Chat
Faça perguntas que reutilizam SQL aprovado.
Camada semântica
Construa uma camada semântica a partir de definições SQL reutilizáveis para suas métricas e modelos mais importantes. A IA do Basedash pode referenciá-las no chat, gráficos, dashboards, insights e automações.
Teste de 14 dias. Sem cartão 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
Definição
Um vocabulário único para seus dados, compartilhado por pessoas e IA.
Uma camada semântica é um conjunto centralizado de definições de métricas e lógica de negócio que fica entre seus dados e todos que os consultam. Em vez de cada dashboard, relatório e prompt de IA redefinir o que conta como receita, usuário ativo ou churn, a definição é escrita uma vez e reutilizada em todo lugar — então toda resposta chega ao mesmo número.
Isso importa ainda mais com a IA no processo. Quando um modelo gera SQL contra tabelas brutas, ele não tem como saber suas regras de negócio e vai improvisá-las. O Basedash restringe sua IA a definições governadas, para que as respostas no chat, nos dashboards, nos insights e nas automações permaneçam consistentes em vez de se desviarem consulta por consulta. Diferente de camadas independentes como o dbt Semantic Layer ou o Cube, ela é integrada à própria ferramenta de BI — SQL puro, sem infraestrutura de modelagem separada para implantar.
Por que isso importa
Salve o SQL exato uma vez. Referencie-o em todo lugar com uma única linha.
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
A camada semântica acompanha o trabalho que seu time já faz no Basedash.
Gráficos
Gere visualizações a partir de modelos confiáveis.
Dashboards
Mantenha cada relatório no mesmo cálculo.
Insights
Encontre tendências com lógica de métricas consistente.
Automações
Agende relatórios com SQL determinístico.
Editor SQL
Compose definições dentro de consultas maiores.
Exemplos
Comece com os cálculos que aparecem em dashboards, relatórios para a diretoria e 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
Governança
Governança de métricas de nível Looker, gerenciada em SQL puro em vez de LookML.
A camada semântica é mais do que snippets de SQL reutilizáveis. É onde times empresariais centralizam as métricas das quais o negócio depende, controlam quem pode alterá-las, e mantêm um registro auditável de cada mudança — o mesmo suporte de governança que o Looker fornece via LookML.
| Capacidade de governança | Looker LookML | Definições Basedash |
|---|---|---|
| Fonte única da verdade | Métricas modeladas uma vez em LookML e reutilizadas nos Explores. | Métricas definidas uma vez em SQL e reutilizadas em cada superfície. |
| Propriedade centralizada | O time de dados é dono do modelo; mudanças passam por code review. | Admins são donos das definições; membros podem executá-las, mas não editá-las. |
| Histórico de mudanças e auditoria | Versionado no Git junto com o resto do projeto. | Cada edição cria uma versão restaurável com histórico completo. |
| Significado de negócio documentado | Descrições e labels vivem nos arquivos do modelo. | Cada definição carrega um nome, uma referência e uma descrição. |
| Lógica de IA e consultas consistente | Explores restringem como analistas consultam campos modelados. | A IA reutiliza definições aprovadas em vez de inventar SQL. |
| Superfície de reuso | Explores, Looks e dashboards. | Chat, gráficos, dashboards, insights, automações e o editor SQL. |
| Escopo de acesso | Access grants e access filters delimitam campos modelados. | As definições são delimitadas por fonte de dados sob os papéis do workspace. |
| Custo de implementação | Exige aprender e manter a linguagem de modelagem LookML. | SQL puro — nenhuma linguagem de modelagem nova para treinar ou manter. |
Migrando do Looker? Veja como a continuidade de governança se mapeia para uma ferramenta de BI moderna, ou leia o guia de migração do Looker.
Camada semântica, explicada.
O que é a camada semântica do Basedash?
A camada semântica do Basedash é alimentada por definições: consultas SQL salvas e restritas a uma fonte de dados. Cada definição tem um nome, um nome de referência, uma descrição e uma consulta SQL que o Basedash pode expandir dentro de outras consultas.
Como uma camada semântica mantém as definições de métricas consistentes entre times?
Todo gráfico, dashboard, resposta de chat, insight e automação que referencia uma definição resolve para o mesmo SQL governado, então dois times fazendo a mesma pergunta obtêm o mesmo número. Admins são proprietários das definições, membros podem executá-las mas não editá-las, e toda mudança é versionada — o que elimina o clássico problema de BI de cinco dashboards reportando cinco números de receita diferentes.
Devemos usar uma camada semântica integrada ou modelar tudo no warehouse?
A modelagem no warehouse (views ou modelos dbt) funciona bem para transformações pesadas, mas a lógica de métricas definida só no warehouse é invisível para a IA da ferramenta de BI e exige um deploy de engenharia para cada mudança. Uma camada semântica integrada mantém as definições de métricas perto de onde são consumidas, para que a IA possa referenciá-las diretamente e os admins possam atualizá-las sem um release de pipeline. Muitos times usam ambos: dbt para a transformação, definições do Basedash para as métricas governadas por cima.
Como a IA usa a camada semântica?
O Basedash dá aos agentes de IA um catálogo de definições para as fontes de dados que estão usando. A IA pode inspecionar uma definição, referenciá-la em SQL, ou criar e atualizar definições quando um admin pede lógica de métrica reutilizável.
Como eu referencio uma definição em SQL?
Use sintaxe Liquid como {{ definition("mrr") }} dentro de uma consulta na mesma fonte de dados. Recomendamos colocar definições dentro de CTEs para que a consulta final permaneça legível.
Qual a diferença entre a camada semântica e os skills?
Elas são SQL determinístico. Skills são instruções em prosa para a IA. Use definições quando o próprio cálculo deve ser reutilizável, e skills quando a IA precisa de orientação de negócio mais ampla.
Como a camada semântica do Basedash se compara ao LookML do Looker em governança?
Ela entrega a mesma governança de métricas que os times esperam do LookML — uma única fonte de verdade, propriedade centralizada de admins, significado de negócio documentado, histórico de versões, e IA que só reutiliza lógica aprovada — sem uma linguagem de modelagem separada. Definições são SQL puro, então o time de dados governa métricas com a linguagem que já usa em vez de manter LookML.
As definições de métricas podem ser auditadas e versionadas?
Sim. Toda mudança no SQL ou na descrição de uma definição cria uma nova versão, e você pode revisar o histórico completo ou restaurar uma versão anterior a partir do histórico de consultas. Só admins da organização podem criar, editar, excluir ou restaurar definições, então mudanças de métricas permanecem governadas e auditáveis.
Podemos ajudar você a migrar dados e dashboards de qualquer outra ferramenta.