שיטות מומלצות לשימוש במחברים של Data Cloud שמשתמשים בניתוח שיחות

כשאתם מחברים מחברים של Data Cloud במצב שאילתה לכמה מסדי נתונים, Gemini Enterprise משתמש ב-Model Context Protocol ‏ (MCP) כדי לשלוח שאילתות למקורות הנתונים שלכם במקום. הגדרות הכלים של MCP נותנות ל-Assistant את המכניקה להרצת SQL, אבל כדי לענות על שאלות עסקיות בשפה טבעית ברמת דיוק גבוהה ובזמן אחזור נמוך, צריך שתי שכבות נוספות של הנחיות:

  • מערכת ניתוח נתונים שמוגדרת כברירת מחדל: מיומנויות פרוצדורליות ספציפיות למנוע שמלמדות את Gemini Enterprise איך לתכנן שאילתות, לפתור ערכי סינון, להשתמש בפונקציות מתקדמות של ניתוח נתונים ולטפל בשגיאות כמו מנתח נתונים מומחה.
  • הקשר ארגוני: מיומנויות ספציפיות לדומיין, הוראות מותאמות אישית ומטא-נתונים של Knowledge Catalog שממפים את אוצר המילים העסקי של החברה, את הגדרות ה-KPI ואת אמצעי הבקרה של המשילות לטבלאות ולמודלים הבסיסיים המתאימים.

במאמר הזה מוסבר איך המחברים של Data Cloud משתמשים במיומנויות ניתוח מובנות שמנוהלות על ידי Google, ואיך אתם יכולים להשתמש ב-Knowledge Catalog, במיומנויות בהתאמה אישית ובהוראות ל-Assistant כדי לספק הקשר ארגוני לנתונים שלכם.

הסבר על רתמת הניתוח שמוגדרת כברירת מחדל

כלי MCP מוכנים לשימוש חושפים פעולות ברמה נמוכה (כמו הצגת טבלאות או הפעלת מחרוזת SQL), שלעיתים קרובות לא מספיקות בפני עצמן לניתוח נתונים מורכב בכמה שלבים. מחברים של Data Cloud מאינטראקציה ישירה (First-Party) מגשרים על הפער הזה באמצעות מעטפת ניתוח נתונים שמוגדרת כברירת מחדל – קבוצה של מיומנויות מובנות שמנוהלות על ידי Google, שמבוססות על מעטפת האג'נט של ניתוח נתונים בממשק שיחה. היכולות המובנות האלה מטפלות באופן אוטומטי במשימות ניתוח מרכזיות, כמו יצירת שאילתות SELECT לקריאה בלבד, התאוששות משגיאות של מהדר 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 שתצטרכו להגדיר או לעשות שום דבר.

‫Google שולטת במיומנויות המובנות האלה של המחברים, ולכן אי אפשר לשנות או להוסיף הקשר למחברים באופן ישיר. במקום זאת, אתם יכולים לפתור בעיות נפוצות שקשורות להרצת שאילתות, לזמן האחזור בחיפוש ולדיוק המדדים. כדי לעשות את זה, אתם יכולים לשנות את הגדרות המחבר, לאסוף מטא-נתונים ב-Knowledge Catalog או ליצור מיומנויות בהתאמה אישית ולהשתמש בהן באפליקציית Gemini Enterprise.

בטבלה הבאה מתוארות בעיות נפוצות שאתם עלולים להיתקל בהן כשאתם משתמשים במחברים של Data Cloud, ואפשרויות לפתרון הבעיות:

בעיה אפשרויות לפתרון הבעיה
לוודא שכל השאילתות ב-BigQuery פועלות בפרויקט אחד

כשאתם יוצרים את מאגר הנתונים ב-BigQuery, הגדירו את מזהה הפרויקט לחיוב (בקטע אפשרויות מתקדמות). הגדרת פרויקט לחיוב מבטיחה שכל משימות השאילתות ב-BigQuery שמופעלות דרך המחבר ירוצו ויחויבו בפרויקט Google Cloud הייעודי הזה.

צמצום זמן האחזור של החיפוש או תעדוף של נתונים ספציפיים

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

  • ליצור מיומנות בהתאמה אישית: יוצרים ומשתפים מיומנות באפליקציית Gemini Enterprise, שמנחה את הסוכן לחפש או לשלוח שאילתות רק לגבי נתונים בפרויקטים, במערכי נתונים או בטבלאות ספציפיים ב- Google Cloud . לדוגמה, אפשר להוסיף למיומנות את ההוראות הבאות:

    "כשאתה עונה על שאלות לגבי מכירות, הכנסות או פעילות של לקוחות, חפש רק מטא-נתונים והרץ שאילתות SQL בטבלאות במערך הנתונים analytics-prod.sales_mart. אל תסרקו קבוצות נתונים של סביבות Staging, ארגזי חול או ארכיונים".

  • יצירת מוצר נתונים של Knowledge Catalog: אוספים טבלאות בעדיפות גבוהה למוצר נתונים של Knowledge Catalog (ראו יצירת מוצרי נתונים) כדי שהנציג יוכל לגלות נכסים מהימנים ישירות.

הנציג משתמש בהגדרה שגויה של מדד או מצטרף למפתחות שגויים

כדי ליצור הגדרות סטנדרטיות ולוגיקת איחוד, אפשר להשתמש באחת או יותר מהאפשרויות הבאות:

כדי להשוות בין היתרונות של שימוש ב-Knowledge Catalog לבין מיומנויות בהתאמה אישית, קראו את המאמר בחירת המקום להגדרת מדדים עסקיים: מיומנויות בהתאמה אישית לעומת Knowledge Catalog. הוראות מפורטות ליצירה ולהפעלה של מיומנויות באפליקציה מופיעות במאמרים יצירה וניהול של מיומנויות וניהול מיומנויות.

הוספת הקשר ארגוני באמצעות מיומנויות ו-Knowledge Catalog

מכיוון שהמחברים של Data Cloud לא מוגבלים לקבוצת נתונים או לטבלה אחת, הם יכולים לגשת לכל המשאבים במקור הנתונים המחובר שלמשתמש המאומת יש הרשאה לשלוח אליהם שאילתות. לכן, העוזר הדיגיטלי צריך הקשר ארגוני כדי לדעת אילו נכסים הם סמכותיים ואיך העסק מחשב מדדים עיקריים.

כדאי להשתמש בגישה משולבת שכוללת את Knowledge Catalog, סקילים בהתאמה אישית ברמת הארגון והתאמה אישית למשתמשים:

1. איך להשתמש ב-Knowledge Catalog כדי למצוא נתונים

כשמחברים את BigQuery או מחבר של מסד נתונים במצב שאילתה לכמה מסדי נתונים, Knowledge Catalog מופעל באופן אוטומטי בכרטיסייה Assistant באפליקציית Gemini Enterprise. במקום לבצע קריאות רציפות לחיפוש בסכימות של מסדי נתונים גולמיים, הנציג משתמש בכלים של Knowledge Catalog כדי לחפש נתונים שלמשתמש יש גישה אליהם ולחפש הקשר עשיר של מטא-נתונים בתהליך עבודה אחד.

אם הארגון שלכם אוסף מטא-נתונים בקטלוגים של צד שלישי (כמו DataHub) או בוויקי של מסמכים פנימיים, סנכרנו את התיאורים האלה עם Knowledge Catalog או תעדו כללים עסקיים חיוניים במיומנויות בהתאמה אישית ברמת הארגון, כדי שהנציג יוכל לגלות אותם.

2. איפה כדאי להגדיר מדדים עסקיים: מיומנויות בהתאמה אישית לעומת Knowledge Catalog

כדי להגדיר כללי ניתוח ספציפיים לארגון וליצור סטנדרטיזציה של הגדרות של מדדים עסקיים ונוסחאות SQL בשיחות, אתם יכולים:

כדי שהעוזר הדיגיטלי לא יצטרך לנחש, חשוב להגדיר לוגיקה מדויקת לחישוב וכללי סינון למדדי ה-KPI של החברה. לדוגמה, אפשר להגדיר ש"לקוח פעיל" הוא אך ורק 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"שיעור התרומה נטו" לא כולל מתנות לקידום מכירות (order_type != 'PROMO') וצמצום מלאי (status != 'SHRINKAGE').

כשאתם בוחרים אם להטמיע הגדרות של מדדים במיומנויות בהתאמה אישית ב-Gemini Enterprise או ב-Knowledge Catalog, כדאי להביא בחשבון את היתרונות והחסרונות הבאים:

  • Knowledge Catalog:
    • היתרונות:
    • אוכף את אמצעי בקרת הגישה של ניהול זהויות והרשאות גישה (IAM), כדי שמשתמשים וסוכנים יוכלו לגלות רק מטא-נתונים והגדרות שיש להם הרשאה לראות.
    • אפשר להשתמש בהם שוב במעטפות אג'נטיות, בכלים ובפלטפורמות אחרות מחוץ ל-Gemini Enterprise (כמו BigQuery Studio ולקוחות MCP).
    • הוא מנוהל באופן מרכזי על ידי צוותי משילות מידע (data governance), בלי שמשתמשי האפליקציה יצטרכו להפעיל מיומנות בעצמם.
    • החסרונות:
    • הוא מספק הקשר תיאורי של מטא-נתונים ושאילתות לדוגמה, במקום הוראות פרוצדורליות מחמירות, ולכן יכול להיות שתצטרכו לתת לסוכן הנחיות נוספות לתהליכי חישוב מורכבים עם כמה שלבים.
  • מיומנויות בהתאמה אישית לכל הארגון ב-Gemini Enterprise:
    • היתרונות:
    • הנחיות פרוצדורליות ספציפיות ונוסחאות SQL מדויקות שהסוכן פועל לפיהן באופן דטרמיניסטי באפליקציה.
    • אדמינים של אפליקציית Gemini Enterprise יכולים ליצור ולעדכן אותם במהירות בלי לשנות את המשאבים בקטלוג הארגוני.
    • החסרונות:
    • צריך לשתף אותם עם המשתמשים ולהפעיל אותם ב-Gemini Enterprise, והם חלים רק ב-Gemini Enterprise ולא במערכות או בפלטפורמות אחרות.

3. התאמה אישית של הניתוח לפי המיומנויות של המשתמשים

מנתחי נתונים ומשתמשים עסקיים יכולים להוסיף הקשר אישי למיומנויות ברמת הארגון:

  • מיומנויות שנוצרו על ידי משתמשים: משתמשי קצה יכולים ליצור מיומנויות אישיות למשימות ניתוח חוזרות או לברירות מחדל ספציפיות לצוות. לדוגמה, מיומנות שמציינת שבכל פעם שהמשתמש מבקש "ביצועי מוצר שבועיים", העוזר הדיגיטלי צריך לסנן באופן אוטומטי את קו המוצרים שלו, להחריג תנועת QA ולקבץ את התוצאות לפי שבוע פיסקלי.
  • הזיכרון וההתאמה האישית ב-Gemini Enterprise: כשההתאמה האישית מופעלת, העוזר הדיגיטלי יכול לשמור את ההעדפות וההבהרות של המשתמשים בין הסשנים, וכך להפחית את הצורך בהנחיות חוזרות להפגת עמימות לאורך זמן.

איפה מגדירים כל סוג של הקשר

‫Google שולטת במיומנויות המובנות שמצורפות למחברים של Data Cloud, ולכן אי אפשר להוסיף הקשר בהתאמה אישית ישירות למחבר. במקום זאת, תוכלו להיעזר בטבלה הבאה כדי להחליט איפה להגדיר את הכללים לניתוח הנתונים ואת ההקשר העסקי:

שכבת הקשר מנוהל על ידי מתי כדאי להשתמש? דוגמה
מטא-נתונים של Knowledge Catalog מנהלי מדיניות מידע ארגונית ומנהלי קטלוגים חיפוש דינמי של נכסים במאגרי נתונים גדולים, תיאורים של טבלאות ועמודות, אותות של איכות הנתונים, מילוני מונחים של מערכי נתונים ושאילתות SQL לדוגמה שאומתו. אוספים מוצרי נתונים מאושרים ומונחים ממילון המונחים הארגוני ב-analytics_prod, כדי שהסוכן יוכל למצוא טבלאות והגדרות של מדדים ממקורות מהימנים.
מיומנויות בהתאמה אישית ברמת הארגון והוראות ל-Assistant אדמינים ומפעילי נתונים ב-Gemini Enterprise היקף דטרמיניסטי של פרויקטים וקבוצות נתונים, הגדרות של מדדי KPI ברמת החברה, כללים להפגת עמימות ומוסכמות לגבי תשובות. הגבלת השאילתות לקבוצות נתונים ספציפיות בסביבת הייצור, והגדרת החישוב המדויק ב-SQL של "Weighted Net ARR".
מיומנויות של משתמשים והתאמה אישית משתמשי קצה ומנתחי נתונים פרטיים מסנני ברירת מחדל ספציפיים לתפקיד, פריסות מדדים מועדפות ותהליכי עבודה חוזרים של הצוות. החלה אוטומטית של מסננים לאזור EMEA ולבקרת איכות פעילה כשמשתמש מבקש "מדדים חודשיים של צינור עיבוד נתונים".

המאמרים הבאים