Conversational Analytics permite a los usuarios consultar datos modelados en LookML haciendo preguntas en lenguaje natural dentro de una instancia de Looker. Los usuarios pueden consultar los datos de las siguientes maneras:
- Cómo iniciar una conversación con una exploración de Looker basada en un modelo de LookML
- Iniciar una conversación con un agente de datos que esté conectado a hasta cinco Exploraciones de Looker
En esta guía, se proporcionan estrategias y prácticas recomendadas para ayudar a los desarrolladores de LookML a configurar y optimizar Conversational Analytics de manera exitosa. En esta guía, se abarcan los siguientes temas:
- Prácticas recomendadas de LookML para Conversational Analytics
- Cuándo agregar contexto a LookML en lugar de a Conversational Analytics
- Prácticas recomendadas para configurar un Explore para usarlo con Conversational Analytics
Si preparas tu modelo de LookML y Conversational Analytics, puedes aumentar la adopción por parte de los usuarios y garantizar que obtengan respuestas precisas y útiles a sus preguntas.
Descubre cómo y cuándo Gemini para Google Cloud usa tus datos.
Prácticas recomendadas de LookML para Conversational Analytics
Conversational Analytics interpreta las preguntas en lenguaje natural a partir de dos entradas principales:
El modelo de LookML: Conversational Analytics analiza la estructura, los campos (dimensiones, medidas), las etiquetas, las descripciones y los sinónimos que se definen en el modelo de LookML que subyace en el Explorar de Looker.
Valores de campo distintos: Conversational Analytics examina los valores de los datos dentro de los campos (específicamente, las dimensiones de cadena y los sinónimos) para identificar las categorías y las entidades disponibles sobre las que los usuarios podrían hacer preguntas. La cardinalidad (la cantidad de valores únicos) puede influir en la forma en que se usan estos valores.
La eficacia de Conversational Analytics se relaciona directamente con la calidad y la claridad de estas dos entradas. En la siguiente tabla, se incluyen formas comunes en las que el LookML poco claro o ambiguo puede afectar negativamente a Conversational Analytics, junto con soluciones para mejorar el resultado y la experiencia del usuario.
| Problema habitual de calidad de LookML | Solución para obtener estadísticas conversacionales más claras |
|---|---|
| Falta de claridad: Los campos que no tienen etiquetas o descripciones claras son ambiguos tanto para Conversational Analytics como para sus usuarios. | Aplica etiquetas claras: Usa el parámetro label para asignarles a los campos nombres intuitivos y adecuados para la empresa que los usuarios probablemente usen en sus preguntas. |
| Sobrecarga de campos: Exponer demasiados campos, en especial los IDs internos (claves primarias), los campos duplicados que se heredan de las uniones o los campos de cálculo intermedio, puede sobrecargar las opciones disponibles para Conversational Analytics. | Oculta los campos irrelevantes: Asegúrate de que todas las claves primarias, las claves externas, los campos redundantes de las uniones y los campos puramente técnicos permanezcan ocultos. (Opcional) Extiende las exploraciones: Si tu exploración contiene una gran cantidad de campos, considera crear una nueva exploración que extienda una existente. Esto te permite adaptar una versión exclusiva del contenido popular para Conversational Analytics sin modificar las Exploraciones en las que se puede basar otro contenido. |
| Conflictos de nombres: Varios campos que tienen nombres o etiquetas similares o idénticos en diferentes vistas dentro de Explorar pueden generar una selección de campos incorrecta. | Escribe descripciones detalladas: Las descripciones proporcionan contexto fundamental para Conversational Analytics. Usa el parámetro description para las siguientes tareas:
Por ejemplo, un campo que tiene la etiqueta |
| Complejidad oculta: Depender en gran medida de los campos personalizados a nivel del panel o de los cálculos de tablas significa que la lógica empresarial potencialmente crítica no será accesible para Conversational Analytics. | Incorpora lógica personalizada: Identifica los campos personalizados o los cálculos de tablas importantes y de uso frecuente. Convierte la lógica de estos campos en dimensiones y medidas de LookML para que Analytics Conversacional pueda usarlos. |
Datos desordenados: Los siguientes tipos de datos inconsistentes o mal estructurados dificultan que Conversational Analytics interprete las búsquedas con precisión.
|
Calidad de los datos de la dirección: Cuando sea posible, marca los problemas de calidad de los datos (valores, tipos y zonas horarias incoherentes) que identifiques durante la selección de datos. Trabajar con los equipos de ingeniería de datos para limpiar los datos de origen o aplicar transformaciones en la capa de modelado de datos o ETL |
Para obtener más prácticas recomendadas para escribir código LookML limpio y eficiente, consulta la siguiente documentación:
- Práctica recomendada: Qué hacer y qué no hacer con LookML
- Práctica recomendada: Crea una experiencia positiva para los usuarios de Looker
- Práctica recomendada: Escribir código LookML sostenible y fácil de mantener
Cuándo agregar contexto a LookML en lugar de Conversational Analytics
En Conversational Analytics, puedes agregar entradas de contexto, como sinónimos de campos y descripciones, tanto a LookML como dentro de las instrucciones del agente. Cuando decidas dónde agregar contexto, aplica las siguientes instrucciones: El contexto que siempre es verdadero se debe agregar directamente a tu modelo de LookML. Los Exploradores de Looker se pueden usar en varios lugares, incluidos los paneles y Conversational Analytics, por lo que el contexto que se aplica en LookML debe ser válido para todos los usuarios posibles que interactuarán con los datos.
El contexto del agente debe ser cualitativo y centrarse en el usuario, y puede haber muchos agentes que atiendan a diferentes usuarios desde una sola Exploración. A continuación, se muestran ejemplos de contexto que se deben incluir en las instrucciones del agente, pero no en LookML:
- ¿Quién es el usuario que interactúa con el agente? ¿Qué puestos tienen estas personas? ¿Son internos o externos a la empresa? ¿Cuál es su experiencia previa en análisis?
- ¿Cuál es el objetivo del usuario? ¿Qué tipo de decisión quieren tomar al final de la conversación?
- ¿Qué tipos de preguntas hará este usuario?
- ¿Cuáles son los principales campos específicos de este usuario? ¿Qué campos no necesitará usar nunca este usuario?
Prácticas recomendadas para configurar un Explorar para usarlo con Conversational Analytics
Para ayudar a Conversational Analytics a proporcionar las respuestas más útiles, considera seguir estas prácticas recomendadas cuando definas tus Explorar para usarlos como fuente de datos para Conversational Analytics:
- En el LookML subyacente de tu Explore, define solo los campos que sean útiles para el análisis de los usuarios finales.
- Asigna a cada campo un nombre claro y conciso.
- Asigna a cada campo una descripción clara, incluidos valores de ejemplo cuando sea pertinente. Estas descripciones de los campos se incluyen en la instrucción que se envía a Conversational Analytics y pueden ser útiles para proporcionar contexto. Los valores de muestra son especialmente útiles para los campos de cadena.