Best Practices für Data Cloud-Connectors, die Conversational Analytics verwenden

Wenn Sie Data Cloud-Connectors im Modus für föderierte Abfragen verbinden, verwendet Gemini Enterprise das Model Context Protocol (MCP), um Ihre Datenquellen direkt abzufragen. MCP-Tooldefinitionen geben dem Assistenten zwar die Mechanismen zum Ausführen von SQL an, aber um geschäftliche Fragen in natürlicher Sprache mit hoher Genauigkeit und geringer Latenz zu beantworten, sind zwei zusätzliche Guidance-Ebenen erforderlich:

  • Standardmäßiges Analyse-Framework: Enginespezifische Verfahrensfähigkeiten, die dem Gemini Enterprise-Assistenten beibringen, wie er Abfragen plant, Filterwerte auflöst, erweiterte Analysefunktionen verwendet und Fehler wie ein erfahrener Datenanalyst behandelt.
  • Organisationskontext: Domänenspezifische Fähigkeiten, benutzerdefinierte Anweisungen und Knowledge Catalog-Metadaten, die das Unternehmensvokabular, KPI-Definitionen und Governance-Schutzmaßnahmen Ihres Unternehmens den richtigen zugrunde liegenden Tabellen und Modellen zuordnen.

In diesem Dokument wird beschrieben, wie Data Cloud-Connectors integrierte, von Google verwaltete Analysefunktionen nutzen und wie Sie Knowledge Catalog, benutzerdefinierte Skills und Assistentenanweisungen verwenden können, um Organisationskontext für Ihre Daten bereitzustellen.

Standardmäßiges Analyse-Harness

Die sofort einsatzbereiten MCP-Tools machen Low-Level-Vorgänge (z. B. das Auflisten von Tabellen oder das Ausführen eines SQL-Strings) verfügbar, die für komplexe, mehrstufige Datenanalysen oft nicht ausreichen. Eigene Data Cloud-Connectors schließen diese Lücke, indem sie ein Standard-Analyse-Harness bündeln. Das ist eine Reihe von integrierten, von Google verwalteten Skills, die aus dem Conversational Analytics-Agenten-Framework abgeleitet werden. Diese integrierten Skills übernehmen automatisch wichtige Analyseaufgaben, z. B. das Generieren von schreibgeschützten SELECT-Abfragen, das Beheben von SQL-Compilerfehlern und das Aufrufen integrierter BigQuery AI-, ML- und Graphfunktionen (z. B. AI.FORECAST, AI.DETECT_ANOMALIES, AI.CLASSIFY, AI.AGG, AI.GENERATE und GRAPH_TABLE). Dazu ist keine Konfiguration oder Aktion von Ihnen erforderlich.

Da Google diese integrierten Connector-Skills steuert, können Sie die Connectors nicht direkt ändern oder Kontext hinzufügen. Stattdessen können Sie häufige Probleme mit der Ausführung von Anfragen, der Suchlatenz und der Messwertgenauigkeit beheben, indem Sie Connectoreinstellungen konfigurieren, Metadaten im Knowledge Catalog kuratieren oder benutzerdefinierte Skills in Ihrer Gemini Enterprise-App erstellen und verwenden.

In der folgenden Tabelle werden häufige Probleme beschrieben, die bei der Verwendung von Data Cloud-Connectors auftreten können, sowie mögliche Lösungen:

Problem Möglichkeiten zur Behebung
Sicherstellen, dass alle BigQuery-Abfragen in einem einzelnen Projekt ausgeführt werden

Konfigurieren Sie die Billing Project ID (unter Erweiterte Optionen), wenn Sie den BigQuery-Datenspeicher erstellen. Wenn Sie ein Abrechnungsprojekt festlegen, werden alle BigQuery-Abfragejobs, die über den Connector ausgeführt werden, in diesem Projekt ausgeführt und abgerechnet. Google Cloud

Suchlatenz reduzieren oder bestimmte Daten priorisieren

Verwenden Sie eine oder beide der folgenden Optionen, um den Suchbereich des KI-Agents einzugrenzen und festzulegen, wo er Daten abfragt:

  • Benutzerdefinierten Skill erstellen: Erstellen und teilen Sie einen Skill in Ihrer Gemini Enterprise-App, der den Agenten anweist, nur in bestimmten Google Cloud Projekten, ‑Datasets oder ‑Tabellen nach Daten zu suchen oder diese abzufragen. Fügen Sie Ihrem Skill beispielsweise die folgenden Anweisungen hinzu:

    „Wenn Sie Fragen zu Umsatz, Umsatz oder Kundenaktivitäten beantworten, suchen Sie nur nach Metadaten und führen Sie SQL-Abfragen für Tabellen im Dataset analytics-prod.sales_mart aus. Scannen Sie keine Staging-, Sandbox- oder Archiv-Datasets.“

  • Knowledge Catalog-Datenprodukt erstellen: Stellen Sie Tabellen mit hoher Priorität in einem Knowledge Catalog-Datenprodukt zusammen (siehe Datenprodukte erstellen), damit der Agent autoritative Assets direkt ermitteln kann.
Agent verwendet die falsche Definition eines Messwerts oder führt einen Join mit falschen Schlüsseln aus

Verwenden Sie eine oder mehrere der folgenden Optionen, um Definitionen und Join-Logik zu standardisieren:

Einen Vergleich der Vorteile von Knowledge Catalog und benutzerdefinierten Skills finden Sie unter Geschäftsbezogene Messwerte definieren: Benutzerdefinierte Skills im Vergleich zu Knowledge Catalog. Eine detaillierte Anleitung zum Erstellen und Aktivieren von Skills in Ihrer App finden Sie unter Skills erstellen und verwalten und Skills verwalten.

Organisationskontext mit Kompetenzen und Knowledge Catalog bereitstellen

Da Data Cloud-Connectors nicht auf ein einzelnes Dataset oder eine einzelne Tabelle beschränkt sind, sondern auf alle Ressourcen in der verbundenen Datenquelle zugreifen können, für die der authentifizierte Nutzer eine Berechtigung zum Abfragen hat, benötigt der Assistent Organisationskontext, um zu wissen, welche Assets maßgeblich sind und wie Ihr Unternehmen wichtige Messwerte berechnet.

Verwenden Sie einen mehrschichtigen Ansatz, der Knowledge Catalog, organisationsweite benutzerdefinierte Skills und Nutzerpersonalisierung kombiniert:

1. Bodendaten mit Knowledge Catalog ermitteln

Wenn Sie einen BigQuery- oder Datenbank-Connector im Modus für föderierte Abfragen verbinden, wird Knowledge Catalog automatisch auf dem Tab Assistant Ihrer Gemini Enterprise-App aktiviert. Anstatt sequenzielle explorative Aufrufe für rohe Datenbankschemas zu erstellen, verwendet der Agent Knowledge Catalog-Tools, um nach Daten zu suchen, auf die der Nutzer Zugriff hat, und um in einem einzigen Workflow umfangreiche Metadaten zu finden.

Wenn Ihre Organisation Metadaten in Katalogen von Drittanbietern (z. B. DataHub) oder internen Dokumentationswikis verwaltet, synchronisieren Sie diese Beschreibungen mit Knowledge Catalog oder erfassen Sie wichtige Geschäftsregeln in organisationsweiten benutzerdefinierten Skills, damit der KI-Agent sie erkennen kann.

2. Geschäftsbezogene Messwerte definieren: Benutzerdefinierte Skills im Vergleich zu Knowledge Catalog

Um organisationsspezifische Analyseregeln zu codieren und Definitionen von Geschäftsmesswerten und SQL-Formeln in allen Unterhaltungen zu standardisieren, haben Sie folgende Möglichkeiten:

Wenn Sie die genaue Berechnungslogik und Filterregeln für Unternehmens-KPIs definieren, muss der Assistent nicht raten. Sie können beispielsweise festlegen, dass „Aktiver Kunde“ in analytics_prod.crm.user_events_logevent_type = 'LOGIN'is_test_account = FALSEnur ein Konto mit mehr als 10 Plattformanmeldungen in den letzten 30 Tagen ist oder dass bei der „Nettobeitragsmarge“order_type != 'PROMO'Werbegeschenke und status != 'SHRINKAGE'Inventarschwund ausgeschlossen werden müssen.

Bei der Entscheidung, ob Sie Messwertdefinitionen in benutzerdefinierten Skills in Gemini Enterprise oder im Knowledge Catalog implementieren möchten, sollten Sie die folgenden Kompromisse berücksichtigen:

  • Knowledge Catalog:
    • Vorteile:
    • Erzwingt IAM-Zugriffssteuerungen (Identity and Access Management), sodass Nutzer und Agents nur Metadaten und Definitionen sehen, für die sie eine Berechtigung haben.
    • Kann in anderen Agent-Harnesses, Tools und Plattformen außerhalb von Gemini Enterprise (z. B. BigQuery Studio und MCP-Clients) wiederverwendet werden.
    • Sie werden zentral von Data Governance-Teams verwaltet, ohne dass einzelne App-Nutzer einen Skill aktivieren müssen.
    • Nachteile:
    • Bietet beschreibenden Metadatenkontext und Beispielanfragen anstelle von strengen Verfahrensanweisungen. Daher muss der Agent bei komplexen, mehrstufigen Berechnungsabläufen möglicherweise zusätzliche Prompts erhalten.
  • Organisationsweite benutzerdefinierte Skills in Gemini Enterprise:
    • Vorteile:
    • Enthält spezifische, präskriptive Verfahrensanweisungen und genaue SQL-Formeln, an die sich der Agent in der App deterministisch hält.
    • Sie können von Administratoren der Gemini Enterprise App schnell erstellt und aktualisiert werden, ohne dass Ressourcen des Unternehmensverzeichnisses geändert werden müssen.
    • Nachteile:
    • Muss für Nutzer freigegeben und in Gemini Enterprise aktiviert sein und gilt nur in Gemini Enterprise, nicht für andere Harnesses oder Plattformen.

3. Analyse an Nutzerfähigkeiten und Personalisierung anpassen

Einzelne Analysten und Geschäftsnutzer können organisationsweite Fähigkeiten mit persönlichem Kontext ergänzen:

  • Von Nutzern erstellte Skills: Endnutzer können persönliche Skills erstellen, um wiederkehrende Analyseaufgaben oder teamspezifische Standardeinstellungen zu automatisieren. Ein Beispiel: Wenn ein Nutzer nach der „wöchentlichen Produktleistung“ fragt, soll der Assistent automatisch nach seiner Produktlinie filtern, QA-Traffic ausschließen und die Ergebnisse nach Geschäftsjahrwoche gruppieren.
  • Gemini Enterprise-Speicher und ‑Personalisierung: Wenn die Personalisierung aktiviert ist, kann der Assistent nutzerspezifische Einstellungen und Erläuterungen sitzungsübergreifend speichern. So werden im Laufe der Zeit weniger wiederholte Aufforderungen zur Klärung angezeigt.

Konfigurationsort für die einzelnen Kontexttypen auswählen

Da Google die integrierten Skills steuert, die mit Data Cloud-Connectors verknüpft sind, können Sie einem Connector keinen benutzerdefinierten Kontext hinzufügen. Verwenden Sie stattdessen die folgende Tabelle, um zu entscheiden, wo Sie Ihre Analyseregeln und Ihren geschäftlichen Kontext konfigurieren:

Kontextschicht Verwaltet von Geeignete Anwendungsfälle Beispiel
Knowledge Catalog-Metadaten Data Stewards und Katalogadministratoren Dynamische Asset-Erkennung in großen Datenbeständen, Tabellen- und Spaltenbeschreibungen, Signale zur Datenqualität, Dataset-Glossare und geprüfte Beispiel-SQL-Abfragen. Kuratieren Sie zertifizierte Datenprodukte und Begriffe aus dem Unternehmensglossar in analytics_prod, damit der KI-Agent maßgebliche Tabellen und Messwertdefinitionen finden kann.
Benutzerdefinierte Skills für die gesamte Organisation und Assistent-Anweisungen Gemini Enterprise-Administratoren und Datenbearbeiter Deterministische Projekt- und Dataset-Abgrenzung, unternehmensweite KPI-Definitionen, Regeln zur Mehrdeutigkeitsauflösung und Antwortkonventionen. Abfragen auf bestimmte Produktionsdatasets beschränken; die genaue SQL-Berechnung für „Gewichteter Netto-ARR“ definieren.
Nutzerfähigkeiten und Personalisierung Einzelne Endnutzer und Analysten Rollenspezifische Standardfilter, bevorzugte Messwertlayouts und wiederkehrende Team-Workflows. Automatische Anwendung der EMEA-Region und aktiver QA-Filter, wenn ein Nutzer nach „monatlichen Pipeline-Messwerten“ fragt.

Nächste Schritte