Práticas recomendadas para conectores da Data Cloud que usam análise de conversas

Quando você conecta conectores do Data Cloud no modo de consulta federada, o Gemini Enterprise usa o Protocolo de Contexto de Modelo (MCP, na sigla em inglês) para consultar suas fontes de dados no local. Embora as definições de ferramentas do MCP forneçam ao assistente os mecanismos para executar SQL, responder a perguntas de negócios em linguagem natural com alta precisão e baixa latência requer duas camadas adicionais de orientação:

  • Um harness analítico padrão: habilidades procedimentais específicas do mecanismo que ensinam ao assistente do Gemini Enterprise como planejar consultas, resolver valores de filtro, usar funções analíticas avançadas e lidar com erros como um analista de dados especialista.
  • Contexto organizacional: habilidades específicas do domínio, instruções personalizadas e metadados do Knowledge Catalog que mapeiam o vocabulário de negócios, as definições de KPI e as proteções de governança da sua empresa para as tabelas e os modelos subjacentes certos.

Neste documento, descrevemos como os conectores do Data Cloud usam habilidades analíticas integradas gerenciadas pelo Google e como você pode usar o Knowledge Catalog, habilidades personalizadas e instruções do assistente para fornecer contexto organizacional para seus dados.

Entender o harness analítico padrão

As ferramentas MCP prontas para uso expõem operações de baixo nível (como listar tabelas ou executar uma string SQL), que, por si só, geralmente são insuficientes para análises de dados complexas em várias etapas. Os conectores próprios do Data Cloud preenchem essa lacuna agrupando uma estrutura analítica padrão, um conjunto de habilidades integradas e gerenciadas pelo Google derivadas da estrutura do agente de análise de conversas. Essas habilidades integradas lidam automaticamente com as principais tarefas analíticas, como gerar consultas SELECT somente leitura, recuperar erros do compilador SQL e invocar funções integradas de IA, ML e gráficos do BigQuery (como AI.FORECAST, AI.DETECT_ANOMALIES, AI.CLASSIFY, AI.AGG, AI.GENERATE e GRAPH_TABLE), sem exigir nenhuma configuração ou ação sua.

Como o Google controla essas habilidades de conector integradas, não é possível modificar ou adicionar contexto diretamente aos conectores. Em vez disso, você pode resolver problemas comuns de execução de consultas, latência de pesquisa e precisão de métricas configurando as definições do conector, organizando metadados no Knowledge Catalog ou criando e usando habilidades personalizadas no app do Gemini Enterprise.

A tabela a seguir descreve problemas comuns que podem ocorrer ao usar conectores do Data Cloud e opções para resolvê-los:

Problema Opções de resolução
Garantir que todas as consultas do BigQuery sejam executadas em um único projeto

Configure o ID do projeto de faturamento (em Opções avançadas) ao criar o repositório de dados do BigQuery. Definir um projeto de faturamento garante que todos os jobs de consulta do BigQuery executados pelo conector sejam executados e faturados no projeto Google Cloud designado.

Reduzir a latência de pesquisa ou priorizar dados específicos

Use uma ou ambas as opções a seguir para restringir onde o agente pesquisa e consulta dados:

  • Crie uma habilidade personalizada: crie e compartilhe uma habilidade no app do Gemini Enterprise que oriente o agente a pesquisar ou consultar dados apenas em projetos, conjuntos de dados ou tabelas específicos do Google Cloud . Por exemplo, inclua as seguintes instruções na sua habilidade:

    "Ao responder a perguntas sobre vendas, receita ou atividade do cliente, pesquise apenas metadados e execute consultas SQL em tabelas no conjunto de dados analytics-prod.sales_mart. Não verifique conjuntos de dados de preparo, sandbox ou arquivamento."

  • Criar um produto de dados do Knowledge Catalog: organize tabelas de alta prioridade em um produto de dados do Knowledge Catalog (consulte Criar produtos de dados) para que o agente possa descobrir recursos confiáveis diretamente.

O agente usa a definição errada de uma métrica ou faz a mesclagem com chaves incorretas

Use uma ou mais das seguintes opções para padronizar as definições e a lógica de mesclagem:

Para comparar as vantagens de usar o Knowledge Catalog em relação às habilidades personalizadas, consulte Escolher onde definir métricas de negócios: habilidades personalizadas versus Knowledge Catalog. Para instruções detalhadas sobre como criar e ativar habilidades no seu app, consulte Criar e gerenciar habilidades e Gerenciar habilidades.

Fornecer contexto organizacional com habilidades e o Knowledge Catalog

Como os conectores do Data Cloud não estão restritos a um único conjunto de dados ou tabela, eles podem acessar todos os recursos na fonte de dados conectada que o usuário autenticado tem permissão para consultar. O assistente precisa de contexto organizacional para saber quais recursos são confiáveis e como sua empresa calcula as principais métricas.

Use uma abordagem em camadas que combine o Knowledge Catalog, as habilidades personalizadas em toda a organização e a personalização do usuário:

1. Descoberta de dados de embasamento com o Knowledge Catalog

Quando você conecta um conector do BigQuery ou de banco de dados no modo de consulta federada, o Knowledge Catalog é ativado automaticamente na guia Assistente do app Gemini Enterprise. Em vez de fazer chamadas exploratórias sequenciais em esquemas de banco de dados brutos, o agente usa as ferramentas do Knowledge Catalog para pesquisar dados que o usuário pode acessar e consultar o contexto de metadados avançados em um único fluxo de trabalho.

Se a organização organiza metadados em catálogos de terceiros (como o DataHub) ou wikis de documentação interna, sincronize essas descrições no Knowledge Catalog ou capture regras de negócios essenciais em habilidades personalizadas em toda a organização para que o agente possa descobri-las.

2. Escolha onde definir as métricas de negócios: habilidades personalizadas ou Knowledge Catalog

Para codificar regras analíticas específicas da organização e padronizar definições de métricas de negócios e fórmulas SQL em todas as conversas, você pode:

Definir a lógica de cálculo exata e as regras de filtro para os KPIs da empresa garante que o assistente não precise adivinhar. Por exemplo, é possível definir que "Cliente ativo" significa estritamente uma conta em analytics_prod.crm.user_events_log com mais de 10 logins na plataforma nos últimos 30 dias (event_type = 'LOGIN' e is_test_account = FALSE) ou que "Margem de contribuição líquida" precisa excluir brindes promocionais (order_type != 'PROMO') e redução de inventário (status != 'SHRINKAGE').

Ao escolher se você quer implementar definições de métricas em habilidades personalizadas no Gemini Enterprise ou no Knowledge Catalog, considere as seguintes vantagens e desvantagens:

  • Knowledge Catalog:
    • Vantagens:
    • Aplica controles de acesso do Identity and Access Management (IAM) para que usuários e agentes descubram apenas metadados e definições que têm permissão para visualizar.
    • Podem ser reutilizados em outras estruturas de agentes, ferramentas e plataformas fora do Gemini Enterprise (como o BigQuery Studio e clientes do MCP).
    • Mantido de forma centralizada pelas equipes de governança de dados, sem exigir que os usuários individuais do app ativem uma habilidade.
    • Desvantagens:
    • Fornece contexto de metadados descritivos e consultas de amostra em vez de instruções procedimentais estritas. Portanto, o agente pode precisar de mais comandos para fluxos de cálculo complexos e de várias etapas.
  • Habilidades personalizadas para toda a organização no Gemini Enterprise:
    • Vantagens:
    • Fornece instruções de procedimento específicas e prescritivas e fórmulas SQL exatas que o agente segue de forma determinística no app.
    • Podem ser criados e atualizados rapidamente pelos administradores do app Gemini Enterprise sem modificar os recursos do catálogo corporativo.
    • Desvantagens:
    • Precisa ser compartilhado com os usuários e ativado no Gemini Enterprise. Além disso, só se aplica ao Gemini Enterprise, não a outros ambientes ou plataformas.

3. Personalizar análises com habilidades do usuário e personalização

Analistas individuais e usuários corporativos podem adicionar contexto pessoal às habilidades de toda a organização:

  • Habilidades criadas pelo usuário: os usuários finais podem criar habilidades pessoais para tarefas analíticas recorrentes ou padrões específicos da equipe. Por exemplo, uma habilidade que determina que, sempre que o usuário pedir o "desempenho semanal do produto", o assistente deve filtrar automaticamente a linha de produtos, excluir o tráfego de controle de qualidade e agrupar os resultados por semana fiscal.
  • Memória e personalização do Gemini Enterprise: quando a personalização está ativada, o assistente pode reter preferências e esclarecimentos específicos do usuário em todas as sessões, reduzindo os comandos de desambiguação repetidos ao longo do tempo.

Escolher onde configurar cada tipo de contexto

Como o Google controla as habilidades integradas anexadas aos conectores do Data Cloud, não é possível adicionar contexto personalizado diretamente a um conector. Em vez disso, use a tabela a seguir para decidir onde configurar as regras analíticas e o contexto de negócios:

Camada de contexto Gerenciado por Melhor aplicação Exemplo
Metadados do Knowledge Catalog Administradores de catálogo e gestores de dados Descoberta dinâmica de recursos em grandes propriedades de dados, descrições de tabelas e colunas, indicadores de qualidade de dados, glossários de conjuntos de dados e consultas SQL de amostra verificadas. Organizar produtos de dados certificados e termos do glossário empresarial no analytics_prod para que o agente possa descobrir tabelas e definições de métricas confiáveis.
Habilidades personalizadas para toda a organização e instruções do assistente Administradores e operadores de dados do Gemini Enterprise Escopo determinístico de projetos e conjuntos de dados, definições de KPIs para toda a empresa, regras de desambiguação e convenções de resposta. Restringir as consultas a conjuntos de dados de produção específicos e definir o cálculo SQL exato para "ARR líquido ponderado".
Habilidades do usuário e personalização Usuários finais e analistas individuais Filtros padrão específicos para cada função, layouts de métricas preferidos e fluxos de trabalho recorrentes da equipe. Aplicar automaticamente a região EMEA e os filtros de controle de qualidade ativos quando um usuário pedir "métricas mensais de pipeline".

A seguir