Generative Business Intelligence. BI без дашбордов и аналитиков

Для многих сейчас понятия ‘Business Intellegence’ и ‘Дашборд’ практически тождественны. А можете представить BI без дашбордов?

Давайте начнём с того, что дашборды бизнесу не нужны 🙂. Нужны ответы на вопросы. Дашборд – это инструмент, позволяющий отвечать на вопросы. А что, если вместо дашбордов будет другой инструмент? Это не фантастика, и возможно уже сейчас.

В классическом BI мы вручную пишем SQL, строим отчёты и визуализации. Но сегодня нейросети делают всё больше работы: сами пишут запросы, формируют дашборды и даже выдают инсайты. У этого направления уже есть название – Generative BI (GenBI). Адептов GenBI становится всё больше.

Представьте что есть только одно окно (как в ChatGPT), где можно задавать вопросы на родном языке и получать ответы на базе своих данных. Кроме этого, за минуты собираются отчёты, строятся графики, подключаются внешние источники для обогащения данных. Всё делают нейронки. Работает и на локальных компах и в облаке.

Примеры компаний, реализующих GenBI

Snowflake предлагает Enterprise AI ^[1] – безопасный доступ к топовым LLM внутри корпоративного контура.

Кроме них, в гонке уже:

• Salesforce

• Microsoft

• Tibco Spotfire ^[2]

• Pyramid Analytics ^[3]

  и другие.

Компания WrenAI ^[4]делает GenBI сервис и рассказывает в блоге ^[5]о будущем BI.

Архитектура GenBI делится на 4 уровня (из статьи выше):

1. Уровень данных

2. Семантический уровень

3. Агентский уровень

4. Уровень представления

Главное отличие от классического BI – агентский уровень. Он отвечает за “человеческий” разговор с данными. На этом уровне нейросети преобразуют запросы пользователя в машинные запросы и алгоритмы. На семантическом уровне строятся связи с данными: что и откуда брать для запроса. На уровне представления: дашборды, инсайты, эдхоки и интерфейс диалога с машиной (тоже новая штука).

В корпоративных решениях решаются 2 ключевые проблемы нейронок для BI:

1. Галлюцинации. Если LLM натравить только на подготовленные и структурированные данные с их описанием, то LLM практически не даёт неверных ответов. Это подтвердилось и в наших локальных экспериментах с нейронками.

2. Безопасность данных. Большие вендоры предоставляют доступ до передовых LLM только внутри компании, наружу данные не уходят.

Следующая компания с AI решением в аналитике – Grab.

Grab и Jarvis AI

Для справки: Grab – сингапурская компания, первый южно-азиатский декакорн (стартап с оценкой $10+ млрд). Это “Uber + Delivery Club + Tinkoff” в одном приложении: такси, каршеринг, доставка еды и свой финтех. Работает во всей Юго-Восточной Азии.

Grab ^[6]разработал Jarvis (отсылка сами знаете к кому) – решение для поиска инсайтов. С ноября прошлого года Grab пишет в своём блоге ^[7]о разработке AI сервиса.

Из блога “How AI is driving faster data-driven decisions at Grab ^[8]“:

“Главный вызов – сделать данные доступными для всех сотрудников Grab. Раньше сотрудникам приходилось обращаться к внутренним аналитикам, осваивать сложные дашборды или писать SQL-запросы. Мы захотели упростить доступ к данным для всех, в пределах их роли, без специальных технических навыков. С появлением больших языковых моделей (LLM), умеющих переводить текст в SQL, мы увидели отличную возможность.
Так появился Jarvis – ассистент, позволяющий получать инсайты так же просто, как задавать вопрос.”

Две главные функции Jarvis:

1. Text-to-SQL engine: from question to query – от вопроса к запросу

2. Insights generator: from data to understanding – от данных к пониманию

Jarvis стал посредником между бизнес-пользователем и данными. Вся аналитическая цепочка: диалог, SQL, отчёты, инсайты теперь внутри одного ассистента. Время ответа снизилось с 4+ часов до 3-5 минут, 1000 отчётов сгенерировано в мае 2025г и 4000 ответов получено в июне 2025. Дальше Джарвиса хотят подключать к Слаку и внутренним инструментам.

Ниже – картинки из их блога. В верхней картинке из аналитической цепочки процессов выкидываются все функции кожаных аналитиков: диалог с заказчиком, SQL, репорты, исследования и инсайты. Флоу работы с данными меняется кардинально – работа аналитиков заменяется LLM.

Достоинства и недостатки GenBI

➕Плюсы:

• Self-service с “человеческим” лицом. То, о чём долго мечтали – просто говорить с данными на человеческом языке.

• Не надо кастомизировать дашборды и отчёты под каждый отдел. Всё решается глубиной промта.

• Вылетает вся цепочка аналитики, от бизнес/системного анализа до разработки дашбордов и источников под них. Это колоссальная экономия времени и резкое снижение Time-to-market.

➖Минусы:

• Нельзя открыто подключать самые мощные нейросети к корпоративным данным из-за соображений безопасности. Надо делать создавать и совершенствовать свои LLM внутри компании, а это не все могут.

• Нужно по-другому собирать и готовить данные для LLM: включать описания, словари и т.п.. Здесь предстоит серьёзная работа с семантическим слоем

• Подход не изучен ещё, может быть много препятствий для внедрения.

Локальный пример LLM + база данных

Делаем пет-проект автоматического анализа зарплат VILKY и экспериментируем с подходом GenBI, подключаем разные LLM к базам данных и генерируем отчёты.

На домашнем компьютере несложно поднять базу данных и по MCP подключить к ней LLM. Claude Desktop c Sonnet / Opus может собирать информацию о данных прямо из базы, генерировать отчёты и инсайты. Правда, нужна Pro подписка.

MCP (Model Context Protocol ^[9]) – протокол общения нейросетей с внешним миром. По нему к LLM можно подключать любые источники данных или системы управления, и всё это по одному универсальному стандарту.

Собрали все вакансии Habr Career с 2012 года с описаниями, всё это в PostgreSQL. Claude Desktop может по промптам ходить в базу данных и генерировать отчёты PDF, HTML или просто ответы. MCP Server и базу данных можно развернуть на локальном компьютере в докере или в облаке. Получается довольно круто – Claude размышляет, генерирует ряд SQL запросов (их можно посмотреть), вытаскивает за минуты инсайты, для которых аналитику надо больше часа. Автоматические PDF отчеты скидываем в tg канал ^[10]. Понятно, что нужно проверять, добавлять уточнения, внешнюю информацию и т.д.. Сюда PDF не прикрепляется, поэтому скрин:

Промпты для базы данных вакансий могут как быть простые: “Найди релевантные вакансии для резюме (прикладываем документ резюме)”, так и сложные, например: “Составь отчёт об эволюции аналитики и тренды инструментов за последние 10 лет”. Для такого будет примерно 20 SQL запросов.

Итоги

То, о чём мечтают менеджеры – просто разговаривать с данными, уже реальность. Биайщики и аналитики в будущем, скорее всего, превратятся в архитекторов подобных систем. Дашборды вряд ли быстро умрут, но их число в компании можно сократить. GenBI сейчас – устойчивое понятие, подразумевающее генерацию инсайтов и инструментов для принятия решений на основе данных. Лидеры рынка идут в этом направлении. BI-системы эволюционируют, и если их не перестраивать сегодня – завтра можно остаться в хвосте рынка.