Prácticas recomendadas para implementar las estadísticas de conversaciones con Looker

Conversational Analytics permite a los usuarios consultar datos modelados en LookML haciendo preguntas en lenguaje natural dentro de una instancia de Looker.

En esta guía, se proporcionan estrategias y prácticas recomendadas para ayudar a los administradores de Looker y a los desarrolladores de LookML a configurar, implementar y optimizar Conversational Analytics de forma exitosa. En esta guía, se abarcan los siguientes temas:

Si preparas tu modelo de LookML y Conversational Analytics, puedes aumentar la adopción por parte de los usuarios y asegurarte de 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 las estadísticas conversacionales

Conversational Analytics interpreta las preguntas en lenguaje natural a partir de dos entradas principales:

  1. El modelo de LookML: Conversational Analytics analiza la estructura, los campos (dimensiones, 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 dentro de los campos (específicamente, las dimensiones de cadena) para identificar las categorías y 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.

Si bien es potente, la capacidad de Análisis conversacional para ser eficaz está directamente relacionada 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:
  • Describe el campo con claridad usando lenguaje natural.
  • Incluye sinónimos o terminología específicos de la empresa o la industria.
  • Explicar los cálculos o el contexto Las estadísticas conversacionales usan descripciones para identificar mejor los significados de los campos y asignar los términos de los usuarios.

Por ejemplo, un campo que tiene la etiqueta user_count podría tener la descripción "La cantidad total de usuarios únicos que visitaron el sitio web".

Estandariza los nombres: Revisa los nombres de los campos y las etiquetas para garantizar la coherencia y la claridad.
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.
  • Variaciones de valores: Las convenciones de nomenclatura o el uso de mayúsculas inconsistentes (por ejemplo, una combinación de los valores complete, Complete y COMPLETE) pueden generar duplicación de datos o relaciones de datos incorrectas en Conversational Analytics.
  • Tipos de datos incoherentes: Las columnas que deben ser numéricas y que contienen valores de cadena ocasionales fuerzan a que el tipo de campo sea string, lo que impide las operaciones numéricas.
  • Ambigüedad de la zona horaria: La falta de zonas horarias estandarizadas en los campos de marcas de tiempo puede generar filtrado o agregación incorrectos.
 Aborda 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 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:

Cuándo agregar contexto a LookML en lugar de a 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 debe agregarse directamente a tu modelo de LookML. Los Exploradores de Looker se pueden usar en varios lugares, incluidos los paneles y el Análisis conversacional, 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 nunca necesitará usar este usuario?

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

Este enfoque te permite comenzar con un alcance pequeño y controlado, validar tu configuración y, luego, expandirte a más usuarios y datos.

Fase 1: Selecciona los datos y define el alcance inicial

En esta fase, prepara tus datos para que los usuarios puedan consultarlos con Conversational Analytics y define el alcance de la implementación inicial. Sigue estas recomendaciones para comenzar con un alcance 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 otorgar el rol de Gemini a un pequeño grupo de usuarios que conozcan los datos.
  • Limita el acceso al modelo de Looker para Gemini: Cuando otorgas el rol de Gemini, también puedes limitar a qué modelos puede acceder Gemini. Para comenzar, considera limitar el acceso de Gemini a uno o dos modelos que hayas seleccionado para las estadísticas conversacionales.
  • Selecciona Explores seleccionados: Comienza con uno o dos Explores bien estructurados que se basen en datos relativamente limpios y que proporcionen un valor comercial claro. Para optimizar estos Explorar para las estadísticas de conversación en Looker, sigue las instrucciones detalladas en Prácticas recomendadas de LookML para las estadísticas de conversación.

Fase 2: Configura los agentes y realiza la validación de forma interna

En esta fase, crea y perfecciona tus agentes de Conversational Analytics y, luego, pruébalos a fondo con usuarios internos para confirmar su precisión y eficacia. Esta fase implica los siguientes pasos:

  1. Crea agentes seleccionados: Crea agentes de Conversational Analytics que se basen solo en los Explorar seleccionados que preparaste durante la fase de selección y configuración inicial.

  2. Refinar con instrucciones del agente: Usa instrucciones del agente para proporcionar contexto adicional y más orientación. Por ejemplo:

    • Define sinónimos para los nombres o valores de los campos.
    • Proporciona contexto o reglas específicos sobre cómo se deben usar ciertos campos.

  3. Valida internamente y realiza iteraciones: Prueba exhaustivamente los agentes con usuarios que conozcan los datos. Haz varias preguntas, prueba casos extremos e identifica debilidades. Realiza los siguientes cambios según los comentarios de las pruebas:

    1. Define mejor el LookML. Por ejemplo, ajusta los valores de los parámetros de LookML label, description o hidden.
    2. Ajustar las instrucciones del agente
    3. Seguir marcando problemas relacionados con la calidad de los datos

Fase 3: Expande la adopción de Conversational Analytics a más usuarios

En esta fase, expande la adopción de Conversational Analytics a más usuarios otorgando acceso, recopilando comentarios y realizando iteraciones en tus agentes. Esta fase implica los siguientes pasos:

  1. Otorga acceso segmentado: Otorga acceso a Conversational Analytics a usuarios adicionales que tengan el rol de Gemini y anímales a usar los agentes específicos y verificados que creaste.

  2. Lanza el producto y recopila comentarios: Solicita comentarios de forma activa sobre los siguientes temas:

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

  3. Itera de forma continua: Usa los comentarios para realizar más ajustes en LookML y en las instrucciones del agente, y prioriza los esfuerzos de limpieza de datos.

  4. Expande el acceso: Una vez que los agentes demuestren ser estables y valiosos, expande el acceso a otros grupos de usuarios pertinentes y presenta nuevos agentes seleccionados otorgando el rol de Gemini. También puedes presentar nuevos agentes seleccionados y expandir el acceso a los modelos disponibles para el rol de Gemini, siguiendo los mismos procesos que se usaron en las fases anteriores.