Veri Aracısı Kiti ve Antigravity IDE ile Analytics

1. Giriş

Pazartesi sabahı ve CFO size mesaj gönderdi. Ortalama sipariş değeri bu ay% 7 düşerken toplam gelir aynı kaldı. Bir şeyler ters gidiyor ve yönetim kurulu cuma gününe kadar yanıt istiyor.

Şirketiniz Cymbal Pets, ABD'deki en büyük online evcil hayvan malzemeleri perakendecilerinden biri. İhtiyacınız olan veriler üç Google Cloud hizmetine dağılmış durumda: BigQuery'deki işlem verileri, Cloud SQL'deki müşteri ve ürün kayıtları ve Cloud Storage'daki pazarlama dosyaları. Normalde, bu tür hizmetler arası bir soruşturma yürütmek için konsollar arasında geçiş yapmak, bağlantı için standart metinler yazmak ve sonuçları manuel olarak birleştirmek gerekir.

Bu codelab'de, doğal dili kullanarak anormalliği araştırmak için Antigravity IDE'de Google Cloud Data Agent Kit'i (DAK) kullanacaksınız. Aradığınızı açıklarsınız ve yapay zeka aracısı BigQuery, Cloud SQL ve Cloud Storage'daki bağlantıları, SQL'i ve hizmetler arası birleştirmeleri yönetir. Bu durumu çözdüğünüzde, temsilciden bulgularınızı operasyonel hale getiren bir dbt ardışık düzen oluşturmasını, gerçek bir veri modelleme hatasında hata ayıklamasını ve CFO'ya tahmine dayalı bir öneri sunmasını isteyeceksiniz.

Antigravity'yi yeni mi kullanmaya başladınız? IDE'yi ilk kez kullanıyorsanız kapsamlı bir başlangıç için Google Antigravity'ye Başlarken adlı harika codelab'i inceleyin.

Yapacaklarınız

• Knowledge Catalog'u kullanarak BigQuery, Cloud SQL ve Cloud Storage'daki veri varlıklarını keşfedin.
• MCP Araçları'nı kullanarak tek bir görüşmede birden fazla hizmeti sorgulayarak anormallikleri inceleme
• Hizmetler arası verileri hazırlama modelleri ve otomatik testlerle hazırlamak ve birleştirmek için dbt ardışık düzeni oluşturma
• Aracı, fan-out hatasını kendi kendine teşhis edip yeniden düzenlerken veri modelleme sorununu ayıklama
• BigQuery'nin AI.FORECAST işlevini kullanarak gelecekteki trendleri tahmin edin ve veriye dayalı bir öneri sunun.

İhtiyacınız olanlar

• Chrome gibi bir web tarayıcısı
• Faturalandırmanın etkin olduğu bir Google Cloud projesi
• SQL ve Google Cloud Console hakkında temel düzeyde bilgi sahibi olma

Bu codelab, orta düzey veri uzmanları (analiz mühendisleri, veri analistleri, veri bilimciler) içindir.

Bu codelab'de oluşturulan kaynakların maliyeti 5 ABD dolarından az olmalıdır.

Aracınızı Seçin: Bu laboratuvarda Antigravity IDE kullanılır. Çok yakında bu araştırmanın Antigravity 2.0, Antigravity CLI ve Claude Code için uyarlanmış alternatif sürümlerini yayınlayacağız.

2. Başlamadan Önce

Bu bölümde, tüm laboratuvar ortamınızı sağlayan bir kurulum komut dosyası çalıştıracaksınız: sipariş verilerini içeren bir BigQuery veri kümesi, müşteri ve ürün verilerini içeren bir Cloud SQL Postgres örneği ve promosyon kampanyası kayıtlarını içeren bir Cloud Storage paketi. Komut dosyasının tamamlanması yaklaşık 8-10 dakika sürer. Bu süre içinde Cloud SQL temel hazırlığı en çok zaman alan kısımdır.

Cloud Shell'i Başlatma

Kurulum komut dosyasını çalıştırmak için Google Cloud Shell'i kullanacaksınız.

1. Google Cloud Console'un üst kısmında Activate Cloud Shell'i (Cloud Shell'i Etkinleştir) tıklayın.

2. Bağlandıktan sonra proje kimliğinizi ayarlayın ve ortamınızı onaylayın:

gcloud config set project <<YOUR_PROJECT_ID>>
export PROJECT_ID=$(gcloud config get-value project)

Şuna benzer bir mesaj görürsünüz:

Your active configuration is: [cloudshell-####]
Updated property [core/project]

Depoyu Klonlama

Codelab deposunu Cloud Shell kabuk ortamınıza klonlayın:

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/

Kurulum komut dosyasını çalıştırma

Kurulum komut dosyası, laboratuvar ortamınızın tamamını birkaç dakika içinde hazırlar. API'leri etkinleştirme, BigQuery verilerini yükleme ve artırma, promosyon öğelerini GCS'ye yükleme işlemlerini gerçekleştirir. Ardından, codelab'i başlatırken arka planda Cloud SQL Postgres'i sağlama ve yapılandırma için otomatik olarak bir arka plan çalışanı oluşturur.

Komut dosyası, güvenli bir şekilde otomatik olarak Cloud SQL şifresi oluşturur ve bu şifreyi sizin için otomatik olarak .env dosyanıza kaydeder.

cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x setup.sh setup_sql.sh
./setup.sh

İşlem tamamlandığında ön plan ortamınızın özetini görürsünüz:

╔══════════════════════════════════════════════════════╗
║   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

Laboratuvarın sonraki adımlarına devam ederken veritabanı arka planda sağlanır ve doldurulur. İlerlemeyi istediğiniz zaman ayrı bir terminal panelinde aşağıdaki yöntemlerle izleyebilirsiniz:

tail -f /tmp/cloudsql_setup.log

Veri mimarisine dikkat edin: İşlemsel veriler (siparişler ve sipariş öğeleri) BigQuery'de, operasyonel veriler (müşteriler, evcil hayvan profilleri ve ürünler) ise Cloud SQL'de bulunur. Bu ayrım, verilerin gerçek kuruluşlardaki hizmetlere genellikle nasıl dağıtıldığını yansıtır ve hizmetler arası incelemeyi ilginç kılan da budur.

Buradaki temel veri kümesi, Cymbal Pets'in resmi e-ticaret veri kümesidir (~92.000 müşteriden yaklaşık 1,9 milyon sipariş). Bu veri kümesi, araştıracağınız gizemi içeren işletmeden işletmeye kayıtlarla zenginleştirilmiştir.

Bölüm Özeti: Laboratuvar ortamınızı başlatmak için kurulum komut dosyasını çalıştırdınız ve arka planda veritabanı sağlama işlemini başlattınız.

3. IDE'yi ve Veri Ajanı Kitini Kurma

Antigravity IDE'yi açın.

Cloud SQL'in işlemi tamamlamasını beklemeniz gerekmez. Antigravity IDE'yi açıp Google Cloud projenize bağlayın.

1. Henüz yapmadıysanız Antigravity IDE'yi Google Antigravity indirme sayfasından indirip yükleyin.
2. Antigravity IDE masaüstü uygulamasını başlatın.
3. Yerel makinenizde yeni ve boş bir klasör oluşturun (ör.agentic-data-labs olarak adlandırın) ve Open Folder'ı (Klasör Aç) seçerek klasörü IDE'de açın. Bu, codelab için yerel çalışma alanınız olarak işlev görür.

Data Agent Kit uzantısını yükleme

Google Cloud Data Agent Kit uzantısı, doğrudan düzenleyicinizde Google Cloud veri hizmetleriyle derin entegrasyon sağlayarak bağlam değiştirmeden BigQuery, Cloud SQL, Cloud Storage ve daha fazlasıyla etkileşim kurmanıza olanak tanır.

1. Antigravity IDE'de, ekranın en sol tarafındaki etkinlik çubuğunda Uzantılar simgesini (dört kareye benzer) tıklayın.
2. Uzantılar bölmesinin üst kısmındaki arama çubuğuna Google Cloud Data Agent Kit yazın.
3. googlecloudtools tarafından yayınlanan Google Cloud Data Agent Kit adlı uzantıyı bulun.
4. Yükle düğmesini tıklayın.
5. "googlecloudtools" yayıncısına ve uzantılarına güveniyor musunuz?" sorusunu içeren bir istem görünebilir. Devam etmek için Yayıncılara güven ve yükle'yi tıklayın.

Yüklendikten sonra Antigravity IDE'nin en solundaki Etkinlik Çubuğu'nda yeni bir Google Cloud Data Agent Kit simgesi görünür.

Uzantının kimliğini doğrulama ve uzantıyı yapılandırma

Yükleme işleminden sonra uzantıyı Google Cloud projenize bağlayın.

1. "Google Cloud Data Agent Kit'e hoş geldiniz" başlıklı bir ilk katılım sayfası otomatik olarak açılır. Cloud hesabınızda oturum açmadıysanız erişime izin vermek için istemleri uygulayın.
2. Yapılandırma Özeti bölümünde proje alanını bulun. Açılır listeyi tıklayın ve Google Cloud projenizi seçin. Bölgenizi us-central1 olarak ayarlayın. Ardından MCP Sunucularını Yapılandır'ı seçin.

3. MCP Yapılandırması bölmesinde, BigQuery ve Cloud SQL'i etkinleştirmek için tıklayın. Ardından Başlayın'ı tıklayın.

Uygulama zaten yüklü mü veya karşılama sayfası açılmadı mı? Uzantı ayarlarını istediğiniz zaman manuel olarak açabilirsiniz. En soldaki Etkinlik Çubuğu'nda Google Cloud Data Agent Kit simgesini tıklayın, ardından Ayarlar'ı seçerek yapılandırmanızı etkinleştirin veya devre dışı bırakın.

Etkin beceriler/MCP'lerle ilgili not: IDE'nizde etkin olan başka özel beceriler veya MCP sunucuları varsa bu laboratuvarın beklenen akışına müdahale edebilirler. Ajan beklenmedik şekilde davranırsa bu laboratuvarda devre dışı bırakabilirsiniz.

Yapılandırma Seçeneklerini Keşfetme

Kurulum tamamlandıktan sonra "Google Cloud Veri Aracısı Kiti'ni kullanmaya başlama" sayfasına yönlendirilirsiniz.

1. "Kurulum ve Yapılandırma " bölümünde Başlayın'ı tıklayın.
2. Bu işlem, Veri Aracısı Yapılandırması panelini açar. Sekmeleri keşfedin:
   • Proje ve Bölge: Seçtiğiniz proje kimliğini doğrulayın ve gerekli API'lerin (Cloud Storage API, BigQuery API, Catalog API ve Cloud SQL Admin API) etkinleştirildiğini kontrol edin.
   • BigQuery: BigQuery sorgularınız için varsayılan konumu yapılandırın. Bölgeyi us-central1 kullanın.
   • MCP sunucularını yapılandırın: Yapay zeka aracılarına verilerinizle güvenli bir şekilde etkileşim kurma olanağı tanıyan etkin MCP sunucularını (BigQuery, not defterleri, Cloud SQL vb.) görüntüleyin.
   • Beceriler: Ajanlara karmaşık veri görevleri için özel yetenekler sağlayan önceden oluşturulmuş becerileri keşfedin.

Bölüm Özeti: Antigravity IDE'yi açtınız, Google Cloud projenize bağladınız, Data Agent Kit uzak MCP sunucularını yapılandırdınız ve BigQuery'ye karşı bir sorgu çalıştırarak bağlantıyı doğruladınız.

4. Verilerinizi Keşfedin

Ortamı hazırlama zamanı. Durum şöyle: CFO, geçen ay ortalama sipariş değerinin% 7 düştüğünü ancak toplam gelirin değişmediğini söylüyor. Ajanın araştırmasına başlamasını istemeden önce hangi verilerle çalıştığınızı anlamanız gerekir.

Bu bölümde, Data Agent Kit panelini manuel olarak keşfederek genel bir fikir edineceksiniz. Verilerinizi sorgulamaya başlamadan önce anlamak, herhangi bir incelemenin önemli ilk adımıdır.

BigQuery tablolarını keşfetme

1. Veri Aracısı Kiti panelindeki CATALOG bölümünde projeniz → BigQuery → cymbal_pets'yi genişletin.
2. orders tablosunu tıklayın. Tablonun ayrıntılarını gösteren yeni bir sekme açılır.
3. Tablo görüntüleyicinin sol tarafındaki sekmeleri inceleyin:
   • Veri: Gerçek satırları önizleyin. Veri kümesini kaydırın ve sütunları inceleyin.
   • Şema: Sütun adlarını ve türlerini inceleyin. Daha sonra önemli hale gelecek order_type ve promo_code gibi alanlara dikkat edin.
   • Diğer sekmeler (Ayrıntılar, Analizler, Veri Profili vb.): Normalde Google Cloud Console'da bulacağınız meta verilere, veri soyuna ve kalite ayrıntılarına düzenleyicinizden ayrılmadan erişin.

4. Şimdi order_items tablosunu tıklayın ve şemasını inceleyin. quantity ve price alanlarına dikkat edin.

İpuçlarını erkenden fark etme Verilere göz atarken, sıra dışı görünen bazı şeyler fark edebilirsiniz: B2B-Wholesale sipariş türü ve promo_code alanı. Henüz noktaları birleştirme konusunda endişelenmeyin. Bu konuda ajan size yardımcı olacaktır.

Cloud SQL tablolarını keşfetme

Kurulum komut dosyası, müşteri, evcil hayvan ve ürün verilerini Cloud SQL'deki bir PostgreSQL veritabanına da yerleştirdi.

5. Veri Aracısı Kiti panelinde, CATALOG bölümündeki Universal Search'ü (Evrensel Arama) tıklayın.
6. Arama kutusuna pet_profiles yazıp Enter tuşuna basın.
7. Arama sonuçlarında, pet_profiles için PostgreSQL Tablosu sonucunu (projenizin Cloud SQL örneği altında) tıklayın. Kenar çubuğu akordeonunun otomatik olarak genişlediğini ve tablonun veritabanı ağacında tam olarak nerede bulunduğunu gösterdiğini fark edeceksiniz. Ayrıntılarını açmak için ağaçta hemen üstünde bulunan customers tablosunu tıklayın ve Şema ile Ayrıntılar sekmelerini inceleyin.

Cloud Storage dosyalarını keşfetme

Son olarak, pazarlama ve tanıtım kampanyası kayıtları Cloud Storage'da ham JSON dosyaları olarak depolanır.

8. Soldaki Veri Aracısı Kiti panelinde CLOUD STORAGE (BULUT DEPOLAMA) bölümünü genişletin. Projenizin ham paketini (YOUR_PROJECT_ID-cymbal-pets-raw) bulun.
9. Paketin içindeki promo_events.json dosyasını tıklayın. Yeni bir düzenleyici sekmesi açılır. Bu sekmede, pazarlama kampanyalarının ham JSON Lines içeriğini doğrudan IDE'de görüntüleyebilirsiniz.

Durumu Değerlendirme

Veri ortamı hakkında artık bildikleriniz:

Hizmet	Tablolar	Ne Var?
BigQuery	orders, order_items	~1,9 milyon sipariş, ~4,3 milyon satır öğesi, tarih aralığı 2023-2025
Cloud SQL	customers, pet_profiles ve products	~92.000 müşteri, ~7.600 evcil hayvan profili, 206 ürün
Cloud Storage	promo_events.json	Promosyon kampanyası kayıtları

Veriler neden hizmetlere göre ayrılıyor? Bu, gerçek dünyadaki mimarileri yansıtır. Cloud SQL bir OLTP (işlemsel) veritabanıdır. Müşteri adresini güncelleme veya tek bir siparişi işleme gibi hızlı, satır düzeyinde işlemler için optimize edilmiştir. BigQuery bir OLAP (analitik) ambarıdır. "Bu ayki ortalama sipariş değerimiz nedir?" gibi soruları yanıtlamak için milyonlarca satırı taramak daha iyidir. Çoğu kuruluşta veriler her ikisinde de bulunur. Bu nedenle, Veri Aracısı Kiti gibi hizmetler arası inceleme araçları çok önemlidir.

Veriler üç hizmete yayılmıştır. Geleneksel bir iş akışında bağlantıları ayarlamanız, entegrasyon kodu yazmanız ve sonuçları manuel olarak birleştirmeniz gerekir. Bir sonraki adımda, yapay zeka aracısının tüm bunları tek bir görüşme üzerinden yapmasına izin vereceksiniz.

Bölüm Özeti: BigQuery, Cloud SQL ve Cloud Storage'daki veri mimarisini manuel olarak keşfetmek için Veri Aracısı Kiti panelini kullandınız. Verilerin nerede bulunduğunu ve hangi alanların kullanılabildiğini öğrendiğinize göre artık incelemeye başlayabilirsiniz.

5. İstatistikleri takip etme

Soruşturma şimdi başlıyor. Yapay zeka temsilcisinden BigQuery'den ortalama sipariş değeri (OSD) verilerini çekmesini istemek için Sohbet bölmesini kullanacaksınız. OSD, sipariş başına harcanan ortalama tutarı temsil eden bir işletme metriğidir. Ajan, MCP Araçları'nı kullanarak sizin adınıza sorgu oluşturur ve çalıştırdığı her SQL sorgusunu görebilirsiniz.

Ortalama sipariş değeri trendini çekme

1. IDE'nin sağ tarafındaki Sohbet bölmesinde aşağıdaki istemi yazıp Enter tuşuna basın:

   Calculate our monthly average order value from August 2024 through January 2025
   using the orders and order_items tables in BigQuery.
   

2. Veri erişimi izinlerini onaylayın. Veritabanlarınızda sorgu çalıştıran yapay zeka ajanları konusunda dikkatli olmak önemlidir. Veri Aracısı Kiti, verilere erişmeden önce açık izin isteyerek kontrolü size bırakır. İstendiğinde şunları seçebilirsiniz:
   • Bu defalık izin ver: Tek bir kullanım için onay verir (yüksek riskli sorguları denetlemek için idealdir).
   • Her zaman izin ver: Oturum için bu aracın sürekli kullanımını onaylar.
   • Hayır: İşlemi tamamen engeller.
   En sorunsuz laboratuvar deneyimi için Evet ve her zaman izin ver'i seçin.Not: İzinler araç bazında verilir. Aracı, list_table_ids veya execute_sql_readonly gibi yeni araçları kullandıkça kısa süre içinde birkaç istem daha görebilirsiniz. Bunları da "her zaman izin ver" olarak ayarlayabilirsiniz.

3. Aracının çalışmasını izleyin. Sohbet bölmesi, temsilcinin yaptığı her şeyin şeffaflık günlüğü olarak da kullanılır. Ajan, kara kutu yerine muhakemesini ve işlemlerini gerçek zamanlı olarak gösterir.
4. Aracı tamamlandığında, isteminizin altındaki Xm için çalıştı açılır listesini tıklayarak tam çalışma günlüğünü genişletin. Burada, yanıtınızı nasıl aldığını tam olarak inceleyebilirsiniz:
   • İncelendi: Aracının dosyaları okuduğunu, klasörlere göz attığını veya MCP araçlarını (ör. datacloud_bigquery_remote / list_table_ids ve execute_sql_readonly) çağırdığını görmek için bu öğeleri genişletin. Araçlara iletilen tam JSON bağımsız değişkenlerini ve yürütülen SQL'i görüntüleyebilirsiniz.
   • Çalıştırıldı: Temsilcinin çalıştırdığı terminal komutlarını (ör. gcloud config list) görmek için bu öğeleri genişletin.

5. Sonuçları inceleyin. Temsilci, aylık ortalama sipariş değeri tablosu döndürmelidir. Sayıları kendiniz inceleyin: Önceki aylarda yaklaşık 110 ABD doları olan tutar, Ocak ayında yaklaşık 103 ABD dolarına düşüyor. Bu, CFO'nun işaretlediği anormalliktir.

MCP araçları ve temsilci becerileri nelerdir? MCP Araçları, aracının BigQuery ve Cloud SQL gibi harici hizmetlerle etkileşim kurmasını sağlayan güvenli bağlantılardır. Ajan becerileri, ajana belirli görevlere nasıl yaklaşacağını öğreten önceden oluşturulmuş talimat setleridir (ör. discovering-gcp-data-assets). Bu iki çözüm birlikte denetlenebilirlik katmanını oluşturur. Temsilcinin tam olarak ne yaptığını ve neden yaptığını görmek için herhangi bir adımı tıklayın.

Kanala Göre Ayrıntılı İnceleme

Genel OSB düştü ancak bu düşüşün kaynağı ne? Haydi öğrenelim.

5. Sohbet bölmesinde şunu yazın:

   January looks lower than the prior months. 
   Break down January's AOV by order_type to see what's going on?
   

6. Aracı, bu kez order_type göre gruplandırarak başka bir BigQuery sorgusu çalıştırır. Sonuçları dikkatlice inceleyin.Şaşırtıcı bir şey göreceksiniz: Online ve Çevrimdışı ortalama sipariş değeri yaklaşık 110 TL'de sabit kalıyor. Ancak çok daha düşük bir ortalama sipariş değerine (yaklaşık 75 ABD doları) sahip yeni bir kanal olan B2B-Toptan Satış var. Bu yeni kanal, birleştirilmiş ortalamayı düşürüyor.
7. Ajan, B2B müşterilerinin araştırılmasını proaktif olarak önerebilir. Bu durumda sorun yoktur. Bunu sonraki adımda yapacaksınız.

Temsilci, noktaları birleştirir. Aracının sonuçları yorumladığını ve "B2B-Toptan Satış kanalı, önceki aylarda bulunmayan yeni bir sipariş türü gibi görünüyor." gibi analizler sunabileceğini unutmayın. Bu tür proaktif analiz, DAK aracısının temel özelliklerinden biridir.

Bölüm Özeti: Ocak ayındaki ortalama sipariş değeri düşüşünü tarafsız bir veri çekme işleminden kendiniz tespit ettiniz, ardından harmanlanmış ortalamayı düşüren yeni kanal olarak B2B-Wholesale'ı belirlemek için order_type'a göre ayrıntılı analiz yaptınız. Şimdi bu B2B müşterilerinin kimler olduğunu bulmanız gerekiyor.

6. Hizmet Sınırını Aşma

BigQuery'de B2B-Wholesale kanalını anormal olarak tanımladınız ancak müşteri verileri Cloud SQL'de bulunuyor. Veri Temsilcisi Kiti ile aynı sohbete devam edebilirsiniz. Bu kit, hizmet sınırını yönetir.

B2B müşterilerini araştırma

1. Sohbet bölmesinde şunu yazın:

   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
   

2. Sohbet bölmesini dikkatlice izleyin. Bu kez farklı bir MCP aracı görmeniz gerekir. Aracı artık BigQuery yerine Cloud SQL'e sorgu gönderiyor.Aracı, cymbal-pets-ops Cloud SQL Postgres örneğine bağlanıyor ve customers tablosuna karşı bir sorgu çalıştırıyor. SQL'i görmek için Ayrıntıları Göster'i tıklayın.
3. Sonuçları inceleyin. Temsilci, birkaç önemli bulguyu ortaya çıkarmalıdır:
   • Tüm B2B müşterileri customer_type = 'Business'
   • Bu kullanıcıların tümü son 30 gün içinde (Ocak 2025) kaydoldu.
   • last_name değerleri "Pet Supply Co", "Animal Care LLC" ve "Happy Paws Inc" gibi işletme adlarıdır.
   • Bu ay öncesinde var olmayan yaklaşık 100 kişilik bir grup

Hizmet sınırlarını aşma. Aracı, aynı görüşme içinde iki farklı Google Cloud hizmetinde (BigQuery ve Cloud SQL) sorgu oluşturdu. Sohbet bölmesindeki farklı MCP Aracı adına dikkat edin. Bağlantı kurulumu veya kimlik bilgisi yapılandırması gerekmez. Ajan bunu otomatik olarak halletti.

Promosyon kodunu bağlama

4. Aracı, BigQuery'deki birçok B2B siparişinin promo_code değerinin BIGORDER25 olduğunu kendi başına fark edebilir. Bu gözlemi kendisi yaparsa harika olur. Araştırma doğal olarak ilerliyor.Temsilci promosyon kodundan bahsetmezse hatırlatın:

   I noticed a promo_code field on the orders table in BigQuery. 
   Check what promo codes appear on the B2B-Wholesale orders?
   

5. Aracı, BigQuery'ye tekrar sorgu gönderir ve B2B-Toptan satış siparişlerinin yaklaşık% 92'sinde promo_code = 'BIGORDER25' olduğunu tespit eder. Neredeyse tüm B2B etkinliği tek bir promosyon kampanyasına bağlıdır.Temsilci, bu promosyon kodunun nereden geldiğini merak etmelidir. Ortamda başka bir yerde promosyon verisi olup olmadığını sorabilir. (Cloud Storage'da vardır.)

Bölüm Özeti: Temsilci, Cloud SQL'e sorgu göndererek B2B müşterilerinin tamamının Ocak 2025'te kaydolan yeni işletmeler olduğunu ortaya çıkardı. BigQuery'nin siparişlerinin yaklaşık% 92'sinin promo_code = 'BIGORDER25' içerdiğini belirlemesiyle birlikte, iz artık bir promosyon kampanyasına işaret ediyor. Kaynağı bulma zamanı.

7. Eksik parçayı bulma

İki hizmet kapatıldı, bir hizmet daha kapatılacak. Ne olduğunu (B2B siparişleri ortalama sipariş değerini düşürüyor) ve kimin yaptığını (son 30 gündeki yeni işletme müşterileri) biliyorsunuz. Şimdi nedenini bulmanız gerekiyor ve yanıt Cloud Storage'da.

GCS paketini kontrol etme

1. Sohbet bölmesinde şunu yazın:

   Good catch on the promo code. 
   We might have promotional campaign data in our GCS bucket. 
   Can you check what's there?
   

2. Aracıda Cloud Storage için önceden yapılandırılmış bir MCP aracı olmadığından, gcloud storage komutlarını çalıştırmak için otomatik olarak terminal aracını kullanır. gcloud storage ls gibi komutları çalıştırmak için izin ister. Bu komutlara izin verin, ardından promo_events.json dosyasını okumak ve ayrıştırmak için kullanılan tam CLI komutlarını görmek üzere Sohbet bölmesindeki Çalıştırıldı günlüğünü genişletin.
3. Aracı, dosyada üç tanıtım kampanyası tanımlamalıdır:

   Kampanya	Promosyon Kodu	İndirim	Hedef	Tarihler
   Yaz Evcil Hayvan Bakımı İndirimi	PETSUMMER15	%15 indirim	Tümü	Haziran 2024
   B2B Toptan Satış İtme	BIGORDER25	% 25 indirim	B2B	Ocak 2025
   Bağlılık programı üyelerine özel yıl sonu bonusu	LOYAL10	%10 indirim	Bağlılık programı üyeleri	Aralık 2024

   BIGORDER25 promosyon kodu, B2B Toptan Satış adlı bir kampanyayla eşleniyor: B2B müşterileri için minimum sipariş miktarı 50 birim olan ürünlerde% 25 indirim. Bu, suçüstü yakalanma anıdır.

Üç hizmet, tek bir görüşme. Son üç bölümde aracı, BigQuery (işlemsel veriler), Cloud SQL (müşteri verileri) ve Cloud Storage'ı (promosyon verileri) aynı sohbet dizisinden sorguladı. Bu işlem için sizin tarafınızdan herhangi bir yapılandırma veya bağlam değiştirme gerekmedi. Veri Temsilcisi Kit'in asıl değeri budur: Tüm veri varlıklarınızda çalışan tek bir yapay zeka ajanı.

Her Şeyi Bir Araya Getirme

4. Ajandan bulduğu her şeyi sentezlemesini isteyin:

   Put it all together. 
   What happened to our average order value?
   

5. Ajan, üç veri kaynağını birbirine bağlayan net ve yapılandırılmış bir sentez sunuyor. Şuna benzer bir açıklama yapılmalıdır:
   1. Ortalama sipariş değerindeki düşüş gerçektir ancak mevcut işlerde bir düşüş söz konusu değildir. Online ve çevrimdışı OSB, yaklaşık 110 TL'de sabit kalmaya devam ediyor.
   2. Ocak 2025'te yeni bir B2B-Toptan Satış kanalı kullanıma sunuldu. Bu kanalda, ortalama sipariş değeri çok daha düşük (~75-100 ABD doları) olan yaklaşık 25.000 sipariş yer alıyordu.
   3. B2B müşterileri, son 30 gün içinde kaydolan 100 yeni işletme hesabıdır (Cloud SQL).
   4. Etkinlik, 50 birim minimum koşuluyla toplu siparişlerde% 25 indirim sunan bir promosyon kampanyası ("B2B Toptan Satış Promosyonu") tarafından yönlendiriliyor (Cloud Storage).
   5. B2B siparişlerinin yüksek hacmi, düşük fiyatları telafi ettiğinden gelir sabit kalıyor. Ancak birim marjları %25 toptan satış indirimiyle büyük ölçüde düşer (yaklaşık% 65 oranında azalır). Kargo ve operasyonel genel giderler de hesaba katıldığında bu durum, genel karlılığı ciddi şekilde tehdit eder.
   Bu, soruşturmanın çözüldüğü andır. CFO'nun sorusunun net bir yanıtı var: Ortalama sipariş değeri, pazarlama odaklı bir B2B programı Ocak ayını yüksek hacimli ve düşük fiyatlı siparişlerle doldurduğu için düştü. Mevcut işletmenin durumu iyi olmalıdır.

Bölüm Özeti: Cloud Storage'da, toplu siparişlerde% 25 indirim sunan bir B2B promosyon kampanyası buldunuz. Ajan, üç hizmetteki bulguları sentezleyerek net bir anlatı oluşturdu. İnceleme aşaması tamamlandı. Ardından, bu bulguları işleme koyacaksınız.

8. Ardışık Düzeni Oluşturma

Sorunu çözdünüz. Şimdi de CFO, bu analizin otomatik olarak güncellenmesini istiyor. Bu bölümde, aracıdan BigQuery verilerini hazırlayan ve devam eden AOV analizi için bir olgu tablosu oluşturan bir dbt projesi oluşturmasını isteyeceksiniz.

Bu noktada, temsilci araştırmacıdan mühendise dönüşür. Bu araç, tek bir istemle tüm dbt projesini oluşturup tüm ardışık düzeni çalıştırır.

dbt nedir? dbt (data build tool), veri uzmanlarının SQL kullanarak ambarlarındaki verileri dönüştürmesine olanak tanıyan bir çerçevedir. SQL'i kod gibi ele alarak sürüm denetimi, otomatik test ve bağımlılık yönetimi ekler.

dbt projesini oluşturma

1. Sohbet bölmesinde aşağıdaki istemi yazın. Bu kılavuz, adım adım ilerlemek yerine doğrudan hedefe ulaşmaya odaklanır. Temsilciye ne istediğinizi söylüyorsunuz, nasıl oluşturacağını değil:

   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
   

2. Otomatik düzeltmeyi gözlemleyin: "Ns için çalıştı" günlüğünü genişletirseniz aracının dbt öğesini kontrol ettiğini ve eksik olduğunu tespit ettikten sonra Python sanal ortamı (.venv) oluşturmak için komutları otomatik olarak çalıştırdığını görebilirsiniz. Ortam kurulumunu sizin için gerçekleştirir.

3. Uygulama planını inceleyin: Ajan, resmi bir uygulama planı oluşturur. Önerilen dosyaları ve mimariyi inceleyebilir, gerekirse yorum ekleyebilir ve Devam'ı tıklayarak aracının planı yürütmesine izin verebilirsiniz.

4. Aracı, planını uygularken Chat bölmesini izleyin. Aracı, gerekli .sql dosyalarını ve YAML yapılandırmalarını yazar. İşlem tamamlandığında ve proje başarıyla derlendiğinde değişikliklerin bir özetini gösterir. Bu dosyaları çalışma alanınıza eklemek için Tümünü kabul et'i tıklayın.

5. Yeni oluşturulan dbt projesini soldaki Gezgin'de keşfedin. Şuna benzer bir yapı görürsünüz:

   dbt/
   ├── models/
   │   ├── marts/
   │   │   └── fct_order_analysis.sql
   │   └── staging/
   │       ├── schema.yml
   │       ├── sources.yml
   │       ├── stg_order_items.sql
   │       └── stg_orders.sql
   ├── dbt_project.yml
   └── profiles.yml
   

6. Aracı tarafından oluşturulan SQL'i incelemek için .sql model dosyalarını tıklayın. Şu konulara dikkat edin:
   • Hazırlama modelleri: Kaynak referansları içeren temizlenmiş ve yeniden adlandırılmış sütunlar
   • Mart modeli: Birleştirme mantığı ve kanala göre ortalama sipariş değeri hesaplaması

Mart kodunu inceleme: models/marts/fct_order_analysis.sql simgesini açın. Gerçek tablosunu sipariş düzeyinde tutmak için önce satır öğelerini nasıl topladığını inceleyin. İpucu: Yalnızca models/ dizinindeki kaynak dosyaları düzenleyin. /target/ dizinindeki otomatik olarak oluşturulan dosyaları düzenlemeyin.

7. Tüm modellerin gerçekleştiği ve tüm testlerin geçtiğiyle ilgili aracının onayını almak için Sohbet bölmesini kontrol edin. Pazardaki ortalama sipariş değeri sonuçları, inceleme sırasında bulduklarınızı doğrulamalıdır:

   - Online: ~$110
   - Offline: ~$110
   - B2B-Wholesale: ~$75 to $77
   

Bölüm Özeti: Ajan, tek bir amaca yönelik istemden bir dbt projesi oluşturdu: hazırlama ve mart modellerini yapılandırdı, başarılı bir dbt build çalıştırdı ve AOV anomalisini doğruladı. Ardından, temsilcinin karmaşıklığı nasıl ele aldığını görmek için beklenmedik bir soru soracaksınız.

9. Testler Başarısız Olduğunda Aracı Hata Ayıklama İşlemi Yapar

Ardışık düzen çalışıyor ancak yalnızca BigQuery verilerini kullanıyor. Ürün ekibi, beslenme ihtiyaçlarına göre ürün önerebilmek için Cloud SQL'deki müşteri ve evcil hayvan profili verileriyle analizi zenginleştirmek istiyor. Bu nedenle, aracının Cloud SQL sınırını aşması ve klasik bir boyut modelleme "fan-out" birleştirme olan ince bir veri modelleme hatasını işlemesi gerekir.

"Fan-out" nedir? Bir sipariş, 3 evcil hayvanı olan bir müşteriye aitse standart bir SQL JOIN, bu tek sipariş için 3 aynı satır oluşturur (her evcil hayvan için bir satır). Bu durum, verilerin "yayılmasına" ve aynı siparişin gelirini 3 kez saydığı için ortalama sipariş değeri gibi metriklerin bozulmasına neden olur. Bu sorunu düzeltmek için katılmadan önce evcil hayvanları bir listede (dizi) toplamanız gerekir.

Kullandığınız modele ve akıl yürütme özelliklerine bağlı olarak, aracı bu isteği iki şekilde ele alır: Hatayı proaktif olarak önleme (A seçeneği) veya Test hatasından sonra kendi kendini düzeltme (B seçeneği). Ajanınızın hangi yolu izlediğini görelim.

İsteği Tetikleme

1. Sohbet bölmesinde şunu yazın:

   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.
   

2. Aracının çalışmasını izleyin. Cloud SQL tablolarını keşfeder, verileri BigQuery'ye nasıl aktaracağını (birleştirilmiş sorgu veya somutlaştırılmış kopya aracılığıyla) belirler, yeni hazırlama modelleri oluşturur ve fct_order_analysis.sql öğesini değiştirir.

A seçeneği: Proaktif Temsilci (Hata Önleme)

Gelişmiş bir muhakeme modeli kullanıyorsanız aracı, herhangi bir kod yazmadan önce ayrıntı kaymasını algılayabilir. Bir müşterinin birden fazla evcil hayvanı olabileceği için doğrudan birleştirmenin siparişleri kopyalayacağını ve order_id üzerinde istediğiniz benzersizlik testinin hemen başarısız olacağını fark eder.

1. Proaktif Toplama İşlemini Gözlemleyin: Temsilci, sohbet bölmesi açıklamasında veya adım adım açıklama yapısında, "klasik dağıtım"ı önlemek için birleştirmeden önce evcil hayvan verilerini önceden topladığını belirtebilir. Bu işlem genellikle bir toplama işlevi (ör. ARRAY_AGG() veya STRING_AGG()) kullanılarak müşteri başına birden fazla evcil hayvanın daraltılmasıyla yapılır.
2. Sonuçları Kontrol Edin: Ajan, olgular tablosunun ayrıntı düzeyini proaktif bir şekilde koruduğu için dbt build ilk denemede başarıyla çalışır ve geçer. Bu durumu, genellikle sorgu sonuçlarının yanında başarılı test çıktısını gösteren, oluşturulan Walkthrough yapay nesnesini kontrol ederek doğrulayabilirsiniz.

Temsilciniz bunu yaptıysa tebrikler. Proaktif yapay zeka mühendisliğine tanık oldunuz. Toplama işleminin nasıl yapılandırıldığını görmek için fct_order_analysis.sql bölümünde oluşturulan SQL'i inceleyin, ardından bir sonraki bölüm olan Yanıtı Sunma'ya geçin.

B seçeneği: Kendi Kendini Onaran Aracı (Hata Ayıklama ve Teşhis)

Model önce basit bir doğrudan sol birleştirme yazarsa SQL sorgusu başarılı bir şekilde çalışır ancak otomatik dbt test paketi, ayrıntı değişikliğini yakalar.

1. Testin Başarısız Olmasını İzleme: Başarısızlık, sohbet bölmesi yürütme ilerleme günlüklerinde bildirilir:

   Completed with 1 error
   
   Failure in test unique_fct_order_analysis_order_id
   Got 287 results, configured to fail if != 0
   

   order_id üzerinde yapılan benzersizlik testinde, birden fazla evcil hayvanı olan müşteriler siparişleri farklı zamanlarda verdiğinden yinelenen girişler bulundu.
2. Ajana Teşhis ve Kendi Kendini Onarma İzni Verme: Test başarısız olduğundan ajandan hata ayıklamasını isteyin. Sohbet bölmesinde şunu yazın:

   The uniqueness test failed. Can you figure out why and fix it?
   

3. Teşhisi İzleyin: Ajan, verileri sorgular, pet_profiles içinde bire çok ilişkisini keşfeder, doğrudan birleştirmenin ayrıntı düzeyini one-row-per-order'dan one-row-per-order-per-pet'e değiştirdiğini açıklar ve modeli, hayvan profillerini önceden toplamak için yeniden yazar:

   -- 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
   

4. Düzeltmeyi Doğrulama: Aracı dbt build tekrar çalıştırılır ve bu kez tüm modeller gerçekleşir ve tüm testler başarıyla geçer.

Bölüm Özeti: Aracınızın hatayı proaktif bir şekilde önlediğini veya test başarısızlığından sonra kendini başarıyla onardığını gördünüz. Ayrıca, Cloud SQL sınırını aştığını, müşteri ve evcil hayvan profili verilerini entegre ettiğini ve mükemmel olgu tablosu ayrıntı düzeyini koruduğunu da gördünüz. İşlem hattı artık sağlam, eksiksiz ve tamamen test edildi.

10. Yanıtı sunma

Bugün Perşembe. Haftaya endişeli bir CFO ve üç bulut hizmetine dağılmış verilerle başladınız. Artık temel neden ve bir üretim ardışık düzeniniz var. Yanıtı, nicel bir tahmine dayalı geleceğe yönelik bir öneriyle birlikte sunma zamanı.

Yönetici özetini yazma

1. Sohbet bölmesinde şunu yazın:

   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
   

2. Aracının çalışmasını izleyin.

   Çıktı Biçimleri ve Varyasyon Hakkında Not: Büyük dil modelleri, deterministik değildir. Etkin modele bağlı olarak, ajan yönetici özetini doğrudan Sohbet bölmesinde oluşturabilir veya özel bir Markdown dosyası (ör. executive_summary_cfo.md veya output.txt) oluşturup sohbete bağlayabilir.

   Tam sayılar, hesaplanan toplamlar (ör. potansiyel olarak kaybedilen brüt kâr veya ortalama sipariş değerindeki düşüşler) ve biçimlendirme düzeni çalıştırmadan çalıştırmaya değişir. Önemli olan, bulguların temel yapısal mantığıdır.

3. Ajanın yönetici özetini inceleyin. Tipik ve iyi yapılandırılmış bir yanıt şunları ele almalıdır:
   • Temel bulgu: Ocak ayındaki ortalama sipariş değeri yalnızca yeni B2B-Toptan Satış kanalı nedeniyle düştü. Online ve çevrimdışı satışlar yaklaşık 110 ABD doları seviyesinde sabit kalıyor.
   • Temel Neden: "B2B Toptan Satış Push" (toplu siparişlerde% 25 indirim) 100 yeni hesap kazandı ve yaklaşık 25.000 sipariş alınmasını sağladı.
   • Marj etkisi: Toptan satış siparişleri, ortalama birim kârını yaklaşık %65 oranında düşürdü (yaklaşık 7,50 ABD dolarından yaklaşık 2,60 ABD dolarına).
   • Gelir: Yüksek B2B hacmi, düşük fiyatları telafi ettiğinden genel gelir sabit kalır.

AI.FORECAST ile ortalama sipariş değerini tahmin etme

4. Ajan, geleceğe yönelik bir tahmin de oluşturmalıdır. Ajanın BigQuery'ye karşı bir AI.FORECAST sorgusu çalıştırdığı bir MCP Tool çağrısı bulun. Bu işlemde, TimesFM temel modeli kullanılarak geçmiş trendlere göre 90 gün boyunca ortalama sipariş değeri tahmin edilir. Sorgu, iki senaryoda 90 gün boyunca ortalama sipariş değerini tahmin etmelidir: kampanyanın devam etmesi (yapısal olarak düşük ortalama sipariş değeri) ve kampanyanın sonlandırılması (yaklaşık 110 ABD doları tutarında toparlanma).

Hatırlatma (eğer temsilci AI.FORECAST kullanmıyorsa): Temsilci nicel bir tahmin yerine nitel bir tahmin veriyorsa şunları deneyin:

Use BigQuery's AI.FORECAST function to generate a 90-day forecast with confidence intervals.

5. Ajanın stratejik önerilerini inceleyin. Güçlü bir öneri grubu şunları içerebilir:
   • İndirimleri yeniden yapılandırın: Birim düzeyindeki kârları korumak için kâr tabanları uygulayın veya toplu indirimleri sınırlayın.
   • Daha katı minimum sipariş miktarları uygulayın: Perakende alıcıların toptan satış fiyatlandırmasını kötüye kullanmasını önleyin.
   • Ayrı raporlama: Perakende performansının gizlenmesini önlemek için perakende ve B2B bölümlerini ayrı ayrı izleyin.

The Full Story

Pazartesi günü ortalama sipariş değerindeki% 7'lik düşüş nedeniyle başlayan tatbikatın, CFO için net bir çözümü var:

• Perakende Sağlığı: Temel perakende kanalları, temel düzeyde sağlıklı ve dengeli kalmaya devam ediyor.
• Toptan Satışlardaki Artış: AOV'deki düşüş tamamen yeni B2B toptan satış kanalı ve BIGORDER25 kampanyasından kaynaklanmaktadır.
• Marj Etkisi: %25'lik toplu indirim, birim marjlarını ciddi şekilde düşürdü ve gelir sabit kalmasına rağmen kârlılığı tehdit etti.
• Stratejik tahmin: Bir AI.FORECAST tahmini, toptan satış katmanlarının yeniden yapılandırılmasının karma ortalama sipariş değerini geri getireceğini gösteriyor.

Toptan satış marjı tabanları oluşturmak ve perakende/B2B raporlamasını ayırmak için veriye dayalı bir öneri sunarsınız.

Bölüm Özeti: Temsilciden marj analizi içeren bir yönetici özeti yazmasını, AI.FORECAST tahmini oluşturmasını ve veriye dayalı bir öneri sunmasını istediniz. İnceleme tamamlandı.

11. Temizleme

Google Cloud hesabınızın sürekli olarak ücretlendirilmesini önlemek için bu codelab'de oluşturulan kaynakları yıkım komut dosyasını çalıştırarak silin.

1. Antigravity IDE'nin alt kısmındaki Terminal panelinde (veya Cloud Shell'de) codelab dizinine gidin ve şu komutu çalıştırın:

cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x teardown.sh
./teardown.sh

2. Komut dosyası, silmeyi planladığı tüm kaynakları gösterir ve devam etmeden önce onay ister:
   • Cloud SQL örneği (cymbal-pets-ops): En pahalı kaynaktır.
   • BigQuery veri kümesi (cymbal_pets): Tüm tablolar ve modeller
   • Cloud Storage paketi (gs://YOUR_PROJECT_ID-cymbal-pets-raw)
   • BigQuery bağlantısı (cymbal-pets-cloudsql)
3. Onaylamak için y yazın. Sökme işlemi yaklaşık 2-3 dakika sürer.

[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.

Bu adımı unutmayın. Cloud SQL örneği, boşta olsa bile ücretlendirilir. Sökme işlemini atlarsanız daha sonra uygulayabilir veya bu codelab için kullandığınız Google Cloud projesinin tamamını silebilirsiniz.

12. Tebrikler!

The Cymbal Pets Investigation adlı kursu başarıyla tamamladınız. Tüm Google Cloud veri varlıklarınızda çalışan bir yapay zeka aracısı kullanarak belirsiz bir CFO sorusundan tamamen operasyonel hale getirilmiş, tahmin destekli bir öneriye geçtiniz.

Başarılarınız

1. 🔍 Hizmetler genelinde keşfedildi: Veri Aracısı Kiti'nin Knowledge Catalog'unu kullanarak BigQuery, Cloud SQL ve Cloud Storage'daki öğeler keşfedildi ve önizlendi.
2. 🕵️‍♂️ Yapay zekayla araştırıldı: MCP Araçları kullanılarak tek bir sohbet bölmesi görüşmesinde birden fazla hizmet sorgulanarak AOV anormalliğinin toplu bir B2B tanıtım kampanyasına kadar izi sürüldü.
3. 🔧 Üretim ardışık düzeni oluşturma: İşlem ve müşteri verilerini temizlemek, birleştirmek ve test etmek için eksiksiz bir dbt projesi oluşturuldu.
4. 🐛 Bir dağıtım hatası ayıklandı: Ajanın, ayrıntı düzeyi sorununu otomatik olarak teşhis ettiği ve müşteri evcil hayvan profillerini önceden toplamak için dbt SQL modelini yeniden düzenlediği gözlemlendi.
5. 📈 Tahmin edildi ve önerildi: BigQuery'nin yerleşik AI.FORECAST işlevini kullanarak ortalama sipariş değeri trendlerini modelledi ve CFO'ya veriye dayalı bir öneri sundu.

Temel kavramlar

Kavram	Öğrendikleriniz
MCP Araçları	Yapay zeka aracısının, BigQuery, Cloud SQL, Spanner gibi hizmetleri ve diğer veritabanlarını sizin adınıza sorgulamasına olanak tanıyan güvenli ve denetlenebilir bağlantılar. Her çağrı, Sohbet bölmesinde görünür.
Aracı Becerileri	Ajanın, alanla ilgili en iyi uygulamaları öğrenmesini sağlayan ve istem girmenizi gerektirmeyen önceden oluşturulmuş talimat kümeleri (ör. dbt-bigquery veya discovering-gcp-data-assets)
Hizmetler arası inceleme	Aracı, tek bir görüşmede birden fazla Google Cloud hizmetini sorgular. Bağlantı kurulumu veya konsollar arasında bağlam değiştirme gerekmez.
Hedef odaklı istem yazma	Aracıya nasıl istediğinizi söylemek yerine ne istediğinizi söyleyin ("kanala göre ortalama sipariş değerini hesaplayan bir dbt projesi oluştur") ve uygulama yaklaşımını seçmesine izin verin.
Veri Ajanı Kiti	MCP Tools, Agent Skills ve veri keşfi gibi her şeyi bir araya getiren uzantı. Bu uzantı sayesinde, tercih ettiğiniz IDE'den Google Cloud'daki tüm veri varlıklarınıza erişebilirsiniz.

Sonraki adımlar

• Özellikleri hakkında daha fazla bilgi edinmek için Veri Aracısı Kiti belgelerini okuyun.
• AI.FORECAST, AI.GENERATE ve AI.EMBED dahil olmak üzere BigQuery ML ve yapay zeka işlevleri hakkında bilgi edinin.
• Antigravity IDE'yi kullanarak kendi verilerinizle hizmetler arası kendi soruşturmanızı oluşturmayı deneyin.