Best Practices für die Konfiguration von Conversational Analytics in Looker

Mit der konversationellen Analyse können Nutzer Daten abfragen, die in LookML modelliert sind. Dazu stellen sie in einer Looker-Instanz Fragen in natürlicher Sprache.

Dieser Leitfaden enthält Strategien und Best Practices, mit denen Looker-Administratoren und LookML-Entwickler Conversational Analytics erfolgreich konfigurieren, bereitstellen und optimieren können. In dieser Anleitung werden folgende Themen behandelt:

• LookML-Best Practices für Conversational Analytics
• Kontext zu LookML oder Conversational Analytics hinzufügen
• Best Practices für die Einrichtung eines Explores für die Verwendung mit Conversational Analytics
• Empfohlene Einrichtung und Einführungsstrategie

Wenn Sie Ihr LookML-Modell und Conversational Analytics vorbereiten, können Sie die Akzeptanz bei den Nutzern steigern und dafür sorgen, dass sie genaue und nützliche Antworten auf ihre Fragen erhalten.

Weitere Informationen dazu, wie und wann Gemini for Google Cloud Ihre Daten verwendet

Da es sich bei Produkten von Gemini für Google Cloudum Technologie in einem frühen Entwicklungsstadium handelt, kann es zu Ergebnissen kommen, die zwar plausibel erscheinen, aber faktisch falsch sind. Ausgaben der Produkte von Gemini für Google Cloud sollten daher vor der Verwendung geprüft werden. Weitere Informationen finden Sie unter Gemini für Google Cloud und verantwortungsbewusste Anwendung von KI.

LookML-Best Practices für Conversational Analytics

Bei Conversational Analytics werden Fragen in natürlicher Sprache anhand von zwei primären Eingaben interpretiert:

1. Das LookML-Modell: Conversational Analytics analysiert die Struktur, die Felder (Dimensionen, Messwerte), die Labels, die Beschreibungen und die Synonyme, die im LookML-Modell definiert sind, das dem Looker-Explore zugrunde liegt.

2. Eindeutige Feldwerte: Bei Conversational Analytics werden die Datenwerte in Feldern (insbesondere String-Dimensionen und Synonyme) untersucht, um die verfügbaren Kategorien und Entitäten zu ermitteln, nach denen Nutzer fragen könnten. Die Kardinalität (die Anzahl der eindeutigen Werte) kann beeinflussen, wie diese Werte verwendet werden.

Die Effektivität von Conversational Analytics hängt direkt von der Qualität und Klarheit dieser beiden Eingaben ab. In der folgenden Tabelle finden Sie häufige Beispiele dafür, wie unklare oder mehrdeutige LookML Conversational Analytics negativ beeinflussen kann, sowie Lösungen zur Verbesserung der Ausgabe und Nutzerfreundlichkeit.

Häufiges Problem mit der LookML-Qualität	Lösung für eine übersichtlichere konversationelle Analyse
Mangelnde Klarheit:Felder ohne eindeutige Labels oder Beschreibungen sind sowohl für Conversational Analytics als auch für die Nutzer mehrdeutig.	Deutliche Labels anwenden:Verwenden Sie den Parameter label, um Feldern intuitive, geschäftsfreundliche Namen zu geben, die Nutzer wahrscheinlich in ihren Fragen verwenden.
Zu viele Felder:Wenn zu viele Felder verfügbar sind, insbesondere interne IDs (Primärschlüssel), doppelte Felder, die aus Joins übernommen werden, oder Felder für Zwischenberechnungen, kann das die Optionen, die für Conversational Analytics verfügbar sind, unübersichtlich machen.	Irrelevante Felder ausblenden:Alle Primärschlüssel, Fremdschlüssel, redundanten Felder aus Joins und rein technischen Felder müssen ausgeblendet sein. (Optional) Explorative Datenanalysen erweitern:Wenn Ihre explorative Datenanalyse viele Felder enthält, sollten Sie eine neue erstellen, die eine vorhandene erweitert. So können Sie eine spezielle Version beliebter Inhalte für Conversational Analytics erstellen, ohne Explores zu ändern, auf die sich andere Inhalte möglicherweise stützen.
Namenskonflikte:Wenn mehrere Felder in verschiedenen Ansichten des Explores ähnliche oder identische Namen oder Labels haben, kann dies zu einer falschen Feldauswahl führen.	Ausführliche Beschreibungen verfassen:Beschreibungen liefern wichtigen Kontext für Conversational Analytics. Verwenden Sie den Parameter description für die folgenden Aufgaben: Beschreiben Sie das Feld klar in natürlicher Sprache. Fügen Sie unternehmens- oder branchenspezifische Begriffe oder Synonyme ein. Erklären Sie Berechnungen oder den Kontext. Bei Conversational Analytics werden Beschreibungen verwendet, um die Bedeutung von Feldern besser zu erkennen und Nutzerbegriffe zuzuordnen. Ein Feld mit dem Label user_count könnte beispielsweise die Beschreibung „Die Gesamtzahl der einzelnen Nutzer, die die Website besucht haben“ haben. Benennung standardisieren:Überprüfen Sie Feldnamen und Labels auf Einheitlichkeit und Klarheit.
Verborgene Komplexität:Wenn Sie sich stark auf benutzerdefinierte Felder oder Tabellenberechnungen auf Dashboard-Ebene verlassen, ist die möglicherweise kritische Geschäftslogik für Conversational Analytics nicht zugänglich.	Benutzerdefinierte Logik einbinden:Ermitteln Sie wichtige und häufig verwendete benutzerdefinierte Felder oder Tabellenkalkulationen. Konvertieren Sie die Logik für diese Felder in LookML-Dimensionen und ‑Messwerte, damit Conversational Analytics sie verwenden kann.
Unsaubere Daten:Die folgenden Arten von inkonsistenten oder schlecht strukturierten Daten erschweren es Conversational Analytics, Anfragen genau zu interpretieren. Wertabweichungen: Inkonsistente Groß- und Kleinschreibung oder Namenskonventionen (z. B. eine Mischung aus den Werten complete, Complete und COMPLETE) können zu Datenduplizierung oder falschen Datenbeziehungen in Conversational Analytics führen. Inkonsistente Datentypen:Spalten, die numerisch sein sollen und gelegentlich Stringwerte enthalten, erzwingen den Feldtyp string, was numerische Operationen verhindert. Mehrdeutigkeit der Zeitzone:Das Fehlen standardisierter Zeitzonen in Zeitstempelfeldern kann zu einer falschen Filterung oder Aggregation führen.	Datenqualitätsprobleme beheben:Kennzeichnen Sie nach Möglichkeit Datenqualitätsprobleme (inkonsistente Werte, Typen, Zeitzonen), die Sie während der Datenaufbereitung feststellen. Arbeiten Sie mit Data Engineering-Teams zusammen, um die Quelldaten zu bereinigen oder Transformationen in der ETL-/Datenmodellierungsebene anzuwenden.

Weitere Best Practices für das Schreiben von sauberem, effizientem LookML finden Sie in der folgenden Dokumentation:

• Best Practice: Was Sie mit LookML tun sollten und was nicht
• Best Practice: Positive User Experience für Looker-Nutzer schaffen
• Best Practice: Nachhaltige, wartungsfreundliche LookML schreiben

Wann sollte Kontext zu LookML und wann zu Conversational Analytics hinzugefügt werden?

In Conversational Analytics können Sie sowohl LookML als auch Agent-Anweisungen Kontext-Eingaben wie Feldsynonyme und Beschreibungen hinzufügen. Wenn Sie entscheiden, wo Sie Kontext hinzufügen möchten, sollten Sie die folgenden Richtlinien beachten: Kontext, der immer zutrifft, sollte direkt in Ihr LookML-Modell aufgenommen werden. Looker-Explores können an mehreren Stellen verwendet werden, z. B. in Dashboards und in Conversational Analytics. Daher muss der in LookML angewendete Kontext für alle möglichen Nutzer gelten, die mit den Daten interagieren.

Der Agentenkontext sollte qualitativ und nutzerorientiert sein. Es kann viele Agents geben, die verschiedene Nutzer über einen Explore bedienen. Beispiele für Kontext, der in Agent-Anweisungen, aber nicht in LookML enthalten sein sollte:

• Wer ist der Nutzer, der mit dem Agent interagiert? Welche Funktionen haben diese Personen? Sind sie intern oder extern? Welche Analytics-Erfahrung haben sie?
• Was ist das Ziel des Nutzers? Welche Art von Entscheidung möchten sie am Ende des Gesprächs treffen?
• Welche Arten von Fragen wird dieser Nutzer stellen?
• Welche sind die wichtigsten Felder, die für diesen Nutzer spezifisch sind? Welche Felder muss dieser Nutzer nie verwenden?

Best Practices für die Einrichtung eines Explores für die Verwendung mit Conversational Analytics

Damit Sie mit der konversationellen Analyse möglichst hilfreiche Antworten erhalten, sollten Sie beim Definieren Ihrer Explores, die als Datenquelle für die konversationelle Analyse verwendet werden, die folgenden Best Practices beachten:

• Definieren Sie in der zugrunde liegenden LookML der explorativen Datenanalyse nur die Felder, die für die Analyse durch Endnutzer nützlich sind.
• Geben Sie jedem Feld einen klaren und prägnanten Namen.
• Geben Sie für jedes Feld eine klare Beschreibung an, einschließlich Beispielwerten, sofern relevant. Diese Feldbeschreibungen sind im Prompt enthalten, der an Conversational Analytics gesendet wird. Sie können hilfreich sein, um Kontext bereitzustellen. Beispielwerte sind besonders hilfreich für Stringfelder.

Empfohlene Einrichtung und Einführungsstrategie

In diesem Leitfaden wird der folgende stufenweise Ansatz für die Implementierung der konversationellen Analyse in Looker empfohlen:

• Phase 1: Daten zusammenstellen und den ersten Umfang definieren
• Phase 2: Agents konfigurieren und intern validieren
• Phase 3: Einführung von Conversational Analytics auf weitere Nutzer ausweiten

So können Sie mit einem kleinen, kontrollierten Umfang beginnen, Ihre Einrichtung validieren und dann auf mehr Nutzer und Daten ausweiten.

Phase 1: Daten zusammenstellen und ersten Umfang definieren

In dieser Phase bereiten Sie Ihre Daten für Nutzer vor, damit sie sie mit der konversationellen Analyse abfragen können. Außerdem definieren Sie den Umfang der ersten Bereitstellung. Hier sind einige Empfehlungen für den Einstieg mit einem kleinen und kontrollierten Umfang:

• Anfänglichen Nutzerzugriff einschränken: Verwenden Sie das Berechtigungssystem von Looker, um internen Tests und Validierungen zu ermöglichen, einer kleinen Gruppe von Nutzern, die mit den Daten vertraut sind, die Gemini-Rolle zuzuweisen.
• Looker-Modellzugriff für Gemini einschränken: Wenn Sie die Gemini-Rolle zuweisen, können Sie auch einschränken, auf welche Modelle Gemini zugreifen kann. Beschränken Sie den Gemini-Zugriff zunächst auf ein oder zwei Modelle, die Sie für Conversational Analytics zusammengestellt haben.
• Ausgewählte Explores auswählen: Beginnen Sie mit ein oder zwei gut strukturierten Explores, die auf relativ sauberen Daten basieren und einen klaren Geschäftswert bieten. Sie können diese Explores für die konversationelle Analyse in Looker optimieren, indem Sie der detaillierten Anleitung unter LookML-Best Practices für die konversationelle Analyse folgen.

Phase 2: Agents konfigurieren und intern validieren

In dieser Phase erstellen und optimieren Sie Ihre Conversational Analytics-Agents und testen sie dann gründlich mit internen Nutzern, um ihre Genauigkeit und Effektivität zu bestätigen. Diese Phase umfasst die folgenden Schritte:

1. Kuratierte Agents erstellen: Erstellen Sie Conversational Analytics-Agents, die nur auf den kuratierten Explores basieren, die Sie während der Kuratierungs- und Ersteinrichtungsphase vorbereitet haben.

2. Mit Agent-Anweisungen optimieren: Verwenden Sie Agent-Anweisungen, um zusätzlichen Kontext und weitere Anleitungen bereitzustellen. Beispiel:

   • Synonyme für Feldnamen oder Werte definieren
   • Geben Sie einen bestimmten Kontext oder Regeln für die Verwendung bestimmter Felder an.
   Hinweis :Die Agent-Anweisungen können von Ihrem LookML abweichen. Achten Sie auf mögliche Abweichungen.

3. Intern validieren und iterieren: Testen Sie die Agents gründlich mit Nutzern, die mit den Daten vertraut sind. Stellen Sie verschiedene Fragen, testen Sie Grenzfälle und ermitteln Sie Schwachstellen. Nehmen Sie die folgenden Änderungen auf Grundlage des Testfeedbacks vor:

   1. Verfeinern Sie die LookML. Passen Sie beispielsweise die Werte für die LookML-Parameter label, description oder hidden an.
   2. Anweisungen für den Agenten anpassen
   3. Melden Sie weiterhin Probleme mit der Datenqualität.

Phase 3: Conversational Analytics auf weitere Nutzer ausweiten

In dieser Phase weiten Sie die Nutzung von Conversational Analytics auf weitere Nutzer aus, indem Sie Zugriff gewähren, Feedback einholen und Ihre Agents optimieren. Diese Phase umfasst die folgenden Schritte:

1. Gezielten Zugriff gewähren: Gewähren Sie zusätzlichen Nutzern mit der Gemini-Rolle Zugriff auf Conversational Analytics und ermutigen Sie diese Nutzer, die von Ihnen erstellten, geprüften Agents zu verwenden.

2. Einführung und Feedback: Holen Sie aktiv Feedback zu den folgenden Themen ein:

   • Genauigkeit der Antworten
   • Nutzerfreundlichkeit
   • Fehlende Informationen oder verwirrende Ergebnisse

3. Kontinuierlich iterieren: Nutzen Sie Feedback, um LookML und Agentenanweisungen weiter zu optimieren, und priorisieren Sie die Datenbereinigung.

4. Zugriff erweitern: Sobald sich die KI-Agents als stabil und nützlich erweisen, können Sie den Zugriff auf andere relevante Nutzergruppen ausweiten und neue kuratierte KI-Agents einführen, indem Sie die Gemini-Rolle zuweisen. Sie können auch neue kuratierte Agents einführen und den Zugriff auf die Modelle erweitern, die für die Gemini-Rolle verfügbar sind. Dabei können Sie die gleichen Prozesse wie in den vorherigen Phasen verwenden.