Un motor de contexto que mejora por sí solo

La capa semántica de Basedash se construye con modelos. Un modelo es un dataset SQL reutilizable sobre una fuente de datos con metadatos semánticos: descripciones y sinónimos de columnas, medidas como el ingreso recurrente mensual, segmentos como las suscripciones activas, una columna de tiempo por defecto, una granularidad, indicaciones de uso y relaciones con otros modelos. Los modelos aparecen como tablas virtuales de solo lectura que consultas por su nombre de referencia, como models.subscriptions, y cada IA de Basedash recibe sus definiciones y su estado de verificación al responder.

Sí, junto a dbt. Conecta el almacén donde dbt construye tus tablas y Basedash consulta esas tablas y vistas directamente. Las descripciones de tablas y columnas del almacén, incluidas las que dbt persiste allí, se leen automáticamente como contexto para la IA. Basedash no lee los archivos de proyecto de dbt, así que los equipos suelen construir modelos sobre sus marts de dbt para agregar las medidas, los segmentos y las relaciones que usan los agentes, y pueden gestionarlos desde CI con la API REST.

Defínela como una medida en un modelo. Una medida es una expresión de agregado con nombre, como SUM(monthly_amount) para el ingreso recurrente mensual, y un segmento es un filtro con nombre, como status = 'active'. Mantén el SQL del modelo a nivel de fila, una fila por suscripción por ejemplo, y elige una columna de tiempo por defecto para que la IA pueda agrupar la métrica por día, semana o mes. Escríbelas a mano, o describe la métrica y deja que la IA redacte el SQL, las medidas y los segmentos para que los revises.

Sí. El SQL de un modelo puede limpiar, unir, renombrar y reorganizar tablas crudas en datasets listos para el análisis, y un modelo puede unir otros modelos y tablas de la misma fuente de datos. Cada modelo se ejecuta en el dialecto SQL nativo de su fuente. Para modelar herramientas SaaS como Stripe y HubSpot juntas, sincronízalas en Basedash Warehouse, donde cada una llega a su propio esquema en una misma fuente, y construye los modelos encima.

Sin modelos, una IA reconstruye la lógica de negocio desde las tablas crudas en cada pregunta, y las pequeñas diferencias se acumulan: un filtro olvidado, un join equivocado, ingresos contados dos veces. Con modelos, Basedash da a sus agentes las medidas, los segmentos, la granularidad, las relaciones, los sinónimos y el estado de verificación de cada modelo. La IA reutiliza las expresiones de medida en el SELECT y las de segmento en el WHERE, sigue las relaciones declaradas para evitar filas duplicadas en los joins y prefiere los modelos verificados cuando varios podrían responder.

Los miembros pueden ver y editar los modelos de las fuentes de datos a las que tienen acceso, y las reglas de acceso por fila y por objeto siguen filtrando el SQL y los metadatos que ve cada persona. Cada cambio de SQL o de metadatos semánticos crea una versión que puedes revisar y restaurar desde el historial. Solo los admins de la organización pueden verificar un modelo, y editar su SQL, columnas, medidas, segmentos o columna de tiempo por defecto quita la verificación hasta que un admin revise la nueva versión.

Los modelos contienen lógica ejecutable: datasets SQL, medidas y segmentos que cualquier consulta puede reutilizar, para que los números salgan siempre iguales. Los skills contienen criterio: playbooks en lenguaje natural, como la forma en que finanzas reporta el ingreso o cómo leer un experimento, que la IA carga cuando una solicitud los necesita. La mayoría de los equipos usa ambos: modelos para qué calcular y skills para cómo analizarlo y presentarlo.