> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/it/agronomia/yield-and-trials/field-trial-analytics.md).

# Analisi delle prove in campo

Analizza le prove in campo con statistiche spaziali per confrontare i trattamenti, misurare il ROI e migliorare le raccomandazioni.

Gli agronomi utilizzano l’analisi delle prove in campo per valutare le prestazioni di diverse varietà colturali, tecniche di coltivazione e applicazioni degli input, compresi i risultati delle applicazioni a rateo variabile in agricoltura di precisione. Raccogliendo, analizzando e interpretando i dati ottenuti dalle prove in campo, i ricercatori acquisiscono informazioni sulle interazioni tra genetica, ambiente e pratiche di gestione. Queste conoscenze orientano lo sviluppo di strategie di gestione delle colture che ottimizzano il potenziale di resa riducendo al minimo l’uso degli input. Inoltre, l’analisi delle prove non solo consente di valutare l’efficacia delle pratiche di agricoltura di precisione, ma aiuta anche a individuare varietà colturali resilienti, capaci di prosperare in condizioni diverse e difficili, contribuendo così alla sicurezza alimentare.

{% hint style="info" %}
Consulta la pagina interattiva sulle prove in campo in azienda su geopard.tech: [Prove in campo in azienda](https://geopard.tech/on-farm-trials/)
{% endhint %}

{% hint style="info" %}
GeoPard supporta anche le prove a parcelle suddivise per disegni sperimentali a due fattori, ad esempio le stesse dosi applicate a ibridi diversi. Valuta sia gli effetti principali sia l’interazione dose × ibrido sullo stesso layer georeferenziato della prova.
{% endhint %}

## Preparazione dei dati

Per un’analisi efficace delle prove, sono necessari alcuni dataset essenziali:

1. **Dataset di resa**:\
   Questo dataset contiene i dati di resa.\
   È possibile importarlo da [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/import-precision-agriculture-data/import-from-myjohndeere.md) oppure caricarlo manualmente come [shapefile](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/import-precision-agriculture-data/yield-data-import.md) o nel [formato proprietario della macchina](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/import-precision-agriculture-data/machinery-proprietary-formats.md).
2. **Dataset di applicazione**:\
   È fondamentale per comprendere l’applicazione effettivamente eseguita in campo. Contiene almeno attributi come TargetRate, AppliedRate e alcune metriche relative alle macchine.\
   Come per il dataset di resa, è possibile importarlo da [JohnDeere Operation Center](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/import-precision-agriculture-data/import-from-myjohndeere.md) oppure caricarlo manualmente come [shapefile](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/import-precision-agriculture-data/as-applied-as-planted-data-import.md) o nel [formato proprietario della macchina](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/import-precision-agriculture-data/machinery-proprietary-formats.md).
3. **Zone/parcelle delle prove sperimentali**:\
   Queste indicano le dosi di applicazione pianificate per le prove, fornendo informazioni sul disegno sperimentale.\
   Se è disponibile un layer di dati di questo tipo, lo carichiamo come [shapefile](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/import-precision-agriculture-data/as-applied-as-planted-data-import.md) nel controllo AsApplied/AsPlanted o Yield. In questo modo si garantisce la compatibilità durante la creazione di EquationMaps e si semplifica l’analisi delle prove.\
   Il disegno può prevedere un solo fattore oppure parcelle suddivise con una seconda dimensione di trattamento, ad esempio ibrido o varietà.\
   Se non è disponibile un layer di dati di questo tipo, l’attributo TargetRate del dataset di applicazione può essere usato come alternativa per valutare le prove.
4. **Zone storiche del potenziale produttivo in campo:**\
   Queste zone sono generate da GeoPard (maggiori dettagli [QUI](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/zones-maps-and-analytics/multi-year-zones.md)). Sono utili per analizzare le prove in aree con produttività storica costante. Questo è particolarmente vantaggioso quando le prove sono distribuite in zone con produttività storiche diverse.

Una volta raccolti questi dataset, il passo successivo è avviare il processo di valutazione delle prove.

## Panoramica dei dati

Di seguito sono riportati i dati della stagione agricola 2023 del frumento invernale:

* Dataset di resa che mostra la distribuzione della massa umida *(Fig. 1)*

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fg9Iv1AMpACkykujxvJ9s%2Fimage.png?alt=media&amp;token=c2a61d7b-12e9-40b5-ad88-e6f820372638" alt=""><figcaption><p>Fig. 1 Dataset di resa originale</p></figcaption></figure>

* Piano VRA dell’azoto (N34) (150 kg/ha) con 2 parcelle sperimentali (120 kg/ha e 180 kg/ha)*(Fig. 2)*

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FwkGO1Tp0Ji2KzUPhfQAE%2Fimage.png?alt=media&amp;token=28a94d78-7360-43e2-865f-4a330028ab20" alt=""><figcaption><p>Fig. 2 Piano VRA dell’azoto (N34) con parcelle sperimentali</p></figcaption></figure>

* Dataset di applicazione con le statistiche delle dosi applicate *(Fig. 3)*

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FF1YKbPqDw2HBDdnTqazX%2Fimage.png?alt=media&amp;token=0f83b5b0-9220-4cea-984c-735338716048" alt=""><figcaption><p>Fig. 3 Dataset di applicazione</p></figcaption></figure>

* Produttività storica del campo (*Fig. 4*)

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FCrFaBaZxtjd0xEXZ9TUd%2Fimage.png?alt=media&amp;token=9cf68b49-a17c-4f2f-be15-1b0bfee4993e" alt=""><figcaption><p>Fig. 4 Produttività storica del campo</p></figcaption></figure>

{% hint style="warning" %}
Il dataset di resa non è stato calibrato: nel campo operavano più mietitrebbie, sono presenti tracce di inversione di marcia e dati mancanti, oltre a evidenti disturbi. Per ottenere risultati ottimali, si consiglia di applicare le operazioni di calibrazione e pulizia della resa.\
Un tutorial passo passo è disponibile a [LINK](https://docs.geopard.tech/geopard-tutorials/it/agronomia/yield-and-trials/yield-calibration-and-cleaning.md).
{% endhint %}

Il dataset di resa, dopo la calibrazione e la pulizia, è mostrato nella *Fig. 5*, insieme alle statistiche aggiornate. Questo dataset verrà utilizzato nei passaggi successivi.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F62J6z5wt7ndZ4lWxZq58%2Fimage.png?alt=media&amp;token=9e6ea416-81a0-4dfc-a94a-aa19f69c0ff3" alt=""><figcaption><p>Fig. 5 Dataset di resa calibrato e ripulito</p></figcaption></figure>

## Concetto

Qui l’obiettivo di Trial Analytics è determinare la dose di azoto (N34) più efficace per il campo. Sono state individuate aree con dosi di azoto pari a 120 kg/ha, 150 kg/ha e 180 kg/ha. Questi dati derivano, da un lato, da ApplicationDataset e, dall’altro, da YieldDataset calibrato.

La nostra analisi si concentra su tre zone distinte:

* 120 kg/ha (designata come zona di prova)
* 150 kg/ha (considerata la zona principale)
* 180 kg/ha (un’altra zona di prova)

La nostra metodologia comprende le seguenti valutazioni:

1. **Basata sul piano:** utilizzo dell’applicazione a dose variabile pianificata (VRA) in relazione alla resa calibrata.
2. **Basata sull’applicazione:** confronto dei dataset relativi all’applicazione effettiva con la resa calibrata.
3. **Basata sull’applicazione e sulla produttività storica:** confronto dei dataset relativi all’applicazione effettiva con la resa calibrata, sovrapposta alle zone del potenziale storico del campo.

Questo approccio sistematico consente di valutare in modo completo l’impatto dell’azoto sulla resa, sulla base dei dati di applicazione pianificati ed effettivi.

## Basata sul piano

L’influenza dell’ ~~applicazione effettiva~~ dell’azoto (N34) pianificata sulla distribuzione della resa è rappresentata visivamente nelle schermate seguenti *(Fig. 6, Fig. 7, Fig. 8)*. Ecco una breve sintesi dei risultati:

* <mark style="color:blu;">La zona principale, con una dose di azoto di 150 kg/ha, si estende su 45,8 ha e ha una resa media di 4,99 t/ha</mark> (*Fig. 6*).
* <mark style="color:blu;">La prima zona di prova, con un’applicazione di azoto di 180 kg/ha, copre 1,76 ha e registra una resa media di 6,5 t/ha</mark> (*Fig. 7*).
* <mark style="color:blu;">La seconda zona di prova, con 120 kg/ha di azoto, si estende su 1,86 ha e produce una resa media di 6,39 t/ha</mark> (*Fig. 8*).

I risultati sollevano una domanda importante: <mark style="color:arancione;">Perché la dose di applicazione più bassa sembra essere più efficiente di quella più alta?</mark> Per approfondire, la fase successiva prevede di[ valutare le prove utilizzando i dati dell’applicazione effettiva](#applied-based-evaluation).

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FraVRCgxuEVTGfTKK4c0s%2Fimage.png?alt=media&amp;token=57602ad8-bd9f-46b4-adcf-5de53f99fe7b" alt=""><figcaption><p>Fig. 6 Zona principale con N34 a 150 kg/ha</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FNM80FFM2TQULwV54LuqW%2Fimage.png?alt=media&amp;token=1542336e-20a2-4a77-a343-9a92f67c90eb" alt=""><figcaption><p>Fig. 7 Zona di prova con N34 a 180 kg/ha</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FITg4CWAJb27X28jquqyO%2Fimage.png?alt=media&amp;token=cff8d0b3-5896-4f34-bbdc-6a34a7352982" alt=""><figcaption><p>Fig. 8 Zona di prova con N34 a 120 kg/ha</p></figcaption></figure>

Più avanti è disponibile un’analisi approfondita delle formule e delle configurazioni utilizzate durante la valutazione.

{% hint style="info" %}
Per approfondire l’approccio basato sulle equazioni e la sua esecuzione, consulta i nostri tutorial per l’ [interfaccia utente](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/equation-based-analytics.md) e per l’ [API](https://docs.geopard.tech/geopard-tutorials/it/documentazione-api/diagrams-with-basic-flows/5.-execute-equations.md).
{% endhint %}

Ecco le equazioni da eseguire per riprodurre i calcoli.

1. Zona principale a 150 kg/ha:\
   `Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)`
2. Prova a 120 kg/ha:\
   `Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)`
3. Prova a 180 kg/ha:\
   `Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)`

È importante attivare *Numpy* *(Fig. 9)* e disattivare *Interpolazione* *(Fig. 10)*.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FixfesbJQxzVC93JW3H7b%2Fimage.png?alt=media&amp;token=dcab1611-8a33-4450-9b06-5ba24760e8c3" alt=""><figcaption><p>Fig. 9 Attivare «Numpy»</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F0V4AxWhE0zraNfH1axHQ%2Fimage.png?alt=media&amp;token=d86b3921-c313-4946-9455-35fbef29cc13" alt=""><figcaption><p>Fig. 10 Disattivare l’uso dei dati «Interpolated»</p></figcaption></figure>

## Basato sulla dose applicata

Un’osservazione significativa è che la dose effettivamente applicata durante la prova non corrisponde sempre alla dose pianificata (target). In particolare, la distribuzione varia da 120 kg/ha fino a 189 kg/ha *(Fig. 11)*. Data questa variabilità, è stato fondamentale definire un margine di tolleranza dell’errore. È stata quindi stabilita una precisione di ±5% come soglia accettabile per ritenere la prova idonea alla valutazione.

Le schermate seguenti (*Fig. 12, Fig. 13, Fig. 14)* mostrano la distribuzione statistica della resa, con particolare attenzione alle quantità di azoto (N34) effettivamente applicate. Ecco le statistiche riepilogative, considerando il criterio di accettazione della precisione di ±5%:

* <mark style="color:blu;">La zona principale, con una dose di 150 kg/ha, ha avuto una superficie trattata di 43,5 ha e una resa media di 4,9 t/ha</mark> (*Fig. 12*).
* <mark style="color:blu;">La prima zona di prova, con una dose di 180 kg/ha, copriva una superficie di 1,47 ha e ha prodotto una resa media di 6,5 t/ha</mark> (*Fig. 13*).
* <mark style="color:blu;">La seconda zona di prova, con una dose di 120 kg/ha, si estendeva su una superficie di 1,44 ha, con una resa media di 6,3 t/ha</mark> (*Fig. 14*).

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQ5Aawg78wAVNsybfq2RB%2Fimage.png?alt=media&amp;token=293f63d1-414b-4e23-be09-b54844f21988" alt=""><figcaption><p>Fig. 11 Dosi effettivamente applicate nelle prove</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FyBHR1SLHA9ujXr5wk8xA%2Fimage.png?alt=media&amp;token=78f67150-560b-4495-974e-30407e25aca9" alt=""><figcaption><p>Fig. 12 Zona principale con N34 a 150 kg/ha ±5%</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FeOMxE76sp3ugO1NffWPN%2Fimage.png?alt=media&amp;token=9e3f47ae-250a-41dd-b9ce-f3d4bcaab85e" alt=""><figcaption><p>Fig. 13 Zona di prova con N34 a 180 kg/ha ±5%</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FJUBlkogPAF2fTSYa0EOW%2Fimage.png?alt=media&amp;token=48dd3f24-df15-40da-905c-9012b70971d2" alt=""><figcaption><p>Fig. 14 Zona di prova con N34 a 120 kg/ha ±5%</p></figcaption></figure>

Per comprendere meglio la metodologia e i dettagli di questi risultati, di seguito sono riportate le equazioni utilizzate:

1. Azoto effettivamente applicato nella prova:\
   `Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)`
2. Zona principale a 150 kg/ha, con tolleranza del 5%:\
   `Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
3. Prova a 120 kg/ha, con tolleranza del 5%:\
   `Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
4. Prova a 180 kg/ha, con tolleranza del 5%:\
   `Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

## **Produttività basata sulla dose applicata e produttività storica**

Le rese registrate nelle prove superano costantemente la resa media dell’intero campo. Un fattore determinante di questa differenza sembra essere l’elevata produttività storica della zona in cui sono state condotte le prove, come illustrato in *Fig. 15* e *Fig. 16*. Per valutare le prove in modo più accurato, è fondamentale considerare le zone di produttività durante l’analisi dei risultati.

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FH0aA9ZAe2IkSFtqcJe5B%2Fimage.png?alt=media&amp;token=c58e81d6-b2df-4d6d-8682-3c750f38f2a1" alt=""><figcaption><p>Fig. 15 Zone del potenziale produttivo storico del campo</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fi2agD6onOT4aVaW9LvHh%2Fimage.png?alt=media&amp;token=feecbfd5-2433-4061-85b9-8233446572d8" alt=""><figcaption><p>Fig. 16 Zone del potenziale produttivo storico del campo come YieldDataset</p></figcaption></figure>

Le schermate seguenti (*Fig. 17, Fig. 18, Fig. 19)* mostrano la distribuzione statistica della resa, con particolare attenzione alle quantità di azoto (N34) effettivamente applicate, sovrapposte alle zone di produttività storica (create in GeoPard). Ecco le statistiche riepilogative, considerando il criterio di accettazione della precisione di ±5% per le quantità applicate:

* <mark style="color:blu;">La zona principale, con una dose di 150 kg/ha, ha avuto una superficie trattata di 2,65 ha e una resa media di 6,34 t/ha</mark> (*Fig. 17*).
* <mark style="color:blu;">La prima zona di prova, con una dose di 180 kg/ha, copriva una superficie di 1,08 ha e ha prodotto una resa media di 6,41 t/ha</mark> (*Fig. 18*).
* <mark style="color:blu;">La seconda zona di prova, con una dose di 120 kg/ha, si estendeva su una superficie di 1,78 ha, con una resa media di 6,33 t/ha</mark> (*Fig. 19*).

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FPqw7u62bJAezDn9UW5qs%2Fimage.png?alt=media&amp;token=ff101b42-7882-4dc3-a2ad-b57053900768" alt=""><figcaption><p>Fig. 17 Zona principale con N34 a 150 kg/ha sovrapposta alla produttività storica</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FmzkQRoU3HMMOm1fLLjNY%2Fimage.png?alt=media&amp;token=ba8105da-877b-4234-9e1d-f59826949bf0" alt=""><figcaption><p>Fig. 18 Zona di prova con N34 a 180 kg/ha ±5% sovrapposta alla produttività storica</p></figcaption></figure>

<figure><img src="https://1371939954-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FzTOI3v14HdZLANjM3o36%2Fimage.png?alt=media&amp;token=f83a50dd-585d-4b66-937d-eb0d2f1c78f0" alt=""><figcaption><p>Fig. 19 Zona di prova con N34 a 120 kg/ha ±5% sovrapposta alla produttività storica</p></figcaption></figure>

Per comprendere meglio la metodologia e i dettagli di questi risultati, di seguito sono riportate le equazioni utilizzate:

1. Dose principale di 150 kg/ha con tolleranza del 5%, sovrapposta alla produttività storica:\
   `Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)`
2. Dose di prova di 120 kg/ha con tolleranza del 5%, sovrapposta alla produttività storica:\
   `Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)`
3. Dose di prova di 180 kg/ha con tolleranza del 5%, sovrapposta alla produttività storica:\
   `Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)`

dove

* la parte `Productivity_SubZone == 51` corrisponde alle zone ad alta produttività in cui sono state applicate le prove,
* le parti `(Applied_Value >= 142.5) & (Applied_Value <= 157.5)` , `(Applied_Value >= 114.0) & (Applied_Value <= 126.0)`, `(Applied_Value >= 171.0) & (Applied_Value <= 189.0)` includono una tolleranza del ±5% rispetto alle dosi `150`, `120`, `180` kg/ha.

## Riepilogo

Le rese ottenute nelle prove sono molto simili alla resa media osservata nella zona del campo caratterizzata da un’elevata produttività storica. In altre parole, l’applicazione sperimentale del prodotto N34 alle dosi di <mark style="color:blu;">120 kg/ha - 150 kg/ha - 180 kg/ha</mark>, ha prodotto rese medie di <mark style="color:blu;">6,33 t/ha - 6,34 t/ha - 6,41 t/ha</mark> rispettivamente, senza incidere in modo significativo sulla resa raccolta nella zona ad alta produttività.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/it/agronomia/yield-and-trials/field-trial-analytics.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
