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 fournissent à l'assistant les mécanismes nécessaires pour exécuter du code SQL, répondre à des questions métier en langage naturel avec une précision élevée et une faible latence nécessite deux couches 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 au domaine, instructions personnalisées et métadonnées du catalogue de connaissances qui mappent le vocabulaire métier, les définitions des KPI et les garde-fous de gouvernance de votre entreprise aux tables et modèles sous-jacents appropriés.

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

Comprendre le harnais d'analyse 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 pour une analyse de données complexe en plusieurs étapes. Les connecteurs Data Cloud propriétaires comblent cette lacune en regroupant un harnais d'analyse par défaut, un ensemble de compétences intégrées gérées par Google et dérivées du harnais d'agent d'analyse conversationnelle. Ces compétences intégrées gèrent automatiquement les tâches d'analyse de base, telles que la génération de requêtes SELECT en lecture seule, la récupération après des erreurs de compilateur SQL et l'appel des fonctions d'IA, de ML et de graphe BigQuery intégrées (telles que 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 directement aux connecteurs. 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 Knowledge Catalog 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 des connecteurs Data Cloud et les options permettant de les résoudre :

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 datastore 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 Google Cloud désigné.

Réduire la latence de recherche ou prioriser des données spécifiques

Utilisez l'une des options suivantes ou les deux pour limiter les emplacements où l'agent recherche et interroge des données :

  • 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 des données dans des projets, ensembles de données ou tables Google Cloud spécifiques. Par exemple, incluez les instructions suivantes dans votre compétence :

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

  • Créer un produit de données Knowledge Catalog : organisez les tables hautement prioritaires dans un produit de données Knowledge Catalog (voir Créer des produits de données) afin que l'agent puisse découvrir directement les éléments de référence.

L'agent utilise une définition incorrecte d'une métrique ou effectue une jointure sur 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 d'entreprise : 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

Comme les connecteurs Data Cloud ne sont pas limités à un seul ensemble de données ou à une seule table (ils 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 éléments font autorité et comment votre entreprise calcule les métriques clés.

Utilisez une approche par couches qui combine Knowledge Catalog, les compétences personnalisées à l'échelle de l'organisation et la personnalisation de l'utilisateur :

1. Ancrer la découverte de données avec Knowledge Catalog

Lorsque vous connectez un connecteur BigQuery ou de base de données en mode de 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 un contexte de métadonnées enrichi dans un seul workflow.

Si votre organisation gère des métadonnées dans des catalogues tiers (comme DataHub) ou des wikis de documentation interne, synchronisez ces descriptions dans 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 d'entreprise : compétences personnalisées ou Knowledge Catalog

Pour codifier les règles d'analyse spécifiques à l'organisation et standardiser les définitions des métriques métier et les formules SQL dans les conversations, vous pouvez :

En définissant une logique de calcul et des règles de filtrage exactes pour les KPI de l'entreprise, vous évitez à l'assistant d'avoir 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 "Marge de contribution nette" doit exclure les cadeaux promotionnels (order_type != 'PROMO') et la démarque inconnue (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 consulter.
    • Peuvent être réutilisés dans d'autres harnais d'agent, outils et plates-formes en dehors de Gemini Enterprise (comme BigQuery Studio et les clients MCP).
    • Elles sont gérées 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 de procédure spécifiques et prescriptives, ainsi que des formules SQL exactes que l'agent respecte de manière déterministe dans l'application.
    • Ils peuvent être créés et mis à jour rapidement par les administrateurs de l'application Gemini Enterprise sans modifier les ressources du catalogue d'entreprise.
    • Inconvénients :
    • Doit être partagé avec les utilisateurs et activé dans Gemini Enterprise. Ne s'applique que dans Gemini Enterprise, et non sur d'autres environnements ou plates-formes.

3. Adapter l'analyse aux compétences des utilisateurs et à la personnalisation

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

  • Skills créés par l'utilisateur : les utilisateurs finaux peuvent créer des skills personnels pour les tâches d'analyse récurrentes ou les valeurs par défaut spécifiques à l'équipe. Par exemple, un skill indiquant que chaque fois que l'utilisateur demande les "performances hebdomadaires du produit", l'assistant doit automatiquement filtrer par gamme de produits, exclure le trafic d'assurance qualité 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 les requêtes de désambiguïsation répétées au fil du temps.

Choisir où configurer chaque type de contexte

Comme 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 décider où configurer vos règles d'analyse et votre contexte métier :

Couche de contexte Géré par Utilisation optimale Exemple
Métadonnées Knowledge Catalog Intendants des données et administrateurs de catalogues Découverte dynamique des éléments dans de grands parcs de données, descriptions des tables et des colonnes, signaux de qualité des données, glossaires des ensembles de données et exemples de requêtes SQL vérifiés. 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 faisant autorité.
Compétences personnalisées et instructions de l'assistant à l'échelle de l'organisation Administrateurs et opérateurs de données Gemini Enterprise Définition déterministe du champ d'application des projets et des ensembles de données, définitions des KPI à l'échelle de l'entreprise, règles de désambiguïsation et conventions de réponse. Restreindre les requêtes à des ensembles de données de production spécifiques ; définir le calcul SQL exact pour "ARR net pondéré".
Compétences de l'utilisateur et personnalisation Utilisateurs finaux et analystes individuels Filtres par défaut spécifiques à chaque rôle, mises en page de métriques préférées et workflows d'équipe récurrents. Application automatique des filtres "Région EMEA" et "QA actif" lorsqu'un utilisateur demande les "métriques mensuelles du pipeline".

Étapes suivantes