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) para consultar suas fontes de dados no local. Embora as definições de ferramentas do MCP dêem ao assistente a mecânica para executar SQL, responder perguntas comerciais em linguagem natural com alta precisão e baixa latência exige duas camadas adicionais de orientação:

  • Um arnês analítico padrão: habilidades processuais específicas do mecanismo que ensinam o assistente do Gemini Enterprise a 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 modelos subjacentes corretos.

Este documento descreve como os conectores da 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 aos seus dados.

Entender o simulador 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 de várias etapas. Os conectores da Data Cloud de dados próprios preenchem essa lacuna ao agrupar um arnês analítico padrão, um conjunto de habilidades integradas e gerenciadas pelo Google derivadas do arnês do agente de análise de conversas. Essas habilidades integradas lidam automaticamente com tarefas analíticas principais, como gerar consultas SELECT somente leitura, se recuperar de 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 da sua parte.

Como o Google controla essas habilidades de conector integradas, não é possível modificar ou adicionar contexto diretamente a elas. Em vez disso, é possível 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 Gemini Enterprise.

A tabela a seguir descreve problemas comuns que você pode encontrar ao usar os conectores e as opções da Data Cloud para resolvê-los:

Problema Como resolver
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. Ao definir um projeto de faturamento, você garante que todos os trabalhos 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:

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

    "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 teste, sandbox ou arquivo."

  • Crie 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 ativos confiáveis diretamente.
O agente usa a definição errada de uma métrica ou faz junções com chaves incorretas.

Use uma ou mais das seguintes opções para padronizar definições e lógica de junção:

Para comparar as vantagens de usar o Knowledge Catalog em vez de habilidades personalizadas, consulte Escolher onde definir métricas de negócios: habilidades personalizadas ou 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 da 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. Por isso, 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 fundamentados 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 a que o usuário tem acesso e consultar o contexto de metadados avançados em um único fluxo de trabalho.

Se a sua organização organiza metadados em catálogos de terceiros (como o DataHub) ou wikis de documentação interna, sincronize essas descrições com o 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 comerciais 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, você pode 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 perdas de estoque (status != 'SHRINKAGE').

Ao escolher se você vai implementar definições de métricas em habilidades personalizadas no Gemini Enterprise ou no Knowledge Catalog, considere as seguintes compensações:

  • Knowledge Catalog:
    • Vantagens:
    • Impõe controles de acesso do Identity and Access Management (IAM) para que usuários e agentes descubram apenas metadados e definições que têm permissão para visualizar.
    • Pode ser reutilizado em outros arneses, ferramentas e plataformas de agentes 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 skill.
    • Desvantagens:
    • Fornece contexto descritivo de metadados e exemplos de consultas em vez de instruções processuais estritas. Por isso, o agente pode precisar de mais comandos para fluxos de cálculo complexos e de várias etapas.
  • Habilidades personalizadas em toda a organização no Gemini Enterprise:
    • Vantagens:
    • Fornece instruções específicas e prescritivas de procedimentos e fórmulas exatas de SQL 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, e se aplica apenas a ele, não a outros mecanismos ou plataformas.

3. Personalizar a análise com habilidades do usuário e personalização

Analistas individuais e usuários comerciais 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 afirma que, sempre que o usuário pedir "performance semanal do produto", o assistente vai 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 várias sessões, reduzindo os comandos repetidos de desambiguação ao longo do tempo.

Escolha onde configurar cada tipo de contexto

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

Camada de contexto Gerenciado por Melhor aplicação Exemplo
Metadados do Knowledge Catalog Administradores do catálogo e administradores de dados Descoberta dinâmica de recursos em grandes patrimônios de dados, descrições de tabelas e colunas, indicadores de qualidade de dados, glossários de conjuntos de dados e exemplos verificados de consultas SQL. Curadoria de produtos de dados certificados e termos do glossário empresarial no analytics_prod para que o agente possa descobrir tabelas confiáveis e definições de métricas.
Habilidades personalizadas em 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 KPI em toda a empresa, regras de desambiguação e convenções de resposta. Restringir consultas a conjuntos de dados de produção específicos; definir o cálculo exato de SQL para "ARR líquida ponderada".
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 da EMEA e filtros de controle de qualidade ativos quando um usuário pede "métricas mensais de pipeline".

A seguir