Chat
Posez des questions qui réutilisent du SQL approuvé.
Couche sémantique
Construisez une couche sémantique à partir de définitions SQL réutilisables pour vos métriques et modèles les plus importants. L'IA de Basedash peut les référencer sur le chat, les graphiques, les dashboards, les insights et les automatisations.
Essai de 14 jours. Carte bancaire non requise.
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
Définition
Un vocabulaire unique pour vos données, partagé par les personnes et l'IA.
Une couche sémantique est un ensemble centralisé de définitions de métriques et de logique métier qui se trouve entre vos données et tous ceux qui les interrogent. Plutôt que chaque dashboard, rapport et prompt IA redéfinisse ce qui compte comme revenu, utilisateur actif ou churn, la définition est écrite une fois et réutilisée partout — pour que chaque réponse arrive au même nombre.
Cela compte encore plus avec l'IA dans la boucle. Quand un modèle génère du SQL contre des tables brutes, il n'a aucun moyen de connaître vos règles métier et va les improviser. Basedash contraint son IA à des définitions gouvernées, pour que les réponses dans le chat, les dashboards, les insights et les automatisations restent cohérentes plutôt que de dériver requête par requête. Contrairement à des couches autonomes comme dbt Semantic Layer ou Cube, elle est intégrée à l'outil de BI lui-même — du SQL pur, sans infrastructure de modélisation séparée à déployer.
Pourquoi c'est important
Sauvegardez le SQL exact une fois. Référencez-le partout avec une seule ligne.
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)
Couverture
La couche sémantique suit le travail que votre équipe fait déjà dans Basedash.
Graphiques
Générez des visualisations à partir de modèles de confiance.
Tableaux de bord
Gardez chaque rapport sur le même calcul.
Insights
Repérez les tendances avec une logique de métriques cohérente.
Automatisations
Planifiez des rapports avec du SQL déterministe.
Éditeur SQL
Composez des définitions dans des requêtes plus larges.
Exemples
Commencez par les calculs qui apparaissent dans les dashboards, les rapports au conseil et le 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
Gouvernance
Une gouvernance des métriques de niveau Looker, gérée en SQL pur plutôt qu'en LookML.
La couche sémantique est plus que des snippets SQL réutilisables. C'est là que les équipes d'entreprise centralisent les métriques dont dépend l'activité, contrôlent qui peut les modifier, et gardent un historique auditable de chaque changement — le même socle de gouvernance que Looker fournit via LookML.
| Capacité de gouvernance | Looker LookML | Définitions Basedash |
|---|---|---|
| Source unique de vérité | Métriques modélisées une fois en LookML et réutilisées dans les Explores. | Métriques définies une fois en SQL et réutilisées sur chaque surface. |
| Propriété centralisée | L'équipe data possède le modèle ; les changements passent par une revue de code. | Les admins possèdent les définitions ; les membres peuvent les exécuter mais pas les modifier. |
| Historique des changements et audit | Versionné dans Git avec le reste du projet. | Chaque modification crée une version restaurable avec un historique complet. |
| Sens métier documenté | Descriptions et labels vivent dans les fichiers du modèle. | Chaque définition porte un nom, une référence et une description. |
| Logique IA et requêtes cohérente | Les Explores contraignent la façon dont les analystes interrogent les champs modélisés. | L'IA réutilise des définitions approuvées au lieu d'inventer du SQL. |
| Surfaces de réutilisation | Explores, Looks et dashboards. | Chat, graphiques, dashboards, insights, automatisations et l'éditeur SQL. |
| Périmètre d'accès | Les access grants et access filters scopent les champs modélisés. | Les définitions sont scopées par source de données sous les rôles du workspace. |
| Coût d'implémentation | Demande d'apprendre et de maintenir le langage de modélisation LookML. | Du SQL pur — pas de nouveau langage de modélisation à former ni à maintenir. |
Vous migrez depuis Looker ? Découvrez comment la continuité de gouvernance se transpose vers un outil de BI moderne, ou lisez le guide de migration Looker.
Couche sémantique, expliquée.
Qu'est-ce que la couche sémantique de Basedash ?
La couche sémantique de Basedash est alimentée par des définitions : des requêtes SQL enregistrées, scopées à une source de données. Chaque définition a un nom, un nom de référence, une description et une requête SQL que Basedash peut développer à l'intérieur d'autres requêtes.
Comment une couche sémantique garde-t-elle les définitions de métriques cohérentes entre équipes ?
Chaque graphique, dashboard, réponse de chat, insight et automatisation qui référence une définition résout vers le même SQL gouverné, donc deux équipes posant la même question obtiennent le même chiffre. Les admins possèdent les définitions, les membres peuvent les exécuter mais pas les modifier, et chaque changement est versionné — ce qui élimine le mode d'échec classique en BI de cinq dashboards rapportant cinq chiffres de revenu différents.
Devrions-nous utiliser une couche sémantique intégrée ou tout modéliser dans le warehouse ?
La modélisation en warehouse (vues ou modèles dbt) fonctionne bien pour les transformations lourdes, mais une logique métrique définie uniquement dans le warehouse est invisible pour l'IA de l'outil de BI et nécessite un déploiement d'ingénierie pour chaque changement. Une couche sémantique intégrée garde les définitions de métriques près de là où elles sont consommées, pour que l'IA puisse les référencer directement et que les admins puissent les mettre à jour sans release de pipeline. Beaucoup d'équipes utilisent les deux : dbt pour la transformation, les définitions Basedash pour les métriques gouvernées au-dessus.
Comment l'IA utilise-t-elle la couche sémantique ?
Basedash donne aux agents IA un catalogue de définitions pour les sources de données qu'ils utilisent. L'IA peut inspecter une définition, la référencer en SQL, ou créer et mettre à jour des définitions quand un admin demande une logique métrique réutilisable.
Comment référencer une définition en SQL ?
Utilisez une syntaxe Liquid comme {{ definition("mrr") }} dans une requête sur la même source de données. Nous recommandons de placer les définitions dans des CTE pour que la requête finale reste lisible.
En quoi la couche sémantique diffère-t-elle des skills ?
Ce sont du SQL déterministe. Les skills sont des instructions en prose pour l'IA. Utilisez les définitions quand le calcul lui-même doit être réutilisable, et les skills quand l'IA a besoin de conseils métier plus larges.
Comment la couche sémantique de Basedash se compare-t-elle au LookML de Looker pour la gouvernance ?
Elle offre la même gouvernance des métriques que les équipes attendent de LookML — une source de vérité unique, une propriété admin centralisée, un sens métier documenté, un historique de versions, et une IA qui ne réutilise que la logique approuvée — sans langage de modélisation séparé. Les définitions sont du SQL pur, donc l'équipe data gouverne les métriques avec le langage qu'elle utilise déjà plutôt que de maintenir du LookML.
Les définitions de métriques peuvent-elles être auditées et versionnées ?
Oui. Chaque changement au SQL ou à la description d'une définition crée une nouvelle version, et vous pouvez consulter l'historique complet ou restaurer une version précédente depuis l'historique des requêtes. Seuls les admins d'organisation peuvent créer, modifier, supprimer ou restaurer des définitions, pour que les changements de métriques restent gouvernés et auditables.
Nous pouvons vous aider à migrer vos données et tableaux de bord depuis n'importe quel outil.