Passer au contenu principal
Surveillez et analysez l’utilisation de la plateforme avec des endpoints de reporting complets. Suivez l’activité des utilisateurs, les sessions de chat, et l’utilisation des outils pour obtenir des insights sur la façon dont votre organisation utilise Paradigm.
Ci-dessous est une utilisation possible des :
  • dernières connexions,
  • utilisateurs actifs,
  • sessions de chat,
  • utilisation des outils.

​
Récupérer les sessions de chat

import requests
import os

# Récupérer la clé API et l'URL de base depuis l'environnement
api_key = os.getenv("PARADIGM_API_KEY")
base_url = os.getenv("PARADIGM_BASE_URL", "https://paradigm.lighton.ai/api/v2")

url = f"{base_url}/reporting/chat-sessions/"

headers = {
    "Authorization": f"Bearer {api_key}",
    "Content-Type": "application/json"
}

params = {
    "company_id": 2,
    "start_date": "2025-01-01",  # Requis
    # "end_date": "2025-04-01"   # Optionnel, par défaut aujourd'hui
}

response = requests.get(url, headers=headers, params=params)

if response.status_code == 200:
    try:
        data = response.json()
    except requests.JSONDecodeError:
        print("Réponse non-JSON reçue:", response.text)
else:
    print("Erreur:", response.status_code, response.text)
Si vous avez une instance Paradigm privée, veuillez remplacer votre URL de base par l’instance de votre entreprise.

​
Structurer les données de session de chat dans un dataframe Pandas

import pandas as pd

# Aplatir la structure
flattened_data = []
for entry in data["reporting"][0]["dates"]:
    flat_entry = {
        'date': entry['date'],
        'nb_sessions': entry['sessions']['sessions_count'],
        'unique_models': entry['sessions']['unique_models_count'],
        'average_session': entry['sessions']['average_session_length'],
        'user_queries': entry['chats']['user_queries_count'],
        'model_responses': entry['chats']['model_responses_count'],
        'model_responses_with_docs': entry['chats']['model_responses_with_docs_count'],
    }
    flattened_data.append(flat_entry)

# Créer le DataFrame
df_sessions = pd.DataFrame(flattened_data)

​
Aller plus loin avec d’autres endpoints

La même approche peut être faite avec :
  • l’endpoint de retours : /reporting/chats-feedback/
  • l’endpoint d’utilisation des outils : /reporting/tools/
Ensuite, fusionner tout dans le même dataframe permet une analyse complète des données sur l’utilisation de la plateforme.
⌘I