L'analyse conversationnelle permet aux utilisateurs d'interroger les données modélisées dans LookML en posant des questions en langage naturel dans une instance Looker.
Ce guide fournit des stratégies et des bonnes pratiques pour aider les administrateurs Looker et les développeurs LookML à configurer, déployer et optimiser l'analyse conversationnelle. Ce guide couvre les sujets suivants :
- Bonnes pratiques LookML pour Conversational Analytics
- Quand ajouter du contexte à LookML ou à l'analyse conversationnelle ?
- Configuration et stratégie de déploiement recommandées
En préparant votre modèle LookML et l'analyse conversationnelle, vous pouvez augmenter l'adoption par les utilisateurs et vous assurer qu'ils obtiennent des réponses précises et utiles à leurs questions.
Découvrez comment et quand Gemini pour Google Cloud utilise vos données.
Bonnes pratiques LookML pour Conversational Analytics
L'analyse conversationnelle interprète les questions en langage naturel en s'appuyant sur deux entrées principales :
Le modèle LookML : l'analyse conversationnelle analyse la structure, les champs (dimensions, mesures), les libellés et les descriptions définis dans les explorations Looker.
Valeurs de champ distinctes : l'analyse conversationnelle examine les valeurs de données dans les champs (plus précisément, les dimensions de chaîne) pour identifier les catégories et les entités disponibles sur lesquelles les utilisateurs peuvent poser des questions. La cardinalité (nombre de valeurs uniques) peut influencer la façon dont ces valeurs sont utilisées.
Bien que puissante, l'efficacité de l'analyse conversationnelle est directement liée à la qualité et à la clarté de ces deux entrées. Le tableau suivant présente les problèmes courants liés à un code LookML peu clair ou ambigu qui peuvent avoir un impact négatif sur l'analyse conversationnelle, ainsi que des solutions pour améliorer le résultat et l'expérience utilisateur.
| Problèmes courants de qualité LookML | Solution pour des analyses conversationnelles plus claires |
|---|---|
| Manque de clarté : les champs dont les libellés ou les descriptions ne sont pas clairs sont ambigus pour l'analyse conversationnelle et pour ses utilisateurs. | Appliquez des libellés clairs : utilisez le paramètre label pour donner aux champs des noms intuitifs et adaptés à votre activité, que les utilisateurs sont susceptibles d'utiliser dans leurs questions. |
| Surcharge de champs : le fait d'exposer trop de champs, en particulier les ID internes (clés primaires), les champs en double hérités des jointures ou les champs de calcul intermédiaires, peut encombrer les options disponibles pour l'analyse conversationnelle. | Masquez les champs non pertinents : assurez-vous que toutes les clés primaires, les clés étrangères, les champs redondants des jointures et les champs purement techniques restent masqués. (Facultatif) Étendre les explorations : si votre exploration contient un grand nombre de champs, envisagez de créer une exploration qui étend une exploration existante. Cela vous permet de personnaliser une version dédiée de contenus populaires pour l'analyse conversationnelle, sans modifier les explorations dont d'autres contenus peuvent dépendre. |
| Conflits de noms : si plusieurs champs ont des noms ou des libellés similaires ou identiques dans différentes vues d'Explorer, cela peut entraîner une sélection incorrecte des champs. | Rédigez des descriptions détaillées : les descriptions fournissent un contexte essentiel pour l'analyse conversationnelle. Utilisez le paramètre description pour les tâches suivantes :
Par exemple, un champ portant le libellé |
| Complexité masquée : si vous vous appuyez fortement sur des champs personnalisés ou des calculs de tableaux au niveau du tableau de bord, cela signifie que la logique métier potentiellement critique ne sera pas accessible à l'analyse conversationnelle. | Intégrer une logique personnalisée : identifiez les champs personnalisés ou les calculs de table importants et couramment utilisés. Convertissez la logique de ces champs en dimensions et mesures LookML pour que Conversational Analytics puisse les utiliser. |
Données incorrectes : les types de données incohérentes ou mal structurées suivants empêchent l'analyse conversationnelle d'interpréter les requêtes avec précision.
|
Résolvez les problèmes de qualité des données : dans la mesure du possible, signalez les problèmes de qualité des données (valeurs, types et fuseaux horaires incohérents) que vous identifiez lors de la curation des données. Collaborez avec les équipes d'ingénierie des données pour nettoyer les données sources ou appliquer des transformations dans la couche ETL/de modélisation des données. |
Pour découvrir d'autres bonnes pratiques pour écrire du code LookML propre et efficace, consultez la documentation suivante :
- Bonnes pratiques : ce qu'il faut faire et ne pas faire avec LookML
- Bonne pratique : Créez une expérience positive pour les utilisateurs de Looker
- Bonne pratique : écrire du code LookML durable et facile à gérer
Quand ajouter du contexte à LookML ou à Conversational Analytics
Dans Conversational Analytics, vous pouvez ajouter des entrées de contexte, telles que des synonymes et des descriptions de champs, à la fois dans LookML et dans les instructions de l'agent. Lorsque vous décidez où ajouter du contexte, suivez les conseils suivants : le contexte qui est toujours vrai doit être ajouté directement à votre modèle LookML. Les explorations Looker peuvent être utilisées à plusieurs endroits, y compris dans les tableaux de bord et dans l'analyse conversationnelle. Par conséquent, le contexte appliqué dans LookML doit être valable pour tous les utilisateurs susceptibles d'interagir avec les données.
Le contexte de l'agent doit être qualitatif et axé sur l'utilisateur. Plusieurs agents peuvent servir différents utilisateurs à partir d'une même exploration. Voici quelques exemples de contexte à inclure dans les instructions de l'agent, mais pas dans LookML :
- Qui est l'utilisateur qui interagit avec l'agent ? What is their role? S'agit-il de personnes internes ou externes à l'entreprise ? Quelle est son expérience précédente en matière d'analyse ?
- Quel est l'objectif de l'utilisateur ? Quel type de décision cherchent-ils à prendre à la fin de la conversation ?
- Quels types de questions cet utilisateur posera-t-il ?
- Quels sont les principaux champs spécifiques à cet utilisateur ? Quels sont les champs que cet utilisateur n'aura jamais besoin d'utiliser ?
Configuration et stratégie de déploiement recommandées
Ce guide recommande l'approche par étapes suivante pour implémenter l'analyse conversationnelle dans Looker :
- Phase 1 : Organisez les données et définissez le champ d'application initial
- Phase 2 : Configurez les agents et validez-les en interne
- Phase 3 : Étendre l'adoption de l'analyse conversationnelle à davantage d'utilisateurs
Cette approche vous permet de commencer avec un champ d'application réduit et contrôlé, de valider votre configuration, puis de l'étendre à davantage d'utilisateurs et de données.
Phase 1 : Organiser les données et définir le champ d'application initial
Dans cette phase, préparez vos données pour que les utilisateurs puissent les interroger avec l'analyse conversationnelle et définissez le champ d'application du déploiement initial. Suivez ces recommandations pour commencer avec un champ d'application réduit et contrôlé :
- Limiter l'accès initial des utilisateurs : pour activer les tests et la validation internes, utilisez le système d'autorisation de Looker afin d'accorder le rôle Gemini à un petit groupe d'utilisateurs qui connaissent bien les données.
- Limiter l'accès aux modèles Looker pour Gemini : lorsque vous accordez le rôle Gemini, vous pouvez également limiter les modèles auxquels Gemini peut accéder. Pour commencer, envisagez de limiter l'accès à Gemini à un ou deux modèles que vous avez sélectionnés pour l'analyse conversationnelle.
- Sélectionnez des explorations organisées : commencez par une ou deux explorations bien structurées, basées sur des données relativement propres et qui apportent une valeur commerciale claire. Optimisez ces Explorations pour Conversational Analytics dans Looker en suivant les instructions détaillées dans Bonnes pratiques LookML pour Conversational Analytics.
Phase 2 : Configurer les agents et valider en interne
Au cours de cette phase, créez et affinez vos agents d'analyse conversationnelle, puis testez-les minutieusement auprès d'utilisateurs internes pour confirmer leur précision et leur efficacité. Cette phase comprend les étapes suivantes :
- Créer des agents sélectionnés : créez des agents Conversational Analytics basés uniquement sur les explorations sélectionnées que vous avez préparées lors de la phase de sélection et de configuration initiale.
Affiner avec des instructions pour l'agent : utilisez des instructions pour l'agent afin de fournir un contexte supplémentaire et des conseils plus précis. Exemple :
- Définissez des synonymes pour les noms ou les valeurs de champs.
- Fournissez un contexte ou des règles spécifiques pour l'utilisation de certains champs.
Validez en interne et itérez : testez minutieusement les agents avec des utilisateurs qui connaissent bien les données. Posez des questions variées, testez les cas extrêmes et identifiez les points faibles. Apportez les modifications suivantes en fonction des commentaires reçus lors des tests :
- Affinez le code LookML. Par exemple, ajustez les valeurs des paramètres LookML
label,descriptionouhidden. - Ajustez les instructions de l'agent.
- Continuez à signaler les problèmes de qualité des données.
- Affinez le code LookML. Par exemple, ajustez les valeurs des paramètres LookML
Phase 3 : Étendre l'adoption de l'analyse conversationnelle à davantage d'utilisateurs
Au cours de cette phase, étendez l'adoption de l'analyse conversationnelle à davantage d'utilisateurs en leur accordant l'accès, en recueillant leurs commentaires et en itérant sur vos agents. Cette phase comprend les étapes suivantes :
- Accorder un accès ciblé : accordez l'accès à Conversational Analytics à d'autres utilisateurs disposant du rôle Gemini et encouragez-les à utiliser les agents spécifiques et approuvés que vous avez créés.
Lancez votre produit et recueillez des commentaires : sollicitez activement des commentaires sur les thèmes suivants :
- Précision des réponses
- Simplicité d'utilisation
- Informations manquantes ou résultats confus
Itérez en continu : utilisez les commentaires pour affiner davantage les instructions LookML et de l'agent, et accordez la priorité aux efforts de nettoyage des données.
Élargissez l'accès : une fois que les agents se sont révélés stables et utiles, élargissez l'accès à d'autres groupes d'utilisateurs concernés et présentez de nouveaux agents sélectionnés en attribuant le rôle Gemini. Vous pouvez également introduire de nouveaux agents sélectionnés et étendre l'accès aux modèles disponibles pour le rôle Gemini, en suivant les mêmes processus que ceux utilisés lors des phases précédentes.