Com as Análises de conversação, os usuários podem consultar dados modelados em LookML fazendo perguntas em linguagem natural em uma instância do Looker.
Este guia oferece estratégias e práticas recomendadas para ajudar administradores do Looker e desenvolvedores do LookML a configurar, implantar 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 ou à Conversational Analytics
- Configuração e estratégia de lançamento recomendadas
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 o Conversational Analytics
A análise de dados de conversação interpreta perguntas em linguagem natural usando duas entradas principais:
O modelo do LookML: o Conversational Analytics analisa a estrutura, os campos (dimensões, métricas), os rótulos e as descrições definidos nas análises detalhadas do Looker.
Valores de campo distintos: a análise de conversas examina os valores de dados nos campos (especificamente, dimensões de string) 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.
Embora seja poderosa, 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. | Ocultar campos irrelevantes:verifique se todas as chaves primárias, chaves estrangeiras, campos redundantes de junções e campos puramente técnicos permanecem ocultos. (Opcional) Ampliar análises detalhadas:se a análise detalhada tiver muitos campos, crie uma que amplie 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.
|
Resolva problemas de qualidade de dados:sempre que possível, sinalize problemas de qualidade de dados (valores, tipos, 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 sobre 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 ao LookML e 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 Análises de conversação. Portanto, o contexto aplicado no 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?
Estratégia de configuração e lançamento recomendada
Este guia recomenda a seguinte abordagem gradual para implementar a Análise de conversação no Looker:
- Fase 1: organizar os dados e definir o escopo inicial
- Fase 2: configurar agentes e validar internamente
- Fase 3: aumentar a adoção da análise de conversas para mais usuários
Essa abordagem permite começar com um escopo pequeno e controlado, validar sua configuração e depois expandir para mais usuários e dados.
Fase 1: organizar os dados e definir o escopo inicial
Nesta fase, prepare seus dados para que os usuários possam consultar com as Análises de conversação e defina o escopo da implantação inicial. Siga estas recomendações para começar com um escopo pequeno e controlado:
- Limite o acesso inicial dos usuários: para ativar testes e validações internas, use o sistema de permissões do Looker para conceder a função do Gemini a um pequeno grupo de usuários que conhecem os dados.
- Limitar o acesso ao modelo do Looker para o Gemini: ao conceder a função do Gemini, você também pode limitar os modelos que o Gemini pode acessar. Para começar, limite o acesso do Gemini a um ou dois modelos que você selecionou para a análise de conversas.
- Selecione análises detalhadas selecionadas: comece com uma ou duas análises bem estruturadas, baseadas em dados relativamente limpos e que ofereçam um valor comercial claro. Otimize essas análises detalhadas para as Análises de conversação no Looker seguindo as instruções detalhadas em Práticas recomendadas de LookML para Análises de conversação.
Fase 2: configurar agentes e validar internamente
Nesta fase, crie e refine seus agentes de análise de conversas e teste-os completamente com usuários internos para confirmar a precisão e a eficácia. Essa fase envolve as seguintes etapas:
- Criar agentes selecionados: crie agentes do Conversational Analytics com base apenas nas análises detalhadas selecionadas que você preparou durante a fase de seleção e configuração inicial.
Refinar com instruções do agente: use instruções do agente para fornecer mais contexto e orientação. Exemplo:
- Defina sinônimos para nomes ou valores de campos.
- Forneça contexto ou regras específicas sobre como determinados campos devem ser usados.
Validar internamente e iterar: teste os agentes com usuários que conhecem os dados. Faça várias perguntas, teste casos extremos e identifique pontos fracos. Faça as seguintes mudanças com base no feedback dos testes:
- Refine o LookML. Por exemplo, ajuste os valores dos parâmetros do LookML
label,descriptionouhidden. - Ajuste as instruções do agente.
- Continue sinalizando problemas com a qualidade dos dados.
- Refine o LookML. Por exemplo, ajuste os valores dos parâmetros do LookML
Fase 3: aumentar a adoção das Análises de conversação para mais usuários
Nesta fase, expanda a adoção da análise de conversas para mais usuários concedendo acesso, coletando feedback e fazendo iterações nos seus agentes. Essa fase envolve as seguintes etapas:
- Conceder acesso direcionado: conceda acesso ao Conversational Analytics a outros usuários que têm a função do Gemini e incentive essas pessoas a usar os agentes específicos e aprovados que você criou.
Lançar e coletar feedback: peça feedback ativamente sobre os seguintes temas:
- Acurácia das respostas
- Facilidade de uso
- Informações ausentes ou resultados confusos
Itere continuamente: use o feedback para fazer mais refinamentos nas instruções do LookML e do agente e priorize os esforços de limpeza de dados.
Ampliar o acesso: depois que os agentes se mostrarem estáveis e valiosos, amplie o acesso a outros grupos de usuários relevantes e apresente novos agentes selecionados concedendo a função do Gemini. Você também pode apresentar novos agentes selecionados e ampliar o acesso aos modelos disponíveis para a função do Gemini, seguindo os mesmos processos usados nas fases anteriores.