Chat
Haz preguntas que reutilizan SQL aprobado.
Capa semántica
Construye una capa semántica a partir de definiciones SQL reutilizables para tus métricas y modelos más importantes. La IA de Basedash puede referenciarlas en chat, gráficos, dashboards, insights y automatizaciones.
Prueba de 14 días. Sin tarjeta de crédito.
Data / Production warehouse
Run definition
Definitions
Activation rate
activation_rate
Monthly recurring revenue
mrr
Qualified pipeline
qualified_pipeline
Cohort retention
cohort_retention
Activation rate
Users who complete onboarding within seven days of signup.
01 select date_trunc('week', signed_up_at) as week,
02 count(*) filter (where onboarded_at <= signed_up_at + interval '7 days')
03 / nullif(count(*), 0) as activation_rate
04 from users where email not like '%@basedash.com'
reference
activation_rate
latest week
42.8%
used by AI
Everywhere
Definición
Un vocabulario único para tus datos, compartido por personas y por la IA.
Una capa semántica es un conjunto centralizado de definiciones de métricas y lógica de negocio que se sitúa entre tus datos y todos los que los consultan. En lugar de que cada dashboard, informe y prompt de IA redefina qué cuenta como ingreso, usuario activo o churn, la definición se escribe una vez y se reutiliza en todas partes — así cada respuesta llega al mismo número.
Esto importa aún más con la IA en el bucle. Cuando un modelo genera SQL contra tablas sin procesar, no tiene forma de conocer tus reglas de negocio e improvisará. Basedash restringe su IA a definiciones gobernadas, para que las respuestas en chat, dashboards, insights y automatizaciones se mantengan consistentes en vez de desviarse consulta por consulta. A diferencia de capas independientes como dbt Semantic Layer o Cube, está integrada en la propia herramienta de BI — SQL puro, sin infraestructura de modelado separada que desplegar.
Por qué importa
Guarda el SQL exacto una vez. Referéncialo en todas partes con una sola línea.
01Define once
02Reference anywhere
Monthly recurring revenue
v12select date_trunc('month', period) as month,
sum(amount) filter (where recurring)
as mrr
from invoice_lines
where not is_trial and not is_credit
Admin-ownedmrr
Net revenue dashboardRan 2m ago
with mrr as (
{{ definition("mrr") }}
)
select * from mrr
$59K+24%($48K)
Cobertura
La capa semántica sigue el trabajo que tu equipo ya hace en Basedash.
Gráficos
Genera visualizaciones a partir de modelos de confianza.
Dashboards
Mantén cada informe sobre el mismo cálculo.
Insights
Detecta tendencias con una lógica de métricas consistente.
Automatizaciones
Programa informes con SQL determinista.
Editor SQL
Compón definiciones dentro de consultas más grandes.
Ejemplos
Empieza con los cálculos que aparecen en dashboards, informes de dirección y chat.
Definitions
3
Monthly recurring revenue
RevenueRecurring invoice lines, excluding trials and one-time credits.
{{ definition("mrr") }}2d ago
Activation rate
GrowthUsers who complete onboarding within seven days of signup.
{{ definition("activation_rate") }}5d ago
Cohort retention
ProductWeekly retained accounts by signup cohort and plan.
{{ definition("cohort_retention") }}1w ago
Gobernanza
Gobernanza de métricas de nivel Looker, gestionada en SQL puro en lugar de LookML.
La capa semántica es más que snippets de SQL reutilizables. Es donde los equipos empresariales centralizan las métricas de las que depende el negocio, controlan quién puede cambiarlas, y mantienen un registro auditable de cada cambio — el mismo respaldo de gobernanza que Looker ofrece a través de LookML.
| Capacidad de gobernanza | Looker LookML | Definiciones de Basedash |
|---|---|---|
| Una sola fuente de verdad | Métricas modeladas una vez en LookML y reutilizadas en Explores. | Métricas definidas una vez en SQL y reutilizadas en cada superficie. |
| Propiedad centralizada | El equipo de datos es dueño del modelo; los cambios pasan por code review. | Los admins poseen las definiciones; los miembros pueden ejecutarlas pero no editarlas. |
| Historial de cambios y auditoría | Versionado en Git junto al resto del proyecto. | Cada edición crea una versión restaurable con historial completo. |
| Significado de negocio documentado | Descripciones y etiquetas viven dentro de los archivos del modelo. | Cada definición lleva un nombre, una referencia y una descripción. |
| Lógica de IA y consultas consistente | Los Explores limitan cómo los analistas consultan los campos modelados. | La IA reutiliza definiciones aprobadas en lugar de inventar SQL. |
| Superficie de reutilización | Explores, Looks y dashboards. | Chat, gráficos, dashboards, insights, automatizaciones y el editor SQL. |
| Alcance de acceso | Access grants y access filters delimitan los campos modelados. | Las definiciones se delimitan por fuente de datos bajo los roles del workspace. |
| Costo de implementación | Requiere aprender y mantener el lenguaje de modelado LookML. | SQL puro: ningún lenguaje de modelado nuevo que formar ni mantener. |
¿Migras desde Looker? Descubre cómo la continuidad de gobernanza se traslada a una herramienta de BI moderna, o lee la guía de migración de Looker.
Capa semántica, explicada.
¿Qué es la capa semántica de Basedash?
La capa semántica de Basedash funciona con definiciones: consultas SQL guardadas y limitadas a una fuente de datos. Cada definición tiene un nombre, un nombre de referencia, una descripción y una consulta SQL que Basedash puede expandir dentro de otras consultas.
¿Cómo mantiene una capa semántica las definiciones de métricas consistentes entre equipos?
Cada gráfico, dashboard, respuesta de chat, insight y automatización que referencia una definición resuelve al mismo SQL gobernado, así que dos equipos que hacen la misma pregunta obtienen el mismo número. Los administradores son dueños de las definiciones, los miembros pueden ejecutarlas pero no editarlas, y cada cambio queda versionado — lo que elimina el clásico fallo de BI de cinco dashboards reportando cinco cifras de ingresos distintas.
¿Deberíamos usar una capa semántica integrada o modelar todo en el warehouse?
El modelado en warehouse (vistas o modelos dbt) funciona bien para transformaciones pesadas, pero la lógica de métricas definida solo en el warehouse es invisible para la IA de la herramienta de BI y requiere un despliegue de ingeniería por cada cambio. Una capa semántica integrada mantiene las definiciones de métricas cerca de donde se consumen, para que la IA pueda referenciarlas directamente y los administradores puedan actualizarlas sin un release de pipeline. Muchos equipos usan ambos: dbt para la transformación, definiciones de Basedash para las métricas gobernadas encima.
¿Cómo usa la IA la capa semántica?
Basedash le da a los agentes de IA un catálogo de definiciones para las fuentes de datos que están usando. La IA puede inspeccionar una definición, referenciarla en SQL, o crear y actualizar definiciones cuando un administrador pide lógica de métrica reutilizable.
¿Cómo referencio una definición en SQL?
Usa sintaxis Liquid como {{ definition("mrr") }} dentro de una consulta en la misma fuente de datos. Recomendamos colocar las definiciones dentro de CTEs para que la consulta final se mantenga legible.
¿En qué se diferencia la capa semántica de los skills?
Son SQL determinista. Los skills son instrucciones en prosa para la IA. Usa definiciones cuando el cálculo en sí debe ser reutilizable, y skills cuando la IA necesita orientación de negocio más amplia.
¿Cómo se compara la capa semántica de Basedash con el LookML de Looker en gobernanza?
Ofrece la misma gobernanza de métricas que los equipos esperan de LookML — una única fuente de verdad, propiedad centralizada de administradores, significado de negocio documentado, historial de versiones, e IA que solo reutiliza lógica aprobada — sin un lenguaje de modelado separado. Las definiciones son SQL puro, así que el equipo de datos gobierna las métricas con el lenguaje que ya usa en lugar de mantener LookML.
¿Se pueden auditar y versionar las definiciones de métricas?
Sí. Cada cambio al SQL o a la descripción de una definición crea una nueva versión, y puedes revisar el historial completo o restaurar una versión anterior desde el historial de consultas. Solo los administradores de la organización pueden crear, editar, eliminar o restaurar definiciones, así que los cambios de métricas se mantienen gobernados y auditables.
Podemos ayudarte a migrar tus datos y dashboards desde cualquier otra herramienta.