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 membuat kueri sumber data Anda di tempat. Meskipun definisi alat MCP memberikan mekanisme kepada asisten untuk menjalankan SQL, menjawab pertanyaan bisnis dalam bahasa alami dengan akurasi tinggi dan latensi rendah memerlukan dua lapisan panduan tambahan:

  • Harness analisis default: Keterampilan prosedural khusus mesin yang mengajari asisten Gemini Enterprise cara merencanakan kueri, menyelesaikan nilai filter, menggunakan fungsi analisis lanjutan, dan menangani error seperti analis data ahli.
  • Konteks organisasi: Keterampilan khusus domain, petunjuk kustom, dan metadata Knowledge Catalog yang memetakan kosakata bisnis, definisi KPI, dan batas aman 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 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 dengan sendirinya sering kali tidak cukup untuk analisis data multi-langkah yang kompleks. Konektor First-party Data Cloud menjembatani kesenjangan ini dengan menggabungkan harness analisis default—sekumpulan kemampuan bawaan yang dikelola Google yang berasal dari harness 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, menata metadata di Knowledge Catalog, atau membuat dan menggunakan keterampilan 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 untuk menyelesaikan masalah
Memastikan semua kueri BigQuery berjalan dalam satu project

Konfigurasi ID Project Penagihan (di bagian Opsi lanjutan) saat Anda membuat penyimpanan data BigQuery. Menetapkan project penagihan memastikan bahwa semua tugas kueri BigQuery yang dijalankan melalui konektor berjalan dan ditagih di 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 keahlian kustom: Buat dan bagikan keahlian di aplikasi Gemini Enterprise Anda yang memandu agen untuk hanya menelusuri atau membuat kueri data dalam project, set data, atau tabel Google Cloud tertentu. Misalnya, sertakan petunjuk berikut dalam skill Anda:

    "Saat menjawab pertanyaan tentang penjualan, pendapatan, atau aktivitas pelanggan, hanya telusuri metadata dan jalankan kueri SQL terhadap tabel dalam set data analytics-prod.sales_mart. Jangan memindai set data penyiapan, sandbox, atau arsip."

  • Membuat produk data Knowledge Catalog: Susun tabel prioritas tinggi ke dalam produk data Knowledge Catalog (lihat Membuat produk data) sehingga agen dapat menemukan aset resmi secara langsung.
Agen menggunakan definisi metrik yang salah atau menggabungkan kunci yang salah

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

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

Memberikan konteks organisasi dengan keterampilan dan Knowledge Catalog

Karena konektor Data Cloud tidak dibatasi untuk satu set data atau tabel—konektor dapat mengakses semua resource di sumber data yang terhubung yang memiliki izin untuk membuat kueri pengguna yang diautentikasi—asisten memerlukan konteks organisasi untuk mengetahui aset mana yang berwenang dan cara bisnis Anda menghitung metrik utama.

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

1. Menemukan data dasar dengan Knowledge Catalog

Saat Anda menghubungkan konektor BigQuery atau database dalam mode kueri gabungan, Knowledge Catalog akan otomatis diaktifkan di tab Asisten 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 lengkap dalam satu alur kerja.

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

2. Pilih tempat untuk menentukan metrik bisnis: Kemampuan kustom versus Knowledge Catalog

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

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

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

  • Knowledge Catalog:
    • Kelebihan:
    • Menerapkan kontrol akses Identity and Access Management (IAM) sehingga pengguna dan agen hanya dapat menemukan metadata dan definisi yang izin aksesnya mereka miliki.
    • Dapat digunakan kembali di seluruh alat, platform, dan harness agen lainnya di luar Gemini Enterprise (seperti BigQuery Studio dan klien MCP).
    • Dikelola secara terpusat oleh tim tata kelola data tanpa mengharuskan pengguna aplikasi perorangan mengaktifkan skill.
    • Kekurangan:
    • Memberikan konteks metadata deskriptif dan contoh kueri, bukan petunjuk prosedural yang ketat, sehingga agen mungkin memerlukan perintah tambahan untuk alur penghitungan multi-langkah yang kompleks.
  • Keterampilan kustom di seluruh organisasi di Gemini Enterprise:
    • Kelebihan:
    • Memberikan petunjuk prosedural preskriptif yang spesifik dan 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 seluruh platform atau harness lainnya.

3. Menyesuaikan analisis dengan keterampilan pengguna dan personalisasi

Analis dan pengguna bisnis perorangan dapat menambahkan konteks pribadi di atas keterampilan di seluruh organisasi:

  • Skill buatan 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 harus otomatis memfilter lini produk mereka, mengecualikan traffic QA, dan mengelompokkan hasil menurut 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 dari waktu ke waktu.

Pilih tempat untuk mengonfigurasi setiap jenis konteks

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

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

Langkah berikutnya