Visão geral das exibições semânticas

Você pode armazenar conceitos comerciais semânticos diretamente no banco de dados em uma exibição semântica, que é um novo objeto no nível do esquema. Você pode definir métricas comerciais, bem como modelar entidades de negócios e seus relacionamentos. Ao adicionar significado comercial aos dados físicos, a exibição semântica aprimora as decisões orientadas por dados, fornecendo definições comerciais consistentes em todos os aplicativos corporativos.

Você pode usar exibições semânticas no Cortex Analyst e consultar essas exibições em uma instrução SELECT. (A consulta de exibições semânticas é um recurso de versão preliminar.

Diagrama que ilustra como as exibições semânticas oferecem uma interface mais significativa para ferramentas e dados

Para criar e gerenciar exibições semânticas, você pode usar os comandos SQL (como CREATE SEMANTIC VIEW) e o Cortex Analyst Semantic View Generator, que é um assistente na Snowsight que orienta você no processo de criação de uma exibição semântica.

Nota

As exibições semânticas são consideradas metadados.

Por que usar exibições semânticas?

As exibições semânticas abordam a incompatibilidade entre a forma como os usuários comerciais descrevem os dados e como eles são armazenados nos esquemas de banco de dados. Por exemplo, para um conceito comercial crítico como receita bruta, os dados podem ser armazenados em uma coluna de tabela chamada amt_ttl_pre_dsc no banco de dados, o que dificulta a localização e a interpretação pelos usuários empresariais.

Além disso, se receita líquida de uma empresa sempre significa receita bruta após descontos, a exibição semântica pode defini-la consistentemente como uma métrica com a agregação correta: SUM(gross_revenue * (1 - discount)). Isso garante uma única definição de autorização com comportamento de agregação adequado. Por exemplo, quando um usuário solicita “Receita líquida por região”, a exibição semântica sabe agregar no nível apropriado, enquanto que, sem exibições semânticas, dezenas de cálculos inconsistentes podem existir em diferentes relatórios e aplicativos, muitas vezes com métodos de agregação incorretos que levam a resultados errados.

Essa camada de abstração focada nos negócios resolve vários problemas comuns:

  • Para aplicativos de AI: as exibições semânticas aumentam a precisão ao combinar o raciocínio LLM com definições baseadas em regras. Atualmente, o Cortex Analyst lê as informações capturadas na definição da exibição semântica e gera o SQL diretamente nas tabelas físicas.

  • Para business intelligence (BI): os usuários empresariais se beneficiam de métricas e dimensões consistentes em todas as ferramentas. Eles podem combinar facilmente esses conceitos comerciais predefinidos em suas interfaces familiares de BI para explorar dados e obter insights.

  • Para analistas técnicos: o local centralizado para a lógica comercial reduz a duplicação de definições de métricas em consultas e simplifica relacionamentos complexos de esquemas, facilitando a criação e a manutenção de modelos de dados.

Compreensão das exibições semânticas

Nota

Ao longo deste tópico, os artefatos relacionados ao banco de dados (como tabelas de banco de dados) são chamados de objetos físicos, e os artefatos relacionados à exibição semântica são chamados de objetos lógicos.

Em uma exibição semântica, você define tabelas lógicas que normalmente correspondem a entidades comerciais, como clientes, pedidos ou fornecedores. Você pode definir relacionamentos entre tabelas lógicas por meio de uniões de chaves compartilhadas, o que lhe permite analisar dados entre entidades (como faria ao unir tabelas de banco de dados).

Usando tabelas lógicas, você pode definir:

  • Fatos: os fatos são atributos de nível de linha no seu modelo de dados que representam eventos ou transações comerciais específicos. Embora os fatos possam ser definidos usando agregados de níveis mais detalhados de dados (como SUM(t.x), em que t representa dados em um nível mais detalhado), eles são sempre apresentados como atributos no nível da linha individual da tabela lógica. Os fatos capturam “valor” ou “quantidade” no nível mais granular, como valores de vendas individuais, quantidades compradas ou custos. É importante observar que os fatos normalmente funcionam como conceitos “auxiliares” na exibição semântica para ajudar a construir dimensões e métricas.

  • Métricas: as métricas são medidas quantificáveis de desempenho comercial calculadas pela agregação de fatos ou outras colunas da mesma tabela (usando funções como SUM, AVG e COUNT) em várias linhas. Elas transformam dados brutos em indicadores comerciais significativos, muitas vezes combinando vários cálculos em fórmulas complexas. Exemplos incluem Receita total ou Porcentagem de margem de lucro. As métricas representam KPIs em relatórios e painéis que fundamentam a tomada de decisões comerciais.

  • Dimensões: as dimensões representam atributos categóricos. Elas fornecem a estrutura contextual que dá sentido às métricas, agrupando os dados em categorias significativas. Elas respondem a perguntas do tipo “quem”, “o quê”, “onde” e “quando”, como data da compra, dados do cliente, categoria do produto ou local. Normalmente baseadas em texto ou hierárquicas, as dimensões permitem que os usuários filtrem, agrupem e analisem dados a partir de várias perspectivas.

Em uma exibição semântica, esses três elementos têm funções distintas, mas as métricas e as dimensões são os principais elementos com os quais você interage ao analisar dados por meio da exibição semântica. Os fatos fornecem os dados numéricos subjacentes no nível da linha, as métricas transformam os dados em insights acionáveis por meio de agregação e cálculo, e as dimensões determinam as perspectivas de visualização.

Consulte a seção de Conceitos principais na especificação do modelo semântico para obter mais informações.

Interfaces para trabalhar com exibições semânticas

Você pode usar as seguintes interfaces para criar, gerenciar e usar exibições semânticas:

Limitações

  • As exibições semânticas não são compatíveis com replicação.

Introdução

Para começar a usar as exibições semânticas:

  1. Crie seu modelo de dados comerciais.

    • Quais entidades comerciais existem nos seus dados (por exemplo, clientes, produtos, pedidos etc.)?

    • Como essas entidades se relacionam entre si?

    • Quais métricas são importantes para a sua empresa?

    • Que dimensões você usa para analisar essas métricas?

  2. Mapeie seus conceitos comerciais para seus dados físicos.

    • Quais tabelas contêm os dados de que você precisa? Recomendamos que você comece com um esquema simples em estrela.

    • Como você vai unir essas tabelas?

    • Quais cálculos são necessários para obter suas métricas?

  3. Crie uma exibição semântica.

    Você pode usar uma dessas interfaces para criar uma exibição semântica.

  4. Use a exibição semântica das seguintes maneiras:

Informações adicionais sobre exibições semânticas

Para obter mais informações sobre exibições semânticas, consulte os tópicos a seguir: