Aide de Tableau Cloud

Tableau Agent fait de son mieux pour comprendre l’intention de vos questions ainsi que le contexte de vos données et de votre entreprise. Mais sans des données optimisées pour l’IA, Tableau Agent peut faire des erreurs.

Cet article décrit certaines étapes à suivre pour être sûr d’obtenir les meilleurs résultats de Tableau Agent.

Informations générales

Utilisez des données propres et bien modélisées

Les données désordonnées sont difficiles à analyser et Tableau Agent ne sait pas nettoyer ni préparer vos données à votre place.

• À faire : nettoyer et préparer les données désordonnées avant l’analyse. Essayez d’utiliser Tableau Agent dans Tableau Prep(Le lien s’ouvre dans une nouvelle fenêtre) pour nettoyer vos données.

  • Mauvaise pratique : penser qu’un agent analytique va préparer les données.

• Bonne pratique : utiliser des relations dans la modélisation des données.

  • Mauvaise pratique : coder en dur les jointures

  • Mauvaise pratique : utiliser la fusion des données

• Bonne pratique : utiliser des sources de données certifiées et les mettre à jour pour l’utilisation de l’IA.

• Bonne pratique : masquer les champs inutiles. Si un utilisateur ne doit pas utiliser ces champs pour créer une visualisation, l’agent ne doit pas les voir.

Utilisez des noms et des descriptions clairs pour les champs

Tableau Agent ne comprend pas les données de la même manière qu’un humain. Sans noms et descriptions pertinents, Tableau Agent peut mal interpréter un champ. Supprimez toute conjecture quant à la manière dont les données s’intègrent dans une analyse.

• Bonne pratique : utiliser des noms de champs uniques, descriptifs et complets.

  • Mauvaise pratique : conserver un nom de champ en tant que « Âge » alors qu’il pourrait s’agir de « Âge de l’incident à sa clôture »

  • Mauvaise pratique : laisser des abréviations ou des champs ambigus tels que « P_ID » ou « Nom »

• Bonne pratique : inclure une description qui définit le champ.

• Bonne pratique : inclure le contexte métier et les synonymes attendus.

  • Mauvaise pratique : partir de l’hypothèse que tous vos utilisateurs désigneront toujours le champ par son nom officiel

• Bonne pratique : décrire comment le champ est généralement utilisé dans l’analyse et comment il se distingue des champs similaires.

  • Mauvaise pratique : copier et coller des descriptions dans des champs similaires

• Bonne pratique : conserver les descriptions des champs Salesforce standard.

• Bonne pratique : documenter toute logique métier ou anomalie des données (par exemple comment interpréter les valeurs null ou quand utiliser « Date de facturation » plutôt que « Date d’achat »).

Prédéfinir des champs calculés

Tableau Agent peut aider à créer des calculs via le langage naturel, mais si un utilisateur demande un calcul de manière incorrecte ou ambiguë, il peut en résulter un calcul incorrect.

• Bonne pratique : créer tous les calculs courants à l’avance afin de garantir la cohérence et la précision.

Spécifier les propriétés des champs

L’agent s’appuie sur les propriétés des champs comme garde-fous analytiques. Des propriétés par défaut ou mal configurées peuvent générer des résultats analytiques médiocres.

• Bonne pratique : vérifier les rôles des champs (dimensions et mesures) et les types de données (tels que date, numérique, booléen).

  • Mauvaise pratique : conserver un champ tel que le code postal en tant que champ numérique (mesure) s’il doit être considéré comme un attribut (dimension).

  • Mauvaise pratique : laisser les dates stockées en tant que texte.

• Bonne pratique : définir une agrégation par défaut.

  • Mauvaise pratique : supposer que l’utilisateur ou l’agent saura utiliser la moyenne avec le « prix unitaire » plutôt que la somme

Liste de contrôle de la préparation à l’IA

Utilisez cette liste de contrôle pour mettre en œuvre les meilleures pratiques lors de la préparation de votre source de données et de vos classeurs publiés pour l’utilisation de l’IA.

Structure du modèle

Nettoyer les données

Relations au lieu de jointures

Pas de fusion des données

Champs

Les noms de champ sont spécifiques et contextuels

Tous les champs ont des descriptions utiles et différenciées

Les champs inutiles sont masqués

Des calculs courants ou attendus existent déjà

Les champs ont des propriétés correctes : rôle, type de données, agrégation par défaut