Data Graph Agent para Data Cloud.
Relaciones materializadas que aceleran lo que el resto del Customer 360 ya consulta.
El agente OOTB de Agentforce que construye y mantiene Data Graphs sobre Data Cloud, las relaciones materializadas entre DMOs que aceleran queries, segmentos, Calculated Insights y activaciones. Detecta patrones de uso recurrentes, propone graphs con simulación de mejora de latencia, valida performance y recomienda refactors de graphs sub-óptimos. Pensado para Data Architect, Solution Architect y Data Engineering Lead.
¿Qué hace Data Graph Agent?
Es un agente OOTB de Agentforce que reduce el modelado manual con SQL y UI a generación asistida por IA. Analiza patrones de uso (segmentos, dashboards, Calculated Insights, queries del copilot), detecta uniones recurrentes entre DMOs, propone Data Graphs nuevos con simulación de latencia, valida performance contra el baseline y recomienda refactors o deprecación de graphs sub-óptimos. Mantiene catálogo y lineage actualizados.
Cómo funciona paso a paso
Del análisis de patrones al graph en producción. 5 pasos por iteración.
Análisis de patrones de uso
El agente escanea el query history, segmentos creados, Calculated Insights y dashboards para detectar uniones recurrentes entre DMOs. Identifica los joins que aparecen una y otra vez.
Proponer graph candidato
Construye un Data Graph candidato con la unión detectada, propone refresh policy (real-time, near-real-time o batch) y muestra los consumers que se beneficiarían.
Validar performance
Simula la mejora de latencia comparando el plan de query antes y después del graph. Reporta diferencia esperada en milisegundos y costo computacional.
Deploy con governance
El Data Architect aprueba. El agente registra el graph en el catálogo, publica el cambio con owner asignado y notifica a los consumers afectados.
Monitoreo y refactor
Mide uso del graph en el tiempo. Si cae por debajo de un threshold, propone deprecación. Si la performance se degrada, propone refactor con un nuevo plan.
Ejemplo de interacción
[El agente detecta un patrón]
[Propuesta y simulación]
Arquitectura técnica
Topics, Actions, Hydrators, Effectors, Channels, DMOs, Trust Layer y Memory que sostienen al agente.
Topics
Dominios de razonamiento
- Graph Pattern Detector
- Relationship Suggester
- Graph Performance Analyzer
- Refactor Recommender
- Graph Lineage Mapper
Actions y canales
Lo que ejecuta y dónde vive
- proposeGraph
- validateGraph
- deployGraph
- refactorGraph
- deprecateGraph
- Lightning
- Slack vía MCP
Hydrators y DMOs
Contexto y memoria
- DMO Catalog
- Data Graph Definitions
- Query history
- Segmentos creados
- Field Lineage
- Memory: decisiones del architect
Effectors y Trust Layer
Escrituras y guardrails
- Crear o modificar Data Graphs
- Registrar en catálogo
- Notificar consumers afectados
- Audit trail de cada cambio
- Permisos por rol
- Lineage actualizado
Cómo se implementa en 5 fases
De DMOs limpios a un portafolio de Data Graphs con governance vivo.
Discovery del modelo y patrones
Auditamos el catálogo de DMOs, foreign keys explícitos, naming conventions y graphs existentes. Mapeamos los consumers críticos.
Configuración del agente
Configuramos Topics, Actions y permisos. Definimos thresholds de propuesta, criterios de deprecación y matriz de approval.
Primer batch de graphs propuestos
El agente analiza el query history y propone los primeros graphs de alta señal. El Data Architect revisa, aprueba y se hace el deploy controlado.
Monitoreo y validación
Medimos uso real y mejora de latencia comparada con la simulación. Calibramos thresholds y refinamos criterios de propuesta.
Cadencia continua y refactor
El agente sigue proponiendo graphs nuevos y deprecando los abandonados. Cadencia mensual de revisión con el Data Architect para mantener un portafolio saludable.
Equipo típico de implementación
Requisitos para arrancar
Lo que necesitás listo antes de poner el Data Graph Agent en producción.
Datos
- Data Cloud con DMOs limpios
- Foreign keys explícitos donde aplica
- Naming conventions consistentes
- Identity Resolution funcionando
Integraciones
- Tableau Next o CRMA conectado
- Slack vía MCP para notificaciones
- Field Lineage habilitado
- Telemetría de queries activa
Organizacional
- Ownership claro por dominio
- Política de change control de graphs
- Sponsor en Data Engineering
- Cadencia de revisión mensual
Trust y compliance
- Trust Layer activo
- Permisos por rol en graphs
- PII sensitivity classification
- Audit trail habilitado
Qué se busca optimizar
Lo que el agente busca mejorar — los rangos exactos dependen del baseline de cada compañía.
Latencia de queries dependientes
Reducir tiempos de respuesta de segmentos, dashboards y CIs que requieren joins repetitivos entre DMOs.
Time-to-segment
Acortar el tiempo desde que un marketer pide una audiencia con joins complejos hasta que está materializada.
Reuso de graphs
Subir el porcentaje de Data Graphs que efectivamente se usan en producción sobre el total del portafolio.
Tiempo del Data Architect
Liberar tiempo del architect del modelado manual repetitivo para que se concentre en arquitectura, governance y casos complejos.
Calidad del catálogo
Mantener documentación, lineage y ownership al día para cada graph en producción, lo que mejora discovery y reuso.
Costo computacional
Optimizar el balance entre graphs materializados y queries on-the-fly según patrones reales de uso.
Qué considerar al implementar
Decisiones de diseño que vale la pena tomar al principio. Solu acompaña cada una con un patrón probado.
Foreign keys explícitos en DMOs
Sin foreign keys claros, los graphs se construyen sobre supuestos frágiles. Solu acompaña la limpieza del modelo y la declaración explícita de relaciones antes de activar el agente, lo que mejora la calidad de las propuestas.
Naming consistente entre dominios
Atributos con nombres distintos para la misma cosa rompen el matching del agente. Solu propone una naming convention de cross-DMO al inicio y la mantiene viva con revisiones periódicas.
Ownership claro por dominio
Sin owner, los graphs se vuelven huérfanos y nadie aprueba el refactor. Solu acompaña la definición de ownership por dominio y un patrón ligero de revisión trimestral del portafolio.
Change control para graphs en producción
Modificar un graph que sostiene segmentos críticos requiere governance. Solu introduce un proceso de approval con notificación a consumers, ventanas de cambio y rollback plan documentado.
Refresh policy adecuada
Un refresh real-time para datos que solo cambian a la noche es desperdicio computacional. Solu calibra el refresh por graph (real-time, near-real-time o batch) según el caso de uso real, optimizando latencia y costo.
Preguntas Frecuentes
Sí, al menos en estado funcional. Sin Identity Resolution, las uniones entre Customer, Order y otros DMOs se hacen sobre keys frágiles, lo que reduce la confiabilidad de cualquier Data Graph propuesto. La recomendación es resolver primero Identity Resolution y luego sumar el Data Graph Agent.
Sí. Las propuestas se construyen sobre cualquier DMO, estándar o custom. La condición es que las relaciones (foreign keys) estén explícitas en el catálogo y que las naming conventions sean consistentes para que el agente pueda inferir uniones razonables.
El agente lee la telemetría de queries de Tableau Next y CRMA para entender qué uniones consume cada dashboard. Cuando despliega un graph, los dashboards que se beneficien lo aprovechan automáticamente sin reescribir la fuente.
Un Data Graph materializa una relación entre DMOs (perfiles enriquecidos con sus orders, por ejemplo). Un Calculated Insight materializa una métrica derivada (LTV, frecuencia, recencia). Cuando lo que se repite son joins, el Data Graph es la respuesta. Cuando lo que se repite son fórmulas, el Calculated Insight lo es.
Los graphs respetan los permisos del Trust Layer. Cuando un graph contiene PII sensible, el agente aplica masking según el rol del consumer y registra el lineage para auditoría. Se puede excluir explícitamente un atributo del graph si la política lo requiere.
Sí, donde el patrón de cambio lo permite. El agente sugiere refresh incremental para DMOs append-only o con marca temporal clara y full refresh donde la complejidad no lo justifica. La recomendación se basa en el patrón real de modificación.
El agente lo detecta cuando el uso cae bajo el threshold definido y propone deprecación. Antes de remover, se notifica a posibles consumers latentes y se mantiene un período de gracia configurable. Si nadie reclama, el graph se deprecia con audit trail.
Data Graphs que aceleran lo que tu Customer 360 ya consulta.
Hablá con un Solu Architect. Auditamos tus DMOs, tus patrones de uso y diseñamos el primer batch de Data Graphs con simulación de mejora.