GCP - Looker e Looker Studio

O GCP oferece duas ferramentas de BI com propósitos distintos: Looker é uma plataforma empresarial de dados com camada semântica própria, e Looker Studio é uma ferramenta de dashboards self-service, gratuita e acessível diretamente no navegador.

Diferenças entre Looker e Looker Studio

	Looker	Looker Studio
Público-alvo	Engenheiros e analistas de dados	Analistas e usuários de negócio
Modelo de dados	LookML (camada semântica centralizada)	Direto na fonte, sem camada semântica
Custo	Pago (licença enterprise)	Gratuito
Governança	Alta: métricas definidas em código	Baixa: cada dashboard define suas métricas
Conectores	Focado em warehouses (BigQuery, Snowflake…)	Mais de 800 conectores (Google Ads, Sheets, GA4…)
Embeddings e API	Sim, robusto	Limitado
Colaboração	Git-based (LookML é código)	Link de compartilhamento

Looker

LookML

LookML é a linguagem declarativa do Looker para definir a camada semântica: quais tabelas existem, como se relacionam, quais métricas são calculadas e como os campos são exibidos.

-- view: pedidos
view: pedidos {
  sql_table_name: `projeto.dataset.pedidos` ;;
 
  dimension: id {
    primary_key: yes
    type: number
    sql: ${TABLE}.id ;;
  }
 
  dimension_group: data_criacao {
    type: time
    timeframes: [date, week, month, year]
    sql: ${TABLE}.data_criacao ;;
  }
 
  dimension: status {
    type: string
    sql: ${TABLE}.status ;;
  }
 
  measure: total_pedidos {
    type: count
    drill_fields: [id, status]
  }
 
  measure: receita_total {
    type: sum
    sql: ${TABLE}.valor ;;
    value_format_name: brazilian_reais
  }
}

Explores e Joins

Um Explore expõe uma view (ou conjunto de views com joins) para que usuários possam montar queries na interface sem escrever SQL:

explore: pedidos {
  label: "Pedidos"
  join: clientes {
    type: left_outer
    sql_on: ${pedidos.cliente_id} = ${clientes.id} ;;
    relationship: many_to_one
  }
}

Vantagem central

A camada semântica garante que receita_total significa a mesma coisa em todo dashboard da empresa. Alterações na lógica são feitas em um único lugar (LookML) e propagadas automaticamente.

Integração com BigQuery

Looker executa queries diretamente no BigQuery (push-down completo). O BigQuery BI Engine pode ser ativado para acelerar queries frequentes com cache in-memory.

flowchart LR
    U["Usuário - Looker UI"] --> L["Looker - LookML Engine"]
    L -->|SQL gerado| BQ[BigQuery]
    BQ -->|resultados| L
    L --> U

Looker Studio

Ferramenta de dashboards self-service, gratuita, acessível em lookerstudio.google.com. Ideal para relatórios operacionais, apresentações executivas e exploração rápida de dados.

Conceitos

Fonte de dados: conexão com uma origem (BigQuery, Google Sheets, GA4, etc.)
Relatório: conjunto de páginas com gráficos, tabelas e filtros
Gráfico: componente visual vinculado a uma fonte de dados
Controle de filtro: interativo, permite que o leitor filtre o relatório sem editar

Conexão com BigQuery

flowchart LR
    LS[Looker Studio] -->|query| BQ[BigQuery]
    BQ -->|dados| LS
    LS --> D[Dashboard]

A conexão com BigQuery é nativa e usa as credenciais do usuário ou de uma Service Account. Campos calculados podem ser criados diretamente na fonte de dados:

-- Campo calculado (sintaxe Looker Studio)
CASE
  WHEN status = "ativo"   THEN "Verde"
  WHEN status = "inativo" THEN "Vermelho"
  ELSE "Amarelo"
END

Boas práticas

Usar tabelas materializadas ou views no BigQuery como fonte, evitando queries complexas diretamente no Looker Studio (cada refresh do dashboard dispara a query).
Ativar cache de fonte de dados para dashboards públicos ou com alto volume de acessos, reduzindo custo no BigQuery.
Preferir o BigQuery BI Engine para fontes que alimentam dashboards com muitos acessos simultâneos.
Criar campos calculados no BigQuery (views ou colunas computadas), não no Looker Studio, para garantir consistência entre relatórios.

Quando usar cada um

Looker: quando métricas de negócio precisam ser definidas de forma centralizada, há um time de analytics engineering mantendo LookML e os dados vêm principalmente de um warehouse.

Looker Studio: quando o objetivo é criar um dashboard rapidamente, o público é não técnico, os dados já estão prontos no BigQuery ou em ferramentas Google (Sheets, GA4, Ads) e não há necessidade de governança de métricas.

Ver também: gcp | gcp-bigquery | gcp-dataplex | gcp-boas-praticas

Second Brain

Explorer