שיטות מומלצות לשימוש במחברים של Data Cloud שמשתמשים בניתוח שיחות

כשמחברים מחברים של Data Cloud במצב של שאילתה לכמה מסדי נתונים, Gemini Enterprise משתמש ב-Model Context Protocol‏ (MCP) כדי לשלוח שאילתות למקורות הנתונים במקום. הגדרות של כלי MCP מספקות לעוזר הדיגיטלי את המנגנונים לביצוע SQL, אבל כדי לענות על שאלות עסקיות בשפה טבעית ברמת דיוק גבוהה ובזמן אחזור נמוך, נדרשות שתי שכבות נוספות של הנחיות:

  • מערכת ניתוח נתונים שמוגדרת כברירת מחדל: כישורים פרוצדורליים שספציפיים למנוע, שמלמדים את העוזר הדיגיטלי של Gemini Enterprise איך לתכנן שאילתות, לפתור ערכי מסננים, להשתמש בפונקציות מתקדמות לניתוח נתונים ולטפל בשגיאות כמו מנתח נתונים מומחה.
  • הקשר ארגוני: מיומנויות ספציפיות לדומיין, הוראות בהתאמה אישית ומטא-נתונים של Knowledge Catalog שממפים את אוצר המילים העסקי של החברה, את ההגדרות של מדדי ה-KPI ואת אמצעי הבקרה של הניהול לטבלאות ולמודלים הבסיסיים הנכונים.

במאמר הזה מוסבר איך מחברים של Data Cloud משתמשים ביכולות ניתוח מובנות שמנוהלות על ידי Google, ואיך אפשר להשתמש בKnowledge Catalog, בסקילים מותאמים אישית ובהוראות ל-Assistant כדי לספק הקשר ארגוני לנתונים.

הסבר על מסגרת הניתוח שמוגדרת כברירת מחדל

הכלים של MCP שזמינים מחוץ לקופסה חושפים פעולות ברמה נמוכה (כמו הצגת רשימה של טבלאות או הרצת מחרוזת SQL), שלרוב לא מספיקות לניתוח נתונים מורכב שכולל כמה שלבים. מחברי Data Cloud של נתונים מאינטראקציה ישירה (First-Party) מגשרים על הפער הזה באמצעות חבילה של מסגרת ניתוח ברירת מחדל – קבוצה של מיומנויות מובנות שמנוהלות על ידי Google, שנגזרות ממעטפת האג'נטית לניתוח שיחות. היכולות המובנות האלה מטפלות באופן אוטומטי במשימות ניתוח ליבה – כמו יצירת שאילתות לקריאה בלבד SELECT, תיקון שגיאות של קומפיילר SQL והפעלת פונקציות מובנות של AI,‏ ML וגרפים ב-BigQuery (כמו AI.FORECAST,‏ AI.DETECT_ANOMALIES,‏ AI.CLASSIFY,‏ AI.AGG,‏ AI.GENERATE ו-GRAPH_TABLE) – בלי שתידרש מכם הגדרה או פעולה כלשהי.

‫Google שולטת ביכולות המובנות של המחברים האלה, ולכן אי אפשר לשנות אותם או להוסיף להם הקשר ישירות. במקום זאת, אפשר לפתור בעיות נפוצות שקשורות להרצת שאילתות, לזמן האחזור של החיפוש ולדיוק המדדים על ידי הגדרת הגדרות של מחבר, או על ידי אוסף מטא-נתונים בKnowledge Catalog, או על ידי יצירה ושימוש בסקילים בהתאמה אישית באפליקציית Gemini Enterprise.

בטבלה הבאה מתוארות בעיות נפוצות שאתם עשויים להיתקל בהן כשאתם משתמשים במחברים ובאפשרויות של Data Cloud, ומוצעים פתרונות לבעיות האלה:

בעיה אפשרויות לפתרון
איך מוודאים שכל השאילתות ב-BigQuery מורצות בפרויקט אחד

מגדירים את מזהה פרויקט החיוב (בקטע אפשרויות מתקדמות) כשיוצרים את מאגר הנתונים ב-BigQuery. הגדרת פרויקט לחיוב מבטיחה שכל משימות השאילתות ב-BigQuery שמופעלות דרך המחבר יפעלו ויחויבו בפרויקט המיועד הזה. Google Cloud

הפחתת זמן האחזור של החיפוש או מתן עדיפות לנתונים ספציפיים

כדי לצמצם את המקומות שבהם הסוכן מחפש ומבצע שאילתות על נתונים, אפשר להשתמש באחת מהאפשרויות הבאות או בשתיהן:

  • יצירת סקיל בהתאמה אישית: יוצרים סקיל ומשתפים אותו באפליקציית Gemini Enterprise, שמנחה את הסוכן לחפש נתונים או לשלוח שאילתות רק ב Google Cloud פרויקטים, במערכי נתונים או בטבלאות ספציפיים. לדוגמה, אפשר לכלול את ההוראות הבאות בסקיל:

    "כשאתה עונה על שאלות לגבי מכירות, הכנסות או פעילות לקוחות, חפש רק מטא-נתונים והרץ שאילתות SQL על טבלאות במערך הנתונים analytics-prod.sales_mart. אסור לסרוק מערכי נתונים של שלבי ביניים, ארגז חול או ארכיון".

  • יצירת מוצר נתונים של Knowledge Catalog: אוצרים טבלאות בעדיפות גבוהה במוצר נתונים של Knowledge Catalog (ראו יצירת מוצרי נתונים) כדי שהסוכן יוכל לגלות נכסים מהימנים באופן ישיר.
הסוכן משתמש בהגדרה שגויה של מדד או מצטרף למפתחות שגויים

כדי ליצור הגדרות סטנדרטיות ולחבר את הלוגיקה, אפשר להשתמש באחת או יותר מהאפשרויות הבאות:

כדי להשוות בין היתרונות של שימוש ב-Knowledge Catalog לבין שימוש במיומנויות מותאמות אישית, אפשר לעיין במאמר בחירה במקום להגדרת מדדים עסקיים: מיומנויות מותאמות אישית לעומת Knowledge Catalog. הוראות מפורטות ליצירה ולהפעלה של סקילים באפליקציה זמינות במאמרים יצירה וניהול של סקילים וניהול סקילים.

הוספת הקשר ארגוני באמצעות מיומנויות ו-Knowledge Catalog

מחברי Data Cloud לא מוגבלים למערך נתונים או לטבלה יחידים – הם יכולים לגשת לכל המשאבים במקור הנתונים המקושר שהמשתמש המאומת קיבל הרשאה לשלוח אליו שאילתות. לכן, העוזר הדיגיטלי צריך הקשר ארגוני כדי לדעת אילו נכסים הם מהימנים ואיך העסק שלכם מחשב מדדים מרכזיים.

משתמשים בגישה רב-שכבתית שמשלבת Knowledge Catalog, מיומנויות מותאמות אישית ברמת הארגון והתאמה אישית למשתמשים:

1. גילוי נתונים מבוסס-הארקה באמצעות Knowledge Catalog

כשמחברים מחבר של BigQuery או של מסד נתונים במצב של שאילתות מאוחדות, Knowledge Catalog מופעל באופן אוטומטי בכרטיסייה Assistant באפליקציית Gemini Enterprise. במקום לבצע קריאות רצופות של סכימות גולמיות של מסד נתונים, הסוכן משתמש בכלים של Knowledge Catalog כדי לחפש נתונים שהמשתמש יכול לגשת אליהם, ולחפש הקשר של מטא-נתונים עשירים בתהליך עבודה יחיד.

אם הארגון שלכם אוסף מטא-נתונים בקטלוגים של צד שלישי (כמו DataHub) או ב-wiki של מסמכים פנימיים, כדאי לסנכרן את התיאורים האלה עם Knowledge Catalog או לתעד כללי עסקים חיוניים במיומנויות מותאמות אישית ברמת הארגון, כדי שהסוכן יוכל לגלות אותם.

2. איפה מגדירים מדדים עסקיים: מיומנויות בהתאמה אישית או Knowledge Catalog

כדי לקודד כללי ניתוח ספציפיים לארגון ולתקנן הגדרות של מדדים עסקיים ונוסחאות SQL בשיחות, אתם יכולים:

הגדרת לוגיקת חישוב מדויקת וכללי סינון למדדי KPI של החברה מבטיחה שהעוזר הדיגיטלי לא יצטרך לנחש. לדוגמה, אפשר להגדיר ש'לקוח פעיל' פירושו חשבון ב-analytics_prod.crm.user_events_log עם יותר מ-10 התחברויות לפלטפורמה ב-30 הימים האחרונים (event_type = 'LOGIN' ו-is_test_account = FALSE), או ש'שולי תרומה נטו' חייבים לא לכלול מתנות שיווקיות (order_type != 'PROMO') וצמצום מלאי (status != 'SHRINKAGE').

כשבוחרים אם להטמיע הגדרות של מדדים במיומנויות מותאמות אישית ב-Gemini Enterprise או בקטלוג הידע, כדאי לשקול את היתרונות והחסרונות הבאים:

  • Knowledge Catalog:
    • היתרונות:
    • מחיל בקרת גישה של ניהול זהויות והרשאות גישה (IAM) כדי שמשתמשים וסוכנים יוכלו לגלות רק מטא-נתונים והגדרות שיש להם הרשאה לצפות בהם.
    • אפשר לעשות בהם שימוש חוזר בממשקי סוכנים, בכלים ובפלטפורמות אחרים מחוץ ל-Gemini Enterprise (כמו BigQuery Studio ולקוחות MCP).
    • התחזוקה מתבצעת באופן מרכזי על ידי צוותי משילות מידע (data governance), בלי שמשתמשים פרטיים באפליקציה יצטרכו להפעיל סקיל.
    • החסרונות:
    • הסוכן מספק הקשר של מטא-נתונים תיאוריים ושאילתות לדוגמה, במקום הוראות פרוצדורליות מדויקות. לכן, יכול להיות שיהיה צורך בהנחיות נוספות כדי ליצור תהליכי חישוב מורכבים עם כמה שלבים.
  • יכולות מותאמות אישית לכל הארגון ב-Gemini Enterprise:
    • היתרונות:
    • הוא מספק הוראות ספציפיות ופרוצדורליות, ונוסחאות SQL מדויקות שהסוכן פועל לפיהן באופן דטרמיניסטי בתוך האפליקציה.
    • אדמינים של אפליקציית Gemini Enterprise יכולים ליצור ולעדכן אותם במהירות בלי לשנות משאבים בקטלוג הארגוני.
    • החסרונות:
    • ההגדרה חייבת להיות משותפת עם המשתמשים ומופעלת ב-Gemini Enterprise, והיא חלה רק ב-Gemini Enterprise ולא בפלטפורמות או בממשקים אחרים.

3. התאמה אישית של הניתוח בהתאם ליכולות המשתמש

אנליסטים ומשתמשים עסקיים יכולים להוסיף הקשר אישי על גבי מיומנויות ברמת הארגון:

  • מיומנויות שנוצרו על ידי משתמשים: משתמשי קצה יכולים ליצור מיומנויות אישיות למשימות ניתוח חוזרות או להגדרות ברירת מחדל ספציפיות לצוות – לדוגמה, מיומנות שמציינת שבכל פעם שהמשתמש מבקש 'ביצועי מוצר שבועיים', העוזר הדיגיטלי צריך לסנן באופן אוטומטי את נתוני קו המוצרים שלו, להחריג תנועה של בקרת איכות ולקבץ את התוצאות לפי שבוע פיסקאלי.
  • הזיכרון וההתאמה האישית ב-Gemini Enterprise: כשההתאמה האישית מופעלת, העוזר הדיגיטלי יכול לשמור העדפות והבהרות ספציפיות למשתמשים בין סשנים, וכך להפחית את מספר ההנחיות להבהרה שחוזרות על עצמן לאורך זמן.

בחירת המקום שבו רוצים להגדיר כל סוג של הקשר

מכיוון ש-Google שולטת במיומנויות המובנות שמצורפות למחברים של Data Cloud, אי אפשר להוסיף הקשר מותאם אישית ישירות למחבר. במקום זאת, תוכלו להיעזר בטבלה הבאה כדי להחליט איפה להגדיר את הכללים האנליטיים ואת ההקשר העסקי:

שכבת הקשר מנוהל על ידי השימוש הכי טוב דוגמה
מטא-נתונים של Knowledge Catalog אחראים על נתונים ואדמינים של קטלוגים גילוי נכסים דינמיים במאגרי נתונים גדולים, תיאורים של טבלאות ועמודות, אותות של איכות נתונים, מילוני מונחים של מערכי נתונים ושאילתות SQL לדוגמה שעברו אימות. הסוכן יכול לגלות טבלאות סמכותיות והגדרות של מדדים, כי אנחנו אוצרים ב-analytics_prod מונחים מוסמכים של מילון המונחים הארגוני ומוצרי נתונים מאומתים.
יכולות מותאמות אישית לכל הארגון והוראות ל-Assistant אדמינים ומפעילי נתונים ב-Gemini Enterprise הגדרת היקף הפרויקט ומערך הנתונים, הגדרות של מדדי KPI ברמת החברה, כללים להסרת דו-משמעות ומוסכמות תגובה. הגבלת השאילתות למערכי נתונים ספציפיים של ייצור; הגדרת החישוב המדויק של SQL עבור 'מחזור שנתי משוקלל'.
הכישורים של המשתמשים וההתאמה האישית משתמשי קצה ואנליסטים מסנני ברירת מחדל ספציפיים לתפקיד, פריסות מועדפות של מדדים ותהליכי עבודה חוזרים של הצוות. החלת מסננים באופן אוטומטי על אזור EMEA ועל מסנני בקרת איכות פעילים כשמשתמש מבקש 'מדדים חודשיים של פייפליין'.

המאמרים הבאים