Praktik terbaik untuk konektor Data Cloud yang menggunakan analisis percakapan

Saat Anda menghubungkan konektor Data Cloud dalam mode kueri gabungan, Gemini Enterprise menggunakan Model Context Protocol (MCP) untuk mengkueri sumber data Anda di tempat. Meskipun definisi alat MCP memberi asisten mekanisme untuk mengeksekusi SQL, menjawab pertanyaan bisnis natural language dengan akurasi tinggi dan latensi rendah memerlukan dua lapisan panduan tambahan:

  • Harness analitis default: Keterampilan prosedural khusus mesin yang mengajarkan asisten Gemini Enterprise cara merencanakan kueri, menyelesaikan nilai filter, menggunakan fungsi analitis lanjutan, dan menangani error seperti analis data pakar.
  • Konteks organisasi: Keterampilan khusus domain, petunjuk kustom, dan metadata Knowledge Catalog yang memetakan kosakata bisnis, definisi KPI, dan batasan tata kelola perusahaan Anda ke tabel dan model pokok yang tepat.

Dokumen ini menjelaskan cara konektor Data Cloud menggunakan kemampuan analisis bawaan yang dikelola oleh Google, dan cara Anda dapat menggunakan Knowledge Catalog, kemampuan kustom, dan petunjuk asisten untuk memberikan konteks organisasi bagi data Anda.

Memahami harness analisis default

Alat MCP siap pakai mengekspos operasi tingkat rendah (seperti mencantumkan tabel atau menjalankan string SQL), yang sering kali tidak cukup untuk analisis data multi-langkah yang kompleks. Konektor Data Cloud data pihak pertama menjembatani kesenjangan ini dengan menggabungkan harness analisis default—sekumpulan keahlian bawaan yang dikelola Google yang berasal dari infrastruktur pengelola agen analisis percakapan. Kemampuan bawaan ini secara otomatis menangani tugas analisis inti—seperti membuat kueri SELECT hanya baca, memulihkan dari error compiler SQL, dan memanggil fungsi AI, ML, dan grafik BigQuery bawaan (seperti AI.FORECAST, AI.DETECT_ANOMALIES, AI.CLASSIFY, AI.AGG, AI.GENERATE, dan GRAPH_TABLE)—tanpa memerlukan konfigurasi atau tindakan apa pun dari Anda.

Karena Google mengontrol kemampuan konektor bawaan ini, Anda tidak dapat mengubah atau menambahkan konteks ke konektor secara langsung. Sebagai gantinya, Anda dapat menyelesaikan masalah umum terkait eksekusi kueri, latensi penelusuran, dan akurasi metrik dengan mengonfigurasi setelan konektor, mengumpulkan metadata di Knowledge Catalog, atau membuat dan menggunakan keahlian kustom di aplikasi Gemini Enterprise Anda.

Tabel berikut menjelaskan masalah umum yang mungkin Anda alami saat menggunakan konektor Data Cloud dan opsi untuk mengatasinya:

Masalah Opsi penyelesaian
Memastikan semua kueri BigQuery berjalan dalam satu project

Konfigurasikan Billing Project ID (di bagian Advanced options) saat Anda membuat penyimpanan data BigQuery. Menetapkan project penagihan akan memastikan bahwa semua tugas kueri BigQuery yang dijalankan melalui konektor akan berjalan dan ditagih dalam project Google Cloud yang ditetapkan tersebut.

Mengurangi latensi penelusuran atau memprioritaskan data tertentu

Gunakan salah satu atau kedua opsi berikut untuk mempersempit tempat agen menelusuri dan mengkueri data:

  • Membuat kemampuan kustom: Buat dan bagikan kemampuan di aplikasi Gemini Enterprise Anda yang memandu agen untuk hanya menelusuri atau mengkueri data di project, set data, atau tabel Google Cloud tertentu. Misalnya, sertakan petunjuk berikut dalam skill Anda:

    "When answering questions about sales, revenue, or customer activity, only search for metadata and run SQL queries against tables in the analytics-prod.sales_mart dataset. Jangan memindai set data staging, sandbox, atau arsip."

  • Membuat produk data Knowledge Catalog: Pilih tabel prioritas tinggi ke dalam produk data Knowledge Catalog (lihat Membuat produk data) sehingga agen dapat menemukan aset otoritatif secara langsung.

Agen menggunakan definisi metrik yang salah atau menggabungkan kunci yang salah

Gunakan satu atau beberapa opsi berikut untuk menstandarkan definisi dan logika gabungan:

Untuk membandingkan keuntungan menggunakan Knowledge Catalog versus keahlian kustom, lihat Memilih tempat untuk menentukan metrik bisnis: Keahlian kustom versus Knowledge Catalog. Untuk mengetahui petunjuk langkah demi langkah tentang cara membuat dan mengaktifkan keahlian di aplikasi Anda, lihat Membuat dan mengelola keahlian serta Mengelola keahlian.

Memberikan konteks organisasi dengan keterampilan dan Knowledge Catalog

Karena konektor Data Cloud tidak dibatasi pada satu set data atau tabel—konektor ini dapat mengakses semua resource di sumber data yang terhubung yang izin kuerinya dimiliki oleh pengguna yang diautentikasi—asisten memerlukan konteks organisasi untuk mengetahui aset mana yang otoritatif dan cara bisnis Anda menghitung metrik utama.

Gunakan pendekatan berlapis yang menggabungkan Knowledge Catalog, kemampuan kustom di seluruh organisasi, dan personalisasi pengguna:

1. Penemuan data dasar dengan Knowledge Catalog

Saat Anda menghubungkan konektor BigQuery atau database dalam mode kueri gabungan, Knowledge Catalog akan otomatis diaktifkan di tab Asisten di aplikasi Gemini Enterprise Anda. Daripada melakukan panggilan eksplorasi berurutan di seluruh skema database mentah, agen menggunakan alat Knowledge Catalog untuk menelusuri data yang dapat diakses pengguna dan mencari konteks metadata yang lengkap dalam satu alur kerja.

Jika organisasi Anda mengumpulkan metadata dalam katalog pihak ketiga (seperti DataHub) atau wiki dokumentasi internal, sinkronkan deskripsi tersebut ke Knowledge Catalog atau ambil aturan bisnis penting dalam keahlian kustom di seluruh organisasi agar agen dapat menemukannya.

2. Memilih tempat untuk menentukan metrik bisnis: Keterampilan kustom versus Knowledge Catalog

Untuk mengodifikasi aturan analisis khusus organisasi dan menstandarkan definisi metrik bisnis dan formula SQL di seluruh percakapan, Anda dapat:

Menentukan logika penghitungan dan aturan filter yang tepat untuk KPI perusahaan akan memastikan asisten tidak perlu menebak-nebak. Misalnya, Anda dapat menentukan bahwa "Pelanggan Aktif" berarti akun di analytics_prod.crm.user_events_log dengan lebih dari 10 login platform dalam 30 hari terakhir (event_type = 'LOGIN' dan is_test_account = FALSE), atau bahwa "Margin Kontribusi Bersih" harus mengecualikan hadiah promosi (order_type != 'PROMO') dan penyusutan inventaris (status != 'SHRINKAGE').

Saat memilih apakah akan menerapkan definisi metrik dalam kemampuan kustom di Gemini Enterprise atau di Knowledge Catalog, pertimbangkan kompromi berikut:

  • Knowledge Catalog:
    • Kelebihan:
    • Menerapkan kontrol akses Identity and Access Management (IAM) sehingga pengguna dan agen hanya menemukan metadata dan definisi yang izinnya mereka miliki untuk dilihat.
    • Dapat digunakan kembali di seluruh infrastruktur pengelola agen, alat, dan platform lain di luar Gemini Enterprise (seperti BigQuery Studio dan klien MCP).
    • Dikelola secara terpusat oleh tim tata kelola data tanpa mengharuskan setiap pengguna aplikasi mengaktifkan kemampuan.
    • Kekurangan:
    • Menyediakan konteks metadata deskriptif dan contoh kueri, bukan petunjuk prosedural yang ketat, sehingga agen mungkin memerlukan perintah tambahan untuk alur penghitungan multi-langkah yang kompleks.
  • Kemampuan kustom di seluruh organisasi di Gemini Enterprise:
    • Kelebihan:
    • Memberikan petunjuk prosedural yang spesifik dan preskriptif serta formula SQL yang tepat yang dipatuhi agen secara deterministik dalam aplikasi.
    • Dapat dibuat dan diperbarui dengan cepat oleh administrator aplikasi Gemini Enterprise tanpa mengubah resource katalog perusahaan.
    • Kekurangan:
    • Harus dibagikan kepada pengguna dan diaktifkan di Gemini Enterprise, dan hanya berlaku dalam Gemini Enterprise, bukan di harness atau platform lain.

3. Menyesuaikan analisis dengan keterampilan dan personalisasi pengguna

Analis dan pengguna bisnis individu dapat menambahkan konteks personal ke keterampilan di seluruh organisasi:

  • Skill yang dibuat pengguna: Pengguna akhir dapat membuat skill pribadi untuk tugas analisis berulang atau default khusus tim—misalnya, skill yang menyatakan bahwa setiap kali pengguna meminta "performa produk mingguan", asisten akan otomatis memfilter lini produk mereka, mengecualikan traffic QA, dan mengelompokkan hasil berdasarkan minggu fiskal.
  • Memori dan personalisasi Gemini Enterprise: Jika personalisasi diaktifkan, asisten dapat mempertahankan preferensi dan klarifikasi khusus pengguna di seluruh sesi, sehingga mengurangi perintah disambiguasi berulang seiring waktu.

Memilih tempat untuk mengonfigurasi setiap jenis konteks

Karena Google mengontrol keterampilan bawaan yang disertakan ke konektor Data Cloud, Anda tidak dapat menambahkan konteks kustom langsung ke konektor. Sebagai gantinya, gunakan tabel berikut untuk memutuskan tempat mengonfigurasi aturan analisis dan konteks bisnis Anda:

Lapisan konteks Dikelola oleh Paling baik digunakan untuk Contoh
Metadata Knowledge Catalog Data steward dan administrator katalog Penemuan aset dinamis di seluruh data estate yang besar, deskripsi tabel dan kolom, sinyal kualitas data, glosarium set data, dan kueri SQL sampel yang diverifikasi. Menyeleksi Produk Data bersertifikat dan istilah glosarium bisnis di analytics_prod sehingga agen dapat menemukan tabel dan definisi metrik yang kredibel.
Kemampuan kustom di seluruh organisasi dan petunjuk asisten Administrator dan operator data Gemini Enterprise Penentuan cakupan project dan set data yang deterministik, definisi KPI di seluruh perusahaan, aturan disambiguasi, dan konvensi respons. Membatasi kueri ke set data produksi tertentu; menentukan penghitungan SQL yang tepat untuk "ARR Bersih Tertimbang".
Keterampilan dan personalisasi pengguna Pengguna akhir dan analis individu Filter default khusus peran, tata letak metrik pilihan, dan alur kerja tim berulang. Menerapkan filter wilayah EMEA dan QA aktif secara otomatis saat pengguna meminta "metrik pipeline bulanan".

Langkah berikutnya