Com a Análise de Conversação, os usuários podem consultar dados modelados em LookML fazendo perguntas em linguagem natural em uma instância do Looker. Os usuários podem consultar dados das seguintes maneiras:
- Iniciar uma conversa com uma Análise própria do Looker baseada em um modelo LookML
- Iniciar uma conversa com um agente de dados conectado a até cinco análises do Looker
Este guia oferece estratégias e práticas recomendadas para ajudar os desenvolvedores do LookML a configurar e otimizar a Análise de conversas. Neste guia, abordamos os seguintes tópicos:
- Práticas recomendadas de LookML para a Análise de conversação
- Quando adicionar contexto à LookML em vez da Análise de dados de conversação
- Práticas recomendadas para configurar uma análise detalhada para uso com as Análises de conversação
Ao preparar seu modelo LookML e a Análise de Conversação, você pode aumentar a adoção pelos usuários e garantir que eles recebam respostas precisas e úteis para as perguntas.
Saiba como e quando o Gemini para Google Cloud usa seus dados.
Práticas recomendadas de LookML para Análises de Conversação
A análise de dados de conversação interpreta perguntas em linguagem natural usando duas entradas principais:
O modelo do LookML: a Análise de conversação analisa a estrutura, os campos (dimensões, métricas), os rótulos, as descrições e os sinônimos definidos no modelo do LookML que embasa a Análise do Looker.
Valores de campo distintos: a Análise de Conversação examina os valores de dados nos campos (especificamente, dimensões de string e sinônimos) para identificar as categorias e entidades disponíveis que os usuários podem consultar. A cardinalidade (o número de valores únicos) pode influenciar a forma como esses valores são usados.
A eficácia da análise de conversas está diretamente relacionada à qualidade e à clareza dessas duas entradas. A tabela a seguir contém maneiras comuns de uma LookML pouco clara ou ambígua afetar negativamente a análise de conversas, além de soluções para melhorar a saída e a experiência do usuário.
| Problema comum de qualidade da LookML | Solução para análises de conversação mais claras |
|---|---|
| Falta de clareza:campos sem rótulos ou descrições claras são ambíguos para a análise de conversas e para os usuários. | Use rótulos claros:use o parâmetro label para dar aos campos nomes intuitivos e adequados para empresas que os usuários provavelmente usarão nas perguntas. |
| Excesso de campos:expor muitos campos, especialmente IDs internos (chaves primárias), campos duplicados herdados de junções ou campos de cálculo intermediário, pode prejudicar as opções disponíveis para a análise de conversas. | Oculte campos irrelevantes:verifique se todas as chaves primárias, chaves estrangeiras, campos redundantes de junções e campos puramente técnicos permanecem ocultos. (Opcional) Estender análises detalhadas:se a análise detalhada tiver muitos campos, crie uma que estenda uma já existente. Assim, é possível personalizar uma versão dedicada de conteúdo popular para a Análise de conversas sem modificar as análises detalhadas que outros conteúdos podem usar. |
| Conflitos de nomenclatura:vários campos com nomes ou rótulos semelhantes ou idênticos em diferentes visualizações na análise detalhada podem levar à seleção incorreta de campos. | Escreva descrições detalhadas:elas fornecem contexto essencial para a análise de conversas. Use o parâmetro description para as seguintes tarefas:
Por exemplo, um campo com o rótulo |
| Complexidade oculta:depender muito de campos personalizados ou cálculos de tabela no nível do painel significa que uma lógica de negócios potencialmente crítica não estará acessível à Análise de conversação. | Incorpore lógica personalizada:identifique campos personalizados ou cálculos de tabela importantes e usados com frequência. Converta a lógica desses campos em dimensões e medidas do LookML para que a Análise de conversas possa usá-las. |
Dados desorganizados:os seguintes tipos de dados inconsistentes ou mal estruturados dificultam a interpretação precisa das consultas pela Análise de conversas.
|
Melhore a qualidade dos dados de endereço:sempre que possível, sinalize problemas de qualidade de dados (valores, tipos e fusos horários inconsistentes) identificados durante a curadoria. Trabalhe com equipes de engenharia de dados para limpar os dados de origem ou aplicar transformações na camada de ETL/modelagem de dados. |
Para mais práticas recomendadas de como escrever LookML limpa e eficiente, consulte a seguinte documentação:
- Prática recomendada: o que fazer e o que não fazer com o LookML
- Prática recomendada: crie uma experiência positiva para os usuários do Looker
- Prática recomendada: escrever LookML sustentável e fácil de manter
Quando adicionar contexto à LookML ou ao Conversational Analytics
Na Análise de dados por conversa, é possível adicionar entradas de contexto, como sinônimos de campos e descrições, tanto à LookML quanto às instruções do agente. Ao decidir onde adicionar contexto, siga estas orientações: o contexto que é sempre verdadeiro deve ser adicionado diretamente ao seu modelo LookML. As análises detalhadas do Looker podem ser usadas em vários lugares, incluindo painéis e a Análise de conversação. Portanto, o contexto aplicado em LookML precisa ser válido para todos os usuários que vão interagir com os dados.
O contexto do agente precisa ser qualitativo e focado no usuário. Além disso, pode haver vários agentes atendendo a usuários diferentes em uma única análise detalhada. Confira alguns exemplos de contexto que devem ser incluídos nas instruções do agente, mas não na LookML:
- Quem é o usuário que está interagindo com o agente? Quais são as funções dessas pessoas? Eles são internos ou externos à empresa? Qual é a experiência anterior deles com análise de dados?
- Qual é a meta do usuário? Que tipo de decisão eles querem tomar no final da conversa?
- Quais são alguns tipos de perguntas que esse usuário vai fazer?
- Quais são os principais campos específicos desse usuário? Quais campos esse usuário nunca vai precisar usar?
Práticas recomendadas para configurar uma análise detalhada para uso com as Análises de Conversação
Para ajudar a Análise de conversação a fornecer as respostas mais úteis, siga estas práticas recomendadas ao definir suas análises detalhadas para usar como fonte de dados:
- Na LookML da análise detalhada, defina apenas os campos úteis para a análise dos usuários finais.
- Dê a cada campo um nome claro e conciso.
- Dê a cada campo uma descrição clara, incluindo valores de exemplo quando relevante. Essas descrições de campo estão incluídas no comando enviado ao Conversational Analytics e podem ser úteis para fornecer contexto. Os valores de amostra são especialmente úteis para campos de string.