Prácticas recomendadas para los conectores de Data Cloud que usan análisis conversacionales

Cuando conectas conectores de Data Cloud en el modo de consulta federada, Gemini Enterprise usa el Protocolo de contexto del modelo (MCP) para consultar tus fuentes de datos en su lugar. Si bien las definiciones de herramientas de MCP le brindan al asistente los mecanismos para ejecutar SQL, responder preguntas comerciales en lenguaje natural con alta precisión y baja latencia requiere dos capas adicionales de orientación:

  • Un arnés analítico predeterminado: Son habilidades procedimentales específicas del motor que le enseñan al asistente de Gemini Enterprise a planificar consultas, resolver valores de filtros, usar funciones analíticas avanzadas y controlar errores como un analista de datos experto.
  • Contexto organizacional: Habilidades específicas del dominio, instrucciones personalizadas y metadatos de Knowledge Catalog que asignan el vocabulario empresarial, las definiciones de KPI y los parámetros de control de gobernanza de tu empresa a las tablas y los modelos subyacentes correctos.

En este documento, se describe cómo los conectores de Data Cloud usan habilidades analíticas integradas que administra Google y cómo puedes usar Knowledge Catalog, las habilidades personalizadas y las instrucciones del asistente para proporcionar contexto organizacional a tus datos.

Comprende el arnés analítico predeterminado

Las herramientas de MCP listas para usar exponen operaciones de bajo nivel (como enumerar tablas o ejecutar una cadena de SQL), que, por sí solas, a menudo son insuficientes para el análisis de datos complejos de varios pasos. Los conectores propios de Data Cloud subsanan esta brecha, ya que incluyen un arnés analítico predeterminado, un conjunto de habilidades integradas y administradas por Google que se derivan del arnés del agente de análisis conversacional. Estas habilidades integradas manejan automáticamente las tareas analíticas principales, como generar consultas de SELECT de solo lectura, recuperarse de errores del compilador de SQL y llamar a las funciones integradas de IA, AA y gráficos de BigQuery (como AI.FORECAST, AI.DETECT_ANOMALIES, AI.CLASSIFY, AI.AGG, AI.GENERATE y GRAPH_TABLE) sin que tengas que realizar ninguna configuración ni acción.

Como Google controla estas habilidades de conector integradas, no puedes modificar ni agregar contexto a los conectores directamente. En cambio, puedes resolver problemas comunes de ejecución de consultas, latencia de búsqueda y precisión de métricas configurando los parámetros del conector, organizando los metadatos en Knowledge Catalog o creando y usando habilidades personalizadas en tu app de Gemini Enterprise.

En la siguiente tabla, se describen los problemas comunes que puedes encontrar cuando usas los conectores de Data Cloud y las opciones para resolverlos:

Problema Opciones para resolver el problema
Garantizar que todas las consultas de BigQuery se ejecuten en un solo proyecto

Configura el ID del proyecto de facturación (en Opciones avanzadas) cuando crees el almacén de datos de BigQuery. Establecer un proyecto de facturación garantiza que todos los trabajos de consulta de BigQuery que se ejecuten a través del conector se ejecuten y se facturen en ese proyecto Google Cloud designado.
Reducir la latencia de la búsqueda o priorizar datos específicos

Usa una o ambas de las siguientes opciones para limitar los lugares donde el agente busca y consulta datos:

  • Crea una habilidad personalizada: Crea y comparte una habilidad en tu app de Gemini Enterprise que guíe al agente para que solo busque o consulte datos en Google Cloud proyectos, conjuntos de datos o tablas específicos. Por ejemplo, incluye las siguientes instrucciones en tu skill:

    "Cuando respondas preguntas sobre ventas, ingresos o actividad del cliente, solo busca metadatos y ejecuta consultas en SQL en las tablas del conjunto de datos analytics-prod.sales_mart. No analices conjuntos de datos de etapa de pruebas, zona de pruebas ni archivo".

  • Crea un producto de datos de Knowledge Catalog: Organiza las tablas de alta prioridad en un producto de datos de Knowledge Catalog (consulta Crea productos de datos) para que el agente pueda descubrir recursos autorizados directamente.
El agente usa la definición incorrecta de una métrica o une claves incorrectas

Usa una o más de las siguientes opciones para estandarizar las definiciones y la lógica de unión:

Para comparar las ventajas de usar Knowledge Catalog en lugar de habilidades personalizadas, consulta Elige dónde definir las métricas comerciales: Habilidades personalizadas o Knowledge Catalog. Para obtener instrucciones paso a paso sobre cómo crear y habilitar habilidades en tu app, consulta Crea y administra habilidades y Administra habilidades.

Proporciona contexto organizacional con habilidades y Knowledge Catalog

Dado que los conectores de Data Cloud no se limitan a un solo conjunto de datos o tabla, sino que pueden acceder a todos los recursos de la fuente de datos conectada que el usuario autenticado tiene permiso para consultar, el asistente necesita contexto organizacional para saber qué recursos son autorizados y cómo tu empresa calcula las métricas clave.

Usa un enfoque en capas que combine Knowledge Catalog, habilidades personalizadas para toda la organización y personalización para el usuario:

1. Descubrimiento de datos fundamentado con Knowledge Catalog

Cuando conectas un conector de BigQuery o de base de datos en el modo de consulta federada, Knowledge Catalog se habilita automáticamente en la pestaña Asistente de tu app de Gemini Enterprise. En lugar de realizar llamadas exploratorias secuenciales en esquemas de bases de datos sin procesar, el agente usa las herramientas de Knowledge Catalog para buscar datos a los que el usuario tiene acceso y consultar el contexto de metadatos enriquecidos en un solo flujo de trabajo.

Si tu organización selecciona metadatos en catálogos de terceros (como DataHub) o wikis de documentación interna, sincroniza esas descripciones en el Knowledge Catalog o captura reglas de negocios esenciales en habilidades personalizadas para toda la organización, de modo que el agente pueda descubrirlas.

2. Elige dónde definir las métricas comerciales: Habilidades personalizadas o Knowledge Catalog

Para codificar reglas analíticas específicas de la organización y estandarizar las definiciones de métricas comerciales y las fórmulas de SQL en todas las conversaciones, puedes hacer lo siguiente:

Definir la lógica de cálculo exacta y las reglas de filtro para los KPIs de la empresa garantiza que el asistente no tenga que adivinar. Por ejemplo, puedes definir que "Cliente activo" significa estrictamente una cuenta en analytics_prod.crm.user_events_log con más de 10 accesos a la plataforma en los últimos 30 días (event_type = 'LOGIN' y is_test_account = FALSE), o que el "Margen de contribución neto" debe excluir los obsequios promocionales (order_type != 'PROMO') y la reducción del inventario (status != 'SHRINKAGE').

Cuando elijas si implementar definiciones de métricas en habilidades personalizadas dentro de Gemini Enterprise o en Knowledge Catalog, ten en cuenta las siguientes compensaciones:

  • Knowledge Catalog:
    • Ventajas:
    • Aplica controles de acceso de Identity and Access Management (IAM) para que los usuarios y los agentes solo descubran los metadatos y las definiciones que tienen permiso para ver.
    • Se puede reutilizar en otros arneses, herramientas y plataformas de agentes fuera de Gemini Enterprise (como BigQuery Studio y clientes de MCP).
    • Los equipos de administración de datos lo mantienen de forma centralizada sin necesidad de que los usuarios individuales de la app habiliten una habilidad.
    • Desventajas:
    • Proporciona contexto de metadatos descriptivos y consultas de ejemplo en lugar de instrucciones estrictas, por lo que es posible que el agente necesite indicaciones adicionales para flujos de cálculo complejos de varios pasos.
  • Habilidades personalizadas para toda la organización en Gemini Enterprise:
    • Ventajas:
    • Proporciona instrucciones específicas y prescriptivas de procedimientos y fórmulas exactas de SQL que el agente sigue de forma determinística dentro de la app.
    • Los administradores de la app de Gemini Enterprise pueden crear y actualizar rápidamente los resúmenes sin modificar los recursos del catálogo corporativo.
    • Desventajas:
    • Debe compartirse con los usuarios y habilitarse en Gemini Enterprise, y solo se aplica dentro de Gemini Enterprise, no en otras plataformas o arneses.

3. Personaliza el análisis según las habilidades y la personalización del usuario

Los analistas individuales y los usuarios empresariales pueden agregar contexto personal a las habilidades de toda la organización:

  • Habilidades creadas por el usuario: Los usuarios finales pueden crear habilidades personales para tareas de análisis recurrentes o valores predeterminados específicos del equipo. Por ejemplo, una habilidad que indique que, cada vez que el usuario solicite el "rendimiento semanal del producto", el asistente debe filtrar automáticamente su línea de productos, excluir el tráfico de QA y agrupar los resultados por semana fiscal.
  • Memoria y personalización de Gemini Enterprise: Cuando la personalización está habilitada, el asistente puede retener las preferencias y aclaraciones específicas del usuario en todas las sesiones, lo que reduce las instrucciones de desambiguación repetidas con el tiempo.

Elige dónde configurar cada tipo de contexto

Dado que Google controla las habilidades integradas asociadas a los conectores de Data Cloud, no puedes agregar contexto personalizado directamente a un conector. En cambio, usa la siguiente tabla para decidir dónde configurar tus reglas analíticas y tu contexto empresarial:

Capa de contexto Administrado por Se recomienda su uso para Ejemplo
Metadatos de Knowledge Catalog Administradores de catálogos y administradores de datos Descubrimiento dinámico de recursos en grandes patrimonios de datos, descripciones de tablas y columnas, indicadores de calidad de los datos, glosarios de conjuntos de datos y consultas en SQL de muestra verificadas. Seleccionar términos certificados del glosario empresarial y productos de datos en analytics_prod para que el agente pueda descubrir tablas y definiciones de métricas autorizadas
Habilidades personalizadas para toda la organización y instrucciones del asistente Administradores y operadores de datos de Gemini Enterprise Definiciones determinísticas del alcance del proyecto y del conjunto de datos, definiciones de KPI para toda la empresa, reglas de desambiguación y convenciones de respuesta Restringir las búsquedas a conjuntos de datos de producción específicos y definir el cálculo exacto de SQL para el "ARR neto ponderado".
Habilidades del usuario y personalización Usuarios finales y analistas individuales Filtros predeterminados específicos del rol, diseños de métricas preferidos y flujos de trabajo recurrentes del equipo Aplicar automáticamente los filtros de región de EMEA y de QA activos cuando un usuario pregunta por las "métricas de la canalización mensuales".

¿Qué sigue?