Sie befinden sich hier:
Entwerfen semantischer Modelle für die AI-Bereitschaft
Ein gut gestaltetes semantisches Modell ist der Schlüssel zum Abrufen genauer und relevanter Statistiken mit agentischen Analysen in Tableau Next. Dadurch können Ihre Analytics-Agenten die Daten verstehen und sicher Fragen beantworten. Bauen Sie beim Entwerfen Ihres semantischen Modells auf einer Grundlage von AI-Bereitschaftsstandards und bewährten Branchenpraktiken für die Datenmodellierung und Datenqualität auf.
Erforderliche Editionen
| Unterstützte Editionen anzeigen. |
Semantische Modellfunktionen
Damit Agentenanalysen in Tableau Next und Salesforce 360 unterstützt werden, muss ein semantisches Modell Datenmodellobjekte (DMOs) und kann Data-Lake-Objekte (DLOs) enthalten. Ein semantisches Modell kann auf einem Tableau Cloud PDS basieren.
Das semantische Modell muss eine vollständige und genaue Beziehungskarte Ihrer Daten enthalten. Berechnete Statistiken werden derzeit nicht unterstützt.
Semantische Modell-AI-Bereitschaft
Das Erstellen AI-fähiger semantischer Modelle ist entscheidend für das Trust der Benutzer, die Agentenleistung und die Geschäftsagilität. Indem Sie diese bewährten Vorgehensweisen befolgen, sind Sie nicht nur zukunftssicher für Ihre Datenmodelle, sondern beschleunigen auch Ihren Weg zu skalierbaren, agentengesteuerten Analysen.
Definieren von eindeutigen Objekt- und Feldnamen
Agenten interpretieren Felder im Kontext der Objekte, zu denen sie gehören. Die Klarheit und Spezifität von Objekt- und Feldnamen sowie Bezeichnungen spielen eine entscheidende Rolle für die AI-Interpretierbarkeit.
Die API-Namen (der Systemname, der bei der Erstellung in Data Cloud definiert wurde) und Bezeichnungen (der Anzeigename) von Objekten und Feldern werden von AI-Agenten verwendet.
Die Kombination aus Objektkontext und Feldeigenschaften sorgt für semantische Klarheit. Obwohl allgemeine Bezeichnungen wie "ID" oder "Name" für sich genommen mehrdeutig erscheinen, sind sie akzeptabel, wenn das Objekt, zu dem sie gehören, gut benannt und klar beschrieben ist.
Der API-Name kann nach der Erstellung im semantischen Modell nicht mehr bearbeitet werden. Daher sollte er sorgfältig erstellt werden. Die Bezeichnung kann und sollte für Geschäftsklarheit angepasst werden.
Eindeutige Namenskombinationen
Stellen Sie sicher, dass die Kombination aus Objektname, Beschreibung und Feldbezeichnung ausreicht, um die Rolle und den Zweck des Felds eindeutig zu identifizieren. Vermeiden Sie Abkürzungen.
Sinnvolle, relevante Bezeichnungen
Verwenden Sie aussagekräftige, geschäftsrelevante Anzeigenamen, insbesondere für benutzerdefinierte Felder. Koppeln Sie beispielsweise ein Objekt mit dem Namen "Kunde" mit einem Feld mit der Bezeichnung "ID". Dies ist besser interpretierbar als eine mehrdeutige Kopplung wie "Einheit" mit "ID".
Beschreibende API-Namen
Wählen Sie beim Erstellen neuer Felder in Data Cloud möglichst aussagekräftige API-Namen aus, um die nachgelagerte Interpretation zu verbessern.
Bereitstellen informativer, ausgewogener Beschreibungen
Beschreibungen spielen eine zentrale Rolle bei der genauen Interpretation von Feldern und Objekten.
Standardobjekte und -felder
Bei Salesforce-Standardobjekten kann es akzeptabel sein, die Standardbeschreibung beizubehalten, da diese allgemein bekannt sind und in öffentlichen Knowledge Quellen referenziert werden, in denen Agenten geschult sind. Wenn ein Benutzer die Beschreibung eines Standardobjekts oder -felds ändert, muss sie additiv sein und darf nicht im Widerspruch zu vorhandenem Knowledge stehen.
Verwenden von Salesforce-Standardobjekten und -Feldern
Verwenden Sie beim Entwerfen Ihres Datenmodells Salesforce-Standardobjekte und -Felder. Agenten können Standardkomponenten mit höherer Wahrscheinlichkeit richtig verstehen und interpretieren, da sie besser dokumentiert sind und in öffentlichen Trainingsdaten verwendet werden.
Benutzerdefinierte Objekte und Felder
Für benutzerdefinierte Objekte und Felder ist eine klare und informative Beschreibung unerlässlich. Sie sollte widerspiegeln, was die Daten darstellen, wann immer möglich mit Branchenstandards übereinstimmen und bei Bedarf alle eindeutigen internen Bedeutungen erläutern.
Klare Beschreibungen erstellen
Geben Sie eine prägnante Beschreibung von 1–2 Sätzen an, die Folgendes umfasst:
- Gibt den Geschäftskontext an. Kaufdatum stellt beispielsweise das Datumsfeld dar, an dem die Rechnung gedruckt oder an den Benutzer gesendet wurde. In einigen Fällen unterscheiden sich Transaktionsdatum und Kaufdatum aus diesem Grund.
- Beschreibt, wie es im Unternehmen verwendet wird. Beispielsweise ist "{Kaufdatum}" der Standardfilter und -slicer in den meisten zugehörigen Analysen zu Einkäufen und Kosten.
- Stellt die Daten gut dar. Überprüfen Sie die Daten und stellen Sie sicher, dass die Beschreibung nicht nur den allgemeinen Zweck des Felds beschreibt. Sie sollte ausführlicher erläutert werden, wenn bestimmte Datenwerte für einen bestimmten Zweck vorhanden sind. "NA" stellt beispielsweise Transaktionen dar, bei denen der Kauf noch nicht bestätigt wurde, und entspricht dem Transaktionsstatus = "Ausstehend".
Testen Sie die neue Beschreibung anhand des Agentenverständnisses, indem Sie Ihr bevorzugtes Chat-Tool fragen: "Wie interpretieren Sie diesen Beschreibungsinhalt für den Feldnamen des Felds?"
Semantische Modelle
Agenten integrieren die Beschreibung eines semantischen Modells. Beschreibungen, die Anwendungsfälle und Ziele für das Modell enthalten, sind wichtig.
Modellkontext beschreiben
Geben Sie eine klare Beschreibung des semantischen Modells an, das seine Ziele und Anwendungsfälle vermittelt. Sie bietet einen wesentlichen Kontext zu Zweck und Umfang des Modells und verbessert die Fähigkeit des Agenten, über dessen Inhalt nachzudenken.
Strukturieren des Modells für das Agentenvertrauen
Ein gut vernetztes und gut organisiertes semantisches Modell hilft Agenten, Abfragen richtig zu interpretieren und Fragen genau zu beantworten.
Inseltabellen oder isolierte Objekte (Tabellen und Objekte ohne oder mit eingeschränkten Beziehungen zu anderen Tabellen und Objekten) werden manchmal absichtlich in einem semantischen Modell für unterschiedliche Anwendungsfälle erstellt. Diese getrennten Strukturen können zu Verwirrung führen. Agenten und Benutzer können diese Strukturen falsch interpretieren oder versuchen, sie so abzufragen, als wären sie verbunden, auch wenn Beziehungen nicht definiert sind.
Verbinden von Modellinhalten
Stellen Sie sicher, dass alle Objekte Teil eines einzelnen verbundenen Clusters sind. Vermeiden Sie mehrdeutige oder nicht verbundene Objekte, die ungültige Antworten von Agenten auslösen könnten.
Erkennen und Beheben von Mehrdeutigkeiten
Agenten analysieren beim Interpretieren semantischer Modelle häufig die vollständigen Komponenteneigenschaften. Es ist jedoch wichtig, sicherzustellen, dass Mehrdeutigkeiten nur anhand der Bezeichnung und der Beschreibungsebene behoben werden können. Mehrdeutigkeiten können durch das Vorhandensein ähnlicher Einheiten oder Objekte, ähnlicher Felder, berechneter Felder und Kennzahlen entstehen – und manchmal sogar zwischen berechneten Feldern und regulären Feldern.
Agentforce für Analytics wertet den vollständigen Satz an Objekteigenschaften aus, einschließlich Objektname, Objektbeschreibung, Feldanzeigename, Feldbeschreibungen, Felddatentyp, Feldrolle, Beispielwerte und Objekt-/Feldbeziehungen. Da es jedoch üblich ist, dass mehrere Felder ähnliche Daten enthalten oder sich überschneiden, muss das semantische Modell klar zwischen ihnen durch präzise und absichtliche Metadaten unterscheiden.
Regelmäßiges Ausführen von Ähnlichkeits- und Mehrdeutigkeitsprüfungen
Stellen Sie sicher, dass jede Komponente, die erstellt und dem semantischen Modell hinzugefügt wurde, einen eindeutigen Zweck erfüllt und dass dieser Zweck sowohl in der Bezeichnung als auch in der Beschreibung eindeutig erfasst wird.
Das Tool zur AI-Optimierung des semantischen Modells enthält einen Ähnlichkeitsscan, der die meisten der hier beschriebenen Szenarien abdecken kann. Verwenden Sie dieses Tool im semantischen Modellgenerator, um das Modell schnell zu scannen und Ähnlichkeiten zu reduzieren.
Allgemeine Quellen von Mehrdeutigkeiten
- Überlappende Beschreibungen: Vage oder identische Feldbeschreibungen, bei denen unterschiedliche Rollen oder Verwendungen nicht klargestellt werden. Da es üblich ist, Beschreibungen zu kopieren und einzufügen, führt dies oft zu Mehrdeutigkeiten.
- Ähnlicher Geschäftskontext: Felder, die dasselbe Konzept darstellen, jedoch in unterschiedlichen Tabellen angezeigt werden (z. B. "Kundenregion" aus "Auftragskopfzeile" vs. "Auftragsbelegposten").Hinweis
Sie können unternehmensspezifisches Knowledge in Ihrem semantischen Modell mithilfe von "Geschäftsvoreinstellungen" definieren. Dies hilft dem Agenten, auf analytische Fragen innerhalb des individuellen Kontexts und der Logik Ihres Unternehmens zu antworten.
- Synonyme oder Homonyme: Felder mit unterschiedlichen Namen, die dasselbe Konzept darstellen (Synonyme), oder Felder mit identischen Namen, die unterschiedliche Konzepte darstellen (Homonyme).
- Objekte, die für unterschiedliche Zwecke und Verwendungen doppelt vorhanden sind, aber aus ihrer Semantik nicht ersichtlich sind, dass sie sich unterscheiden. Im Folgenden finden Sie einige allgemeine Beispiele:
- Gleiches Objekt, anderer Zweck: Ein generisches Datumsfeld im Modell, das sowohl mit dem Kaufdatum als auch mit dem Transaktionsdatum verwendet wird.
- Gleiches Objekt, unterschiedliche Granularität: Ein detailliertes Objekt für Auftragsbelegposten, das bei Bedarf zum Drilldown auf Auftragsebene verwendet wird, und eine aggregierte Version von Auftragsbelegposten, die für die Leistungsoptimierung erstellt wurden.
- Beschränkungsumgehungen: Ein Objekt ist im Modell mehrfach mit unterschiedlichen Inhalten vorhanden, um eine Einschränkung oder Einschränkung eines Quellmodells zu umgehen. Beispielsweise hat ein Benutzer ein Basismodell erweitert, das ein Account-Objekt mit nur fünf der benötigten Felder enthält. Da sie das Basismodell nicht anpassen können, wurde ein zusätzliches Account-Objekt mit allen Spalten (vorhanden und neu) hinzugefügt. Dies kann auch bei Modellen mit veröffentlichten Datenquellen oder logischen Ansichten der Fall sein.
Verwalten ähnlicher berechneter Felder und Kennzahlen
Agenten analysieren Formeldefinitionen häufig direkt, was zu Verwirrung führen kann, selbst wenn Bezeichnungen und Beschreibungen eindeutig sind. Berechnete Felder mit ähnlicher oder sich überschneidender Logik können zu einer Fehlinterpretation des semantischen Modells führen. Ebenso können Kennzahlen, die sich nur durch geringfügige Filtervariationen unterscheiden, zu vergleichbarer Verwirrung führen. Diese Kundenvorgänge sollten mit der gleichen Sorgfalt verwaltet werden, die auf berechnete Felder angewendet wird.
Vermeiden ähnlicher Berechnungen
Blenden Sie berechnete Felder und Kennzahlen aus oder entfernen Sie sie, die keinen klaren, eindeutigen Analysezweck bieten. Wenn die Entfernung nicht möglich ist, definieren Sie ihre Rolle klar und unterscheiden Sie sie explizit in ihrer Bezeichnung und Beschreibung, um Mehrdeutigkeiten auf Formelebene zu vermeiden.
Anreichern semantischer Modelle mit fokussierten semantischen Komponenten
Die semantische Ebene sollte die Geschäftslogik genau darstellen und auch antizipieren, wie Agenten sie konsumieren und begründen. Agenten sind sich der relativen semantischen Stärke verschiedener Modellkomponenten bewusst. Die zusammengestellten Kennzahlen und die berechnete Logik bieten mehr Intent und Klarheit. Daher priorisieren Agenten zuerst die Interpretation und Verwendung von Kennzahlen, gefolgt von berechneten Feldern und schließlich Rohfeldern.
Kennzahlen als semantischer Anker
Eine Kennzahl ist ein semantisches Objekt mit hohem Wert, das bestimmte Geschäftsfragen klar beantworten soll.
Eine Kennzahl enthält
- Gezielte Berechnungen
- Zeitgesteuerte Logik
- Kontextfilterung
- Geschäftskonsistente Formatierung
Definieren von Kennzahlen für wichtige Berechnungen
Definieren Sie eine Kennzahl für jedes berechnete Feld oder jede Feldmaßeinheit mit hoher Auswirkung und hoher Auslastung. Dadurch können Agenten nachvollziehen, wo und wann eine bestimmte Logik angewendet wird.
Vordefinierte berechnete Felder
Berechnete Felder sollten Geschäftslogik enthalten, die Agenten andernfalls ableiten müssten. Wenn Sie sie im Voraus definieren, verbessern Sie die Antwortqualität, reduzieren Mehrdeutigkeiten und steigern Trust.
Berechnete Felder sinnvoll verwenden
Schließen Sie nur berechnete Felder mit klarem Analysezweck ein. Vermeiden Sie eine Überlastung des Modells mit selten verwendeten oder zu großen Nischenberechnungen.
Explizite Feldtypen
Die Klassifizierung von Feldern als Maßeinheiten oder Dimensionen auf Metadatenebene verbessert die Argumentation von Agenten. Sie signalisiert, wie sich Daten in analytischen Workflows verhalten sollten, beispielsweise als Aggregat statt als Filter.
Zuweisen semantischer Rollen
Fügen Sie jedem Feld eine semantische Rolle als Feldtyp hinzu. Mithilfe dieser Hinweise können Agenten sie in Abfragen richtig anwenden.
Validieren von Feldzuordnungen
Überprüfen Sie, ob Felder dem richtigen Typ zugeordnet sind, um eine optimierte Agentenerfahrung zu gewährleisten. Verwenden Sie beispielsweise für ein Datumsfeld anstelle von Text den Feldtyp date. Dadurch kann der Agent das Datumsfeld richtig interpretieren.
AI-Bereitschaftsliste
Verwenden Sie diese Liste beim Erstellen Ihres semantischen Modells.
Bezeichnung und Beschreibungen
- Die Beschreibung des semantischen Modells ist spezifisch und sinnvoll.
- Alle Feldbezeichnungen sind spezifisch und kontextbezogen (keine "ID", "Name" ohne Qualifizierer).
- Beschreibungen werden für alle benutzerdefinierten Objekte und Felder bereitgestellt.
- Beschreibungen für Salesforce-Standardfelder werden unverändert gelassen oder erweitert, ohne der bekannten Bedeutung zu widersprechen.
Mehrdeutigkeitsverwaltung
- Stellen Sie sicher, dass ähnliche Felder/Kennzahlen in Name, Beschreibung und Zweck unterschieden werden.
- Überprüfen Sie berechnete Felder und reguläre Felder mit ähnlicher Logik auf Überschneidungen.
Berechnete Felder und Kennzahlen
- Fügen Sie nur die erforderlichen und auswertbaren berechneten Felder ein.
- Klären oder konsolidieren Sie Kennzahlen, die sich nur durch Filter unterscheiden.
- Stellen Sie sicher, dass jede Kennzahl und jedes Feld einen klar definierten Analysezweck hat.
Semantische Anreicherung
- Definieren Sie Kennzahlen für KPIs mit hoher Auswirkung.
- Verwenden Sie Kennzahlen, um Zeit- und Kontextlogik sowie Formatierung einzukapseln.
- Legen Sie explizit Feldtypen (Maßeinheit und Dimension) für jedes Feld fest.
- Überprüfen Sie, ob Felder dem richtigen Typ zugeordnet sind.
Modellstruktur
- Stellen Sie sicher, dass alle Objekte Teil eines einzelnen verbundenen Clusters sind, um Fehlinterpretationen zu vermeiden. Vermeiden Sie "Inseltabellen" oder getrennte Datencluster.
