Tableau Agent: Your Partner in Data Exploration and Analysis 웨비나 요약

이번에 리뷰할 웨비나는 'Tableau Agent: Your Partner in Data Exploration and Analysis'입니다.

이번 웨비나에서는 Einstein Co-Pilot for Tableau의 특징과 활용 방안을 소개합니다. 데이터 분석에서 AI의 중요성을 인식하여 사용자가 더 쉽고 효율적으로 데이터를 탐색하고 분석할 수 있도록 돕기 위한 이 도구는 모든 수준의 사용자에게 도움을 줍니다. 특히, 초보 사용자부터 전략적 관리자까지 다양한 사용자들이 자신의 분석 작업을 더 효율적으로 처리할 수 있도록 돕는 기능을 제공합니다. Co-Pilot은 데이터 요청, 질의 응답 및 시각화를 통한 의사 결정 과정에서 실제로 유용한 도구가 될 것입니다. 이러한 변화를 통해 직장 내 데이터 분석 문화를 강화할 수 있습니다.

웨비나에 대해 시청하고 싶은 분들은 아래 링크를 통해 확인할 수 있습니다.
https://www.tableau.com/learn/webinars/tableau-agent-your-partner-data-exploration-and-analysis?d=7013y000001zzpxAAA&nc=701ed000007470cAAA&enterprise_pp-rt-all-tab-multi-titl-analyst-analyst_7013y000001zzpxAAA_english_tableau-agent-your-partner-data-exploration-and-analysis&utm_source=linkedin&utm_medium=paid_social&utm_campaign=amer_us_tableau_allindustries&utm_content=commercial

Tableau Agent: Your Partner in Data Exploration and Analysis

 

 

1.  웨비나 개요 및 플랫폼 안내

• 오늘의 세션인 Einstein Co-Pilot for Tableau는 데이터 탐색과 분석의 동반자로서 소개되었다.
• 발표자는 April, Joe Constantino이며 제품 마케팅 및 관리에 관여하는 팀이다.
• 웨비나는 종료 후 on demand로 제공되며, 슬라이드는 자동으로 진행되므로 피드백과 추가 자원을 활용할 수 있다.
• 참가자들은 언제든지 질문을 제출할 수 있으며, 가능한 한 많은 질문에 답변하기 위해 노력할 예정이다.
• 미래에 있을 제품을 언급할 수 있으며 구매 결정은 일반적으로 제공되는 제품을 기반으로 해야 한다.

 

2. 🚀 Einstein Co-Pilot for Tableau의 목표와 중요성

• 인공지능(AI)의 힘은 우리의 작업 방식을 변화시킬 수 있으며, 이는 많은 사람들이 데이터 분석을 업무 도구로 사용하고자 하는 기대와 부합한다.
• Einstein Co-Pilot for Tableau는 모든 사용자가 그들의 데이터 분석을 더 쉽게 접근 가능하고 이해할 수 있도록 만드는 것을 목표로 한다.
• 이 도구는 분석가와 탐색자를 위한 보조자로서, 데이터 모델링, 탐색 및 프레젠테이션에서 효율적이고 효과적인 지원을 제공한다.
• Co-Pilot은 단순한 추가 기능이 아니라, Tableau의 시각적 분석을 혁신하여 더욱 접근 가능하고 직관적이며 강력하게 만든다.
• 조직 내 다양한 사람들이 데이터 작업을 전업으로 하거나 일부로 할 때, AI 보조자는 이 모든 군을 지원하여 작업의 효율성을 높인다.

 

3. 📊 다양한 사용자 그룹을 위한 Einstein Copilot for Tableau의 기능

• Einstein Copilot for Tableau는 초보자 및 데이터 전문가를 도와 더욱 빠르고 일관된 작업을 가능하게 한다.
• 이 도구는 전략적 관리자에게도 유용하여, 데이터 분석을 통한 의사 결정에 필요한 심층 분석을 지원한다.
• Co-Pilot은 사용자가 Tableau의 시각적 분석 플랫폼에 더 빨리 적응할 수 있도록 돕고, 반복 작업을 최소화하는 기능을 제공한다.
• Co-Pilot의 발전은 고급 사용자가 탐색에 더 많은 시간을 쓰게 하여 자동화를 통해 작업을 분배할 수 있게 한다.
• 이 AI 도구는 사용자가 더 높은 수준의 분석 작업을 수행할 수 있도록 지원하며, 데이터와의 상호작용 방식을 변화시킨다.

4-1. 🚀 Einstein Copilot의 사용자 세션 시작 과정

 

• Einstein Copilot은 사용자가 세션을 시작할 때 메타데이터를 처리하여 데이터를 검색할 수 있도록 돕는다.
• 사용자는 Tableau 작성 세션을 열어 Copilot에 접속하며, 이 과정에서 필드 이름과 메타데이터(역할 유형 및 데이터 유형) 뿐만 아니라 문자열을 포함한 고유 값들을 쿼리한다.
• 쿼리된 데이터는 Tableau의 신뢰 경계 내에서 검색 및 벡터 검색 인덱스를 생성하고, 사용자가 접근할 수 있는 데이터 모델을 사용하여 쿼리를 기반으로 한다.
• 이러한 절차는 데이터가 대규모 언어 모델을 통해 Copilot 파이프라인을 따라 이동하고, 사용자에게 신뢰할 수 있는 응답으로 연결되는 과정을 포함한다.
• Copilot 세션을 시작하기 위한 부트스트랩 과정은 중요한 첫 단계를 나타내며, 사용자 맞춤형 데이터를 기반으로 특정 프로세스를 추진한다.

4-2. 🔍 쿼리 워크플로우 및 데이터 처리 계획

• 사용자가 쿼리를 제출하면 업데이트된 메타데이터와 함께 Copilot으로 전달된다.
• 쿼리를 처리하기 위한 첫 단계로 쿼리 계획이 수립된다.
• 쿼리의 상위 의도를 해석하여, 시각화 생성, 계산, 도움 자료 탐색 중 무엇인지 판단한다.
• 쿼리의 의도에 맞춰 데이터 모델의 실제 필드 값과 매칭하여 쿼리를 구체화한다.
• 지속 가능한 시점에 대형 언어 모델 제공자 예: OpenAI 또는 Anthropic 에게 관련 프롬프트로 보내고, 응답 데이터를 확인 후 사용자가 시각화, 계산, 답변 형태로 받는다.
• 조직의 정책에 따라 행 수준 보안을 유지하여, 사용자에게 허가된 데이터에만 접근이 가능하게 한다.

4-3. 🔒 데이터 보안 및 정책

• 대형 언어 모델 제공자와의 인터페이스에서 제로 데이터 보존 정책을 적용하여 모든 데이터가 응답 생성 후 즉시 삭제된다.
• 데이터 보존 정책은 모델 제공자가 우리의 데이터를 저장하거나 그들의 서비스를 개선하기 위해 사용할 수 없도록 보장한다.
• 데이터 전송 전에 민감한 정보를 마스킹하여, 사용자의 개인정보가 모델 제공자에게 노출되지 않도록 한다.
• 유해성 감지를 통해 생성된 응답에 부적절한 정보가 포함되어 있지 않은지 평가한다.
• Salesforce의 모든 제품팀은 이 공통 서비스를 사용하여 일관된 신뢰 기능을 구현한다.

• 모든 정보는 감사 추적(audit trail)을 통해 확인할 수 있다.
• 모든 쿼리 흐름이 감사를 통해 투명하게 제공된다.
• 이로써 사용자는 제공된 정보를 모두 검토할 수 있다.

 

5. 🍲 데이터 전문가와 초보 분석가, 전략적 관리자의 역할을 통한 데이터 분석 시나리오

• 데이터 전문가는 두 자매 레스토랑의 주문 정보를 포함한 단순한 데이터 모델을 이용하여 Einstein Copilot의 도움으로 이익(metric) 과 이익률 지표를 생성하여 조직에서 자체 분석이 가능하도록 데이터를 준비하고 있다.
• 초보 분석가는 동료가 시작한 분석을 이어받아 레스토랑의 이익률 과 성과를 평가하며, 특히 각 식품군의 이익률을 분석하여 두 구간에서 이익률이 하락하는 현상을 발견해 더 깊이 분석하려 한다.
• 이 분석 결과로 낮은 이익률의 식품군(육류 및 해산물)이 총 매출의 17% 를 차지하게 되어 전체 이익률에 영향을 미치는 것을 관찰할 수 있었다고 한다.
• 전략적 관리자는 전체 분석 대시보드를 통해 낮은 이익률의 식품군이 매출의 더 큰 비중을 차지하게 된 것을 인지하고, 가장 인기 있는 낮은 이익률의 요리들에 가격 인상을 제안하는 전략을 세운다.

4.1. 데모의 소개 및 초기 설정의 중요성

• 이번 데모는 Einstein Co-Pilot for Tableau의 특징을 설명하고 활용 방안을 시연하기 위한 것이며, 이는 데이터 분석 과정에서 효율성을 높여주는 도구임을 보여준다.
• 데모 진행 중 인터랙티브 환경을 통해 데이터 요청과 질의 응답이 어떻게 이루어지는지 시연할 예정이다.
• 시청자들은 데모 화면이 잘 보이는지 확인하고 시작 준비가 되었음을 확인하고 있다.

4.2. ️ 데이터 전문가로서의 역할 및 코파일럿 활용

• 화자는 데이터 모델링 및 다양한 메트릭을 정의하며 데이터 전문가로서의 역할을 설명하고 있다.
• 두 자매 레스토랑의 주문 정보를 포함한 간단한 데이터 모델을 사용하여 정보를 확대하고 분석을 시작하려 한다.
• Einstein Co-Pilot을 사용하여 총 거래 수익과 총 거래 비용을 이용해 이익 메트릭을 생성했다.
• Co-Pilot은 추가로 이익을 분자에 두고 거래 수익으로 나눠 이익률을 계산하는 메트릭을 만들었다.
• LOD 계산식을 통해 주문의 평균 크기를 추적하고, 이를 분석에 활용할 수 있도록 했다.

4.3. 초급 분석가의 통찰력 발견 과정

• 초급 분석가는 이전에 동료가 시작한 분석을 인계받아 비즈니스 관련 통찰력을 발견하기 위해 노력하고 있다.
• Einstein Co-Pilot을 사용하여 특정 음식 그룹 간의 이익률 차이를 분석하고자 한다.
• 분석 과정에서 이익률이 최근 두 분기 동안 하락세를 보이고 있음을 발견했다.
• 이익률이 하락하는 음식 그룹을 분류하기 위해 고기와 해산물을 낮은 이익률 그룹으로, 다른 음식 그룹은 높은 이익률 그룹으로 분류하는 계산을 생성하고 있다.
• Einstein Co-Pilot은 복잡한 계산 구문 없이도 새로운 계산 필드를 정의하는 데 도움을 준다.

4.4. 매출 분석과 마진 분류

• 새로운 시트를 열어 매출을 시간에 따라 분석하고, 새로 만든 마진 분류 필드를 기준으로 분류한다.
• 매출 시각화가 Chutneys로 필터링되어 있으며, 높은 마진과 낮은 마진 음식으로 분리되어 있다.
• 날짜의 세분화를 분기로 변경하여, 낮은 마진 음식의 급증이 확인된다.
• 막대 차트로 변경하여 퍼센트 판매량을 기준으로 분석하면, 낮은 마진 음식이 총 판매량의 약 17%를 차지하는 것을 명확히 확인할 수 있다.
• 전체 수익 마진이 감소하는 이유 중 하나로 언급되며, 이 분석 결과를 팀에 전달할 예정이다.

4.5. 전략적 가격 인상을 위한 데이터 분석

• 전략적 관리자 관점에서 Pulse Metrics와 대시보드를 활용하여 가격 인상을 고려한다.
• 한 레스토랑 그룹의 GM으로서, 낮은 마진의 음식 그룹이 총 매출의 큰 비중을 차지하는 추세를 확인하고 가격 인상을 검토한다.
• 개별 요리 중 많이 팔리는 요리를 중심으로 가격을 인상하고자 하며, Einstein Co-Pilot의 도움이 필요하다.
• Einstein Co-Pilot을 활용하여 고기와 해산물 요리 중 인기 있는 요리를 식별하고, 시각화를 통해 상위 10~15개의 요리를 선정한다.
• 가격 인상을 통해 이익률 추세를 반전시킬 계획이다.

6. 🚀 데이터 처리 및 Copilot 기능 확장 계획

• Einstein Co-Pilot for Tableau는 여름에 다양한 신규 기능을 포함한 업데이트가 예정되어 있다.
• 6월에는 calc generation 및 자연어를 통한 데이터 소스 설명 생성 기능이 일반적으로 제공될 예정이다.
• 베타 버전에서는 질문 추천과 calc generation 경험 기능이 추가되어, 특별한 초대 없이 누구나 참여할 수 있는 공개 베타에 포함될 예정이다.
• 가을에는 필드 설명, QuickTable 계산 등 예제를 해독하는 기능을 포함한 기능 확장이 있을 예정이며, 봄에는 데이터 전문가를 위한 대시보드 조립 및 형식 작성 등의 기능이 포함될 계획이다.
• 전체 일정에 걸쳐 컨텍스트 도움말 기능과 콘텐츠 깊이를 더할 수 있는 문서들이 제공될 예정이다.

5.1. Einstein Co-Pilot for Tableau의 향후 로드맵 개요

• Einstein Co-Pilot for Tableau는 향후 여름에 여러 흥미로운 기능이 출시될 예정이며, 그중 일부는 자연어 기반 기능이다.
• 6월에는 계산 생성과 카탈로그 데이터 소스 설명을 일반 사용으로 제공할 예정이다.
• 자연어 기반 시각화 생성 기능은 이미 베타 버전으로 사용할 수 있으며, 6월에는 오픈 베타로 전환될 계획이다.
• 여름과 초가을에는 초보 분석가가 Tableau에 더 빠르게 익숙해지는 것을 도울 기능들을 주로 준비하고 있다.
• 가을에는 필드 설명 생성 및 여러 기능들과의 인터페이스 향상 같은 기능을 Co-Pilot에 추가할 것이다.

5.2. 아인슈타인 코파일럿 배포 및 라이선스 관련 정보

• 엔슈타인 코파일럿은 현재 Tableau Cloud의 웹 저작에서만 사용 가능하고, 올해 가을에는 데스크톱 환경으로 확장될 예정이나, 여전히 클라우드 환경에 한정될 것이다.
• 온프레미스 서버 환경에서는 코파일럿 기능을 사용할 수 없고, 계산 도우미 및 주요 준비 코파일럿 기능은 이번 여름에 준비 웹 UI에서 가능하며 가을에는 데스크톱에서도 사용할 수 있을 예정이다.
• 현재 사용되는 LLM이 HIPAA에 준수하는지에 대한 명확한 답변은 없으나, 전반적인 인프라는 HIPAA 규정을 준수하며 데이터 쿼리 및 인덱싱 파이프라인 내에서 신뢰성을 유지한다.
• 디테일한 모델의 상태에 대해서는 아직 구체적인 언급을 하지 않았으며, 후속 정보를 제공할 예정이다.
• 현재 탐색자 및 창조자용으로 Tableau Cloud에서 가능하며, 가을에는 데스크톱과 클라우드에 연결된다.
• 추가 라이선스 비용은 프리미엄 라이선스로 적용될 것이며, 세부 사항은 계정 팀과 협의할 수 있다.

5.3. Pulse와 Copilot의 비교

• Pulse와 Copilot은 서로 다른 대상 사용자를 목표로 하고 있으며 각각의 기능과 목적이 다르다.
• Pulse는 일반 사용자, 비즈니스 사용자 및 가벼운 사용자를 목표로 하며 보다 프로액티브하고 간단한 인사이트 제공 경험을 제공한다.
• Copilot은 신진 데이터 분석가와 탐험자, 창작자를 대상으로 하며 데이터 탐색과 셀프 인사이트에 중점을 두고 있다.
• Pulse는 실제 데이터 쿼리를 수행하지 않고, 사전 정의된 메트릭을 통해 데이터를 쿼리하도록 설계되어 있으며, 보기 전용으로 사용할 수 있다.
• Copilot은 드래그 앤 드롭 방식으로 데이터를 쿼리할 수 있는 기능을 제공하며, 이를 위해서는 탐색자 또는 창작자 라이선스와 고급 데이터 기술이 필요하다.

5.4. Einstein Co-Pilot의 효과적인 활용 및 설정 요구 사항

• Einstein Co-Pilot은 작성 환경에서 사용되는 모든 데이터와 함께 작동 가능하다.
• Co-Pilot이 최적의 성능을 발휘하려면, 데이터는 의미론적으로 부유한 것이어야 하며, 필드 이름이 해당 필드의 실제 의미를 나타내야 한다.
• 중복되거나 유사한 이름의 필드를 피하는 것이 좋으며, 필드에 대한 설명이 있으면 더 효과적으로 데이터를 이해할 수 있다.
• 추가 질문이 있을 경우 계정 팀과 연결하면 도움을 받을 수 있다.
• 오늘의 웨비나는 녹화되었으며, 제공된 URL에서 다시 보기가 가능하다.