Com a Análise de Conversação, os usuários podem consultar dados modelados em LookML fazendo perguntas em linguagem natural em uma instância do Looker. Os usuários podem consultar dados das seguintes maneiras:
- Iniciar uma conversa com uma Análise própria do Looker baseada em um modelo do LookML
- Iniciar uma conversa com um agente de dados conectado a até cinco análises do Looker
Este guia oferece estratégias e práticas recomendadas para ajudar os desenvolvedores do LookML a configurar e otimizar a Análise de conversas. Neste guia, abordamos os seguintes tópicos:
- Práticas recomendadas de LookML para a Análise Conversacional
- Quando adicionar contexto à LookML em vez da Análise Conversacional
- Práticas recomendadas para configurar uma análise detalhada para uso com a Análise Conversacional
Ao preparar seu modelo LookML e a Análise de Conversação, você pode aumentar a adoção pelos usuários e garantir que eles recebam respostas precisas e úteis para as perguntas.
Saiba como e quando o Gemini para Google Cloud usa seus dados.
Práticas recomendadas de LookML para Análise Conversacional
A Análise de conversação interpreta perguntas em linguagem natural usando duas entradas principais:
O modelo do LookML: a análise de conversação analisa a estrutura, os campos (dimensões, métricas), os rótulos, as descrições e os sinônimos definidos no modelo do LookML que embasa a Análise do Looker.
Valores de campo distintos: a Análise de conversas examina os valores de dados nos campos (especificamente, dimensões de string e sinônimos) para identificar as categorias e entidades disponíveis que os usuários podem consultar. A cardinalidade (o número de valores únicos) pode influenciar como esses valores são usados.
A eficácia da análise de dados de conversação está diretamente ligada à qualidade e à clareza dessas duas entradas. A tabela a seguir contém maneiras comuns de uma LookML pouco clara ou ambígua afetar negativamente a análise de conversas, além de soluções para melhorar a saída e a experiência do usuário.
| Problema comum de qualidade da LookML | Solução para análises de conversação mais claras |
|---|---|
| Falta de clareza:campos sem rótulos ou descrições claras são ambíguos para a análise de conversas e para os usuários. | Use rótulos claros:use o parâmetro label para dar aos campos nomes intuitivos e adequados para empresas que os usuários provavelmente usarão nas perguntas. |
| Excesso de campos:expor muitos campos, especialmente IDs internos (chaves primárias), campos duplicados herdados de junções ou campos de cálculo intermediário, pode prejudicar as opções disponíveis para a Análise de dados de conversação. | Ocultar campos irrelevantes:verifique se todas as chaves primárias, chaves estrangeiras, campos redundantes de junções e campos puramente técnicos permanecem ocultos. (Opcional) Estender as análises detalhadas:se a sua análise detalhada tiver muitos campos, crie uma que estenda uma já existente. Assim, você pode personalizar uma versão dedicada de conteúdo popular para a Análise de dados de conversação sem modificar as análises detalhadas que outros conteúdos podem usar. |
| Conflitos de nomenclatura:vários campos com nomes ou rótulos semelhantes ou idênticos em diferentes visualizações na análise detalhada podem levar à seleção incorreta de campos. | Escreva descrições detalhadas:elas fornecem contexto essencial para o Conversational Analytics. Use o parâmetro description para as seguintes tarefas:
Por exemplo, um campo com o rótulo |
| Complexidade oculta:depender muito de campos personalizados ou cálculos de tabela no nível do painel significa que a lógica de negócios potencialmente crítica não estará acessível às Análises de conversação. | Incorpore lógica personalizada:identifique campos personalizados ou cálculos de tabela importantes e usados com frequência. Converta a lógica desses campos em dimensões e métricas do LookML para que a Análise de conversas possa usá-las. |
Dados desorganizados:os seguintes tipos de dados inconsistentes ou mal estruturados dificultam a interpretação precisa das consultas pela Análise de conversas.
|
Qualidade dos dados de endereço:sempre que possível, sinalize problemas de qualidade dos dados (valores, tipos, fusos horários inconsistentes) identificados durante a curadoria. Trabalhe com equipes de engenharia de dados para limpar os dados de origem ou aplique transformações na camada de ETL/modelagem de dados. |
Para mais práticas recomendadas de como escrever LookML limpo e eficiente, consulte a seguinte documentação:
- Prática recomendada: o que fazer e o que não fazer com o LookML
- Prática recomendada: criar uma experiência positiva para os usuários do Looker
- Prática recomendada: escrever LookML sustentável e fácil de manter
Quando adicionar contexto à LookML ou à Análise Conversacional
Na Análise de dados de conversação, é possível adicionar entradas de contexto, como sinônimos de campo e descrições, tanto à LookML quanto às instruções do agente. Ao decidir onde adicionar contexto, siga estas orientações: o contexto que é sempre verdadeiro deve ser adicionado diretamente ao seu modelo LookML. As Análises do Looker podem ser usadas em vários lugares, incluindo painéis e Análise de Conversação. Portanto, o contexto aplicado no LookML precisa ser válido para todos os usuários que vão interagir com os dados.
O contexto do agente precisa ser qualitativo e focado no usuário. Além disso, pode haver muitos agentes atendendo a usuários diferentes em uma Análise. Veja exemplos de contexto que devem ser incluídos nas instruções do agente, mas não na LookML:
- Quem é o usuário que está interagindo com o agente? Quais são as funções dessas pessoas? Eles são internos ou externos à empresa? Qual é a experiência anterior deles com análise de dados?
- Qual é o objetivo do usuário? Que tipo de decisão eles querem tomar no final da conversa?
- Quais são alguns tipos de perguntas que esse usuário vai fazer?
- Quais são os principais campos específicos para esse usuário? Quais campos ele nunca vai precisar usar?
Práticas recomendadas para configurar uma análise detalhada para uso com a Análise Conversacional
Para ajudar a Análise Conversacional a fornecer as respostas mais úteis, siga estas práticas recomendadas ao definir suas análises detalhadas para usar como fonte de dados:
- Na LookML da análise detalhada, defina apenas os campos úteis para a análise dos usuários finais.
- Dê um nome claro e conciso para cada campo.
- Dê a cada campo uma descrição clara, incluindo valores de exemplo quando relevante. Essas descrições de campo estão incluídas no comando enviado ao Conversational Analytics e podem ser úteis para fornecer contexto. Os valores de amostra são especialmente úteis para campos de string.