Analiza danych z AI

Trzeci webinar z serii Witbee — tym razem główną bohaterką nie jest analityka, a AI. Rozmawiamy o przyszłości analizy danych, która jest dostępna już dziś, i o tym, jak poszczególne modele radzą sobie z realnymi danymi biznesowymi.

Analityka raportowa vs konwersacyjna

Analityka raportowa to ta, którą wszyscy znamy: wchodzę do raportu przy porannej kawie i widzę najważniejsze informacje. Powtarzalna struktura, wspólny język w całej organizacji, dostęp z telefonu, wizualizacja trendów. Jej ograniczenie: nie odpowiada na pytanie dlaczego. Widzę liczby i zależności, ale interpretacja jest po mojej stronie — i nie każdy potrafi ją wykonać.

Analityka konwersacyjna odpowiada na „dlaczego" i „co z tym zrobić". Pozwala zadawać pytania ad hoc bez budowania raportu, sięga do wielu źródeł danych jednocześnie i wykracza poza z góry ustaloną wizualizację. To realna demokratyzacja analityki: nie potrzebuję wykształcenia analitycznego ani dziesięciu lat doświadczenia w czytaniu raportów, żeby dostać odpowiedź w naturalnym języku.

Która jest lepsza? To zależy — najskuteczniejsze firmy korzystają z obu, bo się uzupełniają. Raportowa do codziennego monitoringu, konwersacyjna do pytań ad hoc, interpretacji i wejścia głębiej.

Context gap — czego AI o Was nie wie

AI zna cały internet, ale praktycznie nic nie wie o Waszej firmie. Brakujące puzzle to: spójne dane ze wszystkich systemów, porządek w tych danych, dostęp do danych historycznych, dokumentacja tabel, kontekst biznesowy, wiedza o prowadzonych działaniach i przykłady oczekiwanych analiz. To właśnie ta przepaść dzieli „wrzucenie tabelki na czat" od prawdziwej analityki konwersacyjnej.

Cztery kroki budowy analityki opartej na AI

1. Dane. Hurtownia danych — u mnie BigQuery. Ale kluczowe jest nie samo zebranie danych, a ich przygotowanie. Podłączenie AI pod surowe, ciężkie tabele (jeden Shoper to kilka–kilkanaście tabel; przy dużych wdrożeniach tabele dzienne sięgają terabajtów) kończy się rachunkami rzędu 7–10 tys. dolarów za samo odpytywanie — a AI odpytuje wielokrotnie, zanim odpowie. Zamiast tego: kilka lekkich, połączonych, zoptymalizowanych tabel, których odpytywanie u wielu firm zmieści się w darmowym limicie.

2. Kontekst. Dokumentacja tabel i metryk — czy kolumna „koszt" jest w złotówkach czy dolarach, netto czy brutto, z kosztami dostawy czy bez. To robi ogromną różnicę w wynikach. Dalej: definicje biznesowe (dla jednej firmy dobry ROAS to 200, dla innej 500 jest na granicy), instrukcje i przykłady analiz, kontekst branży i produktów, cele i KPI. Bez tego rekomendacje są generyczne — pasujące do wszystkich, czyli do nikogo.

3. Logowanie działań. AI nie siedzi obok Was, nie widzi ekranu i nie jest na statusach. Bez informacji o tym, co wdrożyliście, za dwa tygodnie zarekomenduje dokładnie to samo, co poprzednio. A przy spadku marży uzna, że spadł popyt — zamiast odnieść się do zmiany polityki cenowej, o której nie wie.

4. MCP. Model Context Protocol spina infrastrukturę analityczną z AI. Dzięki wcześniejszemu przygotowaniu AI odpytuje lekkie data marty zgodnie z Waszymi instrukcjami, optymalizuje zużycie tokenów i pozwala tworzyć powtarzalne, deterministyczne analizy dopasowane do biznesu.

To nie jest rocket science — cztery kroki i można rozmawiać ze swoimi danymi.

Pojedynek: Gemini vs Claude vs ChatGPT

Najpierw kontekst rynkowy. Looker Studio Pro wprowadził ideę Conversational Analytics, ale agent podłącza tylko jedną tabelę, nie buduje pełnego kontekstu, nie tworzy własnych wizualizacji i wymaga licencji — dlatego nie bierze udziału w pojedynku. ChatGPT ma code interpreter, ale bez natywnej integracji z hurtownią — zostaje API lub MCP. Claude dobrze interpretuje dane i najmocniej rozwija MCP.

Następnie te same pytania i te same dane trafiają do każdego modelu — m.in. prośba o podsumowanie działań marketingowych za dany okres, zadana bardzo prostym promptem, celowo z perspektywy laika. Claude zwrócił interaktywne podsumowanie: przychód, koszty reklam, zamówienia, ROAS blended, dzienny przychód vs koszt, średni przychód według dnia tygodnia, top kampanie, osobną zakładkę o klientach — i sam zauważył pomyłkę w roku podanym w pytaniu. ChatGPT nie zbudował interaktywnej strony, ale dostarczył gęstą interpretację i insighty.

Werdykt wydają uczestnicy na czacie. Moja opinia: osobiście najbardziej lubię Claude'a i uważam go za najsilniejszy model do rozumowania na danych, ale ChatGPT w niektórych przypadkach ma lepsze rekomendacje merytoryczne, mimo słabszej oprawy wizualnej. Modele zmieniają się z każdą aktualizacją, więc najnowszy zwykle jest najlepszy.

Powtarzalność i bezpieczeństwo

Ten sam prompt może dać różne wyniki — a chcemy dostawać identyczny raport miesiąc do miesiąca. Rozwiązaniem są Skills: wypracowaną analizę zapisujemy i odtwarzamy na nowych danych.

I rzecz krytyczna, zanim wrzucicie firmowe dane do jakiegokolwiek modelu: upewnijcie się, że wyłączyliście uczenie modeli na swoich danych. W wielu narzędziach — także w płatnych planach ChatGPT czy niefirmowego Gemini — ta opcja bywa domyślnie włączona i trzeba ją wyłączyć ręcznie.

Dla kogo

Dla firm działających w internecie, przede wszystkim e-commerce'ów. Webinar zakłada, że hurtownia danych jest już zbudowana — jeśli nie, zacznijcie od pierwszego odcinka serii. Jak mówię na koniec: jeśli Wy tego nie zrobicie, konkurencja zrobi to lada dzień.