Nous avons introduit de nouvelles fonctionnalités d'IA dans Data Query pour vous aider à explorer vos données plus rapidement et à tirer le meilleur parti de chaque rapport.
AI Reveal
AI Reveal était déjà disponible dans les Workspaces — nous l'avons désormais rendu accessible dans Data Query. Une fois que vous avez créé un jeu de données, vous pouvez lancer AI Reveal pour laisser notre système d'IA analyser vos données et faire émerger des insights actionnables.
Consultez notre documentation complète sur AI Reveal pour des instructions détaillées sur son utilisation, et comprendre ce qui est pris en compte.
AI Query
Qu'est-ce que Piano AI Query ?
Piano AI Query est un assistant propulsé par l'IA générative qui simplifie l'exploration des données en vous permettant de générer des jeux de données directement à partir de requêtes en langage naturel. Intégré à Data Query, il permet aussi bien aux débutants qu'aux utilisateurs avancés d'accéder à des données complexes sans écrire une seule ligne de code.
Avec AI Query, vous pouvez :
-
Poser des questions en langage naturel et obtenir un jeu de données pertinent en retour.
-
Gagner du temps en évitant la configuration manuelle des propriétés, métriques et filtres.
Comment utiliser Piano AI Query
Pour commencer :
-
Ouvrez Data Query dans Piano Analytics.
-
Repérez le champ de saisie AI Query en bas de la page.
-
Tapez votre question (par ex. « Quelles sont les principales sources de trafic le mois dernier ? »).
-
Appuyez sur Entrée et regardez votre requête se transformer en un jeu de données entièrement fonctionnel.
Ce que Piano AI Query prend en compte
our construire le jeu de données, Piano AI Query s'appuie sur une combinaison de votre requête et du Data Model sous-jacent, incluant :
-
Les noms et descriptions des propriétés et métriques
-
Les plages temporelles interrogeables
-
Les droits d'accès aux sites
Aucune configuration préalable n'est nécessaire, mais la qualité des métadonnées (conventions de nommage, descriptions) améliore significativement la pertinence des requêtes générées.
Bonnes pratiques pour de meilleurs résultats
-
Utilisez un langage clair et orienté métier dans votre requête (par ex. « Combien de visites proviennent d'appareils mobiles cette année ? »).
-
Assurez-vous que votre Data Model est bien documenté (titres, descriptions, nommage cohérent).
-
Évitez les termes vagues ou ambigus dans la mesure du possible.
-
Explorez des formulations alternatives si le premier résultat n'est pas tout à fait satisfaisant.
Utiliser Piano AI Query ou le MPC Piano produira le même résultat ; il n'y a aucune différence entre les deux méthodes.
Transparence
Piano AI Query est propulsé par Claude, un grand modèle de langage développé par Anthropic.
En coulisses, la fonctionnalité repose sur un ensemble d'interactions structurées avec le modèle plutôt que sur un prompt unique. Ces échanges sont conçus pour :
-
Interpréter votre demande en langage naturel.
-
La comprendre et la faire correspondre au Data Model (propriétés, métriques, filtres, segments, etc.).
-
Construire une requête de jeu de données valide, en l'affinant de manière itérative si nécessaire.
Actuellement, seules les métadonnées et la structure du modèle (par ex. les propriétés et métriques disponibles) sont utilisées dans les prompts. Aucune donnée utilisateur n'est transmise au modèle à ce stade.
⚠️ Cependant, cela pourrait évoluer :
À mesure que nous introduirons la prise en charge de fonctionnalités de requête plus avancées — telles que les filtres et les segments — nous pourrions avoir besoin d'accéder à certaines parties du jeu de données sous-jacent (par ex. depuis Snowflake) pour formater ou interpréter correctement ces entrées. Cela pourrait impliquer une exposition limitée de données utilisateur de manière sécurisée et contrôlée. Nous mettrons à jour cette note en conséquence le moment venu.
L'ensemble du traitement est effectué dans la région géographique associée à votre contrat, et aucune donnée n'est conservée au-delà de la session active.