提高礼宾绩效的提示：Analytics 问答

查看支持的版本。

有关实施 Concierge 所需阶段的完整概述，请参阅在 Tableau Next 中计划 Concierge 实施。

有意准备数据集

• 设计小心连接。避免多对多或非严格连接（例如 between），这会扩展结果集并降低查询速度。示例：如果将业务机会联接到客户，请确保联接密钥是唯一的（例如 AccountID），以防止结果爆炸。
• 将复杂性推入 ETL。繁重的计算或派生字段（例如预测的收入）应在 Data Cloud 转换中预先计算，而不是在运行时重新计算。

  示例：不要在运行时计算预测业务机会结束率，而是在 ETL 中计算它并将其公开为度量。

• 仔细处理大型事实表（> 1 亿行）。预计算聚合（例如，每月收入总额）或应用语义模型筛选器，以减少运行时扫描的数据。

  示例：对于包含 5 亿行的销售事实表，按季度预聚合 ACV，以帮助礼宾部回答“按季度向我显示 ACV”，而无需扫描完整数据集。

遵循语义模型设计的最佳实践

• 仅包括业务所需的对象和字段。
• 简化的语义模型确保更快的查询生成，并提高字段映射的准确性。

有关在 Tableau Next 中设计和优化语义模型的深入指南，请参见设计 AI 就绪语义模型和构建 AI 就绪语义模型。

预定义度量

在语义模型中定义直接支持常见问题话语的度量。

• 度量提供的上下文可以帮助指导 Analytics 客服人员了解特定逻辑在何时何地适用。
• 定义度量通过避免昂贵的临时查询路径来改善延迟，并确保整个组织的一致性。

  示例：“什么是我的 ACV？”在语义模型中创建一次 ACV 度量。未来引用“ACV”的话语受益于更快的路由和一致的逻辑。

提出有针对性的问题

在礼宾中提问有针对性的问题，而不是开放式问题。有针对性的问题减少了必须分析的数据量，改善了查询延迟，并防止非常大的数据集超时。

• 限制问题（话语）的范围，以缩小查询范围。
• 提出明确指定时间范围的问题。示例：“显示 2025 年第一季度的销售额”与“显示销售额”
• 简化问题，以包含更少的类别、评测或聚合。
• 避免询问一长串记录。提出不需要数千条记录来缩小查询范围的问题。示例：“十大业务机会是什么？”与“向我显示所有业务机会？”