Prêt à parler avec vos données ? 🤌🏻 Voici une nouvelle démo passionnante de la fonctionnalité Conversational Analytics de Looker Studio Pro – actuellement en aperçu.
C’est peut-être la fonctionnalité la plus prometteuse pour tout data analyste utilisant Looker Studio ou Looker.
Case d’usage
Mon défi ici était de reproduire l’automatisation de la génération de graphiques multiples, comme on peut le faire dans R Studio avec la bibliothèque ggplot, mais cette fois en utilisant le langage naturel. Générer plusieurs graphiques dans Looker Studio avec une seule requête est un gain de temps important lorsqu’il s’agit d’explorer les données pour identifier des pistes d’analyse.
Limites et solution de contournement
Les graphiques multiples ne sont officiellement pas pris en charge par Looker Studio en général, ni par Conversational Analytics pour le moment. C’est la première réponse que j’ai obtenue lors de mes essais.
MAIS ! En adaptant vos requêtes et en avançant par étapes progressives, pour permettre à l’IA de mieux comprendre votre besoin, le moteur, qui combine Gemini, Python (via le code interpreter) et le connecteur de sources de données Looker Studio, peut vous aider à obtenir le résultat souhaité.
Passons maintenant à la démo.
Source de données
J’ai rapidement préparé un jeu de données simple dans une table BigQuery et l’ai chargé comme source de données.
Mon objectif principal était d’avoir une table contenant une série de métriques ventilées sur une dimension.
Prompter progressivement
En évitant le concept de « multiples » (pour contourner le refus du bot) et en donnant du contexte à Gemini, en tant qu’allié de l’exploration, j’ai commencé par vérifier que le bot comprenait bien le contexte. Ceci a été réalisé en anglais, je ne me suis pas risqué à tenter l’aventure en français. Les versions ci-dessous sont des traductions pour l’article.
- ❓ Question : « Il y a 6 champs numériques dans cette source de données correspondant à mes métriques, c’est bien ça ? »
- 🤖 Réponse : « Oui, il y a 6 champs numériques dans la source de données : total_sessions, total_users, total_pageviews, one_page_sessions, sessions_duration, et engaged_sessions. Ces champs sont de type INT64, qui est un type numérique. Il y a aussi data_date, qui est de type DATE. »
..c’est un bon garçon… continuons…
- ❓Question: « Combien de combinaisons de 2 métriques puis-je faire avec ces 6 champs numériques ? »
- 🤖 Réponse : « Avec 6 champs numériques, vous pouvez faire 15 combinaisons de 2 métriques. Cela correspond à 6 parmi 2, soit 6! / (2! * (6-2)!) = 15 combinaisons. »
Correct!
- ➡️ Prompt : « Crée un graphique en nuage de points avec one_page_sessions en abscisse,
total_sessionsen ordonnée, et les valeurs de data_date pour chaque point. »
Grâce à ce prompt, j’ai obtenu mon premier graphique, à utiliser comme exemple pour la suite.
Génération de graphiques multiples
Et voici ci-dessous le prompt final…
Génère un jeu de données contenant toutes les métriques et crée des graphiques en nuage de points pour les autres combinaisons possibles, afin de rechercher des corrélations entre les métriques.
… boom ! J’ai obtenu exactement ce qu’il me fallait pour aller vite ! Mes visualisations façon R² en un clin d’œil. 15 graphiques générés automatiquement pour mon analyse. 😁
Vidéo de démo
Après les explications ci-dessus, je vous laisse regarder la vidéo muette. Le meilleur moment, c’est quand le bot commence à générer des graphiques multiples avec le chargement progressif des données associées.
Conversational Analytics & Code Interpreter
Conversational Analytics est disponible en aperçu pour les utilisateurs de Looker Studio Pro.
Dans cette démo, cette fonctionnalité est dopée grâce au Code Interpreter, accessible via le programme Trusted Tester au moment où j’écris ces lignes.
Le Code Interpreter est conçu pour transformer vos requêtes en langage naturel en code Python, exécuter ce code, et fournir des analyses ainsi que des visualisations.
Pour l’instant, ce n’est que le début du programme des tests, mais les objectifs et les capacités annoncées sont très prometteurs.
La documentation du Code Interpreter fournit la liste des bibliothèques Python prises en charge.
C’est une information indirecte précieuse pour faire un peu de reverse engineering : elle permet de deviner les types d’analyses et de résultats que l’on peut potentiellement obtenir grâce à cette nouvelle couche Python, un nouvel allié pour le Conversational Analytics.
Voici ce qu’on peut entrevoir à travers cette liste de bibliothèques Python :
- Computer Vision Pipeline (enchaînement d’étapes visuelles pour l’analyse)
- Deep Learning (TensorFlow)
- Analyse géospatiale (GeoPandas)
- Génération de PDF et de documents (ReportLab, FPDF)
- Et bien sûr, Data Science de base (Pandas, NumPy)
Pour le moment, tout cela reste spéculatif. Attendons de voir comment les tests évoluent pendant cette phase d’aperçu, et ce que les équipes de Looker et Looker Studio nous préparent pour mieux analyser les données BigQuery et Looker.
Consultez aussi les exemples de questions d’analyse dans la documentation… eux aussi très prometteurs.
Impatient de tester tout ça avec de vrais jeux de données et des questions métiers concrètes, pour voir Python à l’œuvre directement dans Looker Studio.
Si ces premières impressions se confirment à l’avenir, Conversational Analytics pourrait bien devenir un nouvel argument en faveur d’un abonnement à Looker Studio Pro.
