Looker를 통한 대화형 분석 출시 권장사항

대화형 분석을 사용하면 사용자가 Looker 인스턴스 내에서 자연어로 질문하여 LookML로 모델링된 데이터를 쿼리할 수 있습니다.

이 가이드에서는 Looker 관리자와 LookML 개발자가 대화형 분석을 성공적으로 구성, 배포, 최적화하는 데 도움이 되는 전략과 권장사항을 제공합니다. 이 가이드에는 다음 주제가 포함되어 있습니다.

LookML 모델과 대화형 분석을 준비하면 사용자 채택을 늘리고 사용자가 질문에 대한 정확하고 유용한 답변을 얻을 수 있습니다.

Google Cloud 를 위한 Gemini에서 사용자 데이터를 사용하는 방법과 시점을 알아보세요.

대화형 분석을 위한 LookML 권장사항

대화형 분석은 두 가지 기본 입력을 활용하여 자연어 질문을 해석합니다.

  1. LookML 모델: 대화형 분석은 Looker Explore 내에 정의된 구조, 필드 (측정기준, 측정항목), 라벨, 설명을 분석합니다.

  2. 고유한 필드 값: 대화형 분석은 필드 내의 데이터 값 (특히 문자열 측정기준)을 검사하여 사용자가 질문할 수 있는 사용 가능한 카테고리와 항목을 식별합니다. 카디널리티 (고유한 값의 수)는 이러한 값이 사용되는 방식에 영향을 줄 수 있습니다.

대화형 분석은 강력한 기능이지만 효과를 발휘하려면 이 두 입력의 품질과 명확성이 중요합니다. 다음 표에는 명확하지 않거나 모호한 LookML이 대화형 분석에 부정적인 영향을 미칠 수 있는 일반적인 방법과 출력 및 사용자 환경을 개선하기 위한 해결 방법이 나와 있습니다.

일반적인 LookML 품질 문제 더 명확한 대화형 분석을 위한 솔루션
명확성 부족: 명확한 라벨이나 설명이 없는 필드는 대화형 분석과 사용자 모두에게 모호합니다. 명확한 라벨 적용: label 매개변수를 사용하여 사용자가 질문에 사용할 가능성이 높은 직관적이고 비즈니스 친화적인 필드 이름을 지정합니다.
필드 과부하: 너무 많은 필드, 특히 내부 ID (기본 키), 조인에서 상속된 중복 필드 또는 중간 계산 필드를 노출하면 대화형 분석에 사용할 수 있는 옵션이 어수선해질 수 있습니다. 관련 없는 필드 숨기기: 모든 기본 키, 외래 키, 조인에서 중복된 필드, 순전히 기술적인 필드가 숨겨진 상태로 유지되어야 합니다.

(선택사항) 탐색 분석 확장: 탐색 분석에 필드가 많이 포함되어 있는 경우 기존 탐색 분석을 확장하는 새 탐색 분석을 만드는 것이 좋습니다. 이를 통해 다른 콘텐츠가 의존할 수 있는 탐색 분석을 수정하지 않고도 대화형 분석을 위해 인기 콘텐츠의 전용 버전을 맞춤설정할 수 있습니다.
이름 충돌: Explore 내의 여러 뷰에서 이름이나 라벨이 유사하거나 동일한 필드가 여러 개 있으면 필드가 잘못 선택될 수 있습니다. 자세한 설명 작성: 설명은 대화형 분석에 중요한 컨텍스트를 제공합니다. 다음 작업에는 description 매개변수를 사용합니다.
  • 자연어를 사용하여 필드를 명확하게 설명합니다.
  • 회사 또는 업계별 용어 또는 동의어를 포함합니다.
  • 계산 또는 맥락을 설명합니다. 대화형 분석은 설명을 사용하여 필드 의미를 더 잘 식별하고 사용자 용어를 매핑합니다.

예를 들어 라벨이 user_count인 필드의 설명은 '웹사이트를 방문한 총 순 사용자 수'일 수 있습니다.

이름 표준화: 필드 이름과 라벨의 일관성과 명확성을 검토합니다.
숨겨진 복잡성: 대시보드 수준의 맞춤 필드 또는 표 계산에 크게 의존하면 잠재적으로 중요한 비즈니스 로직에 대화형 분석이 액세스할 수 없습니다. 맞춤 로직 통합: 중요하고 일반적으로 사용되는 맞춤 필드 또는 테이블 계산을 식별합니다. 대화형 분석에서 사용할 수 있도록 이러한 필드의 로직을 LookML 측정기준 및 측정으로 변환합니다.
정리되지 않은 데이터: 다음과 같은 일관되지 않거나 구조화되지 않은 데이터 유형은 대화형 분석에서 쿼리를 정확하게 해석하기 어렵게 만듭니다.
  • 값 변형: 대소문자 또는 명명 규칙이 일관되지 않으면 (예: complete, Complete, COMPLETE 값이 혼합됨) 대화형 분석에서 데이터가 중복되거나 데이터 관계가 잘못될 수 있습니다.
  • 일관되지 않은 데이터 유형: 숫자여야 하지만 가끔 문자열 값을 포함하는 열로 인해 필드 유형이 string로 강제 설정되어 숫자 연산을 할 수 없습니다.
  • 시간대 모호성: 타임스탬프 필드에 표준화된 시간대가 없으면 필터링이나 집계가 잘못될 수 있습니다.
 데이터 품질 문제 해결: 가능한 경우 데이터 선별 중에 식별한 데이터 품질 문제 (일관되지 않은 값, 유형, 시간대)를 표시합니다. 데이터 엔지니어링팀과 협력하여 소스 데이터를 정리하거나 ETL/데이터 모델링 레이어에서 변환을 적용합니다.

깔끔하고 효율적인 LookML 작성에 관한 권장사항은 다음 문서를 참고하세요.

LookML과 대화형 분석에 컨텍스트를 추가해야 하는 경우

대화형 분석에서 LookML과 에이전트 지침 내부에 필드 동의어 및 설명과 같은 컨텍스트 입력을 추가할 수 있습니다. 컨텍스트를 추가할 위치를 결정할 때는 다음 안내를 따르세요. 항상 참인 컨텍스트는 LookML 모델에 직접 추가해야 합니다. Looker Explore는 대시보드와 Conversational Analytics를 비롯한 여러 위치에서 사용될 수 있으므로 LookML에 적용된 컨텍스트는 데이터와 상호작용할 수 있는 모든 사용자에게 적용되어야 합니다.

상담사 컨텍스트는 정성적이고 사용자에게 초점을 맞춰야 하며, 하나의 Explore에서 여러 사용자를 지원하는 여러 상담사가 있을 수 있습니다. LookML에는 포함되지 않지만 에이전트 지침에 포함해야 하는 컨텍스트의 예는 다음과 같습니다.

  • 에이전트와 상호작용하는 사용자는 누구인가요? 이들의 역할은 무엇인가요? 회사 내부 직원인가요, 아니면 외부 직원인가요? 이전 분석 경험은 무엇인가요?
  • 사용자의 목표는 무엇인가요? 대화가 끝날 때 어떤 유형의 결정을 내리고 싶어 하나요?
  • 이 사용자는 어떤 유형의 질문을 할까요?
  • 이 사용자에게만 해당하는 상위 필드는 무엇인가요? 이 사용자가 사용할 필요가 없는 필드는 무엇인가요?

이 가이드에서는 Looker에서 대화형 분석을 구현하기 위해 다음 단계별 접근 방식을 권장합니다.

이 접근 방식을 사용하면 작고 제어된 범위로 시작하여 설정을 검증한 다음 더 많은 사용자 및 데이터로 확장할 수 있습니다.

1단계: 데이터 선별 및 초기 범위 정의

이 단계에서는 사용자가 대화형 분석으로 쿼리할 수 있도록 데이터를 준비하고 초기 배포 범위를 정의합니다. 작고 통제된 범위로 시작하려면 다음 권장사항을 따르세요.

  • 초기 사용자 액세스 제한: 내부 테스트 및 검증을 사용 설정하려면 Looker의 권한 시스템을 사용하여 데이터에 익숙한 소수의 사용자에게 Gemini 역할을 부여합니다.
  • Gemini의 Looker 모델 액세스 제한: Gemini 역할을 부여할 때 Gemini가 액세스할 수 있는 모델을 제한할 수도 있습니다. 먼저 Gemini 액세스를 Conversational Analytics를 위해 선별한 모델 하나 또는 두 개로 제한하는 것이 좋습니다.
  • 선별된 Explore 선택: 비교적 정리된 데이터를 기반으로 하고 명확한 비즈니스 가치를 제공하는 잘 구조화된 Explore 1~2개로 시작합니다. Looker의 대화형 분석을 위한 LookML 권장사항의 자세한 안내에 따라 Looker의 대화형 분석을 위해 이러한 탐색 분석을 최적화합니다.

2단계: 에이전트 구성 및 내부 검증

이 단계에서는 대화형 분석 에이전트를 빌드하고 개선한 다음 내부 사용자와 함께 철저히 테스트하여 정확성과 효과를 확인합니다. 이 단계에는 다음 단계가 포함됩니다.

  1. 선별된 에이전트 만들기: 선별 및 초기 설정 단계에서 준비한 선별된 탐색 분석만을 기반으로 대화형 분석 에이전트를 만듭니다.

  2. 에이전트 안내로 다듬기: 에이전트 안내를 사용하여 추가 컨텍스트와 추가 안내를 제공합니다. 예를 들면 다음과 같습니다.

    • 필드 이름 또는 값의 동의어를 정의합니다.
    • 특정 필드를 사용하는 방법에 관한 구체적인 컨텍스트 또는 규칙을 제공합니다.

  3. 내부적으로 검증하고 반복: 데이터에 익숙한 사용자와 함께 에이전트를 철저히 테스트합니다. 다양한 질문을 하고, 특이 사례를 테스트하고, 약점을 파악합니다. 테스트에서 받은 의견을 바탕으로 다음과 같이 변경합니다.

    1. LookML을 상세검색합니다. 예를 들어 label, description 또는 hidden LookML 매개변수의 값을 조정합니다.
    2. 에이전트 요청 사항을 조정합니다.
    3. 데이터 품질 문제를 계속 신고합니다.

3단계: 더 많은 사용자로 대화형 분석 도입 확대

이 단계에서는 액세스 권한을 부여하고, 의견을 수집하고, 에이전트를 반복하여 대화형 분석 도입을 더 많은 사용자로 확대합니다. 이 단계에는 다음 단계가 포함됩니다.

  1. 타겟 액세스 권한 부여: Gemini 역할이 있는 추가 사용자에게 대화형 분석 액세스 권한을 부여하고, 사용자가 생성한 특정 검증된 에이전트를 사용하도록 권장합니다.

  2. 출시 및 의견 수집: 다음 주제에 관한 의견을 적극적으로 요청합니다.

    • 대답의 정확성
    • 사용 편의성
    • 정보가 누락되었거나 혼란스러운 결과

  3. 지속적으로 반복: 피드백을 사용하여 LookML 및 에이전트 안내를 추가로 개선하고 데이터 정리 작업을 우선시합니다.

  4. 액세스 권한 확장: 에이전트가 안정적이고 유용하다는 것이 입증되면 Gemini 역할을 부여하여 다른 관련 사용자 그룹으로 액세스 권한을 확장하고 새로운 선별된 에이전트를 도입합니다. 또한 이전 단계에서 사용한 것과 동일한 프로세스를 따라 새로운 선별된 에이전트를 도입하고 Gemini 역할에 제공되는 모델에 대한 액세스를 확대할 수 있습니다.