DataWorks:管理ChatBI数据集

Defina um objetivo claro de análise

Uma boa pergunta de análise deve conter um sujeito bem definido, uma métrica e uma dimensão de análise.

Use condições de tempo e filtros adequadamente

Especificar um intervalo de tempo e condições de filtro na pergunta ajuda o ChatBI a gerar SQL mais preciso e evita varreduras completas desnecessárias nas tabelas.

• Especifique um intervalo de tempo: Por exemplo, "Margem bruta por linha de produtos no 4º trimestre de 2025" é mais preciso do que "Margem bruta por linha de produtos" e reduz o volume de dados consultados.

• Defina dimensões de filtro: Por exemplo, "Distribuição do valor médio de pedidos para clientes VIP no Norte da China" é mais direcionado do que "Qual é o valor médio do pedido".

• Utilize terminologia de negócios: Ao formular perguntas, use os valores reais dos campos nas tabelas de dados ou termos de negócios configurados na base de conhecimento. Por exemplo, prefira "status='Completed'" em vez de "pedidos concluídos". Isso facilita o mapeamento correto dos dados pelo ChatBI.

Divida requisitos complexos passo a passo

Para demandas de análise complexas, divida-as em várias perguntas simples e faça-as sequencialmente para uma análise progressiva.

• Passo 1: Visão geral: Comece com uma pergunta abrangente para entender a tendência geral. Exemplo: "Tendência geral de vendas mensais em 2025".

• Passo 2: Identificar anomalias: Após detectar uma anomalia, faça perguntas aprofundadas e direcionadas. Exemplo: "Motivos da queda nas vendas em março, detalhados por categoria de produto".

• Passo 3: Análise de causa raiz: Investigue mais profundamente as principais descobertas. Exemplo: "Na categoria de eletrônicos em março, quais subcategorias tiveram as maiores quedas".

Dicas para conversas de múltiplas rodadas

O ChatBI suporta várias perguntas consecutivas na mesma sessão. As dicas abaixo ajudam a conduzir análises em múltiplas rodadas de maneira mais eficiente.

• Aprofunde com perguntas de acompanhamento: Faça novas perguntas baseadas no resultado anterior. Por exemplo, primeiro pergunte "Ranking de vendas por região" e depois "Detalhes mensais de vendas da região melhor classificada".

• Instruções de correção: Caso o resultado não atenda às expectativas, indique claramente o ajuste necessário na próxima interação. Exemplo: "Agrupe a análise acima por trimestre em vez de mês" ou "Exclua dados de teste e mostre apenas pedidos formais".

• Alterne a visualização: Para o mesmo conjunto de dados, solicite diferentes formatos de exibição. Exemplo: "Exiba os dados acima como gráfico de pizza" ou "Ordene em ordem decrescente".

Lidando com resultados imprecisos

Quando os resultados da análise do ChatBI não forem suficientemente precisos, otimize-os considerando os aspectos abaixo.

• Verifique a correspondência da tabela de destino: Na etapa "Identify destination table" do resultado da análise, confirme se o ChatBI selecionou a tabela correta. Se a tabela errada for escolhida, especifique explicitamente o nome da tabela na pergunta, por exemplo: "Analise vendas por categoria com base na tabela ods_order_detail".

• Refine a formulação da pergunta: Reformule a questão usando terminologia de negócios mais precisa e definições claras de métricas. Por exemplo, altere "Quantos usuários ativos existem" para "Número de usuários distintos que fizeram login nos últimos 30 dias".

• Melhore a base de conhecimento: Se um determinado tipo de pergunta apresentar imprecisões recorrentes, peça ao administrador para adicionar modelos de perguntas, termos ou lógica de negócios correspondentes na Base de conhecimento. Após a configuração, o ChatBI priorizará o conhecimento armazenado para compreender e processar tais perguntas.

• Revise o SQL gerado: Expanda o código SQL na etapa "Generate execution plan" e verifique se a lógica da consulta está correta. Se houver problemas, copie o SQL, modifique-o manualmente e execute-o. Em seguida, adicione o SQL corrigido como modelo de pergunta na base de conhecimento.

MySQL

• Risco de varredura completa de tabela: O SQL gerado pelo ChatBI com base nas suas perguntas pode realizar varreduras completas. Se a tabela contiver um grande volume de dados (milhões de linhas), isso pode sobrecarregar o banco de dados. Recomendamos fortemente o uso de uma réplica ou instância secundária somente leitura como fonte de dados para evitar impactos no ambiente de produção.

• Otimização de índices: Crie índices em colunas de filtro frequentemente consultadas (como colunas de tempo, status e categoria) para acelerar a execução do SQL gerado pelo ChatBI.

• Nomenclatura de colunas: Utilize nomes de colunas em inglês com significado comercial claro (como order_amount e customer_name) e adicione comentários em chinês nas colunas. O ChatBI depende dos nomes e comentários para entender a estrutura da tabela. Uma boa nomenclatura melhora significativamente a precisão na identificação da tabela de destino e na geração de SQL.

• Cenários aplicáveis: Adequado para cenários de consulta em bancos de dados transacionais com volumes de dados na casa das dezenas de milhões de linhas, como análise de pedidos e gestão de clientes para dados de negócios online.

Hologres

• Design de tabelas particionadas: Recomendamos o uso de tabelas particionadas por tempo (como data ou mês). Quando o SQL gerado pelo ChatBI consulta tabelas particionadas, ele realiza automaticamente a poda de partições, reduzindo drasticamente o volume de dados varridos e evitando tempos limite causados por intervalos de consulta excessivamente amplos.

• Comentários em tabelas e colunas: O Hologres permite adicionar COMMENT a tabelas e colunas. O ChatBI lê esses comentários para compreender a semântica dos dados. Adicione comentários em chinês a cada tabela e coluna chave para descrever seu significado comercial.

• Armazenamento híbrido linha-coluna: Para cenários de consulta do ChatBI focados em análise agregada, recomendamos o modo de armazenamento em colunas para obter melhor desempenho.

• Cenários aplicáveis: Ideal para análises de dados em tempo real e quase em tempo real. Suporta consultas interativas em centenas de milhões de registros, sendo especialmente indicado para painéis em tempo real e análise de métricas instantâneas.

MaxCompute

• Poda de partições: O MaxCompute é um motor de processamento de dados massivo, e uma única consulta pode varrer uma grande quantidade de informações. Recomendamos fortemente o uso de tabelas particionadas, garantindo que dimensões de filtro comuns (como data e região) sejam usadas como chaves de partição. Sempre que possível, o ChatBI utiliza condições de partição ao gerar SQL para reduzir varreduras completas desnecessárias.

• Latência de consulta: Como motor de processamento em lote offline, os tempos de resposta do MaxCompute variam tipicamente de segundos a minutos, dependendo do volume de dados e da complexidade da consulta. Se for necessária resposta em nível de segundos, considere usar Hologres ou StarRocks.

• Diferenças de dialeto SQL: O MaxCompute possui seu próprio dialeto SQL, com funções e sintaxe distintas do SQL padrão. O ChatBI é adaptado à sintaxe do MaxCompute e gera automaticamente SQL compatível com suas especificações. Caso o SQL gerado falhe na execução, adicione um modelo de pergunta na base de conhecimento para orientar a sintaxe correta.

• Cenários aplicáveis: Projetado para análise offline de dados massivos na escala de TB a PB, como análise de tendências históricas e comportamento completo de usuários.

StarRocks

• Recursos da arquitetura MPP: O StarRocks adota uma arquitetura de processamento massivamente paralelo (MPP), destacando-se em análises multidimensionais e consultas de agregação complexas. Perguntas de análise cruzada multidimensional feitas via ChatBI geralmente alcançam excelente desempenho no StarRocks.

• Visões materializadas: Se certas consultas de agregação forem frequentes, crie visões materializadas no StarRocks para acelerar as consultas. O ChatBI utiliza automaticamente essas visões para melhorar o desempenho.

• Modelagem de dados: O StarRocks suporta os modelos Duplicate Key, Aggregate Key, Unique Key e Primary Key. Para cenários de análise do ChatBI, o modelo Duplicate Key é adequado para análises multidimensionais flexíveis, enquanto o modelo Aggregate Key atende melhor a cenários de consulta de métricas fixas. Escolha o modelo apropriado conforme os requisitos reais de análise.

• Cenários aplicáveis: Recomendado para análises multidimensionais em tempo real e consultas ad hoc. Oferece resposta em nível de segundos para centenas de milhões de registros, sendo ideal para análise de comportamento do usuário e relatórios em tempo real.