También puedes acceder a un agente creado en la consola de Cloud de Confiance llamándolo con la API de Conversational Analytics.

Conversaciones

Las conversaciones son chats persistentes con un agente de datos o una fuente de datos. Puedes hacerles preguntas de varias partes que usen términos comunes, como "ventas" o "más populares", sin tener que especificar nombres de campos de tablas ni definir condiciones para filtrar los datos. También puedes hacer preguntas sobre los datos que se encuentran en objetos, como archivos PDF. Un agente puede determinar qué fuentes de datos consultar y aprovechar las optimizaciones, como las particiones de tablas o los índices de búsqueda, cuando construye una respuesta.

La respuesta del chat que se te devuelve proporciona las siguientes funciones:

• La respuesta a tu pregunta en forma de texto, código o imágenes (multimodal). La respuesta puede incluir funciones compatibles de IA y AA de BigQuery.
• Se generan gráficos cuando corresponde.
• Es el razonamiento del agente detrás de los resultados.
• Son los metadatos sobre la conversación, como el agente y las fuentes de datos que se usaron.

Cuando creas una conversación directa con una fuente de datos, la API de Conversational Analytics interpreta tu pregunta sin el contexto ni las instrucciones de procesamiento que ofrece un agente de datos. Por este motivo, los resultados de conversaciones directas pueden ser menos precisos. Usa agentes de datos para los casos que requieren mayor precisión.

Puedes crear y administrar conversaciones en BigQuery con la consola deCloud de Confiance . Para obtener más información, consulta Analiza datos con conversaciones.

Compatibilidad con la IA y el AA de BigQuery

Conversational Analytics admite las siguientes funciones de IA en respuesta a chats con agentes de datos y fuentes de datos, y en consultas SQL verificadas que creas.

• AI.FORECAST
• AI.DETECT_ANOMALIES
• AI.KEY_DRIVERS
• AI.GENERATE
• AI.IF
• AI.SCORE
• AI.CLASSIFY
• AI.SIMILARITY
• AI.SEARCH

Debes tener los permisos necesarios para ejecutar consultas de IA generativa.

El agente solo usa la función AI.SEARCH en las tablas que tienen habilitada la generación de incorporaciones autónomas. De lo contrario, el agente usa la función AI.SIMILARITY, que requiere la generación de incorporaciones en tiempo real.

Casos de uso

Para activar las funciones compatibles, úsalas de las siguientes maneras:

• Cuando creas un agente y agregas una búsqueda verificada (por ejemplo, si eres un científico de datos que prepara un informe recurrente), puedes usar funciones de IA compatibles en una búsqueda verificada para describir los valores predeterminados y automatizar el informe.
• Cuando le haces preguntas generales sobre los datos a un agente, en una conversación o en una búsqueda verificada con palabras clave, el agente genera código SQL en respuesta a tus preguntas.

En la siguiente tabla, se muestran ejemplos de instrucciones de una sola vez que activan el uso de funciones basadas en IA o AA:

Compatibilidad con gráficos

Conversational Analytics admite el uso de un gráfico como fuente de datos. Cuando haces preguntas sobre tu gráfico, el agente crea consultas en GQL o SQL para responderlas. Los agentes pueden usar descripciones y sinónimos que definas en las etiquetas y propiedades de tu gráfico para mejorar la calidad de los resultados. Los agentes también pueden aprovechar las medidas definidas en tu gráfico para realizar agregaciones de varios niveles. Si la respuesta incluye rutas de gráficos, se proporcionan visualizaciones de gráficos.

Por ejemplo, puedes usar el agente de muestra Look Graph en BigQuery en la página Agents para hacer preguntas similares a las siguientes sobre el gráfico bigquery-public-data.thelook_ecommerce.graph:

• Which product is most popular among 25-year-olds?
• Show me the connection between bow tie orders and distribution centers

Limitaciones

Se aplican las siguientes limitaciones cuando usas un grafo como fuente de datos:

• Puedes usar como máximo un gráfico como fuente de datos por agente o conversación.
• No puedes combinar tablas ni gráficos como fuentes de datos.

Seguridad

Puedes administrar el acceso a Conversational Analytics en BigQuery con los roles y permisos de IAM de la API de Conversational Analytics. Si deseas obtener información sobre los roles necesarios para operaciones específicas, consulta los roles obligatorios del agente de datos y los roles obligatorios de la conversación.

Las estadísticas de conversaciones incluyen las siguientes funciones y medidas de seguridad:

• Solo puede acceder a los datos y recursos a los que tienes permiso para acceder.
• Respeta los controles de seguridad de VPC-SC.
• No puede realizar operaciones de escritura ni ejecutar consultas DML.
• No puede ejecutar funciones remotas.
• Solo puede acceder a las fuentes de conocimiento que selecciones explícitamente.
• Tu historial de conversaciones solo se comparte contigo. No puedes compartirlo con otros usuarios.
• Cuando creas un agente de datos, debes tener acceso para consultar cada fuente de conocimiento que agregues.

Ubicaciones

Conversational Analytics admite tres ubicaciones que rigen el almacenamiento de los recursos del agente y de la conversación, y la ubicación que se usa para el procesamiento de AA:

• MREP de EE.UU.
• MREP de la UE
• Global

Los siguientes comportamientos predeterminados se aplican cuando creas agentes y conversaciones:

• Si todas tus fuentes de conocimiento provienen de regiones de EE.UU., se usará el MREP de EE.UU.
• Si todas tus fuentes de conocimiento provienen de regiones de la UE, se usará el MREP de la UE.
• De lo contrario, se usa la ubicación global.

Cuando creas un agente, puedes seleccionar otra ubicación de forma opcional. Después de guardar el agente, no podrás cambiar su ubicación.

Los agentes creados antes del 4 de junio de 2026 se encuentran en la ubicación global.

Precios

Se te cobra según los precios de procesamiento de BigQuery por las consultas que se ejecutan cuando creas agentes de datos y tienes conversaciones con ellos o con fuentes de datos. Para obtener más información, consulta los precios de los agentes.

Prácticas recomendadas

Sigue estas prácticas recomendadas cuando trabajes con análisis de conversaciones:

• Realiza la limpieza de datos en tus tablas antes de agregarlas como fuentes de datos.

• Une las tablas relacionadas en una vista y usa esa vista como fuente de datos, en lugar de depender del agente para determinar la forma correcta de unir tus datos.

• Ejecuta análisis de perfil en tus datos.

• Define el alcance de tus agentes. Los agentes con un alcance amplio pueden tener conflictos de instrucciones, resultados ambiguos y un rendimiento inconsistente. Si tu agente requiere más de 20 fuentes de datos, se usa en equipos que tienen diferentes definiciones de métricas o prioriza un tipo de resultado a expensas de otro, considera crear agentes adicionales.

• Proporciona contexto a tu agente. Prioriza los tipos de contexto de la siguiente manera:

  1. Consultas verificadas: Es un SQL determinístico que se ejecuta cuando coincide con una instrucción del usuario.
  2. Glosarios: Son definiciones de términos que vinculan columnas con contexto semántico.
  3. Instrucciones para el agente. Son reglas y definiciones de comportamiento globales que se escriben con lenguaje natural, como las definiciones del calendario fiscal o las reglas de formato.

• Agrega descripciones de tablas y columnas a tus tablas.

• No dupliques las definiciones del glosario en Knowledge Catalog y en el glosario personalizado de BigQuery.

• Establece límites de inversión a nivel de proyecto, usuario y búsqueda para administrar los costos de tus agentes.

• Haz preguntas eficaces en tus conversaciones.

• Comprende cómo funcionan la retención y eliminación de datos para los agentes de datos y las conversaciones.

Limitaciones

Para obtener más información sobre las limitaciones en las búsquedas, las conversaciones, los datos y las visualizaciones, consulta Limitaciones conocidas de la API de Conversational Analytics.

Cuota compartida dinámica

La cuota compartida dinámica (DSQ) en Gemini Enterprise Agent Platform administra la capacidad del modelo de Gemini. A diferencia de las cuotas convencionales, DSQ te permite acceder a un gran grupo compartido de recursos sin un límite fijo por proyecto para el rendimiento del modelo.

El rendimiento, como la latencia, puede variar según la carga general del sistema. En momentos de alta demanda en el grupo compartido, es posible que, en ocasiones, experimentes errores 429 Resource Exhausted temporales. Estos errores indican que la capacidad del grupo compartido está restringida momentáneamente, pero no que alcanzaste un límite de cuota específico en tu proyecto. Para verificar la capacidad, vuelve a enviar la solicitud después de una breve demora.

Identifica y analiza las preguntas generadas por el agente

Los trabajos de BigQuery que ejecuta un agente de datos incluyen etiquetas específicas. Estas etiquetas te permiten identificar, filtrar y analizar los trabajos del agente.

Puedes usar estas etiquetas para las siguientes tareas:

• Filtra tu informe de facturación por etiqueta para comprender los costos del agente.
• Audita la actividad del agente.
• Analizar el rendimiento de las búsquedas

Identifica las etiquetas de los agentes de datos

BigQuery aplica etiquetas a los trabajos que ejecutan las estadísticas conversacionales. Estas etiquetas se incluyen en el límite de 64 etiquetas del recurso Job. Para obtener la etiqueta para el filtrado y otros análisis, consulta la etiqueta en la consola deCloud de Confiance . También puedes aplicar etiquetas personalizadas a tu agente de datos. No puedes usar etiquetas personalizadas para anular las etiquetas generadas por el sistema.

Para ver las etiquetas de un agente de datos, sigue estos pasos:

1. En la consola de Cloud de Confiance ,consulta los detalles del trabajo.

2. En el panel Detalles del trabajo de consulta, busca la sección Etiquetas y busca las siguientes etiquetas:

   • ca-bq-job: true indica que tu trabajo se ejecutó con Conversational Analytics.
   • data-agent-id: DATA_AGENT_ID indica que un agente de datos ejecutó el trabajo. El valor es el segmento del ID del recurso que se extrae del nombre del recurso del agente de datos.
   • conversation-id: CONVERSATION_ID indica que el trabajo está asociado con una conversación. El valor es el segmento de ID que se extrae del nombre del recurso de conversación.

Analiza los trabajos generados por el agente

Usa la etiqueta para analizar los trabajos generados por el agente. Por ejemplo, para verificar cuántos trabajos ejecutó un agente de datos, ejecuta la siguiente consulta en la vista INFORMATION_SCHEMA.JOBS:

SELECT
  COUNT(*) AS job_count
FROM
  `PROJECT_ID`.`region-REGION`.INFORMATION_SCHEMA.JOBS
WHERE
  EXISTS (
    SELECT 1
    FROM UNNEST(labels) AS label
    WHERE label.key = 'ca-bq-job' AND label.value = 'true'
  );

Reemplaza lo siguiente:

• PROJECT_ID: Es el ID del proyecto de Cloud de Confiance .
• REGION: Es la región en la que se ejecutan tus trabajos (por ejemplo, us o eu).

¿Qué sigue?

• Obtén más información sobre la API de Conversational Analytics.
• Crear agentes de datos
• Analiza datos con conversaciones.
• Usa Analytics conversacional con Lakehouse
• Aprende a filtrar recursos mediante etiquetas.