1. บทนำ
เช้าวันจันทร์และ CFO เพิ่งส่งข้อความถึงคุณ มูลค่าการสั่งซื้อเฉลี่ยลดลง 7% ในเดือนนี้ แต่รายได้รวมไม่เปลี่ยนแปลง มีบางอย่างไม่ถูกต้อง และคณะกรรมการต้องการคำตอบภายในวันศุกร์
บริษัทของคุณ Cymbal Pets เป็นหนึ่งในผู้ค้าปลีกอุปกรณ์สัตว์เลี้ยงออนไลน์รายใหญ่ที่สุดในสหรัฐอเมริกา ข้อมูลที่คุณต้องการกระจายอยู่ในบริการของ Google Cloud 3 รายการ ได้แก่ ประวัติการขายและคำสั่งซื้อใน BigQuery, บันทึกลูกค้าและผลิตภัณฑ์ใน Cloud SQL และไฟล์การตลาดใน Cloud Storage โดยปกติแล้ว การรวบรวมข้อมูลการตรวจสอบข้ามบริการในลักษณะนี้ หมายถึงการสลับไปมาระหว่างคอนโซล การเขียนข้อความเชื่อมต่อมาตรฐาน และการนำผลลัพธ์มาประกอบกันด้วยตนเอง
ใน Codelab นี้ คุณจะได้ใช้ Google Cloud Data Agent Kit (DAK) ใน Antigravity IDE เพื่อตรวจสอบความผิดปกติโดยใช้ภาษาธรรมชาติ คุณอธิบายสิ่งที่คุณต้องการค้นหา แล้ว AI Agent จะจัดการการเชื่อมต่อ, SQL และการรวมข้ามบริการใน BigQuery, Cloud SQL และ Cloud Storage เมื่อไขคดีได้แล้ว คุณจะขอให้เอเจนต์สร้างไปป์ไลน์ dbt เพื่อนำสิ่งที่ค้นพบไปใช้จริง แก้ไขข้อบกพร่องในการสร้างโมเดลข้อมูลจริง และส่งคำแนะนำที่อิงตามการคาดการณ์ไปยัง CFO
สิ่งที่คุณต้องทำ
- ค้นพบชิ้นงานข้อมูลใน BigQuery, Cloud SQL และ Cloud Storage โดยใช้แคตตาล็อกความรู้
- ตรวจสอบความผิดปกติโดยการค้นหาหลายบริการในการสนทนาเดียวโดยใช้เครื่องมือ MCP
- สร้างไปป์ไลน์ dbt เพื่อจัดเตรียมและรวมข้อมูลข้ามบริการด้วยโมเดลการจัดเตรียมและการทดสอบอัตโนมัติ
- แก้ไขข้อบกพร่องของปัญหาการสร้างโมเดลข้อมูลในขณะที่เอเจนต์วินิจฉัยตนเองและปรับโครงสร้างข้อบกพร่องแบบ Fan-Out
- คาดการณ์เทรนด์ในอนาคตและแสดงคำแนะนำที่อิงตามข้อมูลโดยใช้
AI.FORECASTของ BigQuery
สิ่งที่คุณต้องมี
- เว็บเบราว์เซอร์ เช่น Chrome
- Antigravity IDE
- โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงินและมีสิทธิ์เข้าถึง Google Cloud Console (เราขอแนะนำให้ใช้โปรเจ็กต์ใหม่ที่สร้างขึ้นโดยเฉพาะสำหรับแล็บภาคปฏิบัติ)
- มีความรู้พื้นฐานเกี่ยวกับ SQL และคอนโซล Google Cloud
Codelab นี้มีไว้สำหรับผู้ปฏิบัติงานด้านข้อมูลระดับกลาง (วิศวกรข้อมูลเชิงวิเคราะห์ นักวิเคราะห์ข้อมูล นักวิทยาศาสตร์ข้อมูล)
ทรัพยากรที่สร้างในโค้ดแล็บนี้ควรมีค่าใช้จ่ายน้อยกว่า $5 อย่าลืมทำตามวิธีการล้างข้อมูลที่ท้ายแล็บเพื่อลบทรัพยากรที่จัดสรร
2. ก่อนเริ่มต้น
ในส่วนนี้ คุณจะได้เรียกใช้สคริปต์การตั้งค่าที่จัดสรรสภาพแวดล้อมของ Lab ทั้งหมด ได้แก่ ชุดข้อมูล BigQuery ที่มีข้อมูลคำสั่งซื้อ อินสแตนซ์ Cloud SQL Postgres ที่มีข้อมูลลูกค้าและผลิตภัณฑ์ และ Bucket ของ Cloud Storage ที่มีบันทึกแคมเปญโปรโมชัน สคริปต์จะใช้เวลาประมาณ 8-10 นาทีจึงจะเสร็จสมบูรณ์ โดยการจัดสรร Cloud SQL เป็นคอขวด
เลือกหรือสร้างโปรเจ็กต์
เลือกโปรเจ็กต์ที่มีอยู่หรือสร้างโปรเจ็กต์ใหม่ในคอนโซล Google Cloud
ยืนยันการเรียกเก็บเงิน
ตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินสำหรับโปรเจ็กต์ Google Cloud แล้ว ดูข้อมูลเพิ่มเติมเกี่ยวกับวิธีดำเนินการนี้ได้โดยทำตามคำแนะนำนี้
เริ่มต้น Cloud Shell
คุณจะใช้ Google Cloud Shell เพื่อเรียกใช้สคริปต์การตั้งค่า
- เปิด คอนโซล Google Cloud แล้วคลิกเปิดใช้งาน Cloud Shell ที่ด้านบนของหน้าต่าง
- เมื่อเชื่อมต่อแล้ว ให้ตั้งค่ารหัสโปรเจ็กต์และยืนยันสภาพแวดล้อม
gcloud config set project <<YOUR_PROJECT_ID>>
export PROJECT_ID=$(gcloud config get-value project)
คุณควรเห็นข้อความที่คล้ายกับข้อความต่อไปนี้
Your active configuration is: [cloudshell-####] Updated property [core/project]
โคลนที่เก็บ
โคลนที่เก็บ Codelab ไปยังสภาพแวดล้อม Cloud Shell โดยทำดังนี้
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/
เรียกใช้สคริปต์การตั้งค่า
สคริปต์การตั้งค่าจะเตรียมสภาพแวดล้อมในห้องทดลองทั้งหมดโดยอัตโนมัติเพื่อให้คุณเริ่มการตรวจสอบได้ทันที
cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x setup.sh setup_sql.sh
./setup.sh
เมื่อเสร็จสิ้น คุณจะเห็นสรุปสภาพแวดล้อมเบื้องหน้าดังนี้
╔══════════════════════════════════════════════════════╗
║ 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
ขณะที่คุณดำเนินการตามขั้นตอนถัดไปของแล็บ ระบบจะจัดสรรและเริ่มต้นฐานข้อมูลในเบื้องหลัง คุณสามารถตรวจสอบความคืบหน้าได้ตลอดเวลาในแผงเทอร์มินัลแยกต่างหากโดยใช้คำสั่ง:
tail -f /tmp/cloudsql_setup.log
โปรดสังเกตสถาปัตยกรรมข้อมูล: บันทึกการขายในอดีต (คำสั่งซื้อและรายการคำสั่งซื้อ) อยู่ใน BigQuery ในขณะที่ข้อมูลแอปพลิเคชันการดำเนินงาน (ลูกค้า โปรไฟล์สัตว์เลี้ยง และผลิตภัณฑ์) อยู่ใน Cloud SQL การแยกนี้สะท้อนถึงองค์กรในโลกแห่งความเป็นจริงที่คลังข้อมูลวิเคราะห์และฐานข้อมูลการดำเนินงานมีชิ้นส่วนต่างๆ ของปริศนา
สรุปส่วน: คุณเรียกใช้สคริปต์การตั้งค่าเพื่อเริ่มต้นสภาพแวดล้อมในแล็บและเริ่มการจัดสรรฐานข้อมูลในเบื้องหลัง
3. ตั้งค่า IDE และ Data Agent Kit
เปิด Antigravity IDE
คุณไม่ต้องรอให้ Cloud SQL ทำเสร็จ เปิด Antigravity IDE แล้วเชื่อมต่อกับโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google
- หากยังไม่ได้ดำเนินการ ให้ดาวน์โหลดและติดตั้ง Antigravity IDE จากหน้าดาวน์โหลด Google Antigravity
- เปิดแอปพลิเคชันเดสก์ท็อป Antigravity IDE
- สร้างโฟลเดอร์ใหม่ที่ว่างเปล่าในเครื่อง (เช่น ชื่อ
agentic-data-labs) แล้วเปิดใน IDE โดยเลือกเปิดโฟลเดอร์ ซึ่งจะทำหน้าที่เป็นพื้นที่ทำงานในเครื่องสำหรับ Codelab
ติดตั้งส่วนขยาย Data Agent Kit
ส่วนขยาย Google Cloud Data Agent Kit จะเพิ่มเบราว์เซอร์แคตตาล็อกข้อมูล ทักษะของ Agent และเซิร์ฟเวอร์ MCP สำหรับ BigQuery, Cloud SQL และ Cloud Storage เพื่อให้คุณค้นหาและตรวจสอบบริการเหล่านั้นจากเอดิเตอร์ได้
- ใน Antigravity IDE ให้คลิกไอคอนส่วนขยายในแถบกิจกรรมทางด้านซ้ายสุดของหน้าจอ (มีลักษณะเป็นสี่เหลี่ยม 4 รูป)
- พิมพ์
Google Cloud Data Agent Kitในแถบค้นหาที่ด้านบนของแผงส่วนขยาย - ค้นหาผลการค้นหาแรกที่ชื่อ Google Cloud Data Agent Kit (เผยแพร่โดย
googlecloudtools) - คลิกปุ่มติดตั้ง
- ข้อความแจ้งอาจปรากฏขึ้นเพื่อถามว่า "คุณเชื่อถือผู้เผยแพร่ ‘googlecloudtools' และส่วนขยายของผู้เผยแพร่รายนี้ไหม" คลิกเชื่อถือผู้เผยแพร่โฆษณาและติดตั้งเพื่อดำเนินการต่อ
เมื่อติดตั้งแล้ว คุณจะเห็นไอคอน Google Cloud Data Agent Kit ใหม่ปรากฏในแถบกิจกรรมทางด้านซ้ายสุดของ Antigravity IDE
ตรวจสอบสิทธิ์และกำหนดค่าส่วนขยาย
หลังจากติดตั้งแล้ว ให้เชื่อมต่อส่วนขยายกับโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google
- ระบบควรเปิดหน้าเริ่มต้นใช้งานชื่อ "ยินดีต้อนรับสู่ชุดเครื่องมือตัวแทนข้อมูลของ Google Cloud" โดยอัตโนมัติ หากไม่ได้ลงชื่อเข้าใช้บัญชีระบบคลาวด์ ให้ทำตามข้อความแจ้งเพื่ออนุญาตการเข้าถึง
- ในส่วนสรุปการกำหนดค่า ให้ค้นหาช่องโปรเจ็กต์ คลิกเมนูแบบเลื่อนลงแล้วเลือกโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google ตั้งค่าภูมิภาคเป็น
us-central1จากนั้นเลือกกำหนดค่าเซิร์ฟเวอร์ MCP
- ในแผงการกำหนดค่า MCP ให้คลิกเพื่อเปิดใช้ BigQuery และ Cloud SQL จากนั้นคลิกเริ่มต้นใช้งาน
ดูตัวเลือกการกำหนดค่า
เมื่อตั้งค่าเสร็จแล้ว คุณจะไปที่หน้า "เริ่มต้นใช้งานชุดเครื่องมือ Data Agent ของ Google Cloud"
- คลิกเริ่มต้นใช้งานในส่วน "การตั้งค่าและการกำหนดค่า"
- ซึ่งจะเปิดแผงการกำหนดค่าชุดเครื่องมือตัวแทนข้อมูล สำรวจแท็บต่างๆ ดังนี้
- โปรเจ็กต์และภูมิภาค: ยืนยันรหัสโปรเจ็กต์ที่เลือกและตรวจสอบว่าได้เปิดใช้ API ที่จำเป็น (Cloud Storage API, BigQuery API, Catalog API และ Cloud SQL Admin API) แล้ว
- BigQuery: กำหนดค่าตำแหน่งเริ่มต้นสำหรับการค้นหา BigQuery ใช้ภูมิภาค
us-central1 - กำหนดค่าเซิร์ฟเวอร์ MCP: ดูเซิร์ฟเวอร์ MCP ที่เปิดใช้ (BigQuery, Notebook, Cloud SQL ฯลฯ) ซึ่งอนุญาตให้ Agent AI โต้ตอบกับข้อมูลของคุณได้อย่างปลอดภัย
- ทักษะ: สำรวจทักษะที่สร้างไว้ล่วงหน้าซึ่งมอบความสามารถเฉพาะทางให้กับเอเจนต์สำหรับงานข้อมูลที่ซับซ้อน
สรุปส่วน: คุณเปิด Antigravity IDE, เชื่อมต่อกับโปรเจ็กต์ Google Cloud และกำหนดค่าเซิร์ฟเวอร์ MCP ระยะไกลของ Data Agent Kit
4. ค้นพบข้อมูลของคุณ
ได้เวลาจัดฉากแล้ว สถานการณ์คือ CFO บอกว่ามูลค่าการสั่งซื้อเฉลี่ยลดลง 7% ในเดือนที่ผ่านมา แต่รายได้รวมไม่เปลี่ยนแปลง ก่อนที่จะขอให้ตัวแทนตรวจสอบ คุณควรทำความเข้าใจก่อนว่าคุณกำลังทำงานกับข้อมูลใด
ในส่วนนี้ คุณจะได้สำรวจแผงชุดเครื่องมือ Data Agent ด้วยตนเองเพื่อทำความเข้าใจภาพรวม การทำความเข้าใจข้อมูลก่อนเริ่มการค้นหาเป็นขั้นตอนแรกที่สำคัญในการตรวจสอบ
สำรวจตาราง BigQuery
- ในแผงชุดเครื่องมือตัวแทนข้อมูล ภายในแคตตาล็อก ให้ขยายโปรเจ็กต์ → BigQuery →
cymbal_pets - คลิกตาราง
ordersแท็บใหม่จะเปิดขึ้นเพื่อแสดงรายละเอียดของตาราง - สำรวจแท็บทางด้านซ้ายของโปรแกรมดูตาราง
- ข้อมูล: ดูตัวอย่างแถวจริง เลื่อนดูชุดข้อมูลและตรวจสอบคอลัมน์
- สคีมา: ตรวจสอบชื่อและประเภทคอลัมน์ สังเกตฟิลด์อย่าง
order_typeและpromo_codeซึ่งจะมีความสำคัญในภายหลัง - แท็บอื่นๆ (รายละเอียด ข้อมูลเชิงลึก โปรไฟล์ข้อมูล ฯลฯ) เข้าถึงข้อมูลเมตา ต้นทางของข้อมูล และรายละเอียดคุณภาพที่คุณมักจะเห็นในคอนโซล Google Cloud ได้โดยไม่ต้องออกจากเอดิเตอร์
- ตอนนี้ให้คลิกตาราง
order_itemsแล้วตรวจสอบสคีมา สังเกตฟิลด์quantityและprice
สำรวจตาราง Cloud SQL
สคริปต์การตั้งค่ายังวางข้อมูลลูกค้า สัตว์เลี้ยง และผลิตภัณฑ์ในฐานข้อมูล PostgreSQL ใน Cloud SQL ด้วย
- ในแผงชุดเครื่องมือ Data Agent ให้คลิกการค้นหาสากลในส่วนแคตตาล็อก
- ในช่องค้นหา พิมพ์
pet_profilesแล้วกด Enter - ในผลการค้นหา ให้คลิกผลลัพธ์ตาราง PostgreSQL สำหรับ
pet_profiles(ในอินสแตนซ์ Cloud SQL ของโปรเจ็กต์) โปรดสังเกตว่าแถบด้านข้างแอคคอร์เดียนจะขยายโดยอัตโนมัติ ซึ่งจะแสดงให้เห็นว่าตารางอยู่ในส่วนใดของโครงสร้างฐานข้อมูล ตอนนี้ให้คลิกตารางcustomersที่อยู่เหนือตารางในโครงสร้างเพื่อเปิดรายละเอียด แล้วสำรวจแท็บสคีมาและรายละเอียด
สำรวจไฟล์ใน Cloud Storage
สุดท้ายนี้ ระบบจะจัดเก็บบันทึกแคมเปญการตลาดและโปรโมชันเป็นไฟล์ JSON ดิบใน Cloud Storage
- ในแผงชุดเครื่องมือ Data Agent ทางด้านซ้าย ให้ขยายส่วน CLOUD STORAGE ค้นหาที่ตั้งของที่เก็บข้อมูลดิบของโปรเจ็กต์ (
YOUR_PROJECT_ID-cymbal-pets-raw) - คลิกไฟล์
promo_events.jsonใน Bucket แท็บเอดิเตอร์ใหม่จะเปิดขึ้น ซึ่งช่วยให้คุณดูเนื้อหา JSON ดิบของแคมเปญการตลาดได้โดยตรงภายใน IDE
ประเมิน
ข้อมูลที่คุณทราบในตอนนี้มีดังนี้
บริการ | ตาราง | มีอะไรบ้าง |
BigQuery |
| คำสั่งซื้อประมาณ 1.9 ล้านรายการ รายการโฆษณาประมาณ 4.3 ล้านรายการ ช่วงวันที่ 2023-2025 |
Cloud SQL |
| ลูกค้าประมาณ 92, 000 ราย โปรไฟล์สัตว์เลี้ยงประมาณ 7, 600 โปรไฟล์ และผลิตภัณฑ์ 206 รายการ |
Cloud Storage |
| บันทึกแคมเปญโปรโมชัน |
ข้อมูลจะกระจายอยู่ใน 3 บริการ ในเวิร์กโฟลว์แบบเดิม คุณจะต้องตั้งค่าการเชื่อมต่อ เขียนโค้ดการผสานรวม และรวมผลลัพธ์ด้วยตนเอง ในขั้นตอนถัดไป คุณจะให้ AI Agent จัดการทุกอย่างผ่านการสนทนาเดียว
สรุปส่วน: คุณใช้แผงชุดเครื่องมือตัวแทนข้อมูลเพื่อสำรวจสถาปัตยกรรมข้อมูลใน BigQuery, Cloud SQL และ Cloud Storage ด้วยตนเอง ตอนนี้คุณทราบแล้วว่าข้อมูลอยู่ที่ใดและมีฟิลด์ใดบ้าง คุณจึงพร้อมที่จะเริ่มการตรวจสอบ
5. ดูตัวเลข
ตอนนี้การตรวจสอบจึงเริ่มต้นขึ้น คุณจะใช้แผงแชทเพื่อขอให้ AI Agent ดึงข้อมูลมูลค่าการสั่งซื้อเฉลี่ย (AOV) จาก BigQuery AOV คือเมตริกทางธุรกิจที่แสดงถึงจำนวนเงินดอลลาร์โดยเฉลี่ยที่ใช้จ่ายต่อคำสั่งซื้อ Agent จะค้นหาในนามของคุณโดยใช้เครื่องมือ MCP และคุณจะเห็นคำค้นหา SQL ทุกรายการที่ Agent เรียกใช้
ดึงแนวโน้มมูลค่าการสั่งซื้อเฉลี่ย
- ในแผงแชททางด้านขวาของ IDE ให้พิมพ์พรอมต์ต่อไปนี้ แล้วกด Enter
Calculate our monthly average order value from August 2024 through January 2025 using the orders and order_items tables in BigQuery. - อนุมัติสิทธิ์การเข้าถึงข้อมูล การระมัดระวังเกี่ยวกับ AI Agent ที่เรียกใช้การค้นหาในฐานข้อมูลของคุณเป็นเรื่องที่ควรทำ ชุดเครื่องมือ Data Agent ช่วยให้คุณควบคุมได้ด้วยการหยุดชั่วคราวเพื่อขออนุญาตอย่างชัดเจนก่อนที่จะเข้าถึงข้อมูล เมื่อได้รับข้อความแจ้ง คุณจะเลือกตัวเลือกต่อไปนี้ได้
- อนุญาตเวลานี้: อนุมัติการใช้งานครั้งเดียว (เหมาะสำหรับการตรวจสอบคำค้นหาที่มีความเสี่ยงสูง)
- อนุญาตเสมอ: อนุมัติการใช้เครื่องมือนี้อย่างต่อเนื่องสำหรับเซสชัน
- ไม่: บล็อกการดำเนินการโดยสมบูรณ์
เลือกใช่และอนุญาตเสมอเพื่อให้ได้รับประสบการณ์การใช้งาน Lab ที่ราบรื่นที่สุด หมายเหตุ: ระบบจะให้สิทธิ์ตามเครื่องมือแต่ละรายการ คุณอาจเห็นข้อความแจ้งอีก 2-3 รายการในเร็วๆ นี้ เนื่องจากตัวแทนใช้เครื่องมือใหม่ (เช่น list_table_ids หรือ execute_sql_readonly) คุณสามารถเลือก "อนุญาตเสมอ" สำหรับข้อความแจ้งเหล่านี้ได้
- ดูการทำงานของ Agent แผงแชททำหน้าที่เป็นบันทึกความโปร่งใสสำหรับทุกสิ่งที่ตัวแทนทำ เอเจนต์จะแสดงเหตุผลและการดำเนินการแบบเรียลไทม์ให้คุณเห็นแทนที่จะเป็นกล่องดำ
- เมื่อตัวแทนดำเนินการเสร็จแล้ว ให้คลิกเมนูแบบเลื่อนลงใช้ได้กับ Xm ใต้พรอมต์เพื่อขยายบันทึกการทำงานทั้งหมด ที่นี่คุณจะตรวจสอบได้ว่าโมเดลได้คำตอบของคุณมาได้อย่างไร
- สำรวจแล้ว: ขยายรายการเหล่านี้เพื่อดูตัวแทนที่อ่านไฟล์ เรียกดูโฟลเดอร์ หรือเรียกใช้เครื่องมือ MCP (เช่น
datacloud_bigquery_remote / list_table_idsและexecute_sql_readonly) คุณสามารถดูอาร์กิวเมนต์ JSON ที่แน่นอนซึ่งส่งไปยังเครื่องมือและ SQL ที่ดำเนินการได้ - รัน: ขยายรายการเหล่านี้เพื่อดูคำสั่งเทอร์มินัลที่ตัวแทนดำเนินการ เช่น
gcloud config list
- สำรวจแล้ว: ขยายรายการเหล่านี้เพื่อดูตัวแทนที่อ่านไฟล์ เรียกดูโฟลเดอร์ หรือเรียกใช้เครื่องมือ MCP (เช่น
- ดูผลลัพธ์ เอเจนต์ควรแสดงตารางค่า AOV รายเดือน ลองดูตัวเลขด้วยตัวคุณเอง เดือนก่อนหน้ามีค่าใช้จ่ายประมาณ$110 จากนั้นในเดือนมกราคมค่าใช้จ่ายลดลงเหลือประมาณ$103 นั่นคือความผิดปกติที่ CFO แจ้ง
เจาะลึกตามช่องทาง
AOV โดยรวมลดลง แต่การลดลงนี้มาจากที่ใด มาดูกัน
- ในแผง Chat ให้พิมพ์ดังนี้
January looks lower than the prior months. Break down January's AOV by order_type to see what's going on? - Agent จะเรียกใช้การค้นหา BigQuery อีกครั้ง โดยครั้งนี้จะจัดกลุ่มตาม
order_typeตรวจสอบผลลัพธ์อย่างละเอียด คุณจะเห็นสิ่งที่น่าสนใจคือ AOV ออนไลน์และ ออฟไลน์ยังคงอยู่ที่ประมาณ$110 แต่มีช่องทางใหม่คือ B2B-Wholesale ซึ่งมี AOV ต่ำกว่ามาก (ประมาณ$75) ช่องทางใหม่นี้ทำให้ค่าเฉลี่ยแบบผสมลดลง - ตัวแทนอาจแนะนำให้ตรวจสอบลูกค้า B2B โดยเชิงรุก หากไม่เป็นเช่นนั้นก็ไม่เป็นไร คุณจะดำเนินการนี้ในขั้นตอนถัดไป
สรุปส่วน: คุณสังเกตเห็นว่า AOV ในเดือนมกราคมลดลงจากการดึงข้อมูลที่เป็นกลาง จากนั้นเจาะลึกตาม order_type เพื่อระบุ B2B-Wholesale เป็นแชแนลใหม่ที่ดึงค่าเฉลี่ยแบบผสมลง ตอนนี้คุณต้องค้นหาว่าลูกค้า B2B เหล่านี้คือใคร
6. ข้ามขอบเขตบริการ
คุณระบุ B2B-Wholesale เป็นแชแนลที่ผิดปกติใน BigQuery แต่ข้อมูลลูกค้าอยู่ใน Cloud SQL Data Agent Kit ช่วยให้คุณสนทนาต่อได้และจัดการขอบเขตของบริการ
ตรวจสอบลูกค้า B2B
- ในแผงแชท ให้พิมพ์ดังนี้
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 - ดูแผงแชทอย่างละเอียด คุณควรเห็นเครื่องมือ MCP อื่นปรากฏขึ้นในครั้งนี้ ขณะนี้เอเจนต์กำลังสอบถามข้อมูลจาก Cloud SQL แทนที่จะเป็น BigQuery เอเจนต์จะเชื่อมต่อกับอินสแตนซ์
cymbal-pets-opsCloud SQL Postgres และเรียกใช้การค้นหาในตารางcustomersคลิก แสดงรายละเอียด เพื่อดูโค้ด SQL - ดูผลลัพธ์ เอเจนต์ควรแสดงผลลัพธ์สำคัญหลายอย่าง ดังนี้
- ลูกค้า B2B ทุกรายมี
customer_type = 'Business' - โดยทั้งหมดลงชื่อสมัครใช้ภายใน 30 วันที่ผ่านมา (มกราคม 2025)
- ค่า
last_nameของพวกเขาคือชื่อธุรกิจ เช่น "Pet Supply Co," "Animal Care LLC," "Happy Paws Inc" - โดยมีผู้ใช้กลุ่มนี้ประมาณ 100 คน ซึ่งเป็นกลุ่มที่ไม่มีอยู่ก่อนหน้านี้
- ลูกค้า B2B ทุกรายมี
เชื่อมต่อรหัสโปรโมชัน
- เอเจนต์อาจสังเกตได้ด้วยตัวเองว่าคำสั่งซื้อ B2B จำนวนมากใน BigQuery มีค่า
promo_codeเป็นBIGORDER25หากโมเดลให้ข้อมูลนี้ ก็ถือว่าดี การตรวจสอบกำลังดำเนินการตามปกติ หากตัวแทนไม่ได้พูดถึงรหัสโปรโมชัน ให้แจ้งตัวแทนว่าI noticed a promo_code field on the orders table in BigQuery. Check what promo codes appear on the B2B-Wholesale orders? - เอเจนต์จะค้นหา BigQuery อีกครั้งและพบว่าคำสั่งซื้อ B2B-Wholesale ประมาณ 92% มี
promo_code = 'BIGORDER25'กิจกรรม B2B เกือบทั้งหมดเชื่อมโยงกับแคมเปญโปรโมชันเดียว จากนั้นเอเจนต์อาจมองหาข้อมูลโปรโมชันที่อื่นในสภาพแวดล้อม (อยู่ใน Cloud Storage)
สรุปส่วน: เอเจนต์ค้นหา Cloud SQL เพื่อแสดงให้เห็นว่าลูกค้า B2B เป็นธุรกิจใหม่ทั้งหมดที่ลงชื่อสมัครใช้ในเดือนมกราคม 2025 เมื่อรวมกับข้อมูลเชิงลึกของ BigQuery ที่ระบุว่าคำสั่งซื้อประมาณ 92% มี promo_code = 'BIGORDER25' ตอนนี้เส้นทางจึงชี้ไปยังแคมเปญโปรโมชัน ได้เวลาค้นหาแหล่งที่มา
7. ค้นหาชิ้นส่วนที่หายไป
บริการ 2 รายการลดลง เหลืออีก 1 รายการ คุณทราบสาเหตุ (คำสั่งซื้อ B2B ทำให้ AOV ลดลง) และผู้ที่ทำให้เกิดเหตุการณ์นี้ (ลูกค้าธุรกิจใหม่ในช่วง 30 วันที่ผ่านมา) ตอนนี้คุณต้องหาเหตุผล ซึ่งคำตอบอยู่ใน Cloud Storage
ตรวจสอบ Bucket ของ GCS
- ในแผงแชท ให้พิมพ์ดังนี้
Good catch on the promo code. We might have promotional campaign data in our GCS bucket. Can you check what's there? - เอเจนต์ไม่มีเครื่องมือ MCP ที่กำหนดค่าไว้ล่วงหน้าสำหรับ Cloud Storage จึงเปลี่ยนไปใช้เครื่องมือเทอร์มินัลโดยอัตโนมัติเพื่อเรียกใช้คำสั่ง
gcloud storageโดยจะขอสิทธิ์ในการเรียกใช้คำสั่งต่างๆ เช่นgcloud storage lsอนุญาตคำสั่งเหล่านี้ จากนั้นขยายบันทึก Ran ในแผงแชทเพื่อดูคำสั่ง CLI ที่ใช้ในการอ่านและแยกวิเคราะห์ไฟล์promo_events.json - ตัวแทนควรระบุแคมเปญส่งเสริมการขายสามรายการในไฟล์:
นั่นคือสาเหตุแคมเปญ
รหัสโปรโมชัน
ส่วนลด
เป้าหมาย
วันที่
ลดราคาผลิตภัณฑ์ดูแลสัตว์เลี้ยงช่วงฤดูร้อน
PETSUMMER15ลด 15%
ทั้งหมด
มิ.ย. 2024
การส่งแบบขายส่ง B2B
BIGORDER25ส่วนลด 25%
B2B
ม.ค. 2025
โบนัสช่วงเทศกาลสำหรับสมาชิกในโปรแกรมสะสมคะแนน
LOYAL10ลด 10%
สมาชิกโปรแกรมสะสมคะแนน
ธ.ค. 2024
BIGORDER25รหัสโปรโมชันเชื่อมโยงกับแคมเปญชื่อ B2B Wholesale Push: ส่วนลด 25% สำหรับลูกค้า B2B โดยต้องสั่งซื้อขั้นต่ำ 50 หน่วย
นำข้อมูลทุกอย่างมารวมกัน
- ขอให้ Agent สังเคราะห์ทุกอย่างที่พบ
Put it all together. What happened to our average order value? - Agent จะให้การสังเคราะห์ที่ชัดเจนและมีโครงสร้างซึ่งเชื่อมต่อแหล่งข้อมูลทั้ง 3 แหล่ง โดยควรมีคำอธิบายประมาณว่า
- AOV ลดลงจริง แต่ไม่ได้หมายความว่าธุรกิจที่มีอยู่ลดลง AOV ออนไลน์และออฟไลน์ยังคงมีเสถียรภาพที่ประมาณ$110
- ช่องทาง B2B-Wholesale ใหม่ปรากฏขึ้นในเดือนมกราคม 2025 โดยมีคำสั่งซื้อประมาณ 25,000 รายการที่มี AOV ต่ำกว่ามาก (ประมาณ$75-100)
- ลูกค้า B2B คือบัญชีธุรกิจใหม่ 100 บัญชีที่ลงชื่อสมัครใช้ทั้งหมดภายใน 30 วันที่ผ่านมา (Cloud SQL)
- กิจกรรมนี้เกิดจากแคมเปญโปรโมชัน ("การกระตุ้นการขายส่งแบบ B2B") ที่เสนอส่วนลด 25% สำหรับการสั่งซื้อจำนวนมากโดยมีจำนวนขั้นต่ำ 50 หน่วย (พื้นที่เก็บข้อมูลบนคลาวด์)
- รายได้คงที่เนื่องจากปริมาณคำสั่งซื้อ B2B จำนวนมากชดเชยราคาที่ต่ำลง อย่างไรก็ตาม อัตรากำไรต่อหน่วยจะลดลงอย่างมาก (ลดลงประมาณ 65%) ภายใต้ส่วนลดขายส่ง 25% ซึ่งจะส่งผลกระทบต่อความสามารถในการทำกำไรโดยรวมอย่างรุนแรงเมื่อพิจารณาถึงค่าจัดส่งและค่าใช้จ่ายในการดำเนินงาน
สรุปส่วน: คุณพบสาเหตุใน Cloud Storage ซึ่งก็คือแคมเปญโปรโมชันแบบ B2B ที่เสนอส่วนลด 25% สำหรับการสั่งซื้อจำนวนมาก Agent สังเคราะห์ข้อมูลที่ค้นพบในทั้ง 3 บริการออกมาเป็นการเล่าเรื่องที่ชัดเจน ระยะการตรวจสอบเสร็จสมบูรณ์แล้ว จากนั้นคุณจะนำข้อมูลเชิงลึกเหล่านี้ไปใช้ในการปฏิบัติงาน
8. สร้างไปป์ไลน์
คุณไขคดีได้แล้ว ตอนนี้ CFO ต้องการให้อัปเดตการวิเคราะห์นี้โดยอัตโนมัติ ในส่วนนี้ คุณจะขอให้เอเจนต์สร้างโปรเจ็กต์ dbt ที่จัดเตรียมข้อมูล BigQuery และสร้างตารางข้อเท็จจริงสำหรับการวิเคราะห์ AOV อย่างต่อเนื่อง
ในขั้นตอนนี้ ตัวแทนจะเปลี่ยนจากผู้ตรวจสอบเป็นวิศวกร คุณจะเห็นว่าโมเดลนี้สร้างโครงสร้างโปรเจ็กต์ dbt ทั้งหมดและเรียกใช้ไปป์ไลน์ทั้งหมดได้จากพรอมต์เดียว
สร้างโครงสร้างโปรเจ็กต์ dbt
- ในแผงแชท ให้พิมพ์พรอมต์ต่อไปนี้ ซึ่งมุ่งเน้นที่เป้าหมายโดยเฉพาะแทนที่จะเป็นแบบทีละขั้นตอน คุณกำลังบอก Agent ว่าต้องการอะไร ไม่ใช่วิธีสร้าง
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 - สังเกตการแก้ไขด้วยตนเอง: หากขยายบันทึก "ใช้งานได้สำหรับ Ns" คุณอาจเห็นว่าเอเจนต์ตรวจสอบ
dbtและเมื่อพบว่าไม่มีอยู่ เอเจนต์จะเรียกใช้คำสั่งโดยอัตโนมัติเพื่อสร้างสภาพแวดล้อมเสมือนของ Python (.venv) ซึ่งเป็นการจัดการการตั้งค่าสภาพแวดล้อมให้คุณ
- ตรวจสอบแผนการติดตั้งใช้งาน: เอเจนต์จะสร้างแผนการติดตั้งใช้งานอย่างเป็นทางการ คุณสามารถตรวจสอบไฟล์และโครงสร้างที่เสนอ เพิ่มความคิดเห็นหากจำเป็น และคลิก ดำเนินการต่อ เพื่อให้เอเจนต์ดำเนินการตามแผน
- ดูแผงแชทขณะที่เอเจนต์ดำเนินการตามแผน เขียน
.sqlไฟล์และการกำหนดค่า YAML ที่จำเป็น เมื่อกระบวนการเสร็จสิ้นและคอมไพล์โปรเจ็กต์สำเร็จแล้ว ระบบจะแสดงสรุปการเปลี่ยนแปลง คลิกยอมรับทั้งหมดเพื่อเพิ่มไฟล์เหล่านี้ลงในพื้นที่ทำงาน
- สำรวจโปรเจ็กต์ dbt ที่สร้างขึ้นใหม่ใน Explorer ทางด้านซ้าย คุณควรเห็นโครงสร้างที่คล้ายกับโครงสร้างต่อไปนี้
dbt/ ├── models/ │ ├── marts/ │ │ └── fct_order_analysis.sql │ └── staging/ │ ├── schema.yml │ ├── sources.yml │ ├── stg_order_items.sql │ └── stg_orders.sql ├── dbt_project.yml └── profiles.yml
- คลิกไฟล์โมเดล
.sqlเพื่อตรวจสอบ SQL ที่เอเจนต์สร้างขึ้น โปรดดูวิธีจัดการในกรณีต่อไปนี้- โมเดลการจัดเตรียม: คอลัมน์ที่ทำความสะอาดแล้ว เปลี่ยนชื่อแล้ว และมีการอ้างอิงแหล่งที่มา
- โมเดลมาร์ท: ตรรกะการรวมและการคำนวณ AOV ตามแชแนล
- การจัดการการเช็คเอาต์ของผู้เข้าพัก: คุณอาจเห็น
COALESCE(customer_type, 'Guest')หรือข้อจำกัด Null ที่ผ่อนปรน ซึ่งจะจำลองการซื้อของผู้เข้าพักในร้านค้าปลีกที่ทำโดยไม่มีบัญชี และจะเก็บรายได้จากการสั่งซื้อที่ถูกต้องไว้แทนที่จะทิ้งระเบียนที่ไม่สมบูรณ์
- ตรวจสอบแผงแชท (หรือคลิกอาร์ติแฟกต์คำแนะนำแบบทีละขั้นตอนที่สร้างขึ้น) เพื่อดูการยืนยันของเอเจนต์ว่าโมเดลทั้งหมดเป็นจริงและผ่านการทดสอบทั้งหมด ผลลัพธ์ AOV จากมาร์ทควรยืนยันสิ่งที่คุณพบระหว่างการตรวจสอบ
- Online: ~$110 - Offline: ~$110 - B2B-Wholesale: ~$75 to $77
สรุปส่วน: เอเจนต์สร้างโปรเจ็กต์ dbt จากพรอมต์เดียวที่มุ่งเน้นเป้าหมาย ซึ่งก็คือการสร้างโมเดลการจัดเตรียมและมาร์ทแบบสแคฟโฟลด์ รัน dbt build ได้สำเร็จ และยืนยันความผิดปกติของ AOV จากนั้นคุณจะลองถามคำถามที่ซับซ้อนเพื่อดูว่าเอเจนต์รับมือกับความซับซ้อนได้อย่างไร
9. เมื่อการทดสอบล้มเหลว เอเจนต์จะแก้ไขข้อบกพร่อง
ไปป์ไลน์ทำงานได้ แต่ใช้ข้อมูล BigQuery เท่านั้น ทีมผลิตภัณฑ์ต้องการเพิ่มประสิทธิภาพการวิเคราะห์ด้วยข้อมูลโปรไฟล์ลูกค้าและสัตว์เลี้ยงจาก Cloud SQL เพื่อให้แนะนำผลิตภัณฑ์ตามความต้องการด้านอาหารได้ ซึ่งหมายความว่าเอเจนต์ต้องเชื่อมต่อข้ามขอบเขต Cloud SQL และจัดการข้อบกพร่องในการสร้างโมเดลข้อมูลเล็กๆ น้อยๆ ซึ่งเป็นการรวม "แฟนเอาต์ (Fan-Out)" แบบคลาสสิกของการสร้างโมเดลมิติข้อมูล
เอเจนต์จะจัดการคำขอนี้ด้วยวิธีใดวิธีหนึ่งต่อไปนี้ โดยขึ้นอยู่กับโมเดลที่คุณใช้และความสามารถในการให้เหตุผลของโมเดลนั้น หลีกเลี่ยงข้อบกพร่องเชิงรุก (ตัวเลือก ก.) หรือการแก้ไขด้วยตนเองหลังจากทดสอบไม่สำเร็จ (ตัวเลือก ข.) มาดูกันว่า Agent ของคุณจะไปในเส้นทางใด
ทริกเกอร์คำขอ
- ในแผงแชท ให้พิมพ์ดังนี้
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. - ดูการทำงานของ Agent โดยจะค้นหาตาราง Cloud SQL, หาวิธีเชื่อมโยงข้อมูลไปยัง BigQuery (ผ่านการค้นหาแบบรวมหรือสำเนาที่สร้างขึ้น) สร้างโมเดลการจัดเตรียมข้อมูลใหม่ และแก้ไข
fct_order_analysis.sql
ตัวเลือก ก: เอเจนต์เชิงรุก (หลีกเลี่ยงข้อบกพร่อง)
หากคุณใช้โมเดลการให้เหตุผลขั้นสูง เอเจนต์อาจตรวจพบการเปลี่ยนความละเอียดก่อนที่จะเขียนโค้ด เนื่องจากลูกค้าอาจมีสัตว์เลี้ยงหลายตัว การรวมโดยตรงจะทำให้เกิดการสั่งซื้อที่ซ้ำกันและทำให้การทดสอบความไม่ซ้ำที่คุณขอใน order_id ไม่สำเร็จ
- สังเกตการรวบรวมข้อมูลเชิงรุก: ในคำอธิบายแผงแชทหรืออาร์ติแฟกต์แบบวอล์กทรู เอเจนต์อาจสังเกตว่ามีการรวบรวมข้อมูลสัตว์เลี้ยงล่วงหน้าก่อนที่จะรวมเข้าด้วยกันเพื่อป้องกัน "แฟนเอาต์ (Fan-Out) แบบคลาสสิก" โดยปกติแล้วจะดำเนินการนี้ด้วยการยุบสัตว์เลี้ยงหลายตัวต่อลูกค้า 1 รายโดยใช้ฟังก์ชันการรวม (เช่น
ARRAY_AGG()หรือSTRING_AGG()) - ตรวจสอบผลลัพธ์:
dbt buildทำงานและผ่านการทดสอบได้สำเร็จตั้งแต่ครั้งแรก เนื่องจากเอเจนต์ได้ป้องกันระดับความละเอียดของตารางข้อเท็จจริงไว้ล่วงหน้า คุณยืนยันได้โดยตรวจสอบอาร์ติแฟกต์การฝึกอบรมที่สร้างขึ้น ซึ่งมักจะแสดงเอาต์พุตการทดสอบที่สําเร็จควบคู่ไปกับผลลัพธ์ของคําค้นหา
Agent หลีกเลี่ยงข้อบกพร่อง ตรวจสอบ SQL ที่สร้างขึ้นใน fct_order_analysis.sql เพื่อดูโครงสร้างการรวบรวม จากนั้นข้ามไปยังส่วนถัดไป แสดงคำตอบ
ตัวเลือก B: ตัวแทนการซ่อมแซมตัวเอง (การแก้ไขข้อบกพร่องและการวินิจฉัย)
หากโมเดลเขียนการรวมด้านซ้ายโดยตรงแบบง่ายๆ ก่อน การค้นหา SQL จะทำงานได้สำเร็จ แต่ชุดdbt testอัตโนมัติจะตรวจพบการเปลี่ยนระดับรายละเอียด
- สังเกตการทดสอบล้มเหลว: คุณจะเห็นการรายงานว่าไม่สำเร็จในบันทึกความคืบหน้าในการดำเนินการของแผง Chat
Completed with 1 error Failure in test unique_fct_order_analysis_order_id Got 287 results, configured to fail if != 0
order_idพบรายการที่ซ้ำกันเนื่องจากลูกค้าที่มีสัตว์เลี้ยงหลายตัวได้กระจายคำสั่งซื้อ - ให้ Agent วินิจฉัยและแก้ไขด้วยตนเอง: เนื่องจากทดสอบไม่สำเร็จ ให้ขอให้ Agent แก้ข้อบกพร่อง ในแผงแชท ให้พิมพ์ดังนี้
The uniqueness test failed. Can you figure out why and fix it? - ดูการวินิจฉัย: เอเจนต์จะค้นหาข้อมูล ค้นพบความสัมพันธ์แบบหนึ่งต่อหลายรายการใน
pet_profilesอธิบายว่าการรวมข้อมูลโดยตรงจะเปลี่ยนระดับรายละเอียดจากหนึ่งแถวต่อคำสั่งซื้อเป็นหนึ่งแถวต่อคำสั่งซื้อต่อสัตว์เลี้ยง และเขียนโมเดลใหม่เพื่อรวบรวมโปรไฟล์สัตว์เลี้ยงล่วงหน้า-- 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 - ยืนยันการแก้ไข: Agent จะเรียกใช้
dbt buildอีกครั้ง และครั้งนี้โมเดลทั้งหมดจะแสดงผลและผ่านการทดสอบทั้งหมดเรียบร้อย
สรุปส่วน: ไม่ว่าเอเจนต์จะหลีกเลี่ยงข้อบกพร่องเชิงรุกหรือแก้ไขตัวเองได้สำเร็จหลังจาก<b>การทดสอบล้มเหลว</b> คุณก็เห็นแล้วว่าเอเจนต์เชื่อมต่อข้ามขอบเขต Cloud SQL, ผสานรวมข้อมูลโปรไฟล์ลูกค้าและสัตว์เลี้ยง และเก็บข้อมูล 1 แถวต่อคำสั่งซื้อในตารางข้อเท็จจริง ไปป์ไลน์เสร็จสมบูรณ์และผ่านการทดสอบแล้ว
10. แสดงคำตอบ
วันพฤหัสบดี คุณเริ่มสัปดาห์ด้วย CFO ที่กังวลและข้อมูลที่กระจัดกระจายอยู่ในบริการคลาวด์ 3 รายการ ตอนนี้คุณก็ทราบสาเหตุที่แท้จริงและมีไปป์ไลน์การผลิตแล้ว เวลาในการให้คำตอบพร้อมคำแนะนำในอนาคตที่อิงตามการคาดการณ์เชิงปริมาณ
เขียนข้อมูลสรุป
- ในแผงแชท ให้พิมพ์ดังนี้
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 - ดูการทำงานของ Agent
- อ่านข้อมูลสรุปของ Agent คำตอบทั่วไปที่มีโครงสร้างดีควรระบุข้อมูลต่อไปนี้
- ข้อมูลเชิงลึกหลัก: AOV ในเดือนมกราคมลดลงเนื่องจากช่อง B2B-Wholesale ใหม่เพียงอย่างเดียว ออนไลน์และออฟไลน์ยังคงมีเสถียรภาพที่ประมาณ$110
- สาเหตุหลัก: "การโปรโมตแบบ B2B สำหรับการขายส่ง" (ส่วนลด 25% สำหรับการสั่งซื้อจำนวนมาก) ดึงดูดบัญชีใหม่ได้ 100 บัญชี ซึ่งทำให้เกิดคำสั่งซื้อประมาณ 25,000 รายการ
- ผลกระทบต่อส่วนต่าง: คำสั่งซื้อแบบขายส่งทำให้กำไรต่อหน่วยโดยเฉลี่ยลดลงประมาณ 65% (จากประมาณ$7.50 เป็นประมาณ$2.60)
- รายได้: รายได้โดยรวมคงที่เนื่องจากปริมาณ B2B สูงชดเชยราคาที่ต่ำกว่า
คาดการณ์ AOV ด้วย AI.FORECAST
- นอกจากนี้ เอเจนต์ควรสร้างการคาดการณ์ในอนาคตด้วย มองหาการเรียกใช้เครื่องมือ MCP ที่ Agent เรียกใช้การค้นหา
AI.FORECASTกับ BigQuery โดยใช้โมเดลพื้นฐาน TimesFM ในตัวเพื่อคาดการณ์ AOV ในอีก 90 วันข้างหน้าตามแนวโน้มในอดีต คำค้นหาควรคาดการณ์ AOV ในอีก 90 วันข้างหน้าภายใต้ 2 สถานการณ์ ได้แก่ การดำเนินแคมเปญต่อไป (AOV ที่ลดลงตามโครงสร้าง) กับการสิ้นสุดแคมเปญ (การฟื้นตัวเป็นประมาณ$110)
- ตรวจสอบคำแนะนำเชิงกลยุทธ์ของเอเจนต์ คำแนะนำควรครอบคลุมสิ่งต่อไปนี้
- ปรับโครงสร้างส่วนลด: ใช้ราคาต่ำสุดของมาร์จิ้นหรือจำกัดส่วนลดแบบกลุ่มเพื่อปกป้องมาร์จิ้นระดับหน่วย
- บังคับใช้ MOQ ที่เข้มงวดขึ้น: ป้องกันไม่ให้ผู้ซื้อปลีกใช้การกำหนดราคาขายส่งในทางที่ผิด
- การรายงานแยกกัน: ติดตามแผนกค้าปลีกและ B2B แยกกันเพื่อไม่ให้ประสิทธิภาพการค้าปลีกถูกบดบัง
เรื่องราวทั้งหมด
สิ่งที่เริ่มต้นในวันจันทร์เป็นการซ้อมหนีไฟเนื่องจากมูลค่าการสั่งซื้อเฉลี่ยลดลง 7% มีวิธีแก้ไขที่ชัดเจนสำหรับ CFO ดังนี้
- Retail Health: ช่องทางค้าปลีกหลักยังคงมีสุขภาพดีและมีเสถียรภาพที่ระดับพื้นฐาน
- การไหลเข้าของการขายส่ง: AOV ที่ลดลงเกิดจากช่องทางการขายส่งแบบ B2B ใหม่และแคมเปญ
BIGORDER25โดยเฉพาะ - ผลกระทบต่อมาร์จิ้น: ส่วนลดแบบกลุ่ม 25% ทำให้มาร์จิ้นต่อหน่วยลดลงอย่างมาก ซึ่งส่งผลต่อความสามารถในการทำกำไรแม้ว่ารายได้จะคงที่
- การคาดการณ์เชิงกลยุทธ์:
AI.FORECASTการคาดการณ์แสดงให้เห็นว่าการปรับโครงสร้างระดับราคาขายส่งจะช่วยฟื้นฟู AOV แบบผสม
คุณส่งคำแนะนำที่อิงตามข้อมูลเพื่อกำหนดอัตรากำไรขั้นต่ำสำหรับการขายส่งและการรายงานการขายปลีก/B2B แยกกัน
สรุปส่วน: คุณขอให้ Agent เขียนสรุปสำหรับผู้บริหารพร้อมการวิเคราะห์มาร์จิ้น สร้างการคาดการณ์ AI.FORECAST และให้คำแนะนำที่อิงตามข้อมูล การตรวจสอบเสร็จสมบูรณ์แล้ว
11. ล้างข้อมูล
หากต้องการหลีกเลี่ยงการเรียกเก็บเงินอย่างต่อเนื่องในบัญชี Google Cloud ให้ลบทรัพยากรที่สร้างขึ้นใน Codelab นี้โดยเรียกใช้สคริปต์การล้างข้อมูล
- กลับไปที่ Google Cloud Shell (ที่ที่คุณเรียกใช้สคริปต์การตั้งค่า) แล้วเรียกใช้สคริปต์การลบ
cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x teardown.sh
./teardown.sh
- สคริปต์จะแสดงทรัพยากรทั้งหมดที่วางแผนจะลบและขอการยืนยันก่อนดำเนินการต่อ
- อินสแตนซ์ Cloud SQL (
cymbal-pets-ops): ตารางทั้งหมด - ชุดข้อมูล BigQuery (
cymbal_pets,dbt_marts): ตารางและโมเดลทั้งหมด - ที่เก็บข้อมูลใน Cloud Storage (
gs://YOUR_PROJECT_ID-cymbal-pets-raw) - การเชื่อมต่อ BigQuery (
cymbal-pets-cloudsql)
- อินสแตนซ์ Cloud SQL (
- พิมพ์
yเพื่อยืนยัน การถอดแยกชิ้นส่วนจะใช้เวลาประมาณ 2-3 นาที
[INFO] Deleting BigQuery dataset cymbal_pets... [ OK ] BigQuery dataset cymbal_pets deleted. [INFO] Deleting BigQuery dataset dbt_marts... [ OK ] BigQuery dataset dbt_marts deleted. [INFO] Deleting GCS bucket gs://YOUR_PROJECT_ID-cymbal-pets-raw... [ OK ] GCS bucket deleted. [INFO] Deleting BigQuery connection cymbal-pets-cloudsql... [ OK ] BQ connection deleted. [INFO] Deleting Cloud SQL instance cymbal-pets-ops... [ OK ] Cloud SQL instance deleted.
12. ยินดีด้วย
คุณทำภารกิจการสืบสวนเรื่อง Cymbal Pets สำเร็จแล้ว คุณเปลี่ยนจากคำถามที่คลุมเครือของ CFO ไปเป็นคำแนะนำที่ใช้งานได้จริงและอิงตามการคาดการณ์ โดยใช้ AI Agent ที่ทำงานกับข้อมูลทั้งหมดใน Google Cloud
สิ่งที่คุณทำสำเร็จ
- 🔍 สำรวจในบริการต่างๆ: ค้นพบและดูตัวอย่างชิ้นงานใน BigQuery, Cloud SQL และ Cloud Storage โดยใช้ชุดเครื่องมือ Data Agent ของแคตตาล็อกความรู้
- 🕵️♂️ ตรวจสอบด้วย AI: สอบถามบริการหลายอย่างในการสนทนาแชทบานหน้าต่างเดียวโดยใช้เครื่องมือ MCP เพื่อติดตามความผิดปกติของ AOV ไปยังแคมเปญโปรโมชัน B2B แบบกลุ่ม
- 🔧 สร้างไปป์ไลน์การผลิต: สร้างโปรเจ็กต์ dbt ที่สมบูรณ์เพื่อทำความสะอาด รวม และทดสอบข้อมูลคำสั่งซื้อและข้อมูลลูกค้า
- 🐛 แก้ไขข้อบกพร่องของ Fan-Out: สังเกตเห็นว่าเอเจนต์วินิจฉัยปัญหาความละเอียดโดยอัตโนมัติและปรับโครงสร้างโมเดล SQL ของ dbt เพื่อรวมโปรไฟล์สัตว์เลี้ยงของลูกค้าล่วงหน้า
- 📈 คาดการณ์และแนะนำ: ใช้
AI.FORECASTในตัวของ BigQuery เพื่อสร้างรูปแบบแนวโน้ม AOV และให้คำแนะนำที่อิงตามข้อมูลแก่ CFO
หัวข้อสำคัญ
แนวคิด | สิ่งที่คุณได้เรียนรู้ |
การเชื่อมต่อที่ปลอดภัยและตรวจสอบได้ซึ่งช่วยให้ AI Agent ค้นหาบริการต่างๆ เช่น BigQuery, Cloud SQL, Spanner และฐานข้อมูลอื่นๆ ในนามของคุณได้ โดยการเรียกใช้ทุกครั้งจะแสดงในแผงแชท | |
ทักษะของ Agent | ชุดคำสั่งที่สร้างไว้ล่วงหน้า (เช่น |
การตรวจสอบข้ามบริการ | Agent จะค้นหาบริการหลายอย่างของ Google Cloud ในการสนทนาครั้งเดียว โดยไม่ต้องตั้งค่าการเชื่อมต่อและไม่ต้องสลับบริบทระหว่างคอนโซล |
การแจ้งตามเป้าหมาย | บอกตัวแทนสิ่งที่คุณต้องการ ("สร้างโปรเจ็กต์ dbt ที่คำนวณ AOV ตามแชแนล") แทนที่จะบอกวิธี และปล่อยให้ตัวแทนเลือกแนวทางการติดตั้งใช้งาน |
ส่วนขยายที่เชื่อมโยงทุกอย่างเข้าด้วยกัน ตั้งแต่เครื่องมือ MCP และทักษะของเอเจนต์ไปจนถึงการค้นพบข้อมูล ช่วยให้คุณเข้าถึงข้อมูลทั้งหมดใน Google Cloud ได้จาก IDE ที่เลือก |
ขั้นตอนถัดไป
- อ่านข้อมูลเพิ่มเติมเกี่ยวกับความสามารถของ Data Agent Kit ได้ในเอกสารประกอบของ Data Agent Kit
- ดูข้อมูลเกี่ยวกับฟังก์ชัน BigQuery ML และ AI รวมถึง
AI.FORECAST,AI.GENERATEและAI.EMBED - ลองสร้างการตรวจสอบแบบข้ามบริการของคุณเองด้วย Antigravity IDE ในข้อมูลของคุณเอง