BigQuery 度量正式可用:统一 BI 指标与知识图谱

AI agent 要回答复杂业务问题,需要两类信息:发生了什么,以及为什么。前者是可治理的度量,比如收入风险;后者是产生度量的关系网络。度量定义传统上存在于 BI 平台,关系存在于知识图谱,agent 只能看到一半,其余靠猜,于是出现自信但错误的回答。过去要同时跑两套技术栈:一套算指标,一套映射实体关系。桥接靠脆弱的管道,以及分析师和 agent 在脑子里或冗长提示词里手工对齐。这不仅慢且贵,数据治理也在这里崩溃——每个分析师和每段提示词都可能定义出不同的 join 和指标。

BigQuery measures 现已正式 GA。它构建在 BigQuery Graph 之上,把度量直接定义在图的实体上。这样 BI 仪表盘和 AI agent 拿到的不仅是一个可信数字,还有背后的关系上下文,可以同时回答 what 和 why。Woolworths NZ 数据赋能负责人 Amanda Reelick 说,在 BigQuery 原生定义 measures,能让 Looker 仪表盘、会话式代理和数据团队查询基于同一套逻辑,保证指标对齐,并显著降低数据团队维护开销。

以零售银行为例:布拉格地区交易活动突然激增,风险团队需要判断这是健康增长还是集中风险。回答需要两项证据:实际发生了多少资金流动(what),以及经由哪些账户(why)。传统做法需要两个团队、两个工具、两个对不上的数字。BigQuery 可以用单个 schema 直接定义在现有交易、账户、地区表上,数据不搬家,也不需要第二套系统。GRAPH_EXPAND 展开图,AGG() 汇总度量。通过 grain-locked 的度量固定事实和维度的建模粒度,避免 join 导致重复计数:一个账户有几千笔交易,普通 SQL 的 COUNT(account_id) 会重复计算账户;BigQuery measures 保留每个实体的原生粒度,每个账户只计一次。后续连接性分析用 GQL 遍历同一个模型,同样无需额外系统。

GA 版本重点在两方面:更丰富的建模与可视化,以及面向 agent 生态的原生语义发现。MEASURE() 支持复合表达式和派生度量,AGG() 可把基线聚合组合成更高层计算,schema 编译时校验循环引用和无效聚合。GRAPH_EXPAND 的 start_node 参数让每个事实表从自己的根展开,避免跨事实表 join 的 chasm trap——不同事实表共享同一维度时,相乘会同时膨胀两个指标。从 Trans 和 Card 各自展开,每个分支保持精确粒度,即使账户有交易但没有发卡也不丢数据。Data Studio 更新后的 BigQuery 连接器可直接连接图和度量,图表遵循图模型中定义的聚合逻辑,防止前端二次聚合。

面向 agent 的语义发现方面,OPTIONS 子句可以嵌入自然语言描述、业务同义词和自定义键值,这些上下文与 SQL 公式一起存放在 schema 内,度量走到哪里语义就跟到哪里。BigQuery 直接集成 Knowledge Catalog,图和度量元数据自动摄入,数据管理员、分析师和 AI agent 可以用同义词搜索、检查治理标签、查看底层 SQL 定义。BQ.SHOW_GRAPH_EXPAND_SCHEMA 返回展开图的 JSON schema,不扫描底层表,并标记度量及其描述;flatten_results => FALSE 保留实体层级结构,让 agent 直接检查关系树和查询路径。生态集成上,Data Agent Kit 支持用自然语言在 AI 编码环境中编写和验证度量定义;LookML 模型可编译成原生 BigQuery Graph 模型;Conversational Analytics 开箱即用地支持用自然语言查询统一图谱和度量。

这个统一模型的好处是,可以从现有基础出发:已有 BI 语义层,就把度量定义到它描述的实体上;已有知识图谱,就给常用遍历挂上度量。无论从哪一侧开始,最终都通向 BI 仪表盘和 AI agent 共享的单一事实来源。动手入口包括官方介绍视频、文档,以及分步 codelab。

BigQuery measures GA: Unifying BI metrics and knowledge graphs

查看原文