Conversational Analytics permet aux utilisateurs d'interroger les données modélisées dans LookML en posant des questions en langage naturel dans une instance Looker. Les utilisateurs peuvent interroger les données de différentes manières :
- Démarrer une conversation avec une exploration Looker basée sur un modèle LookML
- Démarrer une conversation avec un agent de données connecté à un maximum de cinq explorations Looker
Ce guide fournit des stratégies et des bonnes pratiques pour aider les développeurs LookML à configurer et à optimiser l'analyse conversationnelle. Ce guide couvre les sujets suivants :
- Bonnes pratiques LookML pour Conversational Analytics
- Quand ajouter du contexte à LookML ou à Conversational Analytics ?
- Bonnes pratiques pour configurer une exploration à utiliser avec Conversational Analytics
En préparant votre modèle LookML et Conversational Analytics, vous pouvez augmenter l'adoption par les utilisateurs et vous assurer qu'ils obtiennent des réponses précises et utiles à leurs questions.
Découvrez comment et quand Gemini pour Google Cloud utilise vos données.
Bonnes pratiques LookML pour Conversational Analytics
L'analyse conversationnelle interprète les questions en langage naturel en s'appuyant sur deux entrées principales :
Le modèle LookML : l'analyse conversationnelle analyse la structure, les champs (dimensions, mesures), les libellés, les descriptions et les synonymes définis dans le modèle LookML qui sous-tend l'exploration Looker.
Valeurs de champ distinctes : l'analyse conversationnelle examine les valeurs de données dans les champs (plus précisément, les dimensions de chaîne et les synonymes) pour identifier les catégories et les entités disponibles sur lesquelles les utilisateurs peuvent poser des questions. La cardinalité (nombre de valeurs uniques) peut influencer la façon dont ces valeurs sont utilisées.
L'efficacité de l'analyse conversationnelle est directement liée à la qualité et à la clarté de ces deux entrées. Le tableau suivant présente les façons courantes dont un code LookML peu clair ou ambigu peut affecter négativement l'analyse conversationnelle, ainsi que des solutions pour améliorer le résultat et l'expérience utilisateur.
| Problèmes courants de qualité LookML | Solution pour des données Conversational Analytics plus claires |
|---|---|
| Manque de clarté : les champs dont les libellés ou les descriptions ne sont pas clairs sont ambigus pour l'analyse conversationnelle et pour ses utilisateurs. | Appliquez des libellés clairs : utilisez le paramètre label pour donner aux champs des noms intuitifs et adaptés à votre activité, que les utilisateurs sont susceptibles d'utiliser dans leurs questions. |
| Surcharge de champs : exposer trop de champs, en particulier les ID internes (clés primaires), les champs en double hérités des jointures ou les champs de calcul intermédiaires, peut encombrer les options disponibles pour l'analyse conversationnelle. | Masquez les champs non pertinents : assurez-vous que toutes les clés primaires, les clés étrangères, les champs redondants des jointures et les champs purement techniques restent masqués. (Facultatif) Étendre les explorations : si votre exploration contient un grand nombre de champs, envisagez de créer une exploration qui étend une exploration existante. Cela vous permet de personnaliser une version dédiée de contenus populaires pour l'analyse conversationnelle, sans modifier les explorations dont d'autres contenus peuvent dépendre. |
| Conflits de noms : si plusieurs champs ont des noms ou des libellés similaires ou identiques dans différentes vues d'Explore, cela peut entraîner une sélection incorrecte des champs. | Rédigez des descriptions détaillées : les descriptions fournissent un contexte essentiel pour Conversational Analytics. Utilisez le paramètre description pour les tâches suivantes :
Par exemple, un champ portant le libellé |
| Complexité masquée : si vous vous appuyez fortement sur des champs personnalisés ou des calculs de tableaux au niveau du tableau de bord, cela signifie que la logique métier potentiellement critique ne sera pas accessible à l'analyse conversationnelle. | Intégrer une logique personnalisée : identifiez les champs personnalisés ou les calculs de table importants et couramment utilisés. Convertissez la logique de ces champs en dimensions et mesures LookML pour que Conversational Analytics puisse les utiliser. |
Données incorrectes : les types de données incohérentes ou mal structurées suivants empêchent l'analyse conversationnelle d'interpréter les requêtes avec précision.
|
Corrigez la qualité des données : dans la mesure du possible, signalez les problèmes de qualité des données (valeurs, types et fuseaux horaires incohérents) que vous identifiez lors de la curation des données. Collaborez avec les équipes d'ingénierie des données pour nettoyer les données sources ou appliquer des transformations dans la couche ETL/de modélisation des données. |
Pour découvrir d'autres bonnes pratiques pour écrire du code LookML propre et efficace, consultez la documentation suivante :
- Bonnes pratiques : ce qu'il faut faire et ne pas faire avec LookML
- Bonne pratique : Créez une expérience positive pour les utilisateurs de Looker
- Bonnes pratiques : écrire du code LookML durable et facile à gérer
Quand ajouter du contexte à LookML ou à Conversational Analytics
Dans Conversational Analytics, vous pouvez ajouter des entrées de contexte, telles que des synonymes de champs et des descriptions, à la fois à LookML et dans les instructions de l'agent. Lorsque vous décidez où ajouter du contexte, suivez les conseils suivants : le contexte qui est toujours vrai doit être ajouté directement à votre modèle LookML. Les explorations Looker peuvent être utilisées à plusieurs endroits, y compris dans les tableaux de bord et dans l'analyse conversationnelle. Par conséquent, le contexte appliqué dans LookML doit être valable pour tous les utilisateurs susceptibles d'interagir avec les données.
Le contexte de l'agent doit être qualitatif et axé sur l'utilisateur. Plusieurs agents peuvent servir différents utilisateurs à partir d'une même exploration. Voici quelques exemples de contexte à inclure dans les instructions de l'agent, mais pas dans LookML :
- Qui est l'utilisateur qui interagit avec l'agent ? What is their role? S'agit-il de personnes internes ou externes à l'entreprise ? Quelle est son expérience précédente en matière d'analyse ?
- Quel est l'objectif de l'utilisateur ? Quel type de décision cherche-t-il à prendre à la fin de la conversation ?
- Quels types de questions cet utilisateur posera-t-il ?
- Quels sont les principaux champs spécifiques à cet utilisateur ? Quels sont les champs que cet utilisateur n'aura jamais besoin d'utiliser ?
Bonnes pratiques pour configurer une exploration à utiliser avec Conversational Analytics
Pour aider Conversational Analytics à fournir les réponses les plus utiles, suivez ces bonnes pratiques lorsque vous définissez vos explorations à utiliser comme source de données pour Conversational Analytics :
- Dans le LookML sous-jacent de votre exploration, ne définissez que les champs utiles pour l'analyse par les utilisateurs finaux.
- Attribuez à chaque champ un nom clair et concis.
- Décrivez clairement chaque champ, en incluant des exemples de valeurs le cas échéant. Ces descriptions de champs sont incluses dans la requête envoyée à Conversational Analytics. Elles peuvent être utiles pour fournir du contexte. Les exemples de valeurs sont particulièrement utiles pour les champs de type chaîne.