Data Cloud Copilot.
Preguntas a tus datos en lenguaje natural. Sin esperar al equipo de analytics.
El agente OOTB de Agentforce que conversa sobre Data Cloud en lenguaje natural. Responde preguntas, explora DMOs y Calculated Insights, sugiere segmentos derivados de la conversación, hace drill-down, explica resultados y exporta a Tableau Next o CRMA. Pensado para CMO, CFO, Producto, Customer Success, Operations y Compliance que necesitan responder preguntas sobre datos sin abrir un ticket al equipo data, con masking de PII y row-level security respetados por rol.
¿Qué hace Data Cloud Copilot?
Es un agente OOTB de Agentforce que actúa como interfaz conversacional sobre Data Cloud. Traduce preguntas en lenguaje natural a queries con grounding sobre DMOs y CIs, ejecuta y formatea la respuesta, sugiere drill-downs, ofrece guardar el cohorte resultante como segmento o CI canónica y comparte el insight a Slack o Teams. Aplica row-level security, masking de PII y audit trail completo, lo que mantiene gobierno mientras se democratiza el acceso al dato.
Cómo funciona paso a paso
De pregunta en lenguaje natural a insight compartido. 5 pasos en una conversación típica.
Pregunta en lenguaje natural
El usuario escribe en español rioplatense, mexicano, portugués o inglés desde Lightning, Slack, Teams, app móvil Salesforce o Tableau Pulse embebido. Ejemplo: "qué tres campañas de Q3 generaron mayor LTV en CDMX".
Traducción a query con grounding
El agente identifica los DMOs, CIs y Data Graphs relevantes desde el catálogo, aplica el business glossary, respeta los permisos del rol y arma una query ejecutable.
Ejecución y formato
Ejecuta sobre Data Cloud, formatea la respuesta como tabla, chart o resumen ejecutivo según el contexto y explica brevemente la fórmula utilizada (LTV, churn, conversión, etc.).
Drill-down y follow-up
Sugiere preguntas siguientes ("querés ver el desglose por canal", "podríamos comparar con Q2"), permite drill-down sobre la cohorte y propone visualizaciones cuando agregan claridad.
Guardar o compartir
Permite guardar la cohorte como un segmento canónico, la fórmula como una CI nueva, exportar a Tableau Next o CRMA o compartir el insight a Slack o Teams respetando los permisos del receptor.
Ejemplo de interacción
[CMO pregunta en Lightning]
[Respuesta y drill-down]
Arquitectura técnica
Topics, Actions, Hydrators, Effectors, Channels, DMOs, Trust Layer y Memory que sostienen al agente.
Topics
Dominios de razonamiento
- NL2SQL Translator
- Result Explainer
- Follow-up Suggestor
- Visualization Recommender
- Drill-down Composer
- Saved-query Manager
Actions y canales
Lo que ejecuta y dónde vive
- askDataCloud
- drillDown
- exportToTableau
- saveAsSegment
- saveAsCI
- shareInsight
- Lightning
- Slack vía MCP
- Microsoft Teams
- App móvil Salesforce
- Tableau Pulse embebido
Hydrators y DMOs
Contexto y memoria
- DMOs catalogados
- Calculated Insights
- Data Graphs
- Prior queries del usuario
- Dashboards conectados
- Memory: sesión + cross-session
Effectors y Trust Layer
Escrituras y guardrails
- Write segment from query
- Write CI from query
- Export a Tableau Next o CRMA
- Post a Slack o Teams
- PII masking en outputs
- Row-level security por rol
- Audit trail completo
Cómo se implementa en 5 fases
De catálogo y glossary maduros a usuarios non-technical preguntándole a sus datos.
Discovery del catálogo y glossary
Auditamos descriptions de DMOs, CIs y Data Graphs. Identificamos el glossary mínimo necesario para que el LLM pueda hacer NL2SQL razonable.
Enriquecimiento y row-level security
Mejoramos descriptions, sample values y glossary. Configuramos row-level security por rol y reglas de masking sobre PII.
Configuración del agente y guardrails
Configuramos Topics, Actions y permisos. Definimos cost guardrails para queries pesadas y políticas de sharing por canal.
Piloto con un equipo seed
Activamos el agente con un equipo seed (típicamente Marketing, CFO o Producto). Medimos calidad de NL2SQL, tasa de respuestas accionables y satisfacción.
Rollout y enablement
Expansión a más roles. Onboarding por equipo, dashboards de uso y revisión mensual de queries útiles que merecen pasar a CIs canónicas.
Equipo típico de implementación
Requisitos para arrancar
Lo que necesitás listo antes de poner el Data Cloud Copilot en producción.
Datos
- DMOs documentados con descriptions
- Calculated Insights conocidos por el agente
- Identity Resolution madura
- Sample values cleaned
Integraciones
- Tableau Next o CRMA conectado
- Slack vía MCP y Microsoft Teams
- App móvil Salesforce
- Tableau Pulse para embebidos
Organizacional
- Business glossary mínimo viable
- Política de queries y de sharing
- Sponsor en BI o Analytics
- Cadencia de revisión de queries útiles
Trust y compliance
- Row-level security configurado
- Masking de PII por rol
- Cost guardrails para queries pesadas
- Audit trail habilitado
Qué se busca optimizar
Lo que el agente busca mejorar — los rangos exactos dependen del baseline de cada compañía.
Tiempo de pregunta a respuesta
Pasar de días (esperando un ticket al equipo de analytics) a segundos para preguntas simples y minutos para drill-downs.
Self-service de datos
Subir el número de personas con acceso self-service confiable a Data Cloud, sin debilitar gobierno ni exponer PII.
Queries útiles canonizadas
Convertir queries útiles repetitivas en segmentos o CIs canónicas, lo que reduce duplicación y mejora coherencia entre equipos.
Tickets reducidos al equipo analytics
Bajar el volumen de pedidos manuales del tipo "podés correr esta query". El equipo de analytics recupera tiempo para casos complejos.
Coherencia entre canales
Que la respuesta a una pregunta sea consistente entre Lightning, Slack, Teams y Tableau Pulse, gracias al grounding compartido.
Costo por query
Optimizar el costo computacional con cost guardrails y caching de queries frecuentes, evitando queries pesadas innecesarias.
Qué considerar al implementar
Decisiones de diseño que vale la pena tomar al principio. Solu acompaña cada una con un patrón probado.
Descriptions y CIs ricas para el LLM
El LLM lee descriptions, sample values y glossary para construir queries. Solu enriquece este metadata con el equipo data antes de activar el agente, lo que mejora notablemente la calidad de NL2SQL desde el primer día.
Business glossary actualizado
Términos del negocio (cliente activo, churn, alto valor) varían por compañía. Solu acompaña la definición del glossary y lo conecta al agente, lo que evita interpretaciones literales y respuestas confusas.
Governance de queries y sharing
Sin governance, un insight sensible puede terminar en un canal público. Solu define políticas de sharing por canal y enforcea masking automático en cualquier output que vaya fuera del rol original.
Cost guardrails para queries pesadas
Una pregunta libre puede generar una query carísima. Solu configura cost guardrails (límites de filas escaneadas, timeouts, caching) y permite al usuario afinar la pregunta antes de ejecutar lo que es claramente costoso.
Manejo de "no entiendo la pregunta"
Cuando el agente no puede traducir confiablemente, debe decirlo, no inventar. Solu calibra umbrales de confianza y respuestas honestas con sugerencias de reformulación, además de un fallback al equipo analytics si hace falta.
Preguntas Frecuentes
El copilot responde preguntas ad-hoc y exploración rápida sobre Data Cloud. Tableau Next y CRMA siguen siendo el lugar para dashboards persistentes, narrativas de datos y reporting recurrente. El copilot exporta resultados a ambos para que el insight siga vivo más allá de la conversación.
Sí. El system prompt se calibra por país e idioma: variantes dialectales del español, portugués brasileño y europeo, y vocabulario local de negocios. Solu mantiene plantillas pre-configuradas para los principales mercados de LATAM y España.
Cada query del agente se ejecuta con los permisos del usuario que la dispara. Si un usuario solo tiene acceso a la región México, el agente nunca devuelve datos de Argentina. Las reglas se definen sobre Data Cloud y se respetan automáticamente en cada respuesta.
Sí. Cuando un Data Graph cubre la unión necesaria, el agente lo aprovecha para responder rápido. Cuando no, ejecuta la query sobre los DMOs base. Si detecta que una unión se repite y conviene materializarla, sugiere coordinar con el Data Graph Agent.
El Trust Layer aplica masking automático según el rol del usuario y la naturaleza del campo. Para preguntas que solicitan PII de manera explícita y el rol no la permite, el agente lo dice y sugiere métricas agregadas. Cuando comparte un insight a Slack o Teams, vuelve a aplicar masking.
El agente lo declara de forma explícita en lugar de inventar. Sugiere reformulaciones, ofrece ejemplos de preguntas similares respondidas con éxito y, si la pregunta es genuinamente compleja, propone un handoff al equipo de analytics con el contexto de la conversación.
El grounding sobre DMOs y CIs es el mismo en Lightning, Slack, Teams, app móvil y Tableau Pulse. La memoria cross-session por usuario asegura que un follow-up en otro canal continúe la conversación con el mismo contexto, dentro de los permisos del rol.
Preguntas a tus datos en lenguaje natural, con gobierno respetado.
Hablá con un Solu Architect. Auditamos tu catálogo, tu glossary y diseñamos el rollout del Data Cloud Copilot en tu org.