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 satış ve sipariş geçmişi, Cloud SQL'deki müşteri ve ürün kayıtları, Cloud Storage'daki pazarlama dosyaları. Normalde, bu tür bir hizmetler arası inceleme yapmak için konsollar arasında geçiş yapmanız, bağlantı için standart metinler yazmanız ve sonuçları manuel olarak birleştirmeniz 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. Sorunu çözdükten sonra, temsilciden bulgularınızı kullanıma sunmak için bir dbt ardışık düzeni oluşturmasını, gerçek bir veri modelleme hatasında hata ayıklamasını ve CFO'ya tahmine dayalı bir öneri sunmasını isteyeceksiniz.

Antigravity'de yeni misiniz? IDE'yi ilk kez kullanıyorsanız önce Google Antigravity'yi kullanmaya başlama başlıklı makaleyi 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
• Antigravity IDE
• Faturalandırmanın etkinleştirildiği bir Google Cloud projesi ve Google Cloud Console'a erişim (uygulamalı laboratuvarlar için yeni ve özel bir proje kullanmanızı öneririz)
• 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. Sağlanan kaynakları silmek için laboratuvarın sonundaki Temizleme talimatlarını uyguladığınızdan emin olun.

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.

Proje seçin veya oluşturun

Google Cloud Console'da mevcut bir projeyi seçin veya yeni bir proje oluşturun.

Faturalandırmayı doğrulama

Google Cloud projeniz için faturalandırmanın etkinleştirildiğinden emin olun. Bu işlemi nasıl yapacağınız hakkında daha fazla bilgi edinmek için bu kılavuzu inceleyebilirsiniz.

Cloud Shell'i Başlatma

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

1. Google Cloud Console'u açın ve pencerenin üst kısmındaki Cloud Shell'i etkinleştir'i 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, tüm laboratuvar ortamınızı otomatik olarak hazırlar. Böylece doğrudan incelemeye başlayabilirsiniz:

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

Ne setup.sh yapar?

1. API'leri etkinleştirir: BigQuery, Cloud SQL, Cloud Storage, Knowledge Catalog (Dataplex) ve destekleyici altyapı API'lerini etkinleştirir.
2. BigQuery öğeleri oluşturur: Örnek sipariş geçmişini cymbal_pets veri kümesine yükler.
3. Cloud Storage paketi oluşturur: Promosyon kampanyası kayıtlarını ham bir GCS paketine yükler.
4. Cloud SQL'i sağlama: PostgreSQL örneğini oluşturmak için arka planda çalışan bir işçi başlatır (cymbal-pets-ops).
5. Oluşturur .env: Kurulum ve kaldırma komut dosyaları için ortam ve veritabanı yapılandırmasını kaydeder.

Kurulum komut dosyası tarafından oluşturulan öğeler, Temizleme adımında ./teardown.sh ile birlikte silinir.

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: Geçmiş satış kayıtları (siparişler ve sipariş öğeleri) BigQuery'de, operasyonel uygulama verileri (müşteriler, evcil hayvan profilleri ve ürünler) ise Cloud SQL'de bulunur. Bu ayrım, analitik veri ambarlarının ve operasyonel veritabanlarının yapbozun farklı parçalarını tuttuğu gerçek dünya kuruluşlarını yansıtır.

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 ve Veri Aracısı Kit'ini ayarlama

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 adında) ve Open Folder'ı (Klasörü Aç) seçerek bu klasörü IDE'de açın. Bu, codelab için yerel çalışma alanınız olarak işlev görür.

Data Agent Kit uzantısını yükleme

Google Cloud Data Agent Kit uzantısı, BigQuery, Cloud SQL ve Cloud Storage için bir veri kataloğu tarayıcısı, aracı becerileri ve MCP sunucuları ekler. Böylece, bu hizmetleri düzenleyiciden sorgulayabilir ve inceleyebilirsiniz.

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. Google Cloud Data Agent Kit adlı ilk sonucu (googlecloudtools tarafından yayınlanmıştır) 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 Kiti 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: Temsilcilere karmaşık veri görevleri için özel yetenekler sağlayan önceden oluşturulmuş becerileri keşfedin.

Bölüm Özeti: Antigravity IDE'yi açtınız, Google Cloud projenize bağladınız ve Data Agent Kit uzak MCP sunucularını yapılandırdınız.

4. Verilerinizi keşfetme

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 KATALOG 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. Şimdilik 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 unutmayın. 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 içeriğini doğrudan IDE'de görüntüleyebilirsiniz.

Envanter çıkarma

Veriler 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, tüm bunları tek bir görüşme üzerinden yapay zeka ajanı tarafından ele alınmasını sağlayacaksınız.

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. Sayıları takip edin

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 olmanız gerekir. Veri Aracısı Kiti, verilere erişmeden önce açık izin isteyerek kontrolü size bırakır. İstendiğinde şunları seçebilirsiniz:
   • Bu süreye izin verin: Tek kullanımlık bir işlemi onaylar (yüksek riskli sorguların denetimi için idealdir).
   • Her zaman izin ver: Oturum için bu aracın 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 kullanırken 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 eylemlerini gerçek zamanlı olarak gösterir.
4. Aracı tamamladığında, isteminizin altındaki Worked for Xm (Xm için çalıştı) açılır listesini tıklayarak tam çalışma günlüğünü genişletin. Burada, yanıtınızı nasıl aldığını tam olarak inceleyebilirsiniz:
   • İncelendi: Bu öğeleri genişleterek aracının dosyaları okuduğunu, klasörlere göz attığını veya MCP araçlarını (ör. datacloud_bigquery_remote / list_table_ids ve execute_sql_readonly) çağırdığını görebilirsiniz. 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. CFO'nun işaretlediği anormallik budur.

MCP araçları ve temsilci becerileri nelerdir? MCP Araçları, aracının BigQuery ve Cloud SQL gibi harici hizmetlerle etkileşim kurmasına olanak tanıyan 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 inceleme

Genel OSB düştü ancak bu düşüş nereden kaynaklanıyor? Haydi öğrenelim.

1. 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?
   

2. Aracı, bu kez order_type'ya göre gruplandırarak başka bir BigQuery sorgusu çalıştırır. Sonuçları dikkatlice inceleyin. Çarpıcı bir sonuç görmelisiniz: 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.
3. Ajan, B2B müşterilerinin araştırılmasını proaktif olarak önerebilir. Bu durumda sorun yoktur. Bunu bir 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, temsilcinin 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 sefer farklı bir MCP aracı görmeniz gerekir. Ajan artık BigQuery yerine Cloud SQL'i sorguluyor. Aracı, cymbal-pets-ops Cloud SQL Postgres örneğine bağlanır ve customers tablosuna karşı bir sorgu çalıştırır. 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 var.

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. İnceleme doğal olarak ilerliyor.Ajan 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 tanıtım kampanyasına bağlıdır.Temsilci, daha sonra ortamdaki başka bir yerde tanıtım verileri arayabilir. (Cloud Storage'da bulunur.)

Bölüm Özeti: Temsilci, Cloud SQL'e sorgu göndererek B2B müşterilerinin tamamının Ocak 2025'te kaydolan yeni işletmeler olduğunu ortaya çıkarıyor. 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 edin

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

   Bunun nedeni budur. BIGORDER25 promosyon kodu, B2B Toptan Satış Promosyonu adlı bir kampanyayla eşleniyor: Minimum sipariş miktarı 50 birim olan B2B müşterileri için% 25 indirim.

Üç hizmet, tek bir görüşme. Son üç bölümde, aracı BigQuery (satış ve sipariş geçmişi), Cloud SQL (müşteri ve ürün verileri) ve Cloud Storage'ı (promosyon kayıtları) aynı sohbet dizisinden sorguladı. Bu işlemler için sizin tarafınızdan herhangi bir yapılandırma veya bağlam değiştirme işlemi yapılmadı. Veri Temsilcisi Kit'in asıl değeri, tüm veri varlıklarınızda çalışan tek bir yapay zeka ajanıdır.

Her şeyi bir araya getirin

4. Ajanın 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 sunar. Şuna benzer bir açıklama yapmalıdır:
   1. Ortalama sipariş değerindeki düşüş gerçektir ancak mevcut işlerde bir düşüş söz konusu değildir. Online ve çevrimdışı OSB, yaklaşık 110 ABD doları seviyesinde sabit kalmaya devam ediyor.
   2. Ocak 2025'te yeni bir B2B-Toptan Satış kanalı kullanıma sunuldu. Bu kanalda, çok daha düşük bir ortalama sipariş değeriyle (~75-100 ABD doları) yaklaşık 25.000 sipariş verildi.
   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 indirimi altında büyük ölçüde sıkıştırılır (~% 65 oranında azalır). Kargo ve operasyonel genel giderler hesaba katıldığında genel karlılık ciddi şekilde tehlikeye girer.
   Bu, soruşturmanın çözüldüğü andır. CFO'nun sorusunun net bir yanıtı var: Ortalama sipariş değeri, pazarlama odaklı bir B2B programının Ocak ayını yüksek hacimli ve düşük fiyatlı siparişlerle doldurması nedeniyle düştü. Mevcut işletme sağlıklı olmalıdır.

Bölüm Özeti: Cloud Storage'da nedeni buldunuz: Toplu siparişlerde% 25 indirim sunan bir B2B promosyon kampanyası. 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 aşamada, temsilci araştırmacıdan mühendise dönüşür. Tüm dbt projesini iskeletini oluşturup tüm ardışık düzeni tek bir istemden çalıştırdığını göreceksiniz.

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 iskeleleme

1. Sohbet bölmesinde aşağıdaki istemi yazın. Bu kılavuz, adım adım ilerlemek yerine hedefe yönelik olarak hazırlanmıştır. Ajana nasıl oluşturacağını değil, ne istediğinizi söylüyorsunuz:

   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. Kendi Kendini Düzeltmeyi Gözlemleyin: Eğer "Ns için Çalıştı" günlüğünü genişletirseniz, aracının dbt öğesini kontrol ettiğini ve eksik olduğunu tespit ettiğinde otomatik olarak bir Python sanal ortamı oluşturmak için komutlar çalıştırdığını görebilirsiniz (.venv). Ortam kurulumunu sizin için hallediyor!

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 seçeneğine tıklayın.

5. Yeni oluşturulan dbt projesini soldaki Gezgin'de keşfedin. Aşağıdakine 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. Temsilcinin oluşturduğu 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
   • Misafir ödemelerini işleme: COALESCE(customer_type, 'Guest') veya gevşetilmiş boş kısıtlama görebilirsiniz. Bu model, hesap oluşturmadan yapılan perakende müşteri alışverişlerini kaydeder ve eksik kayıtları silmek yerine geçerli sipariş gelirlerini korur.

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

7. Tüm modellerin oluşturulduğuna ve tüm testlerin başarıyla tamamlandığına dair aracının onayını almak için Sohbet bölmesini kontrol edin (veya oluşturulan Walkthrough yapay öğesini tıklayın). Pazardaki ortalama sipariş değeri sonuçları, inceleme sırasında bulduklarınızı doğrulamalıdır:

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

Bölüm Özeti: Ajan, amaca yönelik tek bir istemden dbt projesi oluşturdu: hazırlama ve mart modellerini iskeleledi, 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 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 özdeş 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, ajan bu isteği iki şekilde ele alır: Hatayı proaktif olarak önleme (A seçeneği) veya Test hatası başarısızlığından sonra 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.

Mimari Not: MCP ve Birleştirilmiş Sorgular
Codelab'in önceki bölümlerinde, aracı, geçici etkileşimli inceleme için Cloud SQL MCP aracını kullanarak Cloud SQL'i doğrudan sorguluyordu. Artık dbt ardışık düzeninde dbt-bigquery, BigQuery'de dönüşümler gerçekleştiriyor. Aracı, BigQuery'den Cloud SQL verilerini sorgulamak için cymbal-pets-cloudsql BigQuery bağlantı kaynağı üzerinden BigQuery birleşik sorgularını (EXTERNAL_QUERY(...)) kullanır.

A seçeneği: Proaktif temsilci (hatalardan kaçınma)

Gelişmiş bir muhakeme modeli kullanıyorsanız aracı, herhangi bir kod yazmadan önce ayrıntı kaymasını algılayabilir. Bir müşterinin birden fazla evcil hayvanı olabileceğinden doğrudan birleştirme, siparişleri kopyalar ve order_id üzerinde istediğiniz benzersizlik testini geçemez.

1. Proaktif Toplama İşlemini Gözlemleyin: Temsilci, sohbet bölmesi açıklamasında veya adım adım kılavuzda, "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.

Ajan, hatadan kaçındı. fct_order_analysis.sql içindeki oluşturulan SQL'i inceleyerek toplama işleminin nasıl yapılandırıldığını görün, ardından bir sonraki bölüme geçin, Yanıtı iletin.

Seçenek B: Kendi kendini onaran ajan (hata ayıklama ve teşhis)

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

1. Test hatasını gözlemleyin: Hatanın, Chat bölmesi yürütme ilerleme durumu günlüklerinde bildirildiğini görürsünüz:

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

   order_id üzerindeki benzersizlik testinde, birden fazla evcil hayvanı olan müşteriler siparişleri farklı zamanlarda verdiğinden yinelenen girişler bulundu.
2. Ajanın teşhis koymasına ve kendi kendini onarmasına izin verin: 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 izleyin: Aracı, 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, evcil 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 olarak önlediğini veya test hatası başarısızlığından sonra kendini başarıyla onardığını gördünüz. Ayrıca Cloud SQL sınırını aştığını, müşteri ve evcil hayvan profili verilerini entegre ettiğini ve olgu tablosunda sipariş başına bir satır tuttuğunu da gördünüz. Ardışık düzen tamamlandı ve test edildi.

10. Yanıtı ilet

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.

   Çıkış 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 sohbette bağlantısını verebilir.

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

3. Ajanın yönetici özetini inceleyin. Tipik ve iyi yapılandırılmış bir yanıt şunları ele almalıdır:
   • Temel bulgu: Ocak ayı ortalama sipariş değeri yalnızca yeni B2B-Toptan Satış kanalı nedeniyle düştü. Online ve çevrimdışı gelir yaklaşık 110 ABD doları seviyesinde sabit kalmaya devam ediyor.
   • 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, geçmiş trendlere göre 90 gün boyunca ortalama sipariş değerini tahmin etmek için yerleşik TimesFM temel modeli kullanılır. 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 dolarına yükselme).

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. Öneriler şunları kapsamalıdır:
   • 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.

Hikayenin tamamı

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 verilere 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.

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.

1. Google Cloud Shell'e (kurulum komut dosyasını çalıştırdığınız yer) dönün ve kaldırma komut dosyasını 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:
   • Bulut SQL örneği (cymbal-pets-ops): Tüm tablolar
   • BigQuery veri kümeleri (cymbal_pets, dbt_marts): 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 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. 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: Data Agent Kit'in 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: Sipariş ve müşteri verilerini temizlemek, birleştirmek ve test etmek için eksiksiz bir dbt projesi oluşturdu.
4. 🐛 Bir dağıtım hatası ayıklandı: Aracı, ayrıntı düzeyi sorununu otomatik olarak teşhis etti ve müşteri evcil hayvan profillerini önceden toplamak için dbt SQL modelini yeniden düzenledi.
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.
Temsilci 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 ve 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 Araçları ve Agent Skills'ten veri keşfine kadar her şeyi bir araya getiren bu uzantı, tercih ettiğiniz IDE'den tüm Google Cloud veri varlıklarınıza erişmenizi sağlar.

Sonraki adımlar

• Veri Aracısı Kitinin yetenekleri hakkında daha fazla bilgi edinmek için Veri Aracısı Kiti dokümanlarını okuyun.
• AI.FORECAST, AI.GENERATE ve AI.EMBED dahil olmak üzere BigQuery ML ve yapay zeka işlevleri hakkında bilgi edinin.
• Antigravity IDE ile kendi verilerinizde hizmetler arası soruşturma oluşturmayı deneyin.