会話型分析を使用するデータクラウド コネクタのベスト プラクティス

連携クエリモードでデータクラウド コネクタを接続すると、Gemini Enterprise は Model Context Protocol(MCP)を使用してデータソースをその場でクエリします。MCP ツール定義は、アシスタントに SQL を実行するメカニズムを提供しますが、自然言語のビジネス上の質問に高精度かつ低レイテンシで回答するには、次の 2 つの追加のガイダンス レイヤが必要です。

  • デフォルトの分析ハーネス: Gemini Enterprise アシスタントに、クエリの計画、フィルタ値の解決、高度な分析関数の使用、エラーの処理をエキスパート データ アナリストのように行う方法を教える、エンジン固有の手続き型スキル。
  • 組織のコンテキスト: ドメイン固有のスキル、カスタム指示、Knowledge Catalog メタデータ。これらは、会社のビジネス用語、KPI 定義、ガバナンス ガードレールを適切な基盤となるテーブルとモデルにマッピングします。

このドキュメントでは、データクラウド コネクタが Google が管理する組み込みの分析スキルを使用する方法と、Knowledge Catalog、カスタムスキル、アシスタントの指示を使用して、データに組織のコンテキストを提供する方法について説明します。

デフォルトの分析ハーネスについて

すぐに使える MCP ツールは、低レベルのオペレーション(テーブルの一覧表示や SQL 文字列の実行など)を公開しますが、これだけでは複雑なマルチステップのデータ分析には不十分なことがよくあります。ファーストパーティ データ クラウド コネクタは、デフォルトの分析ハーネス(会話分析エージェント ハーネスから派生した、Google が管理する組み込みスキルセット)をバンドルすることで、このギャップを埋めます。これらの組み込みスキルは、読み取り専用の SELECT クエリの生成、SQL コンパイラ エラーからの復旧、組み込みの BigQuery AI、ML、グラフ関数(AI.FORECAST、AI.DETECT_ANOMALIES、AI.CLASSIFY、AI.AGG、AI.GENERATE、GRAPH_TABLE など)の呼び出しなど、コア分析タスクを自動的に処理します。構成や操作は必要ありません。

これらの組み込みコネクタ スキルは Google が管理しているため、コネクタに直接コンテキストを変更または追加することはできません。代わりに、コネクタ設定の構成、Knowledge Catalog でのメタデータのキュレーション、Gemini Enterprise アプリでのカスタム スキルの作成と使用により、一般的なクエリ実行、検索レイテンシ、指標の精度の問題を解決できます。

次の表に、データクラウド コネクタの使用時に発生する可能性のある一般的な問題とその解決方法を示します。

問題 解決方法
すべての BigQuery クエリが単一のプロジェクトで実行されるようにする

BigQuery データストアを作成するときに、[詳細オプション] で [課金プロジェクト ID] を構成します。課金プロジェクトを設定すると、コネクタを介して実行されるすべての BigQuery クエリジョブが、指定された Google Cloud プロジェクトで実行され、課金されます。

検索レイテンシの短縮や特定のデータの優先

次のいずれかまたは両方のオプションを使用して、エージェントがデータを検索してクエリする場所を絞り込みます。

  • カスタムスキルを作成する: Gemini Enterprise アプリでスキルを作成して共有し、エージェントが特定の Google Cloud プロジェクト、データセット、テーブル内のデータのみを検索またはクエリするように指示します。たとえば、スキルに次の指示を含めます。

    「販売、収益、顧客アクティビティに関する質問に回答する場合は、メタデータを検索し、analytics-prod.sales_mart データセットのテーブルに対してのみ SQL クエリを実行します。ステージング、サンドボックス、アーカイブのデータセットはスキャンしないでください。

  • Knowledge Catalog データ プロダクトを作成する: 優先度の高いテーブルを Knowledge Catalog データ プロダクトにキュレートして(データ プロダクトを作成するを参照)、エージェントが信頼できるアセットを直接検出できるようにします。

エージェントが指標の定義を誤って使用しているか、正しくないキーで結合している

次のオプションを 1 つ以上使用して、定義と結合ロジックを標準化します。

Knowledge Catalog とカスタム スキルを使用するメリットを比較するには、ビジネス指標を定義する場所を選択する: カスタム スキルと Knowledge Catalog をご覧ください。アプリでスキルを作成して有効にする手順については、スキルを作成して管理するとスキルを管理するをご覧ください。

スキルと Knowledge Catalog を使用して組織のコンテキストを提供する

Data Cloud コネクタは、単一のデータセットやテーブルに限定されず、認証されたユーザーがクエリ権限を持つ接続されたデータソース内のすべてのリソースにアクセスできます。そのため、アシスタントは、どのアセットが信頼できるか、ビジネスで主要な指標をどのように計算するかを把握するために、組織のコンテキストを必要とします。

Knowledge Catalog、組織全体のカスタムスキル、ユーザーのパーソナライズを組み合わせた階層型アプローチを使用します。

1. Knowledge Catalog を使用したグラウンディング データの検出

フェデレーション クエリモードで BigQuery またはデータベース コネクタを接続すると、Gemini Enterprise アプリの [アシスタント] タブで Knowledge Catalog が自動的に有効になります。エージェントは、未加工のデータベース スキーマに対して順次探索呼び出しを行うのではなく、Knowledge Catalog ツールを使用して、ユーザーがアクセスできるデータを検索し、1 つのワークフローで豊富なメタデータ コンテキストを検索します。

組織がサードパーティのカタログ(DataHub など)や内部ドキュメント Wiki でメタデータをキュレートしている場合は、それらの説明を Knowledge Catalog に同期するか、組織全体のカスタム スキルで重要なビジネスルールをキャプチャして、エージェントがそれらを検出できるようにします。

2. ビジネス指標を定義する場所を選択する: カスタムスキルと Knowledge Catalog

組織固有の分析ルールをコード化し、会話全体でビジネス指標の定義と SQL 式を標準化するには、次のいずれかを行います。

会社の KPI の正確な計算ロジックとフィルタ ルールを定義することで、アシスタントが推測する必要がなくなります。たとえば、「アクティブな顧客」は、過去 30 日間に 10 回以上プラットフォームにログインした analytics_prod.crm.user_events_log のアカウント(event_type = 'LOGIN' と is_test_account = FALSE)を厳密に意味すると定義できます。また、「純貢献利益」では、プロモーション用の景品(order_type != 'PROMO')と在庫の縮小(status != 'SHRINKAGE')を除外する必要があります。

Gemini Enterprise のカスタムスキルまたは Knowledge Catalog のどちらで指標定義を実装するかを選択する際は、次のトレードオフを考慮してください。

  • Knowledge Catalog:
    • メリット:
    • Identity and Access Management(IAM)アクセス制御を適用して、ユーザーとエージェントが、表示権限のあるメタデータと定義のみを検出できるようにします。
    • Gemini Enterprise 以外の他のエージェント ハーネス、ツール、プラットフォーム(BigQuery Studio や MCP クライアントなど)で再利用できます。
    • データ ガバナンス チームによって一元的に管理され、個々のアプリユーザーがスキルを有効にする必要はありません。
    • デメリット:
    • 厳密な手続き型の指示ではなく、記述的なメタデータ コンテキストとサンプルクエリを提供します。そのため、複雑なマルチステップの計算フローでは、エージェントに追加のプロンプトが必要になる場合があります。
  • Gemini Enterprise の組織全体のカスタムスキル:
    • メリット:
    • エージェントがアプリ内で決定論的に従う、具体的で規範的な手続き型の手順と正確な SQL 式を提供します。
    • Gemini Enterprise アプリ管理者が、企業カタログ リソースを変更することなく、迅速に作成および更新できます。
    • デメリット:
    • ユーザーと共有され、Gemini Enterprise で有効になっている必要があります。また、他のハーネスやプラットフォームではなく、Gemini Enterprise 内でのみ適用されます。

3. ユーザーのスキルとパーソナライズに合わせて分析をカスタマイズ

個々のアナリストやビジネス ユーザーは、組織全体のスキルにパーソナル コンテキストを重ねることができます。

  • ユーザー作成のスキル: エンドユーザーは、繰り返し行われる分析タスクやチーム固有のデフォルト用に個人スキルを作成できます。たとえば、ユーザーが「週次のプロダクト パフォーマンス」をリクエストするたびに、アシスタントが自動的に商品ラインをフィルタリングし、QA トラフィックを除外して、結果を会計週ごとにグループ化するスキルを作成できます。
  • Gemini Enterprise のメモリーとパーソナライズ: パーソナライズが有効になっている場合、アシスタントはセッション間でユーザー固有の設定と明確化を保持できるため、時間の経過とともに曖昧さ回避プロンプトの繰り返しが減少します。

各タイプのコンテキストを構成する場所を選択する

Google はデータクラウド コネクタに接続された組み込みスキルを制御するため、カスタム コンテキストをコネクタに直接追加することはできません。代わりに、次の表を使用して、分析ルールとビジネス コンテキストを構成する場所を決定します。

コンテキスト レイヤ 管理者 最適な用途 例
Knowledge Catalog メタデータ データ スチュワードとカタログ管理者 大規模なデータ資産、テーブルと列の説明、データ品質シグナル、データセット用語集、検証済みのサンプル SQL クエリにわたる動的なアセット検出。 analytics_prod で認定済みのデータ プロダクトとビジネス用語集の用語をキュレートし、エージェントが信頼できるテーブルと指標の定義を検出できるようにします。
組織全体のカスタムスキルとアシスタントの指示 Gemini Enterprise の管理者とデータ オペレーター 決定論的なプロジェクトとデータセットのスコープ設定、全社的な KPI 定義、曖昧性除去ルール、レスポンス規則。 クエリを特定のプロダクション データセットに制限し、「加重純 ARR」の正確な SQL 計算を定義する。
ユーザーのスキルとパーソナライズ 個々のエンドユーザーとアナリスト ロール固有のデフォルト フィルタ、優先指標レイアウト、定期的なチーム ワークフロー。 ユーザーが「月次パイプライン指標」をリクエストしたときに、EMEA リージョンとアクティブな QA フィルタを自動的に適用する。

次のステップ