Analityka konwersacyjna

O pytania, które zarząd zadaje co tydzień - z odpowiedzią, zanim skończy się spotkanie:

• Jak w tym roku rozwijały się przychody miesiąc po miesiącu?
• Które kategorie produktów rosły najszybciej w ostatnim kwartale, a które spadają?
• Jaka część kupujących po raz pierwszy wraca po drugi zakup?
• Które kraje i miasta generują największe przychody?
• W którym miejscu lejka sprzedażowego tracimy najwięcej odwiedzających?
• Które źródła ruchu przyprowadzają najbardziej wartościowych klientów?

Każda odpowiedź zawiera kluczowe liczby, wykres tam, gdzie wykres pomaga, oraz dokładne zapytanie do bazy - dzięki czemu analityk może zweryfikować każdą wartość, zanim trafi ona do materiałów dla zarządu. Nic nie jest czarną skrzynką.

Niewygodna prawda o narzędziach typu "porozmawiaj ze swoimi danymi": prosto z pudełka mylą się z pełnym przekonaniem. Gdy zaczynaliśmy, nasz asystent odpowiadał poprawnie na 1 pytanie na 10. Na koniec odpowiadał na 9 z 10 - używając dokładnie tego samego modelu AI. Cała poprawa wzięła się z fundamentów pod spodem:

• Jedno źródło prawdy dla definicji - "przychód", "aktywny klient" czy "współczynnik konwersji" znaczą jedną ustaloną rzecz, zapisaną w słowniku biznesowym, którego asystent musi przestrzegać, więc jego liczby zgadzają się z raportami finansowymi
• Zautomatyzowana jakość danych - każda tabela jest sprawdzana codziennie; kiedy dane źródłowe popsuły się pierwszego dnia działania, bramka jakości wyłapała to, zanim jakakolwiek błędna liczba dotarła do kogokolwiek
• Platforma sama profiluje swoje dane - zaplanowany krok mierzy, co naprawdę znajduje się w każdej tabeli: rzeczywisty zakres dat, przedział, w jakim mieści się każda wartość liczbowa, dokładną pisownię każdej kategorii. Asystent dostaje te fakty, zanim odpowie, więc "ostatni kwartał" liczy się względem dat, które dane faktycznie zawierają, a nie względem założeń. Ten jeden nawyk wyłapał w naszych danych źródłowych subtelną pułapkę: rekordy z datami kilka dni w przyszłości, które po cichu zawyżyłyby każdą sumę z ostatniego okresu
• Prywatność wpisana w konstrukcję - dane osobowe (adresy e-mail, imiona i nazwiska, adresy) są maskowane na poziomie bazy danych dla samego asystenta; nie ma tam danych osobowych, które mógłby ujawnić, nawet zapytany wprost
• Twarde zabezpieczenia - asystent czyta wyłącznie zatwierdzone, przygotowane tabele, z twardymi limitami kosztu zapytania; nie może modyfikować danych ani sięgać do warstwy surowej
• Mierzone, nie zakładane - skuteczność jest oceniana na bankach zweryfikowanych pytań biznesowych, w tym na zestawie odłożonym, pod który system nigdy nie był strojony, a na którym i tak odpowiedział poprawnie w 85%

To jest prawdziwa lekcja z tego projektu i powód, dla którego trafił on do naszego portfolio: zwrot z analityki opartej o AI bierze się z ładu danych, a nie z kupienia większego modelu. Praca nad ładem danych jest mało efektowna, ale to w niej mieszka dokładność - i opłaca się przy każdym kolejnym zastosowaniu Twoich danych, nie tylko przy tym jednym.

Do analityki konwersacyjnej na Google Cloud prowadzą dwie drogi. Zamiast zgadywać, zbudowaliśmy obie na tych samych danych i porównaliśmy je bezpośrednio:

• Gotowa usługa Google (Conversational Analytics API) - integracja liczona w dniach, dobra skuteczność od razu. Najszybszy sposób, żeby sprawdzić, czy Twoja organizacja rzeczywiście będzie z tego korzystać
• Asystent zbudowany na zamówienie - ten z nagrania powyżej. Około 40% szybsze odpowiedzi, wiarygodne wykresy przy niemal każdej odpowiedzi, identyczne odpowiedzi na identyczne pytania (audytorzy to doceniają) oraz pełna kontrola nad zabezpieczeniami, definicjami i doświadczeniem użytkownika

Na niezależnych pytaniach testowych obie drogi wypadły w granicach dwóch punktów procentowych od siebie - różnica nie leży w dokładności, tylko w kontroli, szybkości i doświadczeniu użytkownika. Klientom zwykle rekomendujemy podejście etapowe: zacząć od usługi zarządzanej, żeby małym kosztem potwierdzić realne zapotrzebowanie, a potem przejść na asystenta na zamówienie tam, gdzie uzasadnienie biznesowe jest już pewne. Ponieważ obie opcje stoją na tym samym nadzorowanym fundamencie, przy przejściu nic nie idzie do kosza - a to właśnie w fundamencie i tak mieszka większość wartości.

Świadomie niewiele. Cała platforma - codzienny pipeline danych, skany jakości, ład danych i sam asystent - kosztuje przy tej skali mniej więcej tyle, co kawa miesięcznie. Odpowiedź na jedno pytanie to ułamki grosza. Asystent schodzi do zera, gdy nikt z niego nie korzysta, a twarde alerty budżetowe i limity kosztu pojedynczego zapytania są wbudowane w rozwiązanie, a nie doklejone później.

Ta sama dyscyplina kosztowa przenosi się na pracę u klienta: projektujemy pod Twoje wolumeny danych, z zabezpieczeniami wydatków wpisanymi w samą infrastrukturę - tak, aby entuzjastyczny poniedziałkowy poranek pełen pytań nigdy nie zamienił się w zaskakującą fakturę.

Platforma działa w całości na Google Cloud, opisana od początku do końca jako kod (Terraform), z rozdzielonymi środowiskami deweloperskim i produkcyjnym zaprojektowanymi od pierwszego dnia:

• Hurtownia BigQuery z modelowaniem warstwowym (surowa → pośrednia → przygotowany model gwiazdy), przekształcana przez Dataform według dziennego harmonogramu
• Ład danych w Dataplex: automatyczne skany jakości i profilowania, maskowanie danych osobowych na poziomie kolumn z użyciem tagów polityk, pochodzenie danych (lineage) oraz słownik biznesowy
• Zaplanowane skany profilujące wyliczają kształt każdej tabeli - minimum i maksimum każdej kolumny liczbowej, zbiór wartości każdej kolumny kategorycznej oraz faktycznie obecny zakres dat partycji - i eksportują wyniki z powrotem do BigQuery, skąd asystent czyta je w momencie zadania pytania
• Sam asystent: agent oparty o Gemini, działający na Cloud Run, z kontrolowanym wykonywaniem SQL, limitami kosztów i generowaniem wykresów - porównany bezpośrednio z zarządzaną usługą Conversational Analytics API od Google

Szczegół, z którego jesteśmy szczególnie dumni: słownik biznesowy i fakty z profilowania danych pochodzące z warstwy ładu danych trafiają do asystenta jako kontekst - więc ta sama inwestycja, która utrzymuje dane w wiarygodnym stanie, jest tym, co czyni AI dokładnym.

To właśnie te fakty zmieniają zapytanie prawdopodobne w zapytanie poprawne. Model, który ma przed sobą wyłącznie schemat, wie, że kolumna nazywa się order_date; nie wie, że tabela kończy się w zeszły wtorek ani że kategoria zapisana jest jako Women, a nie Womens. Podanie mu zmierzonych faktów zamiast pozwalania na zgadywanie usunęło całą klasę po cichu błędnych odpowiedzi - a ponieważ skany działają zgodnie z harmonogramem, fakty te pozostają prawdziwe w miarę, jak dane się zmieniają, i nikt nie musi ręcznie utrzymywać żadnej listy.

Wszystko, co tu pokazujemy, przenosi się bezpośrednio: handel i e-commerce to obszar, na którym to demonstrujemy, ale to samo podejście pasuje do każdej firmy, której odpowiedzi mieszkają w bazie danych - metryki SaaS, finanse, logistyka, hotelarstwo.

Typowa współpraca zaczyna się od małego kroku: bezpłatnej konsultacji, a potem fazy rozpoznania, w której oceniamy fundamenty Twoich danych i ustalamy pytania, na które asystent musi odpowiadać poprawnie. Zmierzoną skuteczność na Twoich własnych pytaniach widzisz, zanim zdecydujesz się na pełne wdrożenie. Pełne opracowanie inżynierskie i metodykę oceny stojące za tym projektem udostępniamy na życzenie.