Praktik terbaik untuk mengonfigurasi Analisis Percakapan di Looker

Analisis Percakapan memungkinkan pengguna membuat kueri data yang dimodelkan di LookML dengan mengajukan pertanyaan dalam bahasa alami di dalam instance Looker. Pengguna dapat membuat kueri data dengan cara berikut:

Panduan ini memberikan strategi dan praktik terbaik untuk membantu developer LookML berhasil mengonfigurasi dan mengoptimalkan Analisis Percakapan. Panduan ini mencakup topik berikut:

Dengan menyiapkan model LookML dan Analisis Percakapan, Anda dapat meningkatkan adopsi pengguna dan memastikan bahwa pengguna mendapatkan jawaban yang akurat dan berguna atas pertanyaan mereka.

Pelajari cara dan waktu Gemini untuk Google Cloud menggunakan data Anda.

Praktik terbaik LookML untuk Analisis Percakapan

Analisis Percakapan menafsirkan pertanyaan bahasa alami dengan memanfaatkan dua input utama:

  1. Model LookML: Analisis Percakapan menganalisis struktur, kolom (dimensi, ukuran), label, deskripsi, dan sinonim yang ditentukan dalam model LookML yang mendasari Eksplorasi Looker.

  2. Nilai kolom yang berbeda: Analisis Percakapan memeriksa nilai data dalam kolom (khususnya, dimensi string dan sinonim) untuk mengidentifikasi kategori dan entitas yang tersedia yang mungkin ditanyakan oleh pengguna. Kardinalitas (jumlah nilai unik) dapat memengaruhi cara penggunaan nilai ini.

Efektivitas Analisis Percakapan terkait langsung dengan kualitas dan kejelasan kedua input ini. Tabel berikut berisi cara umum LookML yang tidak jelas atau ambigu dapat memengaruhi Analisis Percakapan secara negatif, beserta solusi untuk meningkatkan kualitas output dan pengalaman pengguna.

Masalah kualitas LookML umum Solusi untuk Analisis Percakapan yang lebih jelas
Kurang jelas: Kolom yang tidak memiliki label atau deskripsi yang jelas akan ambigu bagi Analisis Percakapan dan penggunanya. Terapkan label yang jelas: Gunakan parameter label untuk memberi kolom nama yang intuitif dan cocok untuk bisnis yang cenderung digunakan pengguna dalam pertanyaan mereka.
Pembengkakan kolom: Mengekspos terlalu banyak kolom, terutama ID internal (kunci utama), kolom duplikat yang diwarisi dari gabungan, atau kolom penghitungan perantara, dapat mengacaukan opsi yang tersedia untuk Analisis Konversasional. Sembunyikan kolom yang tidak relevan: Pastikan semua kunci utama, kunci asing, kolom berlebihan dari gabungan, dan kolom teknis murni tetap tersembunyi.

(Opsional) Perluas Eksplorasi: Jika Eksplorasi Anda berisi banyak kolom, pertimbangkan untuk membuat Eksplorasi baru yang memperluas Eksplorasi yang ada. Dengan begitu, Anda dapat menyesuaikan versi khusus konten populer untuk Analytics Percakapan tanpa mengubah Eksplorasi yang mungkin digunakan oleh konten lain.
Konflik penamaan: Beberapa kolom yang memiliki nama atau label serupa atau identik di berbagai tampilan dalam Eksplorasi dapat menyebabkan pemilihan kolom yang salah. Tulis deskripsi yang menyeluruh: Deskripsi memberikan konteks penting untuk Analisis Percakapan. Gunakan parameter description untuk tugas berikut:
  • Jelaskan kolom dengan jelas menggunakan bahasa alami.
  • Sertakan terminologi atau sinonim khusus perusahaan atau industri.
  • Jelaskan perhitungan atau konteks. Conversational Analytics menggunakan deskripsi untuk mengidentifikasi arti kolom dengan lebih baik dan memetakan istilah pengguna.

Misalnya, kolom yang memiliki label user_count dapat memiliki deskripsi "Total jumlah pengguna unik yang mengunjungi situs."

Standardisasi penamaan: Tinjau nama kolom dan label untuk memastikan konsistensi dan kejelasan.
Beban database yang tidak perlu: Analisis Percakapan menggunakan metode Saran nama kolom model Looker API untuk mengambil nilai sampel untuk kolom dan memilih nilai kolom atau filter yang benar untuk kueri yang dihasilkan. Saran ini diambil dari database sehingga mungkin lambat diisi atau dapat menimbulkan beban yang tidak perlu. Manfaatkan LookML: Anda dapat menghindari kebutuhan untuk menjalankan kueri API guna mengambil nilai saran sepenuhnya dengan menentukan nilai sampel di LookML:
  • Gunakan parameter suggestions untuk meng-hardcode daftar kemungkinan nilai untuk dimensi, kolom filter, atau parameter.
  • Gunakan parameter suggest_explore dan parameter suggest_dimension secara bersamaan untuk memberi tahu Analisis Percakapan agar mengkueri dimensi alternatif untuk nilai saran saat seseorang menggunakan kolom filter tertentu atau dimensi type: string untuk memfilter kueri. Metode ini dapat menghasilkan kueri yang lebih efisien, terutama jika kolom berada dalam tabel besar.
Kompleksitas tersembunyi: Sangat mengandalkan kolom kustom tingkat dasbor atau kalkulasi tabel berarti logika bisnis yang berpotensi penting tidak akan dapat diakses oleh Analisis Percakapan. Menggabungkan logika kustom: Identifikasi kolom kustom atau kalkulasi tabel yang penting dan umum digunakan. Konversi logika untuk kolom ini menjadi dimensi dan ukuran LookML agar Conversational Analytics dapat menggunakannya.
Data yang tidak teratur: Jenis data yang tidak konsisten atau tidak terstruktur dengan baik berikut membuat Analisis Percakapan sulit menafsirkan kueri secara akurat.
  • Variasi nilai: Kapitalisasi atau konvensi penamaan yang tidak konsisten (misalnya, campuran nilai complete, Complete, dan COMPLETE) dapat menyebabkan duplikasi data atau hubungan data yang salah dalam Analisis Percakapan.
  • Jenis data yang tidak konsisten: Kolom yang seharusnya berupa numerik dan yang berisi nilai string sesekali akan memaksa jenis kolom menjadi string, yang mencegah operasi numerik.
  • Ambiguitas zona waktu: Kurangnya zona waktu standar di kolom stempel waktu dapat menyebabkan pemfilteran atau penggabungan yang salah.
 Mengatasi kualitas data: Jika memungkinkan, tandai masalah kualitas data (nilai, jenis, zona waktu yang tidak konsisten) yang Anda identifikasi selama kurasi data. Bekerja sama dengan tim data engineering untuk membersihkan data sumber atau menerapkan transformasi di lapisan pemodelan data/ETL.

Untuk mengetahui praktik terbaik lainnya dalam menulis LookML yang bersih dan efisien, lihat dokumentasi berikut:

Kapan harus menambahkan konteks ke LookML versus Analisis Percakapan

Di Analisis Percakapan, Anda dapat menambahkan input konteks, seperti sinonim dan deskripsi kolom, baik ke LookML maupun di dalam petunjuk agen. Saat Anda memutuskan tempat untuk menambahkan konteks, terapkan panduan berikut: Konteks yang selalu benar harus ditambahkan langsung ke model LookML Anda. Eksplorasi Looker dapat digunakan di beberapa tempat, termasuk di dasbor dan Analisis Percakapan, sehingga konteks yang diterapkan di LookML harus berlaku untuk semua kemungkinan pengguna yang akan berinteraksi dengan data.

Konteks agen harus bersifat kualitatif dan berfokus pada pengguna, dan ada banyak agen yang melayani pengguna yang berbeda dari satu Eksplorasi. Contoh konteks yang harus disertakan dalam petunjuk agen, tetapi tidak dalam LookML, adalah sebagai berikut:

  • Siapa pengguna yang berinteraksi dengan agen? Apa peran mereka? Apakah mereka berasal dari dalam atau luar perusahaan? Apa pengalaman analisis mereka sebelumnya?
  • Apa tujuan pengguna? Jenis keputusan apa yang ingin mereka buat di akhir percakapan?
  • Apa saja jenis pertanyaan yang akan diajukan pengguna ini?
  • Apa saja kolom teratas yang khusus untuk pengguna ini? Apa saja kolom yang tidak akan pernah perlu digunakan oleh pengguna ini?

Praktik terbaik untuk menyiapkan Eksplorasi yang akan digunakan dengan Analisis Percakapan

Untuk membantu Analisis Percakapan memberikan jawaban yang paling bermanfaat, pertimbangkan untuk mengikuti praktik terbaik berikut saat menentukan Eksplorasi yang akan digunakan sebagai sumber data untuk Analisis Percakapan:

  • Di LookML pokok Eksplorasi Anda, tentukan hanya kolom yang berguna untuk analisis oleh pengguna akhir.
  • Beri setiap kolom nama yang jelas dan ringkas.
  • Berikan deskripsi yang jelas untuk setiap kolom, termasuk contoh nilai jika relevan. Deskripsi kolom ini disertakan dalam perintah yang dikirim ke Conversational Analytics, dan dapat berguna untuk memberikan konteks. Nilai contoh sangat membantu untuk kolom string.