Un guide pratique pour obtenir les meilleurs résultats avec votre chatbot propulsé par DataGalaxy.
Qu’est-ce que Blink ?
Blink est un assistant conversationnel connecté à votre catalogue DataGalaxy via des outils MCP. Il aide les utilisateurs à :
- Trouver des datasets, rapports, glossaires, dashboards, tables, KPI et processus
- Comprendre les définitions métier et les relations entre objets
- Explorer la lineage et les hiérarchies
- Identifier les experts, owners, stewards et rôles de gouvernance
- Récupérer les métadonnées et informations de collaboration
- Naviguer dans le catalogue en langage naturel
Blink présente certaines limites et ne peut pas :
- Gérer tous les attributs personnalisés
- Naviguer via l’interface utilisateur
- Administrer la plateforme
Blink fonctionne mieux lorsque les prompts sont clairs, contextualisés et orientés objectif.
Principe Fondamental
Considérez Blink comme un collègue expert de la donnée.
Les bons prompts expliquent :
- Ce que vous recherchez
- Pourquoi vous en avez besoin
- Le contexte métier
- Le format de réponse attendu
Plus vous fournissez de contexte métier, plus Blink pourra choisir efficacement entre :
- recherche par mots-clés
- recherche sémantique
- exploration des métadonnées
- récupération de lineage
- découverte des éléments de gouvernance
Étape 1. Commencer par le contexte métier
Prompt faible
customer table
Meilleur prompt
Trouve des datasets liés à l’analyse du churn client pour des abonnés télécom.
Pourquoi ?
- Il inclut une thématique métier
- Il apporte une signification sémantique
- Il aide Blink à utiliser efficacement la recherche sémantique
Étape 2. Utiliser le langage naturel, pas une syntaxe technique
Blink est optimisé pour les requêtes conversationnelles.
À éviter
table:customer AND owner:finance
Préférer
Montre-moi les datasets de reporting client appartenant à la finance.
Étape 3. Être explicite sur le type d’objet
Si vous savez ce dont vous avez besoin, dites-le.
Exemples
- dataset
- dashboard
- KPI
- terme de glossaire
- processus
- rapport
- source de données
Exemple
Trouve les dashboards liés à la prévision des ventes.
Cela réduit les ambiguïtés et améliore la précision.
Étape 4. Inclure du vocabulaire métier
Blink comprend mieux les enjeux métier lorsque les prompts contiennent :
- noms de départements
- noms de projets
- domaines métiers
- cas d’usage
- métriques
- vocabulaire réglementaire
Bons exemples
- « Informations clients sensibles au RGPD »
- « KPI de prévision de la supply chain »
- « Processus de rapprochement financier »
- « Dashboards d’attribution marketing »
Étape 5. Demander les relations et le contexte
Blink peut récupérer les objets liés et les informations hiérarchiques.
Exemples
Trouver les dépendances
Quels objets sont liés au dataset Customer Master ?
Explorer la hiérarchie
Montre le domaine métier parent du KPI Revenue.
Comprendre la lineage
Quels rapports dépendent de la table Sales Fact ?
Étape 6. Poser des questions de suivi
Blink est particulièrement efficace dans des workflows conversationnels.
Exemple de conversation
Message 1
Trouve les datasets liés à la rétention client.
Message 2
Lesquels appartiennent à l’équipe marketing ?
Message 3
Montre les dashboards liés aux 3 principaux datasets.
Étape 7. Préciser le format de réponse souhaité
Vous pouvez guider Blink vers des réponses concises ou détaillées.
Exemples
Concis
Donne-moi un résumé court du dataset Payment Processing.
Détaillé
Fournis les métadonnées complètes et les objets liés du dashboard Customer 360.
Orienté gouvernance
Qui sont les stewards et owners des datasets financiers critiques ?
Étape 8. Utiliser la recherche sémantique pour les concepts
La recherche sémantique fonctionne mieux pour :
- les sujets
- les concepts
- le sens métier
- la découverte basée sur l’intention
Requêtes sémantiques efficaces
- « datasets sur la valeur vie client »
- « objets liés à la détection de fraude »
- « reporting de conformité RGPD »
- « processus d’onboarding des employés »
Requêtes sémantiques faibles
- « cust_tbl_v2 »
- « rpt_001 »
Remarque : pour des noms techniques exacts, la recherche par mots-clés est souvent plus efficace.
Étape 9. Utiliser les noms précis lorsqu’ils sont connus
Si vous connaissez déjà le nom de l’objet, indiquez-le directement.
Exemple
Affiche les détails complets du dataset « Customer Revenue Snapshot ».
Cela aide Blink à récupérer plus rapidement les métadonnées exactes de l’objet.
Étape 10. Demander les tags et technologies
Blink peut récupérer les classifications de gouvernance et techniques.
Exemples
Tags
Quels tags sont associés au dataset Supplier ?
Technologies
Quels objets Snowflake sont liés à l’analytics client ?
Sources de données
Montre les datasets provenant de SAP.
Étape 11. Découper les demandes complexes en étapes
Les demandes volumineuses sont plus faciles à traiter progressivement.
Au lieu de
Trouve tous les datasets finance avec lineage, owners, technologies, commentaires et dashboards liés.
Préférer
- « Trouve les datasets finance. »
- « Affiche les owners et stewards. »
- « Récupère les dashboards liés. »
- « Affiche les technologies utilisées. »
Cela améliore la précision et la lisibilité.
Étape 12. Demander à Blink de comparer ou prioriser
Exemples
- « Quelles sont les principales différences entre ces deux KPI ? »
- « Quels datasets semblent les plus pertinents pour l’analyse du churn ? »
Étape 13. Utiliser les fonctionnalités de collaboration
Blink peut récupérer les commentaires et tâches.
Exemples
- « Affiche les commentaires du dashboard Revenue. »
- « Y a-t-il des tâches ouvertes liées à Customer Master ? »
- « Crée un commentaire demandant une validation de la qualité des données. »
Étape 14. Éviter les demandes trop vagues
Trop vague
Montre-moi des données.
Mieux
Montre-moi les datasets liés au reporting trimestriel des revenus en finance.
Templates de prompts recommandés
| Objectif | Exemple |
|---|---|
| Découverte de datasets | Trouve des datasets liés à [sujet métier] utilisés par [département/équipe]. |
| Recherche de gouvernance | Qui possède et maintient [nom de l’objet] ? |
| Exploration de lineage | Quels rapports downstream dépendent de [dataset/table] ? |
| Découverte sémantique | Trouve les objets liés à [concept métier ou cas d’usage]. |
| Recherche d’experts | Qui sont les stewards du domaine métier [nom] ? |
| Récupération de métadonnées | Affiche les détails complets et objets liés pour [nom de l’objet]. |
Résumé des bonnes pratiques
| Bonne pratique | Pourquoi c’est utile |
|---|---|
| Ajouter du contexte métier | Améliore la pertinence sémantique |
| Utiliser le langage naturel | Correspond au fonctionnement de recherche de Blink |
| Spécifier les types d’objets | Réduit les ambiguïtés |
| Procéder étape par étape | Améliore la précision |
| Poser des questions de suivi | Permet une découverte conversationnelle |
| Inclure du vocabulaire métier | Renforce la recherche sémantique |
| Demander les relations | Exploite lineage et hiérarchie |
| Être explicite sur l’intention | Produit des réponses plus ciblées |
Exemple d’un excellent prompt
Je prépare une revue de gouvernance finance. Trouve les datasets financiers critiques liés à la reconnaissance du revenu, affiche leurs owners et stewards, identifie les dashboards liés et résume les éventuels commentaires ou tâches de gouvernance.
Pourquoi cela fonctionne
- Objectif métier clair
- Contexte métier fort
- Plusieurs objectifs de récupération liés
- Résultat attendu explicite
Recommandations finales
Pour obtenir les meilleurs résultats avec Blink :
- Pensez en termes d’intention métier
- Soyez spécifique lorsque c’est possible
- Utilisez des relances conversationnelles
- Combinez langage métier et technique
- Demandez les relations, ownership et contexte de gouvernance
Blink est particulièrement puissant lorsqu’il est utilisé comme copilote de découverte et de gouvernance des données, et pas seulement comme un moteur de recherche par mots-clés.