Structure de la réponse

Comprendre la réponse

Le tableau de bord automatique fournit des réponses composées de texte en langue naturelle et d'une visualisation d'accompagnement. Le chatbot prend en charge plusieurs types de visualisation, y compris les graphiques en grille, verticaux, horizontaux et en cluster, les graphiques circulaires, les graphiques linéaires, les indicateurs de performance clés, les cartes thermiques, les Mapbox, les graphiques à bulles, l'analyse des pilotes clés et les graphiques linéaires Insight pour l'analyse des tendances et des prévisions. Le tableau de bord automatique choisit intelligemment le type de visualisation approprié en fonction de l'analyse demandée et du nombre de lignes dans la réponse, améliorant la consommation et la lisibilité des insights. Par exemple, l'analyse du classement utilise des graphiques à barres horizontales, l'analyse des tendances utilise des graphiques linéaires, des graphiques combinés ou des graphiques en zone, les anomalies/corrélations utilisent des graphiques à bulles, l'analyse basée sur l'emplacement utilise Mapbox, l'analyse de la distribution utilise des graphiques à secteurs ou des cartes thermiques, et les statistiques descriptives par défaut aux graphiques à barres. Les utilisateurs peuvent également indiquer explicitement le type de visualisation souhaité. Des réponses automatiques le généreront, à condition que les paramètres d'entrée répondent aux conditions requises pour cette visualisation.

Pour plus d'informations sur la façon dont les types de visualisations sont sélectionnés automatiquement, veuillez consulter Meilleures pratiques en matière de construction de questions.

La réponse est accompagnée d'un panneau de navigation qui devient visible dans le coin inférieur gauche lorsque vous survolez la réponse. Vous pouvez :

• Demande d'interprétation
• Ajouter la visualisation à la page

Lorsque vous posez des questions dans Auto Dashboard, vous remarquerez peut-être des variations dans la narration ou dans les types de visualisation pour la même requête, alors que les données numériques restent précises. Par exemple, la requête « Quels sont les magasins qui ont enregistré des améliorations constantes de leurs chiffres ? » peut entraîner des résumés légèrement différents à chaque fois, mais la liste des magasins sera cohérente. Cette variation provient de la nature non déterministe du modèle de grande langue (LLM), qui vise à fournir la réponse la plus pertinente et la plus précise chaque fois qu'une question est posée, même si cela signifie modifier légèrement l'approche.