Bonnes pratiques pour les connecteurs Data Cloud qui utilisent l'analyse conversationnelle

Lorsque vous connectez des connecteurs Data Cloud en mode requête fédérée, Gemini Enterprise utilise le protocole MCP (Model Context Protocol) pour interroger vos sources de données sur place. Bien que les définitions d'outils MCP donnent à l'assistant les mécanismes nécessaires pour exécuter SQL, répondre à des questions métier en langage naturel avec une grande précision et une faible latence nécessite deux niveaux de conseils supplémentaires :

  • Un harnais analytique par défaut : compétences procédurales spécifiques au moteur qui apprennent à l'assistant Gemini Enterprise à planifier des requêtes, à résoudre des valeurs de filtre, à utiliser des fonctions analytiques avancées et à gérer les erreurs comme un analyste de données expert.
  • Contexte organisationnel : compétences spécifiques à un domaine, instructions personnalisées et métadonnées du catalogue de connaissances qui mappent le vocabulaire métier, les définitions de KPI et les règles de gouvernance de votre entreprise aux tables et modèles sous-jacents appropriés.

Ce document explique comment les connecteurs Data Cloud utilisent des compétences analytiques intégrées gérées par Google, et comment vous pouvez utiliser Knowledge Catalog, des compétences personnalisées et des instructions de l'assistant pour fournir un contexte organisationnel à vos données.

Comprendre le harnais analytique par défaut

Les outils MCP prêts à l'emploi exposent des opérations de bas niveau (comme lister des tables ou exécuter une chaîne SQL), qui sont souvent insuffisantes en elles-mêmes pour une analyse de données complexe en plusieurs étapes. Les connecteurs Data Cloud de données first party comblent cette lacune en regroupant un harnais analytique par défaut, c'est-à-dire un ensemble de compétences intégrées et gérées par Google, dérivées du harnais d'agent d'analyse conversationnelle. Ces compétences intégrées gèrent automatiquement les tâches analytiques de base, comme la génération de requêtes SELECT en lecture seule, la récupération après des erreurs du compilateur SQL et l'appel de fonctions BigQuery d'IA, de ML et de graphiques intégrées (comme AI.FORECAST, AI.DETECT_ANOMALIES, AI.CLASSIFY, AI.AGG, AI.GENERATE et GRAPH_TABLE), sans nécessiter de configuration ni d'action de votre part.

Étant donné que Google contrôle ces compétences de connecteur intégrées, vous ne pouvez pas modifier ni ajouter de contexte aux connecteurs directement. Vous pouvez résoudre les problèmes courants d'exécution des requêtes, de latence de recherche et de précision des métriques en configurant les paramètres du connecteur, en organisant les métadonnées dans le catalogue de connaissances ou en créant et en utilisant des compétences personnalisées dans votre application Gemini Enterprise.

Le tableau suivant décrit les problèmes courants que vous pouvez rencontrer lorsque vous utilisez les connecteurs Data Cloud, ainsi que les solutions possibles :

Problème Options de résolution
S'assurer que toutes les requêtes BigQuery s'exécutent dans un seul projet

Configurez l'ID du projet de facturation (sous Options avancées) lorsque vous créez le data store BigQuery. La définition d'un projet de facturation garantit que tous les jobs de requête BigQuery exécutés via le connecteur sont exécutés et facturés dans ce projet désigné. Google Cloud

Réduire la latence de recherche ou hiérarchiser des données spécifiques

Utilisez l'une des options suivantes ou les deux pour limiter les sources de données dans lesquelles l'agent effectue des recherches et des requêtes :

  • Créer une compétence personnalisée : créez et partagez une compétence dans votre application Gemini Enterprise qui guide l'agent pour qu'il ne recherche ou n'interroge que les données de projets, d'ensembles de données ou de tables spécifiques Google Cloud . Par exemple, incluez les instructions suivantes dans votre skill :

    "Lorsque vous répondez à des questions sur les ventes, les revenus ou l'activité des clients, ne recherchez que des métadonnées et exécutez des requêtes SQL sur les tables de l'ensemble de données analytics-prod.sales_mart. N'analysez pas les ensembles de données de préparation, de bac à sable ni d'archive."

  • Créez un produit de données Knowledge Catalog : organisez les tables prioritaires dans un produit de données Knowledge Catalog (consultez Créer des produits de données) pour que l'agent puisse découvrir directement les assets faisant autorité.
L'agent utilise une définition incorrecte d'une métrique ou joint des clés incorrectes.

Utilisez une ou plusieurs des options suivantes pour standardiser les définitions et la logique de jointure :

Pour comparer les avantages de l'utilisation de Knowledge Catalog par rapport aux compétences personnalisées, consultez Choisir où définir les métriques métier : compétences personnalisées ou Knowledge Catalog. Pour obtenir des instructions détaillées sur la création et l'activation de compétences dans votre application, consultez Créer et gérer des compétences et Gérer les compétences.

Fournir un contexte organisationnel avec les compétences et Knowledge Catalog

Étant donné que les connecteurs Data Cloud ne sont pas limités à un seul ensemble de données ou à une seule table, mais peuvent accéder à toutes les ressources de la source de données connectée que l'utilisateur authentifié est autorisé à interroger, l'assistant a besoin d'un contexte organisationnel pour savoir quels sont les composants faisant autorité et comment votre entreprise calcule les métriques clés.

Adoptez une approche par couches combinant Knowledge Catalog, des compétences personnalisées à l'échelle de l'organisation et la personnalisation par l'utilisateur :

1. Découverte des données ancrées avec Knowledge Catalog

Lorsque vous connectez un connecteur BigQuery ou de base de données en mode requête fédérée, Knowledge Catalog est automatiquement activé dans l'onglet Assistant de votre application Gemini Enterprise. Au lieu d'effectuer des appels exploratoires séquentiels sur des schémas de base de données bruts, l'agent utilise les outils Knowledge Catalog pour rechercher les données auxquelles l'utilisateur a accès et rechercher le contexte des métadonnées enrichies dans un seul workflow.

Si votre organisation organise des métadonnées dans des catalogues tiers (comme DataHub) ou des wikis de documentation interne, synchronisez ces descriptions dans le Knowledge Catalog ou capturez les règles métier essentielles dans des compétences personnalisées à l'échelle de l'organisation afin que l'agent puisse les découvrir.

2. Choisir où définir les métriques métier : compétences personnalisées ou Knowledge Catalog

Pour codifier les règles analytiques spécifiques à votre organisation et standardiser les définitions des métriques métier et les formules SQL dans les conversations, vous pouvez :

Définir une logique de calcul et des règles de filtrage exactes pour les KPI de l'entreprise permet de s'assurer que l'assistant n'a pas à deviner. Par exemple, vous pouvez définir que "Client actif" signifie strictement un compte dans analytics_prod.crm.user_events_log avec plus de 10 connexions à la plate-forme au cours des 30 derniers jours (event_type = 'LOGIN' et is_test_account = FALSE), ou que la "Marge de contribution nette" doit exclure les cadeaux promotionnels (order_type != 'PROMO') et la perte d'inventaire (status != 'SHRINKAGE').

Lorsque vous choisissez d'implémenter des définitions de métriques dans des compétences personnalisées dans Gemini Enterprise ou dans Knowledge Catalog, tenez compte des compromis suivants :

  • Knowledge Catalog :
    • Avantages :
    • Applique les contrôles d'accès IAM (Identity and Access Management) afin que les utilisateurs et les agents ne découvrent que les métadonnées et les définitions qu'ils sont autorisés à afficher.
    • Peut être réutilisé dans d'autres harnais d'agent, outils et plates-formes en dehors de Gemini Enterprise (tels que BigQuery Studio et les clients MCP).
    • Géré de manière centralisée par les équipes de gouvernance des données, sans que les utilisateurs individuels de l'application aient besoin d'activer une compétence.
    • Inconvénients :
    • Fournit un contexte de métadonnées descriptif et des exemples de requêtes plutôt que des instructions procédurales strictes. L'agent peut donc avoir besoin d'instructions supplémentaires pour les flux de calcul complexes en plusieurs étapes.
  • Compétences personnalisées à l'échelle de l'organisation dans Gemini Enterprise :
    • Avantages :
    • Fournit des instructions procédurales spécifiques et prescriptives, ainsi que des formules SQL exactes que l'agent respecte de manière déterministe dans l'application.
    • Les administrateurs de l'application Gemini Enterprise peuvent les créer et les mettre à jour rapidement sans modifier les ressources du catalogue d'entreprise.
    • Inconvénients :
    • Doit être partagé avec les utilisateurs et activé dans Gemini Enterprise. Il ne s'applique qu'à Gemini Enterprise, et non aux autres harnais ou plates-formes.

3. Personnaliser l'analyse en fonction des compétences des utilisateurs et de la personnalisation

Les analystes et les utilisateurs professionnels peuvent ajouter un contexte personnel aux compétences à l'échelle de l'organisation :

  • Skills créés par les utilisateurs : les utilisateurs finaux peuvent créer des skills personnels pour les tâches analytiques récurrentes ou les paramètres par défaut spécifiques à une équipe. Par exemple, un skill peut indiquer que chaque fois que l'utilisateur demande les "performances hebdomadaires des produits", l'assistant doit automatiquement filtrer les résultats pour sa gamme de produits, exclure le trafic QA et regrouper les résultats par semaine fiscale.
  • Mémoire et personnalisation de Gemini Enterprise : lorsque la personnalisation est activée, l'assistant peut conserver les préférences et les clarifications spécifiques à l'utilisateur d'une session à l'autre, ce qui réduit le nombre de demandes de désambiguïsation répétées au fil du temps.

Choisir où configurer chaque type de contexte

Étant donné que Google contrôle les compétences intégrées associées aux connecteurs Data Cloud, vous ne pouvez pas ajouter de contexte personnalisé directement à un connecteur. Utilisez plutôt le tableau suivant pour déterminer où configurer vos règles analytiques et votre contexte métier :

Couche de contexte Géré par Utilisation optimale Exemple
Métadonnées Knowledge Catalog Intendants de données et administrateurs de catalogue Découverte dynamique des assets dans de grands patrimoines de données, descriptions des tables et des colonnes, signaux de qualité des données, glossaires des ensembles de données et exemples de requêtes SQL validés. Sélectionner des produits de données certifiés et des termes du glossaire d'entreprise dans analytics_prod pour que l'agent puisse découvrir des tables et des définitions de métriques fiables.
Compétences personnalisées à l'échelle de l'organisation et instructions pour l'assistant Administrateurs et opérateurs de données Gemini Enterprise Définition déterministe du champ d'application des projets et des ensembles de données, des définitions des KPI à l'échelle de l'entreprise, des règles de désambiguïsation et des conventions de réponse. Limiter les requêtes à des ensembles de données de production spécifiques ; définir le calcul SQL exact pour l'ARR net pondéré
Compétences utilisateur et personnalisation Utilisateurs finaux et analystes individuels Filtres par défaut propres à chaque rôle, mises en page de métriques préférées et workflows d'équipe récurrents. Application automatique des filtres "Région EMEA" et "QA active" lorsqu'un utilisateur demande des "métriques mensuelles du pipeline".

Étapes suivantes