Best practice per la configurazione dell'analisi conversazionale in Looker

Analisi conversazionale consente agli utenti di eseguire query sui dati modellati in LookML ponendo domande in linguaggio naturale all'interno di un'istanza di Looker. Gli utenti possono eseguire query sui dati nei seguenti modi:

Questa guida fornisce strategie e best practice per aiutare gli sviluppatori LookML a configurare e ottimizzare correttamente Analisi conversazionale. Questa guida tratta i seguenti argomenti:

Preparando il modello LookML e Analisi conversazionale, puoi aumentare l'adozione da parte degli utenti e assicurarti che ricevano risposte accurate e utili alle loro domande.

Scopri come e quando Gemini for Google Cloud utilizza i tuoi dati.

Best practice di LookML per Analisi conversazionale

Analisi conversazionale interpreta le domande in linguaggio naturale sfruttando due input principali:

  1. Il modello LookML: Analisi conversazionale analizza la struttura, i campi (dimensioni, metriche), le etichette, le descrizioni e i sinonimi definiti nel modello LookML sottostante all'esplorazione di Looker.

  2. Valori dei campi distinti: Analisi conversazionale esamina i valori dei dati all'interno dei campi (in particolare, le dimensioni stringa e i sinonimi) per identificare le categorie e le entità disponibili su cui gli utenti potrebbero porre domande. La cardinalità (il numero di valori unici) può influenzare il modo in cui vengono utilizzati questi valori.

L'efficacia di Analisi conversazionale è direttamente correlata alla qualità e alla chiarezza di questi due input. La tabella seguente contiene i modi comuni in cui LookML non chiaro o ambiguo può influire negativamente su Analisi conversazionale, insieme alle soluzioni per migliorare l'output e l'esperienza utente.

Problema comune di qualità di LookML Soluzione per un'analisi conversazionale più chiara
Mancanza di chiarezza: i campi che non hanno etichette o descrizioni chiare sono ambigui sia per Analisi conversazionale sia per i suoi utenti. Applica etichette chiare: utilizza il parametro label per assegnare ai campi nomi intuitivi e adatti all'attività che gli utenti probabilmente utilizzeranno nelle loro domande.
Eccessivo numero di campi: l'esposizione di troppi campi, in particolare ID interni (chiavi primarie), campi duplicati ereditati da join o campi di calcolo intermedi, può ingombrare le opzioni disponibili per Analisi conversazionale. Nascondi i campi non pertinenti: assicurati che tutte le chiavi primarie, le chiavi esterne, i campi ridondanti dei join e i campi puramente tecnici rimangano nascosti.

(Facoltativo) Estendi le esplorazioni: se l'esplorazione contiene un numero elevato di campi, valuta la possibilità di creare una nuova esplorazione che ne estenda una esistente. In questo modo, puoi personalizzare una versione dedicata dei contenuti più diffusi per Analisi conversazionale senza modificare le esplorazioni su cui potrebbero basarsi altri contenuti.
Conflitti di denominazione: più campi con nomi o etichette simili o identici in diverse visualizzazioni all'interno dell'esplorazione possono portare a una selezione errata dei campi. Scrivi descrizioni complete: le descrizioni forniscono un contesto fondamentale per Analisi conversazionale. Utilizza il paramet0}description per le seguenti attività:
  • Descrivi chiaramente il campo utilizzando il linguaggio naturale.
  • Includi terminologia o sinonimi specifici dell'azienda o del settore.
  • Spiega i calcoli o il contesto. Analisi conversazionale utilizza le descrizioni per identificare meglio i significati dei campi e mappare i termini degli utenti.

Ad esempio, un campo con l'etichetta user_count potrebbe avere la descrizione "Il numero totale di utenti unici che hanno visitato il sito web".

Standardizza la denominazione: esamina i nomi dei campi e le etichette per verificarne la coerenza e la chiarezza.
Carico del database non necessario: Analisi conversazionale utilizza il metodo Model field name suggestions dell'API Looker per recuperare i valori di esempio per i campi e scegliere il campo o il valore del filtro corretto per le query generate. Questi suggerimenti vengono estratti dal database, pertanto potrebbero essere lenti da compilare o comportare un carico non necessario. Utilizza LookML: puoi evitare del tutto la necessità di eseguire query API per recuperare i valori dei suggerimenti definendo i valori di esempio in LookML:
  • Utilizza il suggestions parametro per codificare in modo rigido un elenco di valori possibili per una dimensione, un campo filtro o un parametro.
  • Utilizza il suggest_explore parametro e il suggest_dimension parametro in combinazione per indicare ad Analisi conversazionale di eseguire query su una dimensione alternativa per i valori dei suggerimenti quando qualcuno utilizza un campo filter specifico o una dimensione di type: string per filtrare una query. Questo metodo può generare query più efficienti, soprattutto se il campo si trova in una tabella di grandi dimensioni.
Complessità nascosta: se ti affidi molto ai campi personalizzati a livello di dashboard o ai calcoli tabulari, la logica di business potenzialmente critica non sarà accessibile ad Analisi conversazionale. Incorpora la logica personalizzata: identifica i campi personalizzati o i calcoli tabulari importanti e di uso comune. Converti la logica di questi campi in dimensioni e metriche LookML in modo che Analisi conversazionale possa utilizzarli.
Dati disordinati: i seguenti tipi di dati incoerenti o mal strutturati rendono difficile per Analisi conversazionale interpretare le query in modo accurato.
  • Variazioni dei valori: le convenzioni di denominazione o di capitalizzazione incoerenti (ad esempio, una combinazione dei valori complete, Complete e COMPLETE) possono comportare la duplicazione dei dati o relazioni errate tra i dati in Analisi conversazionale.
  • Tipi di dati incoerenti: le colonne che devono essere numeriche e che contengono valori stringa occasionali forzano il tipo di campo a essere string, il che impedisce le operazioni numeriche.
  • Ambiguità del fuso orario: la mancanza di fusi orari standardizzati nei campi timestamp può comportare un filtraggio o un'aggregazione errati.
 Risolvi i problemi di qualità dei dati: se possibile, segnala i problemi di qualità dei dati (valori, tipi, fusi orari incoerenti) che identifichi durante la cura dei dati. Collabora con i team di data engineering per ripulire i dati di origine o applicare trasformazioni nel livello di modellazione ETL/dati.

Per altre best practice per la scrittura di LookML pulito ed efficiente, consulta la seguente documentazione:

Quando aggiungere il contesto a LookML rispetto ad Analisi conversazionale

In Analisi conversazionale, puoi aggiungere input di contesto, come sinonimi e descrizioni dei campi, sia a LookML sia all'interno delle istruzioni dell'agente. Quando decidi dove aggiungere il contesto, segui queste indicazioni: il contesto che è sempre vero deve essere aggiunto direttamente al modello LookML. Le esplorazioni di Looker possono essere utilizzate in più posizioni, tra cui dashboard e Analisi conversazionale, pertanto il contesto applicato in LookML deve essere valido per tutti i possibili utenti che interagiranno con i dati.

Il contesto dell'agente deve essere qualitativo e incentrato sull'utente e possono essere presenti molti agenti che servono utenti diversi da un'unica esplorazione. Di seguito sono riportati alcuni esempi di contesto che devono essere inclusi nelle istruzioni dell'agente, ma non in LookML:

  • Chi è l'utente che interagisce con l'agente? Che ruolo ricopre? È interno o esterno all'azienda? Qual è la sua esperienza di analisi precedente?
  • Qual è l'obiettivo dell'utente? Che tipo di decisione sta cercando di prendere alla fine della conversazione?
  • Quali sono alcuni tipi di domande che questo utente porrà?
  • Quali sono i campi principali specifici per questo utente? Quali sono i campi che questo utente non dovrà mai utilizzare?

Best practice per la configurazione di un'esplorazione da utilizzare con Analisi conversazionale

Per aiutare Analisi conversazionale a fornire le risposte più utili, ti consigliamo di seguire queste best practice quando definisci le esplorazioni da utilizzare come origine dati per Analisi conversazionale:

  • Nel LookML sottostante all'esplorazione, definisci solo i campi utili per l'analisi da parte degli utenti finali.
  • Assegna a ogni campo un nome chiaro e conciso.
  • Assegna a ogni campo una descrizione chiara, inclusi i valori di esempio, se pertinenti. Queste descrizioni dei campi sono incluse nel prompt inviato ad Analisi conversazionale e possono essere utili per fornire il contesto. I valori di esempio sono particolarmente utili per i campi stringa.