Analisis Percakapan memungkinkan pengguna membuat kueri data yang dimodelkan di LookML dengan mengajukan pertanyaan dalam bahasa alami dalam instance Looker. Pengguna dapat membuat kueri data dengan cara berikut:
- Memulai percakapan dengan Eksplorasi Looker yang didasarkan pada model LookML
- Memulai percakapan dengan agen data yang terhubung ke maksimal lima Eksplorasi Looker
Panduan ini memberikan strategi dan praktik terbaik untuk membantu developer LookML berhasil mengonfigurasi dan mengoptimalkan Analisis Percakapan. Panduan ini mencakup topik berikut:
- Praktik terbaik LookML untuk Conversational Analytics
- Kapan harus menambahkan konteks ke LookML versus Analytics Percakapan
- Praktik terbaik untuk menyiapkan Eksplorasi yang akan digunakan dengan Analisis Percakapan
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:
Model LookML: Analisis Konversasional menganalisis struktur, kolom (dimensi, ukuran), label, deskripsi, dan sinonim yang ditentukan dalam model LookML yang mendasari Eksplorasi Looker.
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 pengguna. Kardinalitas (jumlah nilai unik) dapat memengaruhi cara nilai ini digunakan.
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 mudah dipahami 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 Percakapan. | Menyembunyikan kolom yang tidak relevan: Pastikan semua kunci utama, kunci asing, kolom berlebihan dari gabungan, dan kolom teknis murni tetap tersembunyi. (Opsional) Memperluas 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 Analisis Percakapan tanpa mengubah Eksplorasi yang mungkin mengandalkan 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 lengkap: Deskripsi memberikan konteks penting untuk Analisis Percakapan. Gunakan parameter description untuk tugas berikut:
Misalnya, kolom yang memiliki label |
| Kompleksitas tersembunyi: Sangat mengandalkan kolom kustom tingkat dasbor atau penghitungan tabel berarti logika bisnis yang berpotensi penting tidak akan dapat diakses oleh Analytics 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 Analisis Percakapan dapat menggunakannya. |
Data yang tidak rapi: Jenis data yang tidak konsisten atau tidak terstruktur dengan baik berikut membuat Analisis Percakapan sulit menafsirkan kueri secara akurat.
|
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:
- Praktik terbaik: Hal yang boleh dan tidak boleh dilakukan dengan LookML
- Praktik terbaik: Menciptakan pengalaman positif bagi pengguna Looker
- Praktik terbaik: Menulis LookML yang berkelanjutan dan dapat dikelola
Kapan harus menambahkan konteks ke LookML versus Conversational Analytics
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? Keputusan seperti apa yang ingin mereka buat di akhir percakapan?
- Apa saja jenis pertanyaan yang akan diajukan pengguna ini?
- Apa kolom teratas yang khusus untuk pengguna ini? Kolom apa 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, sebaiknya ikuti 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 Analytics Konversasional, dan dapat berguna untuk memberikan konteks. Nilai contoh sangat membantu untuk kolom string.