Imagine your compliance team notices that payments are taking longer than expected to clear. They suspect fraud, and you’re the data scientist helping figure out which transactions to investigate first.
Imagine your compliance team notices that payments are taking longer than expected to clear. They suspect fraud, and you’re the data scientist helping figure out which transactions to investigate first.
Introducing the Data Agent Kit Data Agent Kit helps you work with Google Cloud data through a plugin for coding agents or an extension for Visual Studio Code-based IDEs. It brings two significant additions to the workflow:
Help for your agent: MCP tools connect your agent to data services. Skills are Markdown files that give it instructions and best practices for working with your data stack
Tools in your IDE: work with Google’s Agentic Data Cloud, from querying databases to deploying an Airflow pipeline, without leaving your editor
Loading the data Let’s start with the raw transaction logs in Google Cloud Storage. You can ask the agent to create a notebook that loads them into BigQuery using Spark:
code_block <ListValue: [StructValue([('code', 'Create a PySpark notebook to ingest JSON transaction logs from gs://financials-clearing-raw/ into the BigQuery table transactions.raw_transactions.'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fe099e44d90>)])]>
In context
- Topic: Datos y Analítica — Gobierno del dato, calidad, analítica y productos de datos.
- Source: Google Cloud Blog
- Published: 12/10/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por qué importa
Lo que le da valor a los datos no es tenerlos, es que alguien cambie una decisión por ellos. Suena obvio y es la prueba que más proyectos reprueban: se construye el reporte, se publica, nadie modifica nada y a los seis meses el proyecto figura como exitoso porque se entregó a tiempo.
Yo miro el linaje antes que el gráfico: de dónde sale cada número, quién lo puede cambiar y qué pasa si el sistema origen se cae. Si nadie puede responder esa cadena en dos minutos, el tablero está mostrando confianza que no se ganó.
Lo que suele salir mal
Donde suele romperse es en la captura. Se invierte mucho en el procesamiento y nada en el punto donde la persona llena el formulario, con prisa, sin validaciones y sin saber para qué sirve. Ningún modelo arregla un dato que nació mal; solo lo propaga con más autoridad.
Qué mirar
- Cuándo llega el número respecto a cuándo se toma la decisión, que es lo que define su utilidad.
- Quién responde por la calidad del indicador cuando alguien lo cuestiona en un comité.
- Qué decisión concreta cambia con esto y quién la toma: sin eso, es un tablero más.
Cómo leo esta entrada
Yo lo usaría para revisar el ciclo completo, desde que el dato se captura hasta que alguien actúa. Casi siempre el problema no está en la analítica sino al principio: alguien llenando un campo a mano, sin validación, con prisa y sin saber para qué se usa después.
La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.
Comentarios
Todavía no hay comentarios. El primero puede ser el tuyo.
¿Lo estás viviendo en tu equipo?
Abrí el chat y contame cómo lo están manejando. Me interesa comparar notas.
