Wat is het?

Het analyseren van grote datasets uit BigQuery binnen Google Sheets is voor veel ondernemers al een krachtige manier om inzicht te krijgen in bedrijfsprocessen. Met de nieuwe feature anomaly detection in Connected Sheets wordt dit proces naar een hoger niveau getild. Deze functionaliteit stelt je in staat om automatisch onregelmatigheden en uitschieters in tijdreeksgegevens (time-series data) te identificeren. Waar je voorheen complexe SQL-queries moest schrijven of externe modellen moest trainen, doet Google nu het zware werk voor je.

info
Anomaly detection maakt gebruik van geavanceerde technologieën zoals BigQuery ML en TimesFM. Omdat het een 'zero-shot' analyse betreft, hoef je geen modellen te trainen op je eigen data. De AI herkent direct patronen en wijkt daarvan af wanneer er sprake is van een statistische anomalie, waardoor je direct actie kunt ondernemen op basis van je inzichten.

Belangrijkste kenmerken

boltGeen SQL nodig
Configureer je analyse via een overzichtelijke zijbalk in Google Sheets zonder één regel code te schrijven.
auto_awesomeZero-shot AI
Direct bruikbare inzichten dankzij TimesFM, zonder dat je zelf tijd hoeft te steken in het trainen van machine learning modellen.

Wat is de impact?

De impact van deze innovatie op je dagelijkse bedrijfsvoering is aanzienlijk. In plaats van uren handmatig door Excel-sheets of dashboards te spitten om afwijkingen in verkoopcijfers, voorraadniveaus of websiteverkeer te zoeken, word je nu proactief gewezen op de momenten dat het 'normale' patroon wordt doorbroken.

info
Ten eerste bespaar je kostbare tijd. Door het automatiseren van de detectie van afwijkingen, verschuift de focus van het vinden van fouten naar het oplossen ervan. Dit verhoogt de operationele efficiëntie direct, omdat je niet meer afhankelijk bent van data-analisten voor elke simpele vraag over je cijfers.

Ten tweede verhoog je de datakwaliteit. Door onregelmatigheden sneller te identificeren, kun je de oorzaak van datavervuiling of processtoringen sneller achterhalen. Dit voorkomt dat je strategische beslissingen baseert op vertekende of foutieve informatie.

Tot slot versterkt het de integratie tussen Google Workspace en BigQuery. Je houdt je data-analyse in de vertrouwde interface van Google Sheets, waardoor de drempel voor medewerkers om met complexe data te werken aanzienlijk verlaagt. Het is 'data science' voor iedereen, direct in je spreadsheet.

Voor wie is het?

Deze tool is ideaal voor organisaties die werken met grote hoeveelheden data in BigQuery en de behoefte hebben aan snelle, begrijpelijke rapportages. Het is met name relevant voor:

  • check_circleData-analisten die hun workflow willen versnellen zonder SQL-vertragingen.
  • check_circleSalesmanagers die ongebruikelijke patronen in verkoopdata direct willen signaleren.
  • check_circleFinancieel medewerkers die budgetafwijkingen of onregelmatige uitgavenpatronen willen monitoren.
  • check_circleOperationele managers die voorraad- of logistieke pieken en dalen willen verklaren.

Wanneer wordt het uitgerold?

Deze functionaliteit is inmiddels beschikbaar voor zowel Rapid Release als Scheduled Release domeinen. Je kunt dus direct aan de slag in je Google Sheets-omgeving.

Wat moet je doen?

Om gebruik te maken van deze nieuwe functie, doorloop je de volgende stappen:

1
Stap 1: Verbinding maken
Open je Google Sheet en zorg dat je verbonden bent met de betreffende BigQuery-tabel via Connected Sheets.
2
Stap 2: Analyse starten
Ga in het menu naar de instellingen van je Connected Sheet en selecteer de optie voor anomaly detection.
3
Stap 3: Configuratie
Gebruik het zijpaneel om de tijdsperiode en drempelwaarden in te stellen. De standaardwaarde van 0,95 is voor de meeste toepassingen uitstekend.
4
Stap 4: Analyse uitvoeren
Klik op 'Analyseren' en bekijk de nieuwe kolommen met de `is_anomaly` indicator en de bijbehorende marges.

Achtergrond & context

Google blijft investeren in het democratiseren van AI. Door BigQuery ML naar de interface van Google Sheets te brengen, sluit Google de kloof tussen 'heavy duty' data-infrastructuur en de eindgebruiker. Het gebruik van TimesFM (Time Series Foundation Model) onderstreept de ambitie om complexe AI-toepassingen bruikbaar te maken voor dagelijks gebruik, zonder dat er een team van data-engineers nodig is.