১. ভূমিকা
আজ সোমবার সকাল এবং সিএফও এইমাত্র আপনাকে মেসেজ পাঠিয়েছেন। এই মাসে গড় অর্ডার মূল্য ৭% কমেছে, কিন্তু মোট আয় অপরিবর্তিত রয়েছে। কিছু একটা গড়মিল আছে, এবং বোর্ড শুক্রবারের মধ্যে এর উত্তর চায়।
আপনার কোম্পানি, সিম্বাল পেট্স, মার্কিন যুক্তরাষ্ট্রের অন্যতম বৃহত্তম অনলাইন পোষ্যপণ্য সরবরাহকারী খুচরা বিক্রেতা। আপনার প্রয়োজনীয় ডেটা তিনটি গুগল ক্লাউড পরিষেবা জুড়ে ছড়িয়ে ছিটিয়ে আছে: বিগকোয়েরি -তে লেনদেন সংক্রান্ত ডেটা, ক্লাউড এসকিউএল- এ গ্রাহক ও পণ্যের রেকর্ড এবং ক্লাউড স্টোরেজ -এ মার্কেটিং ফাইল। সাধারণত, এই ধরনের একটি ক্রস-সার্ভিস অনুসন্ধান একত্রিত করার অর্থ হলো কনসোল পরিবর্তন করা, সংযোগের জন্য বয়লারপ্লেট লেখা এবং ম্যানুয়ালি ফলাফলগুলো একসাথে মেলানো।
এই কোডল্যাবে, আপনি Antigravity IDE- তে Google Cloud Data Agent Kit (DAK) ব্যবহার করে স্বাভাবিক ভাষায় অসঙ্গতিটি অনুসন্ধান করবেন। আপনি কী খুঁজছেন তা বর্ণনা করবেন, এবং AI এজেন্ট BigQuery, Cloud SQL, এবং Cloud Storage জুড়ে সংযোগ, SQL, এবং ক্রস-সার্ভিস জয়েনগুলো পরিচালনা করবে। একবার আপনি রহস্যটি সমাধান করে ফেললে, আপনি এজেন্টকে আপনার প্রাপ্ত তথ্য কার্যকর করার জন্য একটি dbt পাইপলাইন তৈরি করতে, একটি বাস্তব ডেটা মডেলিং বাগ ডিবাগ করতে, এবং CFO-কে পূর্বাভাস-সমর্থিত একটি সুপারিশ প্রদান করতে বলবেন।
আপনি যা করবেন
- নলেজ ক্যাটালগ ব্যবহার করে BigQuery , Cloud SQL , এবং Cloud Storage জুড়ে ডেটা অ্যাসেটগুলি আবিষ্কার করুন।
- MCP টুলস ব্যবহার করে একটি একক কথোপকথনে একাধিক পরিষেবাতে কোয়েরি করে কোনো অসঙ্গতি তদন্ত করুন।
- স্টেজিং মডেল এবং স্বয়ংক্রিয় পরীক্ষার সাহায্যে বিভিন্ন সার্ভিসের ডেটা স্টেজ ও জয়েন করার জন্য একটি ডিবিটি পাইপলাইন তৈরি করুন।
- এজেন্টটি নিজে থেকেই একটি ফ্যান-আউট বাগ শনাক্ত ও রিফ্যাক্টর করার সময় একটি ডেটা মডেলিং সমস্যা ডিবাগ করুন।
- BigQuery-এর
AI.FORECASTব্যবহার করে ভবিষ্যতের প্রবণতার পূর্বাভাস দিন এবং ডেটা-ভিত্তিক সুপারিশ প্রদান করুন।
আপনার যা যা লাগবে
- ক্রোমের মতো একটি ওয়েব ব্রাউজার
- বিলিং সক্ষম একটি গুগল ক্লাউড প্রজেক্ট
- SQL এবং গুগল ক্লাউড কনসোল সম্পর্কে প্রাথমিক ধারণা
এই কোডল্যাবটি মধ্যম স্তরের ডেটা বিশেষজ্ঞদের (অ্যানালিটিক্স ইঞ্জিনিয়ার, ডেটা অ্যানালিস্ট, ডেটা সায়েন্টিস্ট) জন্য।
এই কোডল্যাবে তৈরি রিসোর্সগুলোর খরচ ৫ ডলারের কম হওয়া উচিত।
২. শুরু করার আগে
এই অংশে, আপনি একটি সেটআপ স্ক্রিপ্ট চালাবেন যা আপনার সম্পূর্ণ ল্যাব পরিবেশ প্রস্তুত করবে: অর্ডার ডেটা সহ একটি BigQuery ডেটাসেট, গ্রাহক ও পণ্যের ডেটা সহ একটি Cloud SQL Postgres ইনস্ট্যান্স, এবং প্রচারমূলক ক্যাম্পেইনের রেকর্ড সহ একটি Cloud Storage বাকেট। স্ক্রিপ্টটি সম্পূর্ণ হতে প্রায় ৮-১০ মিনিট সময় নেয়, যার মূল বাধা হলো Cloud SQL প্রস্তুতকরণ।
ক্লাউড শেল শুরু করুন
আপনি সেটআপ স্ক্রিপ্টটি চালানোর জন্য গুগল ক্লাউড শেল ব্যবহার করবেন।
- Google Cloud Console- এর শীর্ষে থাকা Activate Cloud Shell-এ ক্লিক করুন।
- সংযুক্ত হয়ে গেলে, আপনার প্রজেক্ট আইডি সেট করুন এবং আপনার পরিবেশ নিশ্চিত করুন:
gcloud config set project <<YOUR_PROJECT_ID>>
export PROJECT_ID=$(gcloud config get-value project)
আপনি নিম্নলিখিতের মতো একটি বার্তা দেখতে পাবেন:
Your active configuration is: [cloudshell-####] Updated property [core/project]
রিপোজিটরি ক্লোন করুন
আপনার ক্লাউড শেল পরিবেশে কোডল্যাব রিপোজিটরিটি ক্লোন করুন:
cd ~/
git clone --filter=blob:none --no-checkout https://github.com/GoogleCloudPlatform/devrel-demos.git
cd ~/devrel-demos
git sparse-checkout init --cone
git sparse-checkout set codelabs/agentic-data-labs
git checkout main
cd codelabs/agentic-data-labs/
সেটআপ স্ক্রিপ্টটি চালান
সেটআপ স্ক্রিপ্টটি কয়েক মিনিটের মধ্যে আপনার সম্পূর্ণ ল্যাব পরিবেশ প্রস্তুত করে। এটি এপিআই (API) সক্রিয় করা, বিগকোয়েরি (BigQuery) ডেটা লোড ও পরিবর্ধন করা, জিসিএস (GCS)-এ প্রোমো অ্যাসেট আপলোড করার মতো কাজগুলো সামলায় এবং তারপর আপনি কোডল্যাব শুরু করার সময়েই ব্যাকগ্রাউন্ডে ক্লাউড এসকিউএল পোস্টগ্রেস (Cloud SQL Postgres) প্রোভিশন ও কনফিগার করার জন্য স্বয়ংক্রিয়ভাবে একটি ব্যাকগ্রাউন্ড ওয়ার্কার চালু করে।
স্ক্রিপ্টটি নিরাপদে স্বয়ংক্রিয়ভাবে একটি ক্লাউড এসকিউএল পাসওয়ার্ড তৈরি করে এবং আপনার .env ফাইলে সংরক্ষণ করে।
cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x setup.sh setup_sql.sh
./setup.sh
এটি শেষ হলে, আপনি আপনার সম্মুখভাগের পরিবেশের একটি সারাংশ দেখতে পাবেন:
╔══════════════════════════════════════════════════════╗
║ Base Setup complete! ║
╚══════════════════════════════════════════════════════╝
Your core BigQuery and GCS assets are ready.
Cloud SQL is currently provisioning in the background and will be fully ready by Step 4.
BigQuery: YOUR_PROJECT_ID.cymbal_pets
├── orders
└── order_items
GCS: gs://YOUR_PROJECT_ID-cymbal-pets-raw
└── promo_events.json
আপনি যখন ল্যাবের পরবর্তী ধাপগুলো নিয়ে কাজ চালিয়ে যাবেন, তখন ব্যাকগ্রাউন্ডে ডেটাবেসটি প্রস্তুত ও ডেটা দিয়ে পূর্ণ হতে থাকবে। আপনি যেকোনো সময় একটি আলাদা টার্মিনাল প্যানেলে নিম্নলিখিত কমান্ডটি ব্যবহার করে এর অগ্রগতি পর্যবেক্ষণ করতে পারেন:
tail -f /tmp/cloudsql_setup.log
ডেটা আর্কিটেকচারটি লক্ষ্য করুন: ট্রানজ্যাকশনাল ডেটা (অর্ডার এবং অর্ডার আইটেম) BigQuery-তে থাকে, অন্যদিকে অপারেশনাল ডেটা (গ্রাহক, পোষ্যের প্রোফাইল এবং পণ্য) Cloud SQL-এ থাকবে। এই বিভাজনটি বাস্তব সংস্থাগুলিতে বিভিন্ন সার্ভিসের মধ্যে ডেটা যেভাবে প্রায়শই বিতরণ করা হয়, তারই প্রতিচ্ছবি, এবং এটিই ক্রস-সার্ভিস অনুসন্ধানকে আকর্ষণীয় করে তোলে।
অধ্যায়ের পুনরালোচনা: আপনি আপনার ল্যাব পরিবেশ বুটস্ট্র্যাপ করার জন্য সেটআপ স্ক্রিপ্টটি চালিয়েছেন এবং ব্যাকগ্রাউন্ডে ডেটাবেস প্রোভিশনিং শুরু করেছেন।
৩. IDE এবং ডেটা এজেন্ট কিট সেট আপ করুন
Antigravity IDE খুলুন
ক্লাউড এসকিউএল (Cloud SQL) শেষ হওয়ার জন্য অপেক্ষা করার প্রয়োজন নেই! সরাসরি অ্যান্টিগ্র্যাভিটি আইডিই (Antigravity IDE) খুলুন এবং এটিকে আপনার গুগল ক্লাউড (Google Cloud) প্রজেক্টের সাথে সংযুক্ত করুন।
- যদি আগে থেকে না করে থাকেন, তাহলে গুগল অ্যান্টিগ্র্যাভিটি ডাউনলোড পেজ থেকে অ্যান্টিগ্র্যাভিটি আইডিই (Antigravity IDE) ডাউনলোড ও ইনস্টল করুন।
- Antigravity IDE ডেস্কটপ অ্যাপ্লিকেশনটি চালু করুন।
- আপনার লোকাল মেশিনে একটি নতুন, খালি ফোল্ডার তৈরি করুন (যেমন
agentic-data-labsনামে), এবং IDE-তে 'Open Folder' নির্বাচন করে এটি খুলুন। এটি আপনার কোডল্যাবের জন্য লোকাল ওয়ার্কস্পেস হিসেবে কাজ করবে।
ডেটা এজেন্ট কিট এক্সটেনশন ইনস্টল করুন
Google Cloud Data Agent Kit এক্সটেনশনটি আপনার এডিটরের মধ্যেই সরাসরি Google Cloud ডেটা পরিষেবাগুলির সাথে গভীর ইন্টিগ্রেশন প্রদান করে, যার ফলে আপনি কনটেক্সট পরিবর্তন না করেই BigQuery, Cloud SQL, Cloud Storage এবং আরও অনেক কিছুর সাথে ইন্টারঅ্যাক্ট করতে পারেন।
- Antigravity IDE-তে, স্ক্রিনের একেবারে বাম দিকে অ্যাক্টিভিটি বারে থাকা এক্সটেনশন আইকনটিতে ক্লিক করুন (এটি দেখতে চারটি বর্গক্ষেত্রের মতো)।
- এক্সটেনশন প্যানেলের উপরের সার্চ বারে
Google Cloud Data Agent Kitটাইপ করুন। -
googlecloudtoolsদ্বারা প্রকাশিত Google Cloud Data Agent Kit নামের এক্সটেনশনটি খুঁজুন। - ইনস্টল বোতামে ক্লিক করুন।
- একটি প্রম্পট আসতে পারে যেখানে জিজ্ঞাসা করা হবে, "আপনি কি প্রকাশক 'googlecloudtools' এবং তাদের এক্সটেনশনগুলিকে বিশ্বাস করেন?"। এগিয়ে যেতে 'Trust Publishers & Install'-এ ক্লিক করুন।
ইনস্টল হয়ে গেলে, আপনি Antigravity IDE-র একেবারে বাম দিকের অ্যাক্টিভিটি বারে একটি নতুন Google Cloud Data Agent Kit আইকন দেখতে পাবেন।
এক্সটেনশনটি প্রমাণীকরণ ও কনফিগার করুন
ইনস্টলেশনের পরে, এক্সটেনশনটি আপনার গুগল ক্লাউড প্রজেক্টের সাথে সংযুক্ত করুন।
- 'Welcome to Google Cloud Data Agent Kit' শিরোনামের একটি অনবোর্ডিং পেজ স্বয়ংক্রিয়ভাবে খুলে যাবে। আপনি যদি আপনার ক্লাউড অ্যাকাউন্টে সাইন ইন না করে থাকেন, তবে অ্যাক্সেস দেওয়ার জন্য নির্দেশাবলী অনুসরণ করুন।
- কনফিগারেশন সামারি সেকশনে, প্রজেক্ট ফিল্ডটি খুঁজুন। ড্রপডাউনে ক্লিক করে আপনার গুগল ক্লাউড প্রজেক্টটি সিলেক্ট করুন। আপনার রিজিয়ন
us-central1হিসেবে সেট করুন। এরপর কনফিগার এমসিপি সার্ভারস সিলেক্ট করুন।
- MCP কনফিগারেশন প্যানেলের অধীনে, BigQuery এবং Cloud SQL সক্রিয় করতে ক্লিক করুন। তারপর Get Started-এ ক্লিক করুন।
কনফিগারেশন বিকল্পগুলি অন্বেষণ করুন
সেটআপ সম্পন্ন হলে, আপনি 'Get started with Google Cloud Data Agent Kit' পেজটিতে চলে আসবেন।
- "সেটআপ ও কনফিগারেশন"-এর অধীনে, "শুরু করুন "-এ ক্লিক করুন।
- এটি ডেটা এজেন্ট কনফিগারেশন প্যানেলটি খোলে। ট্যাবগুলো ঘুরে দেখুন:
- প্রজেক্ট এবং অঞ্চল: আপনার নির্বাচিত প্রজেক্ট আইডি যাচাই করুন এবং নিশ্চিত করুন যে প্রয়োজনীয় এপিআইগুলো (ক্লাউড স্টোরেজ এপিআই, বিগকোয়েরি এপিআই, ক্যাটালগ এপিআই, এবং ক্লাউড এসকিউএল অ্যাডমিন এপিআই) সক্রিয় আছে।
- BigQuery: আপনার BigQuery কোয়েরিগুলোর জন্য ডিফল্ট অবস্থান কনফিগার করুন।
us-central1অঞ্চলটি ব্যবহার করুন। - এমসিপি সার্ভার কনফিগার করুন: সক্রিয় এমসিপি সার্ভারগুলো (বিগকোয়েরি, নোটবুক, ক্লাউড এসকিউএল, ইত্যাদি) দেখুন, যেগুলো এআই এজেন্টদের আপনার ডেটার সাথে নিরাপদে যোগাযোগ করতে দেয়।
- দক্ষতা: আগে থেকে তৈরি দক্ষতাগুলো অন্বেষণ করুন যা এজেন্টদের জটিল ডেটা সংক্রান্ত কাজের জন্য বিশেষায়িত সক্ষমতা প্রদান করে।
অধ্যায়ের পুনরালোচনা: আপনি Antigravity IDE খুলেছেন, এটিকে আপনার Google Cloud প্রজেক্টের সাথে সংযুক্ত করেছেন, Data Agent Kit রিমোট MCP সার্ভারগুলো কনফিগার করেছেন, এবং BigQuery-তে একটি কোয়েরি চালিয়ে সংযোগটি যাচাই করেছেন।
৪. আপনার ডেটা আবিষ্কার করুন
এবার প্রেক্ষাপটটা ব্যাখ্যা করা যাক। পরিস্থিতিটা হলো: সিএফও বলছেন যে গত মাসে গড় অর্ডার ভ্যালু ৭% কমেছে, কিন্তু মোট রাজস্ব অপরিবর্তিত রয়েছে। এজেন্টকে তদন্ত করতে বলার আগে, আপনার প্রথমে বোঝা উচিত যে আপনি কোন ডেটা নিয়ে কাজ করছেন।
এই অংশে, সামগ্রিক পরিস্থিতি বোঝার জন্য আপনি ডেটা এজেন্ট কিট প্যানেলটি নিজে থেকে অন্বেষণ করবেন। যেকোনো অনুসন্ধানের ক্ষেত্রে, ডেটা কোয়েরি করা শুরু করার আগে তা বোঝা একটি অত্যন্ত গুরুত্বপূর্ণ প্রথম পদক্ষেপ।
BigQuery টেবিলগুলি অন্বেষণ করুন
- ডেটা এজেন্ট কিট প্যানেলে, ক্যাটালগ (CATALOG)- এর অধীনে, আপনার প্রজেক্ট → BigQuery →
cymbal_petsএক্সপ্যান্ড করুন। -
ordersটেবিলটিতে ক্লিক করুন। একটি নতুন ট্যাব খুলবে যেখানে টেবিলটির বিস্তারিত বিবরণ দেখা যাবে। - টেবিল ভিউয়ারের বাম দিকের ট্যাবগুলো অন্বেষণ করুন:
- ডেটা : প্রকৃত সারিগুলোর প্রিভিউ দেখুন। ডেটাসেটটি স্ক্রল করে কলামগুলো পরীক্ষা করুন।
- স্কিমা : কলামের নাম এবং প্রকার পর্যালোচনা করুন।
order_typeএবংpromo_codeমতো ফিল্ডগুলো লক্ষ্য করুন, যেগুলো পরবর্তীতে গুরুত্বপূর্ণ হয়ে উঠবে। - অন্যান্য ট্যাব (ডিটেইলস, ইনসাইটস, ডেটা প্রোফাইল, ইত্যাদি) : আপনার এডিটর থেকে বের না হয়েই মেটাডেটা, ডেটা লিনিয়েজ এবং কোয়ালিটির বিবরণ অ্যাক্সেস করুন, যা আপনি সাধারণত গুগল ক্লাউড কনসোলে পেয়ে থাকেন।
- এখন
order_itemsটেবিলে ক্লিক করে এর স্কিমা পর্যালোচনা করুন।quantityএবংpriceফিল্ডগুলো লক্ষ্য করুন।
ক্লাউড SQL টেবিলগুলি অন্বেষণ করুন
সেটআপ স্ক্রিপ্টটি ক্লাউড এসকিউএল-এর একটি পোস্টগ্রেসকিউএল ডেটাবেসে গ্রাহক, পোষা প্রাণী এবং পণ্যের ডেটাও স্থাপন করেছে।
- ডেটা এজেন্ট কিট প্যানেলে, ক্যাটালগ (CATALOG) বিভাগের অধীনে ইউনিভার্সাল সার্চ (Universal Search) -এ ক্লিক করুন।
- সার্চ বক্সে
pet_profilesটাইপ করুন এবং এন্টার চাপুন। - অনুসন্ধানের ফলাফলে,
pet_profilesজন্য PostgreSQL টেবিলের ফলাফলে (আপনার প্রোজেক্টের ক্লাউড SQL ইনস্ট্যান্সের অধীনে) ক্লিক করুন। লক্ষ্য করুন যে সাইডবার অ্যাকর্ডিয়নটি স্বয়ংক্রিয়ভাবে প্রসারিত হয়ে আপনাকে দেখাবে যে ডাটাবেস ট্রিতে টেবিলটি ঠিক কোথায় অবস্থিত। এখন, ট্রিতে এর ঠিক উপরে অবস্থিতcustomersটেবিলে ক্লিক করে এর বিবরণ খুলুন এবং Schema ও Details ট্যাবগুলো ঘুরে দেখুন।
ক্লাউড স্টোরেজ ফাইলগুলি অন্বেষণ করুন
অবশেষে, মার্কেটিং এবং প্রচারমূলক ক্যাম্পেইনের রেকর্ডগুলো ক্লাউড স্টোরেজে র JSON ফাইল হিসেবে সংরক্ষণ করা হয়।
- বাম দিকের ডেটা এজেন্ট কিট প্যানেলে, ক্লাউড স্টোরেজ সেকশনটি এক্সপ্যান্ড করুন। আপনার প্রোজেক্টের র বাকেটটি (
YOUR_PROJECT_ID-cymbal-pets-raw) খুঁজুন। - বাকেটের ভিতরে থাকা
promo_events.jsonফাইলটিতে ক্লিক করুন। একটি নতুন এডিটর ট্যাব খুলবে, যা আপনাকে সরাসরি IDE-এর ভিতরে মার্কেটিং ক্যাম্পেইনগুলির মূল JSON লাইন কন্টেন্ট দেখার সুযোগ দেবে।
পরিস্থিতি পর্যালোচনা করুন
ডেটা ল্যান্ডস্কেপ সম্পর্কে আপনি এখন যা জানেন তা এখানে দেওয়া হলো:
পরিষেবা | টেবিল | সেখানে কি আছে |
বিগকোয়েরি | | প্রায় ১.৯ মিলিয়ন অর্ডার, প্রায় ৪.৩ মিলিয়ন লাইন আইটেম, সময়কাল ২০২৩-২০২৫ |
ক্লাউড এসকিউএল | | প্রায় ৯২ হাজার গ্রাহক, প্রায় ৭.৬ হাজার পোষ্যের প্রোফাইল, ২০৬টি পণ্য |
ক্লাউড স্টোরেজ | | প্রচারমূলক অভিযানের রেকর্ড |
ডেটা তিনটি সার্ভিসে ছড়িয়ে আছে। প্রচলিত ওয়ার্কফ্লোতে, আপনাকে কানেকশন সেট আপ করতে, ইন্টিগ্রেশন কোড লিখতে এবং ম্যানুয়ালি ফলাফল যুক্ত করতে হতো। পরবর্তী ধাপে, আপনি এআই এজেন্টকে একটিমাত্র কথোপকথনের মাধ্যমে এই সবকিছু সামলাতে দেবেন।
অধ্যায়ের সারসংক্ষেপ: আপনি ডেটা এজেন্ট কিট প্যানেল ব্যবহার করে BigQuery, Cloud SQL, এবং Cloud Storage জুড়ে ডেটা আর্কিটেকচার ম্যানুয়ালি অন্বেষণ করেছেন। আপনি এখন জানেন ডেটা কোথায় রয়েছে এবং কোন ফিল্ডগুলো উপলব্ধ, তাই আপনি অনুসন্ধান শুরু করার জন্য প্রস্তুত।
৫. সংখ্যাগুলো অনুসরণ করুন
এখন তদন্ত শুরু হবে। আপনি চ্যাট প্যান ব্যবহার করে এআই এজেন্টকে BigQuery থেকে অ্যাভারেজ অর্ডার ভ্যালু (AOV) ডেটা সংগ্রহ করতে বলবেন। AOV হলো একটি ব্যবসায়িক মেট্রিক যা প্রতি অর্ডারে ব্যয় করা গড় ডলারের পরিমাণকে বোঝায়। এজেন্টটি MCP টুলস ব্যবহার করে আপনার হয়ে কোয়েরি চালাবে এবং এর চালানো প্রতিটি SQL কোয়েরি আপনি দেখতে পাবেন।
গড় অর্ডার মূল্যের প্রবণতা টানুন
- IDE-র ডান পাশের চ্যাট প্যানে , নিম্নলিখিত প্রম্পটটি টাইপ করুন এবং এন্টার চাপুন:
Calculate our monthly average order value from August 2024 through January 2025 using the orders and order_items tables in BigQuery. - ডেটা অ্যাক্সেসের অনুমতি অনুমোদন করুন। আপনার ডাটাবেসে এআই এজেন্টদের কোয়েরি চালানোর বিষয়ে সতর্ক থাকা ভালো। ডেটা এজেন্ট কিট ডেটা অ্যাক্সেস করার আগে সুস্পষ্ট অনুমতির জন্য বিরতি দিয়ে আপনাকে নিয়ন্ত্রণে রাখে। অনুরোধ করা হলে, আপনি বেছে নিতে পারেন:
- এই সময়টির অনুমতি দিন: একবার ব্যবহারের অনুমোদন দেয় (উচ্চ-ঝুঁকিপূর্ণ কোয়েরি নিরীক্ষার জন্য আদর্শ)।
- সর্বদা অনুমতি দিন: এই সেশনের জন্য নির্দিষ্ট এই টুলটির ক্রমাগত ব্যবহার অনুমোদন করে।
- না: কাজটি সম্পূর্ণরূপে বন্ধ করে দেয়।
list_table_idsবাexecute_sql_readonly) ব্যবহার করার কারণে আপনি শীঘ্রই আরও কয়েকটি প্রম্পট দেখতে পাবেন। আপনি চাইলে এগুলিও 'সর্বদা অনুমতি' দিতে পারেন।
- এজেন্টকে কাজ করতে দেখুন। চ্যাট প্যানেলটি এজেন্টের প্রতিটি কার্যকলাপের একটি স্বচ্ছ লগ হিসেবেও কাজ করে। একটি ব্ল্যাক বক্সের পরিবর্তে, এজেন্ট আপনাকে রিয়েল টাইমে তার যুক্তি এবং কার্যকলাপ দেখায়।
- এজেন্ট কাজ শেষ করলে, সম্পূর্ণ ওয়ার্ক লগটি দেখার জন্য আপনার প্রম্পটের নিচে থাকা 'Worked for Xm' ড্রপডাউনে ক্লিক করুন। এখানে আপনি দেখতে পারবেন এটি ঠিক কীভাবে আপনার উত্তরটি পেয়েছে:
- বিস্তারিত: এজেন্টকে ফাইল পড়তে, ফোল্ডার ব্রাউজ করতে, বা MCP টুলস (যেমন
datacloud_bigquery_remote / list_table_idsএবংexecute_sql_readonly) কল করতে দেখতে এই আইটেমগুলো প্রসারিত করুন। আপনি টুলসগুলোতে পাঠানো সঠিক JSON আর্গুমেন্ট এবং এক্সিকিউট করা SQL দেখতে পারেন। - Ran: এজেন্ট কর্তৃক সম্পাদিত যেকোনো টার্মিনাল কমান্ড, যেমন
gcloud config list, দেখতে এই আইটেমগুলো প্রসারিত করুন।
- বিস্তারিত: এজেন্টকে ফাইল পড়তে, ফোল্ডার ব্রাউজ করতে, বা MCP টুলস (যেমন
- ফলাফলগুলো পর্যালোচনা করুন। এজেন্টের মাসিক গড় অর্ডার ভ্যালু (AOV) মানের একটি সারণি ফেরত দেওয়ার কথা। সংখ্যাগুলো নিজে দেখুন: আগের মাসগুলোতে এটি প্রায় ~$১১০-এর আশেপাশে থাকে, তারপর জানুয়ারিতে তা কমে প্রায় ~$১০৩-এ নেমে আসে। এটাই সেই অসঙ্গতি যা সিএফও (CFO) চিহ্নিত করেছিলেন।
চ্যানেল অনুযায়ী ড্রিল ডাউন
সামগ্রিক গড় অর্ডার মূল্য (AOV) কমেছে, কিন্তু এই হ্রাসের কারণ কী? চলুন জেনে নেওয়া যাক।
- চ্যাট প্যানে টাইপ করুন:
January looks lower than the prior months. Break down January's AOV by order_type to see what's going on? - এজেন্ট আরেকটি BigQuery কোয়েরি চালায়, এবার
order_typeঅনুযায়ী গ্রুপ করে। ফলাফলগুলো সাবধানে পর্যালোচনা করুন। আপনি একটি লক্ষণীয় বিষয় লক্ষ্য করবেন: অনলাইন এবং অফলাইন AOV প্রায় ১১০ ডলারে স্থিতিশীল রয়েছে। কিন্তু B2B-Wholesale নামে একটি নতুন চ্যানেল এসেছে, যার AOV অনেক কম (প্রায় ৭৫ ডলার)। এই নতুন চ্যানেলটিই ব্লেন্ডেড অ্যাভারেজকে নিচে নামিয়ে আনছে। - এজেন্ট নিজে থেকেই বিটুবি (B2B) গ্রাহকদের বিষয়ে তদন্ত করার পরামর্শ দিতে পারে। যদি তা না করে, তাতেও কোনো সমস্যা নেই। আপনি পরবর্তী ধাপে সেই কাজটি করবেন।
অধ্যায়ের সারসংক্ষেপ: আপনি একটি নিরপেক্ষ ডেটা থেকে নিজেই জানুয়ারি মাসের AOV-এর পতনটি লক্ষ্য করেছেন, এবং তারপর অর্ডার_টাইপ অনুযায়ী আরও গভীরে গিয়ে B2B-Wholesale চ্যানেলটিকে মিশ্র গড়ের পতনের নতুন কারণ হিসেবে চিহ্নিত করেছেন। এখন আপনাকে খুঁজে বের করতে হবে এই B2B গ্রাহকরা কারা।
৬. পরিষেবার সীমানা অতিক্রম করুন
আপনি BigQuery-তে B2B-Wholesale ব্যতিক্রমী চ্যানেল হিসেবে চিহ্নিত করেছেন, কিন্তু গ্রাহকের ডেটা Cloud SQL-এ রয়েছে। Data Agent Kit-এর সাহায্যে আপনি একই আলোচনা চালিয়ে যেতে পারেন এবং এটি সার্ভিস বাউন্ডারিটি পরিচালনা করে।
B2B গ্রাহকদের তদন্ত করুন
- চ্যাট প্যানে টাইপ করুন:
Who are these B2B customers? Their profiles should be in our Cloud SQL database. Check for: - Who they are - When they signed up - Whether they're new or existing customers - চ্যাট প্যানটি মনোযোগ দিয়ে দেখুন। এবার আপনি একটি ভিন্ন এমসিপি টুল দেখতে পাবেন। এজেন্টটি এখন বিগকোয়েরির পরিবর্তে ক্লাউড এসকিউএল-এ কোয়েরি করছে। এজেন্টটি
cymbal-pets-opsক্লাউড এসকিউএল পোস্টগ্রেস ইনস্ট্যান্সের সাথে সংযোগ স্থাপন করে এবংcustomersটেবিলের বিরুদ্ধে একটি কোয়েরি চালায়। এসকিউএলটি দেখতে ' শো ডিটেইলস'-এ ক্লিক করুন। - ফলাফলগুলো পর্যালোচনা করুন। এজেন্টটি কয়েকটি গুরুত্বপূর্ণ তথ্য তুলে ধরবে:
- সকল B2B গ্রাহকের
customer_type = 'Business' - তারা সবাই গত ৩০ দিনের মধ্যে (জানুয়ারি ২০২৫) নিবন্ধন করেছেন।
- তাদের
last_nameভ্যালুগুলো হলো "Pet Supply Co", "Animal Care LLC", এবং "Happy Paws Inc"-এর মতো ব্যবসার নাম। - তাদের সংখ্যা প্রায় ১০০ জন, যা এই মাসের আগে ছিল না।
- সকল B2B গ্রাহকের
প্রোমো কোডটি সংযুক্ত করুন
- এজেন্ট নিজে থেকেই লক্ষ্য করতে পারে যে BigQuery-তে অনেক B2B অর্ডারের
promo_codeভ্যালু হিসেবেBIGORDER25রয়েছে। যদি সে নিজে থেকেই এই বিষয়টি জানায়, তবে খুব ভালো। তদন্ত স্বাভাবিকভাবেই এগোচ্ছে। যদি এজেন্ট প্রোমো কোডটির কথা উল্লেখ না করে, তবে তাকে মনে করিয়ে দিন:I noticed a promo_code field on the orders table in BigQuery. Check what promo codes appear on the B2B-Wholesale orders? - এজেন্ট আবার BigQuery-তে অনুসন্ধান করে এবং দেখতে পায় যে প্রায় ৯২% B2B-পাইকারি অর্ডারে
promo_code = 'BIGORDER25'রয়েছে। প্রায় সমস্ত B2B কার্যকলাপ একটিমাত্র প্রচারমূলক ক্যাম্পেইনের সাথে যুক্ত। এই প্রোমো কোডটি কোথা থেকে এসেছে, তা নিয়ে এজেন্টের এখন কৌতূহলী হওয়া উচিত। সে জিজ্ঞাসা করতে পারে যে এনভায়রনমেন্টের অন্য কোথাও প্রচারমূলক ডেটা আছে কিনা। (আছে, ক্লাউড স্টোরেজে।)
অধ্যায়ের সারসংক্ষেপ: এজেন্ট ক্লাউড এসকিউএল (Cloud SQL)-এ কোয়েরি করে জানতে পেরেছে যে, বিটুবি (B2B) গ্রাহকরা সবাই নতুন ব্যবসা প্রতিষ্ঠান, যারা ২০২৫ সালের জানুয়ারিতে সাইন আপ করেছে। এর সাথে বিগকোয়েরি (BigQuery)-র এই তথ্যটি মিলিয়ে যে, তাদের প্রায় ৯২% অর্ডারে promo_code = 'BIGORDER25' রয়েছে, সূত্রটি এখন একটি প্রচারমূলক অভিযানের দিকে ইঙ্গিত করছে। এখন উৎস খুঁজে বের করার পালা।
৭. হারানো অংশটি খুঁজে বের করুন
দুটি পরিষেবা সম্পন্ন হয়েছে, আর একটি বাকি। আপনি জানেন কী ঘটেছে (বি২বি অর্ডারগুলো এওভি (AOV) কমিয়ে দিচ্ছে) এবং কারা এটি করছে (গত ৩০ দিনের নতুন ব্যবসায়িক গ্রাহকরা)। এখন আপনাকে এর কারণ খুঁজে বের করতে হবে, এবং এর উত্তর ক্লাউড স্টোরেজেই রয়েছে।
জিসিএস বাকেট চেক করুন
- চ্যাট প্যানে টাইপ করুন:
Good catch on the promo code. We might have promotional campaign data in our GCS bucket. Can you check what's there? - এজেন্টের কাছে ক্লাউড স্টোরেজের জন্য আগে থেকে কনফিগার করা কোনো MCP টুল নেই, তাই এটি
gcloud storageকমান্ডগুলো চালানোর জন্য স্বয়ংক্রিয়ভাবে তার টার্মিনাল টুল ব্যবহার করে। এটিgcloud storage lsমতো কমান্ড চালানোর জন্য অনুমতি চাইবে। এই কমান্ডগুলোকে অনুমতি দিন, তারপরpromo_events.jsonফাইলটি পড়তে ও পার্স করতে এটি ঠিক কোন CLI কমান্ডগুলো ব্যবহার করেছে তা দেখতে চ্যাট প্যানে থাকা Ran লগটি এক্সপ্যান্ড করুন। - এজেন্টকে ফাইলটি থেকে তিনটি প্রচারমূলক প্রচারাভিযান শনাক্ত করতে হবে:
এই তো।প্রচারণা
প্রোমো কোড
ছাড়
লক্ষ্য
তারিখ
গ্রীষ্মকালীন পোষ্য পরিচর্যা ছাড়
PETSUMMER15১৫% ছাড়
সব
জুন ২০২৪
B2B পাইকারি পুশ
BIGORDER25২৫% ছাড়
বি২বি
জানুয়ারী ২০২৫
লয়ালটি মেম্বার হলিডে বোনাস
LOYAL10১০% ছাড়
আনুগত্য সদস্য
ডিসেম্বর ২০২৪
BIGORDER25প্রোমো কোডটি 'B2B Wholesale Push' নামক একটি ক্যাম্পেইনের সাথে যুক্ত: সর্বনিম্ন ৫০ ইউনিট অর্ডারে B2B গ্রাহকদের জন্য ২৫% ছাড়। এটাই হলো আসল প্রমাণ।
সবকিছু একসাথে করুন
- এজেন্টকে তার খুঁজে পাওয়া সবকিছু সংশ্লেষণ করতে বলুন:
Put it all together. What happened to our average order value? - এজেন্টটি তিনটি ডেটা উৎসকেই সংযুক্ত করে একটি স্পষ্ট ও সুসংগঠিত সারসংক্ষেপ প্রদান করে। এতে এইরকম কিছু ব্যাখ্যা করা উচিত:
- গড় অর্ডার মূল্যের (AOV) পতনটি বাস্তব, কিন্তু এটি বিদ্যমান ব্যবসার হ্রাস নয়। অনলাইন এবং অফলাইন গড় অর্ডার মূল্য প্রায় ১১০ ডলারে স্থিতিশীল রয়েছে।
- ২০২৫ সালের জানুয়ারিতে একটি নতুন বি২বি-পাইকারি চ্যানেল চালু হয় , যেখানে অনেক কম গড় অর্ডার মূল্যে (প্রায় ৭৫-১০০ ডলার) প্রায় ২৫,০০০ অর্ডার ছিল।
- B2B গ্রাহকরা হলেন ১০০টি নতুন ব্যবসায়িক অ্যাকাউন্ট , যেগুলো সবই গত ৩০ দিনের মধ্যে সাইন আপ করেছে (ক্লাউড এসকিউএল)।
- এই কার্যক্রমটি একটি প্রচারমূলক অভিযান ("B2B হোলসেল পুশ") দ্বারা পরিচালিত হচ্ছে , যেখানে ন্যূনতম ৫০ ইউনিট বাল্ক অর্ডারের (ক্লাউড স্টোরেজ) উপর ২৫% ছাড় দেওয়া হচ্ছে।
- রাজস্ব অপরিবর্তিত রয়েছে, কারণ বিপুল পরিমাণ বি২বি অর্ডার কম দামের প্রভাবকে পুষিয়ে দেয়। তবে, ২৫% পাইকারি ছাড়ের কারণে ইউনিট মার্জিন ব্যাপকভাবে সংকুচিত হয়েছে (প্রায় ৬৫%), যা শিপিং এবং পরিচালনগত ওভারহেড বিবেচনায় নিলে সামগ্রিক মুনাফাকে মারাত্মকভাবে হুমকির মুখে ফেলে।
অধ্যায়ের সারসংক্ষেপ: আপনি ক্লাউড স্টোরেজে মূল প্রমাণটি খুঁজে পেয়েছেন: একটি B2B প্রচারণা যেখানে বাল্ক অর্ডারে ২৫% ছাড় দেওয়া হচ্ছিল। এজেন্ট তিনটি পরিষেবা জুড়ে প্রাপ্ত তথ্যগুলোকে একত্রিত করে একটি সুস্পষ্ট বিবরণ তৈরি করেছেন। তদন্ত পর্ব সম্পন্ন হয়েছে। এরপর, আপনি এই প্রাপ্ত তথ্যগুলোকে কার্যকর করবেন।
৮. পাইপলাইন তৈরি করুন
আপনি রহস্যের সমাধান করে ফেলেছেন। এখন সিএফও চান এই বিশ্লেষণটি যেন স্বয়ংক্রিয়ভাবে আপডেট হয়। এই অংশে, আপনি এজেন্টকে একটি ডিবিটি (dbt) প্রজেক্ট তৈরি করতে বলবেন, যা বিগকোয়েরি (BigQuery) ডেটা স্টেজ করবে এবং চলমান এওভি (AOV) বিশ্লেষণের জন্য একটি ফ্যাক্ট টেবিল তৈরি করবে।
এই পর্যায়ে এজেন্টটি তদন্তকারী থেকে প্রকৌশলীতে রূপান্তরিত হয়। আপনি দেখবেন এটি একটিমাত্র প্রম্পট থেকে সম্পূর্ণ একটি dbt প্রজেক্ট স্কাফোল্ড করছে এবং পুরো পাইপলাইনটি চালাচ্ছে।
ডিবিটি প্রকল্পে কাঠামো নির্মাণ করুন
- চ্যাট প্যানে , নিম্নলিখিত নির্দেশটি টাইপ করুন। এটি ইচ্ছাকৃতভাবে ধাপে ধাপে না করে লক্ষ্য-ভিত্তিক করা হয়েছে। আপনি এজেন্টকে বলছেন আপনি কী চান, কীভাবে তা তৈরি করতে হবে তা নয়:
I want to productionize our AOV analysis so it updates automatically. Build a dbt project that: 1. Creates staging models for the BigQuery tables (orders and order_items) and a mart called fct_order_analysis that calculates AOV by channel and month 2. Add a uniqueness test on order_id and run dbt build - স্ব-সংশোধন পর্যবেক্ষণ করুন: আপনি যদি "Worked for Ns" লগটি প্রসারিত করেন, তাহলে দেখতে পাবেন যে এজেন্টটি
dbtএর জন্য পরীক্ষা করছে এবং এটিকে অনুপস্থিত পেয়ে স্বয়ংক্রিয়ভাবে একটি পাইথন ভার্চুয়াল এনভায়রনমেন্ট (.venv) তৈরি করার জন্য কমান্ড চালাচ্ছে। এটি আপনার জন্য এনভায়রনমেন্ট সেটআপের কাজটি করে দিচ্ছে!
- বাস্তবায়ন পরিকল্পনা পর্যালোচনা করুন: এজেন্ট একটি আনুষ্ঠানিক বাস্তবায়ন পরিকল্পনা তৈরি করবে। আপনি এর প্রস্তাবিত ফাইল ও আর্কিটেকচার পর্যালোচনা করতে পারেন, প্রয়োজনে মন্তব্য যোগ করতে পারেন এবং এজেন্টকে পরিকল্পনাটি কার্যকর করার অনুমতি দিতে 'এগিয়ে যান' (Proceed) বোতামে ক্লিক করতে পারেন।
- এজেন্ট যখন তার পরিকল্পনা অনুযায়ী প্রয়োজনীয়
.sqlফাইল এবং YAML কনফিগারেশনগুলো লিখবে, তখন চ্যাট প্যানে নজর রাখুন। কাজ শেষ হলে এবং প্রজেক্টটি সফলভাবে কম্পাইল হয়ে গেলে, এটি পরিবর্তনগুলোর একটি সারসংক্ষেপ দেখাবে। এই ফাইলগুলো আপনার ওয়ার্কস্পেসে যোগ করতে ‘Accept all’- এ ক্লিক করুন।
- বামদিকের এক্সপ্লোরারে নতুন তৈরি হওয়া dbt প্রজেক্টটি অন্বেষণ করুন। আপনি নিম্নলিখিতের মতো একটি কাঠামো দেখতে পাবেন:
dbt/ ├── models/ │ ├── marts/ │ │ └── fct_order_analysis.sql │ └── staging/ │ ├── schema.yml │ ├── sources.yml │ ├── stg_order_items.sql │ └── stg_orders.sql ├── dbt_project.yml └── profiles.yml
- এজেন্ট দ্বারা তৈরি SQL পর্যালোচনা করতে
.sqlমডেল ফাইলগুলোতে ক্লিক করুন। এটি কীভাবে নিম্নলিখিত বিষয়গুলো পরিচালনা করে সেদিকে মনোযোগ দিন:- স্টেজিং মডেল : উৎস রেফারেন্স সহ পরিচ্ছন্ন ও নাম পরিবর্তন করা কলাম।
- মার্ট মডেল : জয়েন লজিক এবং চ্যানেল অনুযায়ী AOV গণনা
- সমস্ত মডেল তৈরি হয়েছে এবং সমস্ত পরীক্ষা সফল হয়েছে, এজেন্টের এই নিশ্চিতকরণের জন্য চ্যাট প্যানটি দেখুন। মার্ট থেকে প্রাপ্ত AOV ফলাফল আপনার তদন্তের সময় পাওয়া তথ্যকেই নিশ্চিত করবে:
- Online: ~$110 - Offline: ~$110 - B2B-Wholesale: ~$75 to $77
অধ্যায়ের সারসংক্ষেপ: এজেন্টটি একটিমাত্র লক্ষ্য-ভিত্তিক নির্দেশ অনুসরণ করে একটি dbt প্রজেক্ট তৈরি করেছে: স্টেজিং ও মার্ট মডেল স্কাফোল্ড করেছে, সফলভাবে একটি dbt build চালিয়েছে এবং AOV অসঙ্গতিটি নিশ্চিত করেছে। এরপর, এজেন্টটি জটিলতা কীভাবে সামাল দেয় তা দেখার জন্য আপনি একটি অপ্রত্যাশিত চ্যালেঞ্জ দেবেন।
৯. যখন পরীক্ষা ব্যর্থ হয়, এজেন্ট ডিবাগ করে
পাইপলাইনটি কাজ করে, কিন্তু এটি শুধুমাত্র BigQuery ডেটা ব্যবহার করে। প্রোডাক্ট টিম Cloud SQL থেকে গ্রাহক এবং পোষ্যের প্রোফাইল ডেটা দিয়ে বিশ্লেষণটিকে আরও সমৃদ্ধ করতে চায়, যাতে তারা খাদ্যাভ্যাসের চাহিদার উপর ভিত্তি করে পণ্যের সুপারিশ করতে পারে। এর মানে হলো, এজেন্টকে Cloud SQL-এর সীমানা অতিক্রম করতে হবে এবং ডেটা মডেলিংয়ের একটি সূক্ষ্ম ত্রুটি—একটি চিরায়ত ডাইমেনশনাল মডেলিং 'ফ্যান-আউট' জয়েন—সমাধান করতে হবে।
আপনার ব্যবহৃত মডেল এবং তার যুক্তিবোধের ক্ষমতার উপর নির্ভর করে, এজেন্ট এই অনুরোধটি দুটি উপায়ের একটিতে পরিচালনা করবে: সক্রিয়ভাবে বাগটি এড়িয়ে যাওয়া (বিকল্প A) অথবা টেস্ট ব্যর্থ হওয়ার পর নিজে থেকেই ত্রুটি সংশোধন করা (বিকল্প B)। চলুন দেখি আপনার এজেন্ট কোন পথটি বেছে নেয়!
অনুরোধটি সক্রিয় করুন
- চ্যাট প্যানে টাইপ করুন:
Enrich fct_order_analysis with customer data and pet profile data from our Cloud SQL database. Include customer type and each customer's pets and dietary needs so we can recommend products. Keep the uniqueness test on order_id and run dbt build. - এজেন্টটির কাজ পর্যবেক্ষণ করুন। এটি ক্লাউড SQL টেবিলগুলো খুঁজে বের করবে, BigQuery-তে ডেটা ব্রিজ করার উপায় বের করবে (ফেডারেটেড কোয়েরি বা ম্যাটেরিয়ালাইজড কপির মাধ্যমে), নতুন স্টেজিং মডেল তৈরি করবে এবং
fct_order_analysis.sqlপরিবর্তন করবে।
বিকল্প A: সক্রিয় এজেন্ট (বাগ প্রতিরোধ)
আপনি যদি একটি উন্নত রিজনিং মডেল ব্যবহার করেন, তাহলে এজেন্ট কোনো কোড লেখার আগেই গ্রেইন শিফট শনাক্ত করতে পারে। এটি বুঝতে পারে যে, যেহেতু একজন গ্রাহকের একাধিক পোষা প্রাণী থাকতে পারে, তাই একটি ডাইরেক্ট জয়েন অর্ডারগুলোর পুনরাবৃত্তি ঘটাবে এবং order_id উপর আপনার অনুরোধ করা ইউনিকনেস টেস্টটি তাৎক্ষণিকভাবে ব্যর্থ করে দেবে।
- সক্রিয় একত্রীকরণ পর্যবেক্ষণ করুন : এজেন্ট তার চ্যাট প্যানের ব্যাখ্যায় বা ওয়াকথ্রু আর্টিফ্যাক্টে উল্লেখ করতে পারে যে, একটি "ক্লাসিক ফ্যান-আউট" প্রতিরোধ করার জন্য এটি পোষ্যের ডেটা যুক্ত করার আগেই তা প্রি-অ্যাগ্রিগেট করেছে। এটি সাধারণত একটি অ্যাগ্রিগেশন ফাংশন (যেমন,
ARRAY_AGG()বাSTRING_AGG()) ব্যবহার করে প্রতিটি গ্রাহকের একাধিক পোষ্যকে একত্রিত করার মাধ্যমে এই কাজটি করে থাকে। - ফলাফল যাচাই করুন :
dbt buildপ্রথম চেষ্টাতেই সফলভাবে রান করে এবং পাস করে, কারণ এজেন্ট সক্রিয়ভাবে ফ্যাক্ট টেবিলের গ্র্যানুলারিটি রক্ষা করেছে। আপনি তৈরি হওয়া ওয়াকথ্রু আর্টিফ্যাক্টটি দেখে এটি যাচাই করতে পারেন, যেখানে প্রায়শই কোয়েরির ফলাফলের পাশাপাশি সফল পরীক্ষার আউটপুটও দেখানো হয়।
আপনার এজেন্ট যদি এটি করে থাকে, অভিনন্দন! আপনি সক্রিয় এআই ইঞ্জিনিয়ারিং প্রত্যক্ষ করেছেন। এটি কীভাবে অ্যাগ্রিগেশনটি গঠন করেছে তা দেখতে fct_order_analysis.sql এ তৈরি হওয়া SQL-টি পর্যালোচনা করার জন্য একটু সময় নিন, তারপর সরাসরি পরবর্তী বিভাগ, ‘উত্তর প্রদান করুন’- এ চলে যান।
বিকল্প বি: স্ব-আরোগ্যকারী এজেন্ট (ডিবাগিং ও ডায়াগনস্টিকস)
মডেলটি যদি প্রথমে একটি সাধারণ ডিরেক্ট লেফট জয়েন লেখে, তাহলে SQL কোয়েরিটি সফলভাবে রান করবে, কিন্তু স্বয়ংক্রিয় dbt test স্যুটটি গ্রেইন শিফটটি ধরে ফেলবে!
- টেস্ট ব্যর্থতা পর্যবেক্ষণ করুন : আপনি চ্যাট প্যানের এক্সিকিউশন প্রগ্রেস লগগুলিতে ব্যর্থতার রিপোর্ট দেখতে পাবেন:
Completed with 1 error Failure in test unique_fct_order_analysis_order_id Got 287 results, configured to fail if != 0
order_idএর অনন্যতা পরীক্ষায় ডুপ্লিকেট এন্ট্রি পাওয়া গেছে, কারণ একাধিক পোষ্য থাকা গ্রাহকরা অর্ডারগুলো ছড়িয়ে দিয়েছিলেন। - এজেন্টকে সমস্যা নির্ণয় ও সমাধান করতে দিন : যেহেতু পরীক্ষাটি ব্যর্থ হয়েছে, এজেন্টকে এটি ডিবাগ করতে বলুন। চ্যাট প্যানে টাইপ করুন:
The uniqueness test failed. Can you figure out why and fix it? - ডায়াগনোসিসটি দেখুন : এজেন্ট ডেটা কোয়েরি করবে,
pet_profilesমধ্যে ওয়ান-টু-মেনি সম্পর্কটি খুঁজে বের করবে, ব্যাখ্যা করবে যে এটিকে সরাসরি জয়েন করলে গ্রেইনটি 'প্রতি অর্ডারে একটি সারি' থেকে 'প্রতি অর্ডারে প্রতি পোষ্যে একটি সারি' -তে পরিবর্তিত হয়, এবং পোষ্যের প্রোফাইলগুলোকে প্রি-অ্যাগ্রিগেট করার জন্য মডেলটি নতুন করে লিখবে।-- Pre-aggregating pets per customer to resolve fan-out LEFT JOIN ( SELECT customer_id, COUNT(*) AS num_pets, STRING_AGG(DISTINCT pet_type, ', ') AS pet_types, STRING_AGG(DISTINCT dietary_needs, ', ') AS dietary_needs FROM pet_profiles GROUP BY customer_id ) pet_agg ON c.customer_id = pet_agg.customer_id - সমাধানটি যাচাই করুন : এজেন্টটি আবার
dbt buildচালায়, এবং এবার সমস্ত মডেল বাস্তবায়িত হয় ও সমস্ত পরীক্ষা সফলভাবে সম্পন্ন হয়!
অধ্যায়ের সারসংক্ষেপ: আপনার এজেন্ট সক্রিয়ভাবে বাগটি এড়িয়ে যাক বা পরীক্ষার ব্যর্থতার পর সফলভাবে নিজেকে সারিয়ে তুলুক, আপনি দেখেছেন এটি ক্লাউড এসকিউএল (Cloud SQL) এর সীমানা অতিক্রম করেছে, গ্রাহক ও পোষ্যের প্রোফাইল ডেটা একীভূত করেছে এবং ফ্যাক্ট টেবিলের নিখুঁত সূক্ষ্মতা বজায় রেখেছে। পাইপলাইনটি এখন শক্তিশালী, সম্পূর্ণ এবং পুরোপুরি পরীক্ষিত!
১০. উত্তরটি প্রদান করুন
আজ বৃহস্পতিবার। সপ্তাহটা শুরু হয়েছিল একজন চিন্তিত সিএফও এবং তিনটি ক্লাউড সার্ভিসে ছড়িয়ে-ছিটিয়ে থাকা ডেটা দিয়ে। এখন আপনার কাছে মূল কারণ এবং একটি প্রোডাকশন পাইপলাইন রয়েছে। এবার সময় এসেছে পরিমাণগত পূর্বাভাসের ওপর ভিত্তি করে একটি ভবিষ্যৎমুখী সুপারিশসহ উত্তরটি দেওয়ার।
নির্বাহী সারসংক্ষেপ লিখুন
- চ্যাট প্যানে টাইপ করুন:
Write an executive summary covering: - Main findings and the quantitative margin impact - Project AOV for the subsequent quarter if the B2B program continues at its current trajectory - A data-driven recommendation - এজেন্টকে কাজ করতে দেখুন।
- এজেন্টের কার্যনির্বাহী সারসংক্ষেপটি পর্যালোচনা করুন। একটি সাধারণ ও সুগঠিত উত্তরে নিম্নলিখিত বিষয়গুলো অন্তর্ভুক্ত থাকা উচিত:
- মূল পর্যবেক্ষণ : শুধুমাত্র নতুন B2B-পাইকারি চ্যানেলের কারণে জানুয়ারি মাসের গড় অর্ডার মূল্য (AOV) কমেছে। অনলাইন ও অফলাইন প্রায় ১১০ ডলারে স্থিতিশীল রয়েছে।
- মূল কারণ : "বি২বি পাইকারি উদ্যোগ" (বাল্ক অর্ডারে ২৫% ছাড়) ১০০টি নতুন অ্যাকাউন্ট আকৃষ্ট করে, যার ফলে প্রায় ২৫,০০০ অর্ডার আসে।
- মুনাফার উপর প্রভাব : পাইকারি অর্ডারের কারণে গড় একক মুনাফা প্রায় ৬৫% কমেছে (প্রায় ৭.৫০ ডলার থেকে প্রায় ২.৬০ ডলারে)।
- রাজস্ব : সামগ্রিক রাজস্ব অপরিবর্তিত রয়েছে, কারণ বি২বি লেনদেনের উচ্চ পরিমাণ কম দামের প্রভাবকে পুষিয়ে দিয়েছে।
AI.FORECAST ব্যবহার করে AOV-এর পূর্বাভাস দিন।
- এজেন্টকে একটি ভবিষ্যৎ-কেন্দ্রিক প্রক্ষেপণও তৈরি করতে হবে। এমন একটি MCP টুল কল খুঁজুন যেখানে এজেন্ট BigQuery-এর বিরুদ্ধে একটি
AI.FORECASTকোয়েরি চালায়। এটি ঐতিহাসিক প্রবণতার উপর ভিত্তি করে আগামী ৯০ দিনের জন্য AOV প্রক্ষেপণ করতে বিল্ট-ইন TimesFM ফাউন্ডেশন মডেল ব্যবহার করে। কোয়েরিটি দুটি পরিস্থিতিতে আগামী ৯০ দিনের জন্য AOV প্রক্ষেপণ করবে: ক্যাম্পেইন চালিয়ে যাওয়া (কাঠামোগতভাবে কম AOV) বনাম ক্যাম্পেইন বন্ধ করে দেওয়া (প্রায় $১১০-এ পুনরুদ্ধার)।
- এজেন্টের কৌশলগত সুপারিশগুলো পর্যালোচনা করুন। কয়েকটি জোরালো সুপারিশের মধ্যে নিম্নলিখিতগুলো অন্তর্ভুক্ত থাকতে পারে:
- ডিসকাউন্টের পুনর্গঠন : ইউনিট-স্তরের মার্জিন রক্ষা করার জন্য মার্জিনের সর্বনিম্ন সীমা প্রয়োগ করুন অথবা বাল্ক ডিসকাউন্টের উপর সর্বোচ্চ সীমা নির্ধারণ করুন।
- কঠোরতর ন্যূনতম অর্ডারের পরিমাণ (MOQ) প্রয়োগ করুন : খুচরা ক্রেতাদের পাইকারি মূল্যের অপব্যবহার থেকে বিরত রাখুন।
- পৃথক রিপোর্টিং : রিটেইল পারফরম্যান্স যাতে ঢাকা না পড়ে, সেজন্য রিটেইল এবং বি২বি বিভাগগুলোকে স্বাধীনভাবে ট্র্যাক করুন।
সম্পূর্ণ কাহিনী
গড় অর্ডার মূল্যে ৭% পতন নিয়ে সোমবার যে তুমুল হট্টগোল শুরু হয়েছিল, তার একটি সুস্পষ্ট সমাধান রয়েছে সিএফও-এর কাছে:
- খুচরা ব্যবসার স্বাস্থ্য : মূল খুচরা চ্যানেলগুলো ভিত্তিস্তরে সুস্থ ও স্থিতিশীল রয়েছে।
- পাইকারি প্রবাহ বৃদ্ধি : গড় অর্ডার মূল্যের (AOV) এই পতন সম্পূর্ণরূপে নতুন B2B পাইকারি চ্যানেল এবং
BIGORDER25ক্যাম্পেইনের কারণে হয়েছে। - মুনাফার উপর প্রভাব : ২৫% পাইকারি ছাড়ের ফলে একক প্রতি মুনাফা ব্যাপকভাবে হ্রাস পেয়েছে, যা রাজস্ব অপরিবর্তিত থাকা সত্ত্বেও লাভজনকতাকে হুমকির মুখে ফেলেছে।
- কৌশলগত পূর্বাভাস :
AI.FORECASTএকটি প্রক্ষেপণ দেখাচ্ছে যে পাইকারি স্তরগুলির পুনর্গঠন মিশ্রিত AOV পুনরুদ্ধার করবে।
আপনি পাইকারি মার্জিনের সর্বনিম্ন সীমা নির্ধারণ এবং খুচরা/বি২বি রিপোর্টিং পৃথক করার জন্য তথ্য-সমর্থিত সুপারিশ প্রদান করেন।
অধ্যায়ের সারসংক্ষেপ: আপনি এজেন্টকে মার্জিন বিশ্লেষণসহ একটি কার্যনির্বাহী সারসংক্ষেপ লিখতে, একটি AI.FORECAST প্রক্ষেপণ তৈরি করতে এবং একটি ডেটা-ভিত্তিক সুপারিশ প্রদান করতে বলেছিলেন। তদন্তটি সম্পন্ন হয়েছে।
১১. পরিষ্কার করা
আপনার গুগল ক্লাউড অ্যাকাউন্টে চলমান চার্জ এড়ানোর জন্য, টিয়ারডাউন স্ক্রিপ্টটি চালিয়ে এই কোডল্যাবে তৈরি করা রিসোর্সগুলো মুছে ফেলুন।
- Antigravity IDE-এর নিচের Terminal প্যানেলে (অথবা Cloud Shell-এ), codelab ডিরেক্টরিতে যান এবং নিম্নলিখিত কমান্ডটি চালান:
cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x teardown.sh
./teardown.sh
- স্ক্রিপ্টটি যে সমস্ত রিসোর্স মুছে ফেলার পরিকল্পনা করছে তা প্রদর্শন করবে এবং এগিয়ে যাওয়ার আগে নিশ্চিতকরণের জন্য জিজ্ঞাসা করবে:
- ক্লাউড SQL ইনস্ট্যান্স (
cymbal-pets-ops): এটি সবচেয়ে ব্যয়বহুল রিসোর্স। - BigQuery ডেটাসেট (
cymbal_pets): সমস্ত টেবিল এবং মডেল - Cloud Storage bucket (
gs://YOUR_PROJECT_ID-cymbal-pets-raw) - BigQuery connection (
cymbal-pets-cloudsql)
- ক্লাউড SQL ইনস্ট্যান্স (
- Type
yto confirm. The teardown takes about 2-3 minutes.
[INFO] Deleting Cloud SQL instance cymbal-pets-ops... [ OK ] Cloud SQL instance deleted. [INFO] Deleting BigQuery dataset cymbal_pets... [ OK ] BigQuery dataset deleted. [INFO] Deleting GCS bucket gs://YOUR_PROJECT_ID-cymbal-pets-raw... [ OK ] GCS bucket deleted.
12. Congratulations!
You've successfully completed The Cymbal Pets Investigation ! You went from a vague CFO question to a fully operationalized, forecast-backed recommendation, using an AI agent that works across your entire Google Cloud data estate.
What you accomplished
- 🔍 Explored across services : Discovered and previewed assets in BigQuery , Cloud SQL , and Cloud Storage using the Data Agent Kit 's Knowledge Catalog .
- 🕵️♂️ Investigated with AI : Queried multiple services in a single chat pane conversation using MCP Tools to trace the AOV anomaly to a bulk B2B promotional campaign.
- 🔧 Built a production pipeline : Scaffolded a complete dbt project to clean, join, and test transactional and customer data.
- 🐛 Debugged a fan-out bug : Observed the agent automatically diagnose a granularity issue and refactor the dbt SQL model to pre-aggregate customer pet profiles.
- 📈 Forecasted and recommended : Used BigQuery's built-in
AI.FORECASTto model AOV trends and delivered a data-driven recommendation to the CFO.
মূল ধারণা
ধারণা | What You Learned |
MCP Tools | Secure, auditable connections that let the AI agent query services like BigQuery, Cloud SQL, Spanner, and other databases on your behalf, with every call visible in the Chat pane |
Agent Skills | Pre-built instruction sets (like |
Cross-service investigation | The agent queries multiple Google Cloud services in a single conversation — no connection setup, no context-switching between consoles |
Goal-oriented prompting | Telling the agent what you want ("build a dbt project that calculates AOV by channel") rather than how , and letting it choose the implementation approach |
Data Agent Kit | The extension that binds everything together — MCP Tools, Agent Skills, and data discovery — giving you access to your entire Google Cloud data estate from within your IDE of choice |
পরবর্তী পদক্ষেপ
- Read the Data Agent Kit documentation to learn more about its capabilities
- Learn about BigQuery ML and AI functions including
AI.FORECAST,AI.GENERATE, andAI.EMBED - Try building your own cross-service investigation with the Antigravity IDE on your own data