Struttura della risposta

Comprensione della risposta

Auto Dashboard fornisce risposte composte da testo in linguaggio naturale e una visualizzazione di accompagnamento. Il chatbot supporta una serie di tipi di visualizzazione, inclusi i grafici Tabella, Verticale, Orizzontale e a barre raggruppate, Grafico a torta, Grafico a linee, KPI, Mappa termica, Mapbox, Grafico a bolle, Analisi driver chiave e Grafici a linee Insight per l'analisi di tendenze e previsioni. Auto Dashboard sceglie in modo intelligente il tipo di visualizzazione appropriato in base all’analisi richiesta e al numero di righe della risposta, migliorando la consumabilità e la leggibilità degli insight. Ad esempio, Analisi di classificazione utilizza grafici a barre orizzontali, Analisi delle tendenze usa grafici a linee, grafici combinati o grafici ad area, Anomalie/correlazioni usano grafici a bolle, Analisi basata sulla posizione usa Mapbox, Analisi distribuzione usa grafici a torta o mappe termiche e Statistiche descrittive predefinite a Grafici a barre. Gli utenti possono anche indicare in modo esplicito il tipo di visualizzazione desiderato. Auto Answers lo genererà, purché i parametri di input soddisfino le condizioni richieste per la visualizzazione.

Per ulteriori informazioni sulla modalità di selezione dei tipi di visualizzazione da parte di Auto, vedere Best practice per la costruzione delle domande.

La risposta è accompagnata da un riquadro di navigazione, che diventa visibile nell'angolo in basso a sinistra quando si passa il mouse sopra la risposta. È possibile:

• Richiesta di interpretazione
• Aggiungere la visualizzazione alla pagina

Quando si pongono domande in Auto Dashboard, è possibile notare delle variazioni nei tipi di narrazione o visualizzazione per la stessa query, mentre i dati numerici restano accurati. Ad esempio, la query "Quali negozi hanno registrato miglioramenti consistenti delle entrate?" potrebbe causare riepiloghi ogni volta leggermente diversi, ma l'elenco di negozi sarà coerente. Questa variazione è dovuta alla natura non deterministica del modello Large Language (LLM), che mira a fornire la risposta più pertinente e accurata ogni volta che viene posta una domanda, anche se ciò significa alterare leggermente l'approccio.