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 in situ. Si bien las definiciones de herramientas de MCP le proporcionan al asistente los mecanismos para ejecutar SQL, responder preguntas empresariales en lenguaje natural con alta precisión y baja latencia requiere dos capas adicionales de orientación:
- Un arnés analítico predeterminado: Son habilidades de procedimiento específicas del motor que le enseñan al asistente de Gemini Enterprise a planificar consultas, resolver valores de filtro, usar funciones analíticas avanzadas y controlar errores como un analista de datos experto.
- Contexto de la organización: Habilidades específicas del dominio, instrucciones personalizadas y metadatos de Knowledge Catalog que asignan el vocabulario empresarial, las definiciones de KPI y las protecciones de administración 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 administradas por Google y cómo puedes usar Knowledge Catalog, habilidades personalizadas y las instrucciones del asistente para proporcionar contexto organizacional para 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, suelen ser insuficientes para el análisis de datos complejo
de varios pasos. Los conectores de Data Cloud de datos propios cierran esta brecha empaquetando un arnés analítico predeterminado, un conjunto de habilidades integradas y administradas por Google derivadas del arnés del agente de estadísticas conversacionales. Estas habilidades integradas
controlan automáticamente las tareas analíticas principales, como generar consultas de SELECT
de solo lectura, recuperarse de errores del compilador de SQL y, además, invocar funciones de IA,
AA y grafos integradas 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 su lugar, puedes resolver problemas comunes de ejecución de consultas, latencia de búsqueda y exactitud de las métricas estableciendo la configuración 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 habituales 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 ejecutados a través del conector se ejecuten y se facturen en ese proyecto Google Cloud designado. |
| Reducir la latencia de búsqueda o priorizar datos específicos |
Usa una o ambas de las siguientes opciones para limitar dónde el agente busca y consulta datos:
|
| El agente usa la definición incorrecta de una métrica o se une con 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 con las de las habilidades personalizadas, consulta Elige dónde definir las métricas empresariales: Habilidades personalizadas frente a 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
Debido a que los conectores de Data Cloud no están restringidos a un solo conjunto de datos o tabla, 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 autoritativos y cómo tu empresa calcula las métricas clave.
Usa un enfoque por capas que combine Knowledge Catalog, las habilidades personalizadas para toda la organización y la personalización del usuario:
1. Descubrimiento de datos de referencia 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 buscar un contexto de metadatos enriquecido 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 Knowledge Catalog o captura reglas empresariales esenciales en habilidades personalizadas para toda la organización para que el agente pueda descubrirlas.
2. Elige dónde definir las métricas empresariales: Habilidades personalizadas frente a Knowledge Catalog
Para codificar reglas analíticas específicas de la organización y estandarizar las definiciones de las métricas empresariales y las fórmulas de SQL en todas las conversaciones, puedes hacer lo siguiente:
- Crea, sube y comparte habilidades personalizadas (y administra las habilidades compartidas) directamente en Gemini Enterprise.
- Trabaja con tus administradores de datos para seleccionar definiciones de métricas empresariales, glosarios empresariales y consultas de ejemplo verificadas previamente en Knowledge Catalog (consulta Administra glosarios en Knowledge Catalog y Descripción general de los productos de datos).
Definir la lógica de cálculo exacta y las reglas de filtrado 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 "Margen de contribución neta" debe excluir los obsequios promocionales (order_type != 'PROMO') y la reducción de inventario (status != 'SHRINKAGE').
Cuando elijas si deseas implementar definiciones de métricas en habilidades personalizadas dentro de Gemini Enterprise o en Knowledge Catalog, ten en cuenta las siguientes ventajas y desventajas:
- Knowledge Catalog:
- Ventajas:
- Aplica controles de acceso de Identity and Access Management (IAM) para que los usuarios y agentes solo descubran metadatos y definiciones que tienen permiso para ver.
- Se pueden reutilizar en otros arneses de agentes, herramientas y plataformas fuera de Gemini Enterprise (como BigQuery Studio y clientes de MCP).
- Los equipos de administración de datos los mantienen de forma centralizada sin que los usuarios individuales de la app deban habilitar una habilidad.
- Desventajas:
- Proporciona contexto de metadatos descriptivos y consultas de ejemplo, en lugar de instrucciones de procedimiento estrictas, por lo que es posible que el agente necesite instrucciones adicionales para flujos de cálculo complejos de varios pasos.
- Habilidades personalizadas para toda la organización en Gemini Enterprise:
- Ventajas:
- Proporciona instrucciones de procedimiento específicas y prescriptivas, y fórmulas de SQL exactas que el agente cumple de forma determinística dentro de la app.
- Los administradores de la app de Gemini Enterprise pueden crearlos y actualizarlos con rapidez sin modificar los recursos del catálogo corporativo.
- Desventajas:
- Se debe compartir con los usuarios y habilitar en Gemini Enterprise, y se aplica solo dentro de Gemini Enterprise, en lugar de en otros entornos o plataformas.
3. Personaliza el análisis con las habilidades y la personalización del usuario
Los analistas individuales y los usuarios empresariales pueden agregar contexto personal sobre las habilidades de toda la organización:
- Habilidades creadas por el usuario: Los usuarios finales pueden crear habilidades personales para tareas analíticas 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 por 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
Debido a que Google controla las habilidades integradas adjuntas a los conectores de Data Cloud, no puedes agregar contexto personalizado directamente a un conector. En su lugar, usa la siguiente tabla para decidir dónde configurar tus reglas analíticas y el contexto empresarial:
| Capa de contexto | Administrado por | Se recomienda su uso para | Ejemplo |
|---|---|---|---|
| Metadatos de Knowledge Catalog | Administradores de datos y de catálogos | Detección dinámica de recursos en grandes conjuntos 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 productos de datos certificados y términos del glosario empresarial 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 | Definición determinista del alcance de proyectos y conjuntos de datos, definiciones de KPI para toda la empresa, reglas de desambiguación y convenciones de respuesta. | Restringir las consultas a conjuntos de datos de producción específicos y definir el cálculo de SQL exacto para "Weighted Net ARR". |
| Habilidades del usuario y personalización | Usuarios finales y analistas individuales | Filtros predeterminados específicos de cada rol, diseños de métricas preferidos y flujos de trabajo recurrentes del equipo. | Aplicar automáticamente los filtros de la región EMEA y de QA activo cuando un usuario solicite "métricas de canalización mensuales". |
¿Qué sigue?
- Consulta cómo crear y administrar habilidades y administrar habilidades compartidas en Gemini Enterprise.
- Revisa la descripción general de los conectores de Data Cloud y Protege los conectores de Data Cloud.