O BigQuery data canvas é um recurso do Gemini no BigQuery que permite encontrar, transformar, consultar e visualizar dados usando linguagem natural e uma interface gráfica de fluxo de trabalho. Ele organiza a análise como um grafo direcionado (DAG), com ramificações de investigação em um único lugar. A ideia de “análise preditiva de planilhas de faturamento” precisa de um ajuste: a documentação oficial deixa claro que o data canvas é feito para profissionais de dados, não para usuários de negócio, e não há integração nativa documentada com o Google Sheets. O que existe é uma ferramenta de análise dentro do BigQuery Studio.
Se você trabalha com dados de faturamento, receita ou vendas e quer usar linguagem natural para explorar isso, este artigo mostra o que o data canvas realmente faz, como ele usa o Gemini, quais são os limites declarados pela própria Google e que caminhos são realistas para levar planilhas até lá.
Resumo rápido
- BigQuery data canvas é um recurso do Gemini no BigQuery, dentro do ecossistema do BigQuery Studio.
- Ele usa linguagem natural para buscar dados, criar SQL, gerar gráficos e produzir resumos de dados.
- Trabalha com um grafo direcionado (DAG) que dá uma visão gráfica do fluxo de análise, com ramificações em um mesmo lugar.
- A própria Google afirma que o data canvas não é destinado ao uso direto por usuários de negócio.
- A documentação não descreve integração nativa entre data canvas e Google Sheets. Tratar essa ligação como certa seria incorreto.
- Limitações declaradas incluem BigQuery ML, Apache Spark, tabelas de objeto, BigLake, INFORMATION_SCHEMA, JSON e campos aninhados e repetidos.
O que é o BigQuery data canvas, na definição da Google
Segundo a documentação oficial, o BigQuery data canvas “que é um recurso do Gemini no BigQuery, permite encontrar, transformar, consultar e visualizar dados usando prompts em linguagem natural e uma interface gráfica para fluxos de análise”. Para esses fluxos, ele usa um grafo direcionado (DAG), que fornece uma visão gráfica do trabalho: você itera sobre resultados de consulta e trabalha com várias ramificações de investigação em um só lugar.
O objetivo declarado é acelerar tarefas de análise e ajudar profissionais de dados, como analistas e engenheiros de dados, na jornada de dado até insight. A Google diz ainda que ele não exige conhecimento técnico de ferramentas específicas, apenas familiaridade básica com leitura e escrita de SQL.
Como a linguagem natural entra na análise
A documentação descreve que o data canvas usa o Gemini no BigQuery para encontrar dados, criar SQL, gerar gráficos e criar resumos de dados. Para achar as tabelas certas a partir de linguagem natural, ele usa os metadados do Knowledge Catalog. Isso significa que a qualidade do resultado depende de metadados organizados, não apenas do prompt.
Entre as capacidades listadas estão: busca em linguagem natural com metadados do Knowledge Catalog para achar ativos como tabelas, views ou views materializadas; uso de linguagem natural para consultas SQL básicas, incluindo instruções com cláusulas FROM, funções matemáticas, arrays e structs, além de operações JOIN entre duas tabelas; criação de visualizações personalizadas descrevendo em linguagem natural o que se quer ver; e automação de insights de dados.
Boas práticas de prompt segundo a Google
A própria documentação dá recomendações para melhorar a precisão: escrever com clareza e evitar ambiguidade; fazer perguntas diretas, uma de cada vez, mantendo o prompt conciso; dar instruções focadas e explícitas, destacando termos-chave; especificar a ordem das operações; dividir tarefas em passos pequenos e focados; e refinar e iterar, testando frases diferentes.
Tipos de nó e o fluxo visual
A documentação descreve que um canvas é uma coleção de um ou mais nós, que podem ser conectados em qualquer ordem. Os tipos de nó listados são: Text, Search, Table, SQL, Destination, Visualization e Insights, além de um nó de texto para adicionar conteúdo rico ao canvas, útil para explicar contexto e propósito da análise.
| Aspecto | O que a documentação oficial diz |
|---|---|
| Público-alvo | Profissionais de dados (analistas, engenheiros); não é para usuários de negócio |
| Base técnica | BigQuery Studio, com assets apoiados em Dataform |
| Papel do Gemini | Buscar dados, criar SQL, gerar gráficos e resumos |
| Estrutura da análise | Grafo direcionado (DAG) com ramificações |
| Integração nativa com Sheets | Não descrita na documentação |
Requisitos e permissões
Para usar o recurso, a documentação pede que o Gemini no BigQuery esteja habilitado no projeto do Google Cloud, tarefa normalmente feita por um administrador, e que a pessoa tenha as permissões IAM necessárias. As funções citadas são BigQuery Studio User (roles/bigquery.studioUser) e Gemini for Google Cloud User (roles/cloudaicompanion.user).
Há também um ponto de governança relevante: como os assets de código são baseados em Dataform, a visibilidade é regida pelas permissões de Dataform do projeto. Usuários com permissão dataform.repositories.list, incluída em funções padrão do BigQuery, podem ver todos os assets de código no painel Explorer, independentemente de quem os criou. Para restringir essa visibilidade, a documentação sugere criar funções personalizadas que excluam essa permissão.
Como o fluxo de trabalho funciona na prática
Um canvas começa normalmente com um nó de busca, em que você descreve em linguagem natural o dado que procura e o sistema usa os metadados do Knowledge Catalog para sugerir tabelas, views ou views materializadas. Escolhido o dado, você adiciona um nó de consulta (SQL) e descreve a pergunta. Se o resultado precisar de ajuste, o próprio fluxo em grafo permite voltar ao nó anterior, mudar o prompt e gerar uma nova versão, sem perder o histórico do caminho percorrido.
Do nó de consulta saem nós de visualização, para descrever o gráfico desejado em linguagem natural, e nós de insights, voltados a automatizar a extração de conclusões. O nó de texto é usado para anotar o raciocínio: explicar de onde vieram os dados, quais filtros foram aplicados e qual a pergunta de negócio que o canvas responde.
Para quem trabalha com faturamento, esse formato ajuda em um ponto específico: a análise deixa de ser uma série de consultas soltas em uma aba e passa a ser um documento visual com o caminho da investigação. Quando um número não bate, dá para ver onde a ramificação mudou de direção.
Nós que costumam aparecer primeiro
A combinação mais comum em uma primeira análise é Search, Table e SQL: buscar a tabela certa, inspecionar as colunas e só então escrever a consulta por linguagem natural. Pular a etapa de busca e já pedir SQL costuma render consultas sobre tabelas erradas, o que reforça a dependência de metadados bem organizados.
Quando o data canvas faz sentido e quando não
Vale adotar o data canvas quando a equipe já tem dados no BigQuery, profissionais de dados no time e um projeto de análise exploratória em que o caminho não está claro de antemão. É aí que o grafo com ramificações e a geração de SQL por linguagem natural economizam idas e vindas.
Já não faz sentido esperar que ele resolva autonomia de negócio. Se o objetivo é que o gestor de uma área abra um painel e tire conclusões sozinho, o data canvas não é a peça, porque a própria documentação o afasta do uso direto por usuários de negócio. Nesse caso, a discussão é sobre camadas de visualização, painéis e o Gemini em ferramentas mais próximas do dia a dia do gestor.
Também convém ter cautela quando o dado está em formatos que a documentação lista como problemáticos. Antes de prometer que a análise de faturamento será toda feita por prompt, verifique se as tabelas usam campos aninhados e repetidos, JSON ou tipos de data e hora complexos. Se usam, redimensione a expectativa ou planeje uma etapa de preparação dos dados.
Limitações que a Google declara abertamente
A documentação é explícita sobre o que costuma não funcionar bem com comandos em linguagem natural: BigQuery ML, Apache Spark, tabelas de objeto, BigLake, views do INFORMATION_SCHEMA, JSON, campos aninhados e repetidos, e funções e tipos de dados complexos como DATETIME e TIMEZONE. Além disso, as visualizações de dados não funcionam com gráficos de geomapa.
Conhecer essa lista evita expectativa errada em projetos de faturamento que usam campos aninhados ou tipos de data e hora complexos, situações comuns em bases financeiras de ERP.
Exemplo: uma rede de clínicas em São Paulo
Uma rede de clínicas em São Paulo guarda o faturamento mensal em várias tabelas: uma para procedimentos, outra para convênios e uma terceira para repasses. Um analista de dados quer entender por que a receita de um convênio caiu em um trimestre. Em vez de escrever várias consultas do zero, ele usa o data canvas para buscar as tabelas pelo nome, pedir um JOIN entre procedimentos e convênios, gerar um gráfico de evolução e produzir um resumo. Cada passo fica visível como um nó no canvas, e ele ramifica a investigação ao notar uma queda em um mês específico.
Nesse cenário, quem usa é o analista, não o gestor da clínica, exatamente como a documentação recomenda. O exemplo é ilustrativo e não representa resultados medidos de nenhum cliente.
Como levar planilhas de faturamento até o data canvas
Como não há integração nativa documentada com o Google Sheets, o caminho passa por carregar os dados no BigQuery. Isso normalmente envolve exportar a planilha para CSV e carregá-la como tabela, ou usar um fluxo de transferência. O ponto prático é que o data canvas opera sobre dados que já estão no BigQuery; ele não puxa uma planilha aberta no Sheets por conta própria.
Se o objetivo é dar autonomia ao gestor que hoje vive na planilha, vale avaliar duas frentes: preparar os dados no BigQuery e usar o Gemini no próprio Sheets para tarefas mais simples, ou usar o data canvas no lado do analista para as investigações mais profundas. São públicos e ferramentas diferentes.
Erros comuns
- Tratar o data canvas como ferramenta de negócio. A documentação diz o contrário: é para profissionais de dados.
- Assumir ligação nativa com o Sheets. Não está descrita; planeje a carga dos dados no BigQuery.
- Ignorar as limitações declaradas. Campos aninhados, JSON e tipos complexos de data e hora costumam falhar.
- Descuidar dos metadados. A busca em linguagem natural depende do Knowledge Catalog; metadados ruins geram respostas ruins.
- Esquecer a visibilidade dos assets de código. Permissões de Dataform podem expor canvases para além de quem os criou.
Perguntas frequentes
O BigQuery data canvas é o mesmo que o Gemini no Google Sheets?
Não. O data canvas é um recurso do Gemini no BigQuery, voltado a profissionais de dados e apoiado no BigQuery Studio. A integração com o Sheets é outra superfície, e a documentação do data canvas não descreve ligação nativa entre os dois.
Dá para usar sem saber SQL?
A documentação afirma que não é necessário conhecimento técnico de ferramentas específicas, apenas familiaridade básica com leitura e escrita de SQL. Na prática, entender SQL ajuda a validar o que o Gemini gera.
Quais permissões eu preciso?
Gemini no BigQuery habilitado no projeto e as funções BigQuery Studio User e Gemini for Google Cloud User, conforme a documentação.
Ele funciona com dados de faturamento aninhados?
Campos aninhados e repetidos estão na lista de casos em que comandos em linguagem natural podem não funcionar bem. Vale testar com o seu modelo de dados.
Preciso habilitar algo além do BigQuery?
Para gerenciar metadados de data canvas no Knowledge Catalog, a documentação pede que a API Dataplex esteja habilitada no projeto, além das funções necessárias.
Fontes e leitura recomendada
- Analyze with BigQuery data canvas, Google Cloud: definição, capacidades, requisitos, tipos de nó e limitações.
- Prompting best practices, Google Cloud: recomendações oficiais para escrever prompts no data canvas.
- Visão geral de consultas no BigQuery, Google Cloud: como o BigQuery executa e organiza consultas.
- Dataplex Universal Catalog, Google Cloud: a base de metadados que a busca em linguagem natural usa.
- Sintaxe de consulta SQL padrão no BigQuery, Google Cloud: referência da linguagem que o Gemini gera.
- Integrações do Gemini no IA Mágica: panorama das conexões do Google com IA.
