Skip to main content

Ferramentas

Tecnologias Utilizadas​

  • Looker Studio: É uma ferramenta de visualização de dados e relatórios desenvolvida pelo Google. Ela permite que você crie painéis interativos e relatórios personalizáveis usando dados de várias fontes, como Google Analytics, Google Ads, Google Sheets e outras plataformas de terceiros. Neste caso, utilizamos a integração com o BigQuery para obter acesso às informações armazenadas no data lake.
  • BigQuery: É um serviço de armazenamento e análise de dados em nuvem totalmente gerenciado, parte da suíte de produtos Google Cloud Platform. Utilizando uma sintaxe SQL semelhante, o BigQuery permite que os usuários executem consultas complexas e obtenham insights rapidamente, sem a necessidade de manter uma infraestrutura de dados própria. Essa ferramenta nos permite consultar os dados dos chatbots para carregá-los no Looker Studio.

Pré-Requisitos​

Para realizar a conexão do Google BigQuery com o Looker Studio há alguns pré-requisitos:

Conta no Google Cloud Platform (GCP): Antes de qualquer coisa, você precisa ter uma conta no GCP. Isso permite que você acesse uma variedade de serviços em nuvem que o Google oferece, incluindo o BigQuery.

Permissões: O GCP utiliza um sistema de gerenciamento de identidade e acesso (IAM) para controlar quem pode fazer o quê. Para acessar dados do seu chatbot em nosso data lake via BigQuery, a conta do usuário precisa ter as permissões apropriadas. Isso garante que apenas usuários autorizados possam acessar ou modificar os dados, mantendo a integridade e a segurança dos dados armazenados.

Conhecimento básico de SQL: O BigQuery utiliza uma versão padronizada de SQL para consultas, portanto, para extrair informações do data lake, você precisa saber como formular essas consultas em SQL.

Informações do Data Lake​

O data lake organiza-se com base no campo “created_at”, que registra a data e hora de interação de um usuário com o bot. Abaixo estão os campos mais relevantes:

  • customer_id: Representa um identificador único para cada usuário.
  • customer_extras: Fornece informações adicionais sobre o contato do usuário, como telefone.
  • messages.bag.array_element.type: Determina o tipo de mensagem – se foi recebida (incoming) ou enviada (outgoing) pelo bot.
  • messages.bag.array_element.msg: Guarda o conteúdo da mensagem, seja ela enviada ou recebida.
  • messages.bag.array_element.intent_name: Armazena o nome dos blocos do fluxo.
  • messages.bag.array_element.timestamp: Registra o momento exato em que a mensagem foi interagida no bot.
  • created_at: Além de estruturar o data lake, esse campo é vital para sincronizar a data dos registros com o Looker Studio, facilitando análises baseadas no tempo.

Ressaltamos que o data lake contém outros campos. No entanto, estes são os principais para realizar análises profundas e abrangentes.