Praktik terbaik untuk meluncurkan Conversational Analytics dengan Looker

Analisis Percakapan memungkinkan pengguna membuat kueri data yang dimodelkan di LookML dengan mengajukan pertanyaan bahasa alami dalam instance Looker.

Panduan ini memberikan strategi dan praktik terbaik untuk membantu administrator Looker dan developer LookML berhasil mengonfigurasi, men-deploy, dan mengoptimalkan Conversational Analytics. Panduan ini mencakup topik berikut:

• Praktik terbaik LookML untuk Analisis Percakapan
• Kapan harus menambahkan konteks ke LookML versus Analytics Percakapan
• Strategi penyiapan dan peluncuran yang direkomendasikan

Dengan menyiapkan model LookML dan Analisis Percakapan, Anda dapat meningkatkan adopsi pengguna dan memastikan bahwa pengguna mendapatkan jawaban yang akurat dan berguna atas pertanyaan mereka.

Pelajari cara dan waktu Gemini untuk Google Cloud menggunakan data Anda.

Praktik terbaik LookML untuk Conversational Analytics

Analisis Percakapan menafsirkan pertanyaan bahasa alami dengan memanfaatkan dua input utama:

1. Model LookML: Analytics Percakapan menganalisis struktur, kolom (dimensi, ukuran), label, dan deskripsi yang ditentukan dalam Eksplorasi Looker.

2. Nilai kolom yang berbeda: Analytics Percakapan memeriksa nilai data dalam kolom (khususnya, dimensi string) untuk mengidentifikasi kategori dan entity yang tersedia yang mungkin ditanyakan pengguna. Kardinalitas (jumlah nilai unik) dapat memengaruhi cara nilai ini digunakan.

Meskipun canggih, efektivitas Analisis Percakapan sangat terkait dengan kualitas dan kejelasan kedua input ini. Tabel berikut berisi cara umum LookML yang tidak jelas atau ambigu dapat memengaruhi Analisis Percakapan secara negatif, beserta solusi untuk meningkatkan output dan pengalaman pengguna.

Masalah kualitas LookML umum	Solusi untuk Conversational Analytics yang lebih jelas
Kurang jelas: Kolom yang tidak memiliki label atau deskripsi yang jelas akan ambigu bagi Analisis Percakapan dan penggunanya.	Terapkan label yang jelas: Gunakan parameter label untuk memberi kolom nama yang intuitif dan sesuai untuk bisnis yang cenderung digunakan pengguna dalam pertanyaan mereka.
Penumpukan kolom: Terlalu banyak kolom yang ditampilkan, terutama ID internal (kunci utama), kolom duplikat yang diwarisi dari gabungan, atau kolom penghitungan perantara, dapat mengacaukan opsi yang tersedia untuk Analisis Percakapan.	Menyembunyikan kolom yang tidak relevan: Pastikan semua kunci utama, kunci asing, kolom berlebihan dari gabungan, dan kolom teknis murni tetap tersembunyi. (Opsional) Perluas Eksplorasi: Jika Eksplorasi Anda berisi banyak kolom, sebaiknya buat Eksplorasi baru yang memperluas Eksplorasi yang ada. Dengan begitu, Anda dapat menyesuaikan versi khusus konten populer untuk Analisis Percakapan tanpa mengubah Eksplorasi yang mungkin mengandalkan konten lain.
Konflik penamaan: Beberapa kolom yang memiliki nama atau label serupa atau identik di berbagai tampilan dalam Eksplorasi dapat menyebabkan pemilihan kolom yang salah.	Tulis deskripsi yang lengkap: Deskripsi memberikan konteks penting untuk Analisis Percakapan. Gunakan parameter description untuk tugas berikut: Jelaskan kolom dengan jelas menggunakan bahasa alami. Sertakan terminologi atau sinonim khusus perusahaan atau industri. Jelaskan perhitungan atau konteks. Analisis Percakapan menggunakan deskripsi untuk mengidentifikasi arti kolom dan memetakan istilah pengguna dengan lebih baik. Misalnya, kolom yang memiliki label user_count dapat memiliki deskripsi "Total jumlah pengguna unik yang mengunjungi situs." Standardisasi penamaan: Tinjau nama kolom dan label untuk memastikan konsistensi dan kejelasan.
Kompleksitas tersembunyi: Sangat mengandalkan kolom kustom tingkat dasbor atau penghitungan tabel berarti logika bisnis yang berpotensi penting tidak akan dapat diakses oleh Analisis Percakapan.	Menggabungkan logika kustom: Identifikasi kolom kustom atau kalkulasi tabel yang penting dan umum digunakan. Konversi logika untuk kolom ini menjadi dimensi dan ukuran LookML agar Analisis Percakapan dapat menggunakannya.
Data yang tidak teratur: Jenis data yang tidak konsisten atau tidak terstruktur dengan baik berikut membuat Analisis Percakapan sulit menafsirkan kueri secara akurat. Variasi nilai: Kapitalisasi atau konvensi penamaan yang tidak konsisten (misalnya, campuran nilai complete, Complete, dan COMPLETE) dapat menyebabkan duplikasi data atau hubungan data yang salah dalam Analisis Percakapan. Jenis data yang tidak konsisten: Kolom yang seharusnya numerik dan berisi nilai string sesekali akan memaksa jenis kolom menjadi string, yang mencegah operasi numerik. Ambiguitas zona waktu: Kurangnya zona waktu standar di kolom stempel waktu dapat menyebabkan pemfilteran atau agregasi yang salah.	Mengatasi kualitas data: Jika memungkinkan, tandai masalah kualitas data (nilai, jenis, zona waktu yang tidak konsisten) yang Anda identifikasi selama penyiapan data. Bekerja sama dengan tim data engineering untuk membersihkan data sumber atau menerapkan transformasi di lapisan ETL/pemodelan data.

Untuk mengetahui praktik terbaik lainnya dalam menulis LookML yang bersih dan efisien, lihat dokumentasi berikut:

• Praktik terbaik: Hal yang boleh dan tidak boleh dilakukan dengan LookML
• Praktik terbaik: Menciptakan pengalaman positif bagi pengguna Looker
• Praktik terbaik: Menulis LookML yang berkelanjutan dan dapat dikelola

Kapan harus menambahkan konteks ke LookML versus Conversational Analytics

Di Analisis Percakapan, Anda dapat menambahkan input konteks, seperti sinonim dan deskripsi kolom, baik ke LookML maupun di dalam petunjuk agen. Saat Anda memutuskan tempat untuk menambahkan konteks, terapkan panduan berikut: Konteks yang selalu benar harus ditambahkan langsung ke model LookML Anda. Eksplorasi Looker dapat digunakan di beberapa tempat, termasuk di dasbor dan Analisis Percakapan, sehingga konteks yang diterapkan di LookML harus berlaku untuk semua kemungkinan pengguna yang akan berinteraksi dengan data.

Konteks agen harus bersifat kualitatif dan berfokus pada pengguna, dan ada banyak agen yang melayani pengguna yang berbeda dari satu Eksplorasi. Contoh konteks yang harus disertakan dalam petunjuk agen, tetapi tidak dalam LookML, adalah sebagai berikut:

• Siapa pengguna yang berinteraksi dengan agen? Apa peran mereka? Apakah mereka berasal dari dalam atau luar perusahaan? Apa pengalaman analitik mereka sebelumnya?
• Apa tujuan pengguna? Keputusan seperti apa yang ingin mereka buat di akhir percakapan?
• Apa saja jenis pertanyaan yang akan diajukan pengguna ini?
• Apa kolom teratas yang khusus untuk pengguna ini? Kolom apa yang tidak akan pernah perlu digunakan oleh pengguna ini?

Strategi penyiapan dan peluncuran yang direkomendasikan

Panduan ini merekomendasikan pendekatan bertahap berikut untuk menerapkan Analisis Percakapan di Looker:

• Tahap 1: Menyeleksi data dan menentukan cakupan awal
• Fase 2: Konfigurasi agen dan validasi secara internal
• Fase 3: Memperluas penggunaan Analisis Percakapan kepada lebih banyak pengguna

Pendekatan ini memungkinkan Anda memulai dengan cakupan kecil yang terkontrol, memvalidasi penyiapan, lalu memperluas ke lebih banyak pengguna dan data.

Fase 1: Pilih data dan tentukan cakupan awal

Pada fase ini, siapkan data Anda agar dapat dikueri oleh pengguna dengan Analytics Konversasional dan tentukan cakupan deployment awal. Ikuti rekomendasi berikut untuk memulai dengan cakupan kecil dan terkontrol:

• Batasi akses pengguna awal: Untuk mengaktifkan pengujian dan validasi internal, gunakan sistem izin Looker untuk memberikan peran Gemini kepada sekelompok kecil pengguna yang memahami data.
• Membatasi akses model Looker untuk Gemini: Saat memberikan peran Gemini, Anda juga dapat membatasi model yang dapat diakses Gemini. Untuk memulai, pertimbangkan untuk membatasi akses Gemini ke satu atau dua model yang telah Anda pilih untuk Analisis Percakapan.
• Pilih Eksplorasi pilihan: Mulai dengan satu atau dua Eksplorasi terstruktur dengan baik yang didasarkan pada data yang relatif bersih dan memberikan nilai bisnis yang jelas. Optimalkan Eksplorasi ini untuk Conversational Analytics di Looker dengan mengikuti petunjuk mendetail dalam Praktik terbaik LookML untuk Conversational Analytics.

Tahap 2: Konfigurasi agen dan validasi secara internal

Pada fase ini, buat dan sempurnakan agen Analisis Percakapan Anda, lalu uji secara menyeluruh dengan pengguna internal untuk mengonfirmasi akurasi dan efektivitasnya. Fase ini mencakup langkah-langkah berikut:

1. Membuat agen pilihan: Buat agen Analisis Percakapan yang hanya didasarkan pada Eksplorasi pilihan yang Anda siapkan selama fase penyeleksian dan penyiapan awal.

2. Perbaiki dengan petunjuk agen: Gunakan petunjuk agen untuk memberikan konteks tambahan dan panduan lebih lanjut. Contoh:

   • Tentukan sinonim untuk nama atau nilai kolom.
   • Berikan konteks atau aturan khusus tentang cara menggunakan kolom tertentu.

3. Validasi secara internal dan lakukan iterasi: Uji agen secara menyeluruh dengan pengguna yang memahami data. Ajukan berbagai pertanyaan, uji kasus ekstrem, dan identifikasi kelemahan. Lakukan perubahan berikut berdasarkan masukan dari pengujian:

   1. Perbaiki LookML. Misalnya, sesuaikan nilai untuk parameter LookML label, description, atau hidden.
   2. Menyesuaikan petunjuk agen.
   3. Terus menandai masalah kualitas data.

Fase 3: Memperluas penggunaan Analisis Percakapan ke lebih banyak pengguna

Pada fase ini, perluas penggunaan Analisis Percakapan ke lebih banyak pengguna dengan memberikan akses, mengumpulkan masukan, dan melakukan iterasi pada agen Anda. Fase ini mencakup langkah-langkah berikut:

1. Memberikan akses yang ditargetkan: Berikan akses Analisis Percakapan kepada pengguna tambahan yang memiliki peran Gemini, dan dorong pengguna tersebut untuk menggunakan agen spesifik dan teruji yang telah Anda buat.

2. Luncurkan dan kumpulkan masukan: Secara aktif meminta masukan tentang topik berikut:

   • Akurasi respons
   • Kemudahan penggunaan
   • Informasi tidak ada atau hasil membingungkan

3. Lakukan iterasi secara berkelanjutan: Gunakan masukan untuk melakukan penyempurnaan lebih lanjut pada LookML dan petunjuk agen, serta prioritaskan upaya pembersihan data.

4. Perluas akses: Setelah agen terbukti stabil dan berharga, perluas akses ke grup pengguna relevan lainnya dan perkenalkan agen baru yang telah dikurasi dengan memberikan peran Gemini. Anda juga dapat memperkenalkan agen baru yang dikurasi dan memperluas akses ke model yang tersedia untuk peran Gemini, dengan mengikuti proses yang sama seperti yang digunakan pada fase sebelumnya.