Данные подходили для дашбордов, но не для агента
В компании уже работала сильная CRM. В ней были автоматизированы лидогенерация, продажи, обратная связь от клиентов, реестры договоров, коммерческие предложения и воронки подбора персонала.
В проекте мы внедряли DWH (Data Warehouse, корпоративное хранилище данных), которое объединяет данные для анализа. Они были хорошо сформированы для дашбордов. Но этот же набор данных нельзя было просто передать ИИ-агенту и ожидать корректной работы: структура таблиц не раскрывала всю специфику процессов.
Дашборды отвечали на вопросы в пределах заранее настроенных показателей и фильтров. Если пользователю требовался нестандартный анализ, он писал техническое задание бизнес-аналитикам, которые администрировали отчёты, и ждал доработки дашборда. Информация уже находилась в DWH, но получить её в нужном разрезе самостоятельно было трудно.
Дать агенту понимание процессов, а не только доступ к таблицам
Нужно было подготовить данные так, чтобы агент ориентировался в бизнес-процессах компании, строил проверяемый анализ и выбирал действия с учётом их смысла. Для пользователя система должна была расширить доступ к информации за пределы настроенных фильтров дашбордов и убрать необходимость заказывать доработку отчёта для нестандартного вопроса.
Для аналитической части требовалось связать данные с бизнес-контекстом. Для исполнительной части требовалось соединить этот контекст с документацией API: агент должен понимать и задачу, и способ её выполнения в системе.
AI-Ready Data Products: данные вместе с правилами их использования
AI-Ready Data Products, аналитические дата-продукты, подготовленные для работы ИИ, объединяют данные с бизнес-контекстом и правилами их использования. В нашем проекте этот подход дал агенту информацию о процессах сервисной компании для безопасного и проверяемого анализа и выполнения действий. Отдельная витрина или документация полей не заменяют такой контекст.
- 1
Изучили бизнес-процессы клиента
Разобрали, как компания работает с лидами, продажами, клиентской обратной связью, договорами, предложениями и подбором персонала. Основой подготовки данных стал смысл процессов, а не только структура CRM.
- 2
Адаптировали процессы под работу агента
Перевели специфические знания о процессах в контекст, с которым способен работать агент. Связали информацию о данных с логикой их использования в конкретной бизнес-задаче.
- 3
Сформировали аналитический дата-продукт
Объединили подготовленные данные и информацию о процессах в AI-Ready Data Products. Агент получил основу для навигации по данным и анализа с учётом бизнес-смысла. Его методы работы с данными позволили отвечать на более широкий круг вопросов, чем предусмотрено фильтрами готовых дашбордов.
- 4
Связали анализ с исполнением через API
Соединили аналитический дата-продукт с документацией API. На этой основе создали агента, который ориентируется в специфике процессов и выполняет выверенные действия.
Как ИИ-агент расширил работу с данными DWH
Чем работа через агента отличается от дашборда?
Дашборд показывает данные через заранее настроенные показатели и фильтры. В этом проекте агент получил более широкие методы работы с информацией из DWH и контекст бизнес-процессов. Пользователи стали получать нестандартный анализ без технического задания бизнес-аналитикам на доработку отчёта.
Как связаны аналитический дата-продукт и действия через API?
AI-Ready Data Products дают агенту данные и специфическую информацию о процессах компании. Документация API, программного интерфейса системы, описывает способы выполнения действий. Вместе они позволяют агенту ориентироваться в бизнес-задаче и выполнять выверенные действия.
Подготовка данных стала частью архитектуры корпоративной ИИ-системы. Подход к аналитической части описан на странице продукта AI-ready аналитика: семантический слой и доступ к данным на чтение. Действия через API в этом кейсе реализованы отдельно и не входят в этот продукт. Для похожей задачи начать можно с AI-аудита данных и процессов.
260 часов в месяц высвобождены для работы бизнеса
Время работы с аналитическим запросом сократилось с 45 до 9 минут, а с отдельной операцией в CRM, с 12 до 4 минут. Суммарно система высвободила 260 часов рабочего времени команды в месяц. При полной стоимости часа 1 500 ₽ денежный эквивалент составляет 390 тыс. ₽ в месяц.
Время на аналитический запрос
45 минут до внедрения и 9 минут после. Показатель охватывает подготовку и проверку ответа, а не только генерацию текста моделью.
Время на операцию в CRM
На отдельную рутинную операцию, включая её выполнение и проверку, требуется на 8 минут меньше. Сокращение времени составляет около 67%.
Высвобождённое время команды
Совокупный результат ускорения аналитических запросов и отдельных рутинных операций в CRM. Команда тратит меньше рабочего времени на подготовку информации и выполнение этих задач.
Экономический эффект за месяц
Денежный эквивалент 260 часов высвобождённого времени при полной стоимости часа 1 500 ₽. Показатель отражает стоимость освобождённого рабочего ресурса.
Что получила компания в результате проекта
- 1
Пользователи получили более широкий доступ к информации из DWH. Для нестандартного вопроса больше не нужно писать техническое задание бизнес-аналитикам на изменение дашборда: нужный анализ выполняется через агента.
- 2
Команда тратит меньше времени на аналитические запросы и рутинные операции. Высвобождённый рабочий ресурс имеет денежный эквивалент 390 тыс. ₽ в месяц.
- 3
Анализ и выполнение действий связаны общей логикой. Агент ориентируется в специфике процессов компании благодаря аналитическому дата-продукту и выполняет выверенные действия на основе документации API.