Estructura de la respuesta

Comprender la respuesta

Auto Dashboard proporciona respuestas que incluyen texto en lenguaje natural y una visualización adjunta. El chatbot admite una amplia gama de tipos de visualización, incluidos gráficos de cuadrícula, verticales, horizontales y de barras agrupadas, gráfico circular, gráfico de líneas, KPI, mapa de calor, Mapbox, gráfico de burbujas, análisis de factores clave y gráficos de líneas de información detallada para el análisis de tendencias y previsiones. Auto Dashboard elige de forma inteligente el tipo de visualización adecuado según el análisis solicitado y el número de filas de la respuesta, lo que mejora la consumibilidad y la legibilidad de la información detallada. Por ejemplo, Análisis de clasificación utiliza Gráficos de barras horizontales, Análisis de tendencias utiliza Gráficos de líneas, Gráficos combinados o Gráficos de áreas, Anomalías/Correlaciones utiliza gráficos de burbujas, Análisis basado en ubicación utiliza Mapbox, Análisis de distribución utiliza Gráficos circulares o mapas de calor y Estadísticos descriptivos por defecto a los gráficos de barras. Los usuarios también pueden indicar explícitamente el tipo de visualización que desean y las respuestas automáticas lo generarán, siempre que los parámetros de entrada cumplan con las condiciones necesarias para esa visualización.

Para más información sobre cómo Auto selecciona los tipos de visualización, consulte Prácticas recomendadas de elaboración de preguntas.

Las respuestas van acompañadas de un panel de navegación, que se hace visible en la esquina inferior izquierda al pasar el ratón sobre la respuesta. Puede:

• Solicitud de interpretación
• Agregar la visualización a la página

Al hacer preguntas en Auto Dashboard, puede que observe variaciones en los tipos de narración o de visualización para la misma consulta, mientras que los datos numéricos siguen siendo precisos. Por ejemplo, consultar "¿Qué tiendas experimentaron mejoras constantes en los ingresos?" puede dar como resultado resúmenes ligeramente distintos cada vez, pero la lista de almacenes será la misma. Esta variación se debe a la naturaleza no determinista del modelo de lenguaje largo (LLM), cuyo objetivo es proporcionar la respuesta más relevante y precisa cada vez que se hace una pregunta, incluso si eso significa modificar levemente el enfoque.