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 que importa
O que dá valor aos dados não é tê-los, é alguém mudar uma decisão por causa deles. Parece óbvio e é o teste que mais projetos reprovam: constrói-se o relatório, publica-se, ninguém muda nada e seis meses depois o projeto consta como bem-sucedido porque foi entregue no prazo.
Eu olho a linhagem antes do gráfico: de onde sai cada número, quem pode mudá-lo e o que acontece se o sistema de origem cair. Se ninguém consegue percorrer essa cadeia em dois minutos, o painel está exibindo uma confiança que não conquistou.
O que costuma dar errado
Onde costuma quebrar é na captura. Investe-se muito no processamento e nada no ponto em que a pessoa preenche o formulário, com pressa, sem validações e sem saber para que serve. Nenhum modelo conserta um dado que nasceu errado; só o propaga com mais autoridade.
O que observar
- Quando o número chega em relação a quando a decisão é tomada, que é o que define sua utilidade.
- Quem responde pela qualidade do indicador quando alguém o questiona num comitê.
- Qual decisão concreta muda com isto e quem a toma: sem isso, é mais um painel.
Como leio esta publicação
Eu usaria para revisar o ciclo completo, desde onde o dado é capturado até onde alguém age. Quase sempre o problema não está na analítica, e sim no começo: alguém preenchendo um campo à mão, sem validação, com pressa e sem saber para que serve depois.
A notícia original está publicada em outro idioma; o trecho é citado como o veículo o entrega e o comentário é escrito em português.
Comentários
Ainda não há comentários. O primeiro pode ser o seu.
Está vivendo isso na sua equipe?
Abra o chat e me conte como estão lidando com isso. Tenho interesse em comparar notas.
