Prácticas recomendadas para implementar Conversational Analytics con Looker

Analíticas conversacionales permite a los usuarios consultar datos modelados en LookML haciendo preguntas en lenguaje natural en una instancia de Looker.

En esta guía se ofrecen estrategias y prácticas recomendadas para ayudar a los administradores de Looker y a los desarrolladores de LookML a configurar, desplegar y optimizar Conversational Analytics. En esta guía se tratan los siguientes temas:

Si preparas tu modelo de LookML y Analíticas Conversacional, puedes aumentar la adopción por parte de los usuarios y asegurarte de que obtengan respuestas precisas y útiles a sus preguntas.

Consulta cómo y cuándo Gemini Google Cloud usa tus datos.

Prácticas recomendadas de LookML para Conversational Analytics

Analíticas conversacionales interpreta las preguntas formuladas en lenguaje natural mediante dos entradas principales:

  1. El modelo de LookML: Conversational Analytics analiza la estructura, los campos (dimensiones y medidas), las etiquetas y las descripciones que se definen en las Exploraciones de Looker.

  2. Valores de campo distintos: Conversational Analytics examina los valores de los datos de los campos (en concreto, las dimensiones de cadena) para identificar las categorías y entidades disponibles sobre las que pueden preguntar los usuarios. La cardinalidad (el número de valores únicos) puede influir en cómo se usan estos valores.

Aunque es una herramienta potente, la eficacia de Estadísticas conversacionales depende directamente de la calidad y la claridad de estas dos entradas. En la siguiente tabla se indican algunas formas habituales en las que un código LookML poco claro o ambiguo puede afectar negativamente a Conversational Analytics, así como soluciones para mejorar los resultados y la experiencia de usuario.

Problema habitual de calidad de LookML Solución para que Conversational Analytics sea más clara
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 asignar a los campos nombres intuitivos y fáciles de entender que los usuarios puedan usar en sus preguntas.
Inflación de campos: si se exponen demasiados campos, sobre todo IDs internos (claves principales), campos duplicados que se heredan de las combinaciones o campos de cálculo intermedios, se pueden saturar las opciones disponibles en Analíticas conversacional. Ocultar campos irrelevantes: asegúrate de que todas las claves principales, las claves externas, los campos redundantes de las uniones y los campos puramente técnicos permanezcan ocultos.

(Opcional) Ampliar Exploraciones: si tu Exploración contiene un gran número de campos, puedes crear una Exploración que amplíe una que ya tengas. De esta forma, puede adaptar una versión específica del contenido popular para Analíticas conversacional sin modificar las exploraciones de las que dependa otro contenido.
Conflictos de nombres: si hay varios campos con nombres o etiquetas similares o idénticos en diferentes vistas de Explorar, se puede seleccionar un campo incorrecto. Escribe descripciones detalladas: las descripciones proporcionan un contexto fundamental para la analítica conversacional. Usa el parámetro description para las siguientes tareas:
  • Describe el campo con claridad usando lenguaje natural.
  • Incluir terminología o sinónimos específicos de la empresa o del sector.
  • Explica los cálculos o el contexto. Analíticas de Conversación usa descripciones para identificar mejor los significados de los campos y para asignar términos de usuario.

Por ejemplo, un campo con la etiqueta user_count podría tener la descripción "Número total de usuarios únicos que han visitado el sitio web".

Estandariza los nombres: revisa los nombres de los campos y las etiquetas para que sean coherentes y claros.
Complejidad oculta: si se usan en exceso los campos personalizados o los cálculos de tablas a nivel de panel de control, la lógica empresarial, que puede ser crítica, no estará accesible para Analíticas conversacional. Incorporar lógica personalizada: identifica campos personalizados o cálculos de tabla importantes y de uso habitual. Convierte la lógica de estos campos en dimensiones y medidas de LookML para que Conversational Analytics pueda usarlos.
Datos desordenados: los siguientes tipos de datos incoherentes o mal estructurados dificultan que Analíticas conversacionales interprete las consultas con precisión.
  • Variaciones de valor: si no se usan las mismas mayúsculas y minúsculas o las mismas convenciones de nomenclatura (por ejemplo, si se mezclan los valores complete, Complete y COMPLETE), se pueden duplicar los datos o se pueden establecer relaciones incorrectas entre ellos en Analíticas de conversaciones.
  • Tipos de datos incoherentes: las columnas que deberían ser numéricas y que contienen valores de cadena ocasionales fuerzan el tipo de campo a string, lo que impide realizar operaciones numéricas.
  • Ambigüedad de la zona horaria: la falta de zonas horarias estandarizadas en los campos de marca de tiempo puede provocar que el filtrado o la agregación sean incorrectos.
 Mejorar la calidad de los datos: cuando sea posible, marca los problemas de calidad de los datos (valores, tipos y zonas horarias incoherentes) que identifiques durante la conservación de los datos. Colabora 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 información sobre las prácticas recomendadas para escribir código LookML limpio y eficiente, consulta la siguiente documentación:

Cuándo añadir contexto a LookML y cuándo a Conversational Analytics

En Conversational Analytics, puedes añadir entradas de contexto, como sinónimos de campos y descripciones, tanto a LookML como a las instrucciones del agente. Cuando decidas dónde añadir contexto, sigue estas directrices: el contexto que siempre sea verdadero debe añadirse directamente a tu modelo de LookML. Los Exploraciones de Looker se pueden usar en varios sitios, como en paneles de control y en analíticas conversacionales, por lo que el contexto que se aplique en LookML debe ser válido para todos los usuarios que interactúen con los datos.

El contexto del agente debe ser cualitativo y centrarse en el usuario. Además, puede haber muchos agentes que atiendan a diferentes usuarios desde una misma exploración. Estos son algunos 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 funciones tienen? ¿Son internos o externos a la empresa? ¿Cuál es su experiencia anterior con Analytics?
  • ¿Cuál es el objetivo del usuario? ¿Qué tipo de decisión quieren tomar al final de la conversación?
  • ¿Qué tipo de preguntas hará este usuario?
  • ¿Cuáles son los campos principales específicos de este usuario? ¿Qué campos no necesitará usar este usuario?

En esta guía se recomienda el siguiente enfoque por fases para implementar Conversational Analytics en Looker:

Este enfoque te permite empezar con un ámbito pequeño y controlado, validar tu configuración y, después, ampliarla a más usuarios y datos.

Fase 1: Seleccionar datos y definir el ámbito inicial

En esta fase, debe preparar los datos para que los usuarios puedan hacer consultas con Analíticas conversacional y definir el alcance de la implementación inicial. Sigue estas recomendaciones para empezar con un ámbito pequeño y controlado:

  • Limita el acceso inicial de los usuarios: para habilitar las pruebas y la validación internas, usa el sistema de permisos de Looker para asignar el rol de Gemini a un pequeño grupo de usuarios que conozcan los datos.
  • Limitar el acceso de Gemini a los modelos de Looker: cuando asignas el rol de Gemini, también puedes limitar a qué modelos puede acceder Gemini. Para empezar, puedes limitar el acceso de Gemini a uno o dos modelos que hayas seleccionado para Analíticas Conversacional.
  • Seleccionar Exploraciones seleccionadas: empieza con una o dos Exploraciones bien estructuradas que se basen en datos relativamente limpios y que aporten un valor empresarial claro. Para optimizar estas Exploraciones para Conversational Analytics en Looker, siga las instrucciones detalladas que se indican en el artículo Prácticas recomendadas de LookML para Conversational Analytics.

Fase 2: Configurar agentes y validar internamente

En esta fase, crea y perfecciona tus agentes de analíticas conversacionales y, a continuación, pruébalos a fondo con usuarios internos para confirmar su precisión y eficacia. Esta fase incluye los siguientes pasos:

  1. Crear agentes seleccionados: crea agentes de analíticas conversacionales basados únicamente en las exploraciones seleccionadas que hayas preparado durante la fase de selección y configuración inicial.

  2. Afinar con instrucciones del agente: usa instrucciones del agente para proporcionar más contexto y orientación. Por ejemplo:

    • Definir sinónimos para nombres o valores de campos.
    • Proporcionar contexto o reglas específicas sobre cómo se deben usar determinados campos.

  3. Validar internamente y repetir el proceso: prueba a fondo los agentes con usuarios que conozcan los datos. Haz varias preguntas, prueba casos límite e identifica puntos débiles. Haz los siguientes cambios en función de los comentarios de las pruebas:

    1. Perfecciona el LookML. Por ejemplo, ajusta los valores de los parámetros de LookML label, description o hidden.
    2. Ajusta las instrucciones del agente.
    3. Sigue marcando problemas con la calidad de los datos.

Fase 3: Ampliar la adopción de Estadísticas de conversaciones a más usuarios

En esta fase, amplía la adopción de Analíticas conversacional a más usuarios concediendo acceso, recogiendo comentarios y mejorando tus agentes. Esta fase incluye los siguientes pasos:

  1. Conceder acceso específico: concede acceso a Conversational Analytics a otros usuarios que tengan el rol de Gemini y anímales a usar los agentes específicos y verificados que hayas creado.

  2. Lanzamiento y recogida de comentarios: pide activamente comentarios sobre los siguientes temas:

    • Precisión de las respuestas
    • Facilidad de uso
    • Falta información o los resultados son confusos

  3. Itera continuamente: usa los comentarios para seguir perfeccionando LookML y las instrucciones del agente, y prioriza las tareas de limpieza de datos.

  4. Ampliar el acceso: una vez que los agentes demuestren ser estables y valiosos, amplía el acceso a otros grupos de usuarios pertinentes e introduce nuevos agentes seleccionados asignando el rol de Gemini. También puedes presentar nuevos agentes seleccionados y ampliar el acceso a los modelos que están disponibles para el rol de Gemini, siguiendo los mismos procesos que se utilizaron en las fases anteriores.