Анализ данных
Что это
Заголовок раздела «Что это»Ассистент-аналитик отвечает на вопросы вида «сколько заказов было в октябре по регионам», «почему упала конверсия», «покажи клиентов с просрочкой больше 30 дней». Под капотом — генерация запроса к данным, его выполнение и объяснение результата на естественном языке.
Ценность очевидна: руководителю не нужен аналитик для простого вопроса, а аналитик освобождается от рутины. Опасность менее очевидна: неверный ответ выглядит как верный. Число в таблице не вызывает сомнений, даже если запрос собрал не те строки.
Три архитектуры
Заголовок раздела «Три архитектуры»| Подход | Как работает | Когда подходит |
|---|---|---|
| NL → SQL | Модель пишет SQL по схеме базы | Одна база, простая схема, техническая аудитория |
| Semantic layer | Модель выбирает метрики и измерения из описанного слоя | Несколько источников, повторяющиеся бизнес-определения |
| Инструменты BI | Модель управляет готовыми инструментами отчётов | Уже есть BI; нужен диалог, а не новый движок |
Semantic layer — самый надёжный из трёх. Когда метрика «выручка» определена один раз (с учётом возвратов, валюты и периода), модель не может посчитать её иначе. Когда определения нет, каждый запрос трактует термин заново — и два отчёта про одну и ту же выручку дают разные числа.
Почему ответы ошибаются
Заголовок раздела «Почему ответы ошибаются»- Двойной смысл. «Клиенты за месяц» — новые, активные или все, кто платил? Модель выберет одно из значений молча.
- Соединения таблиц. Неверный
JOINразмножает строки: сумма выглядит правдоподобно и завышена втрое. - Периоды и часовые пояса. Границы месяца, неделя с понедельника или с воскресенья, локальное время.
- NULL и пустые значения. Средние, деления и фильтры ведут себя по-разному.
- Устаревшая схема. Таблицу переименовали, а описание слоя — нет.
- Права. Модель видит в схеме колонки, которые пользователю недоступны.
Ни одна из этих причин не даёт ошибку на экране. Все они дают уверенный ответ.
Права и безопасность
Заголовок раздела «Права и безопасность»- Доступ на уровне строк. Ассистент должен работать под правами пользователя, а не сервисного аккаунта с полным доступом.
- Запрет на запись. По умолчанию аналитик читает. Любая операция изменения — отдельное решение с подтверждением.
- Ограничение объёма. Тяжёлый запрос по всей базе — это не ответ, а инцидент; нужны лимиты и таймауты.
- Аудит. Кто спросил, какой запрос выполнился, какие данные вернулись. Без этого разбор невозможен.
Что показывать пользователю
Заголовок раздела «Что показывать пользователю»Ответ «42 млн» бесполезен, даже если верен. Рабочий ответ содержит:
- Число и единицу.
- Период и фильтры, к которым оно относится.
- Способ расчёта — человеческим языком, а не SQL.
- Ссылку на отчёт или запрос, чтобы можно было проверить.
- Оговорку, если выборка мала или данные неполные.
Для технической аудитории полезно показывать сам SQL: он позволяет поймать неверное соединение за секунды.
Метрики
Заголовок раздела «Метрики»- Точность чисел на наборе эталонных вопросов с заранее посчитанными ответами.
- Доля вопросов без ответа — сколько раз система честно сказала «не понял» или «в данных этого нет».
- Время до ответа против времени аналитика.
- Повторные уточнения — если модель переспрашивает смысл термина, значит нет semantic layer.
- Инциденты с неверными решениями — сколько решений принято по ошибочным числам.
Что проверять в проекте
Заголовок раздела «Что проверять в проекте»- Есть ли описанный semantic layer с определениями метрик.
- Ограничены ли права на уровне строк и колонок.
- Можно ли проверить расчёт — увидеть запрос или отчёт-первоисточник.
- Есть ли набор эталонных вопросов и кто его обновляет.
- Понятно ли пользователю, что ответ вероятностный и требует проверки на критичных решениях.
Связанные материалы
Заголовок раздела «Связанные материалы»- AI-ассистенты — общая архитектура и метрики.
- Проверка документов — соседний сценарий: точность важнее скорости.
- Курируемая база знаний — где хранятся определения метрик и регламенты.
- Guardrails — ограничения на доступ к данным.
Материалы и источники
Заголовок раздела «Материалы и источники»- OpenAI: structured outputs — схема как способ ограничить форму ответа
- AI agents for data analysis: enterprise guide (2026) — права на уровне запросов и audit trail
- Anthropic: Building effective agents — планирование шагов и проверка результата
- dbt: semantic layer — определения метрик как отдельный слой