ניתוח נתונים עם AI מאפשר למנהלים לשאול שאלות על הכנסות, מוצרים, לקוחות ורווחיות בשפה טבעית. אבל האם כל מערכת מבינה את השאלה באותה צורה? בהדגמה מעשית על נתוני Adventure Works בדקנו שלוש גישות: Metabase, Credible ו־SimmBI (simmAI). גילינו שההבדל המשמעותי אינו רק במהירות או במראה הדשבורד, אלא בהגדרה העסקית של המדדים וביכולת לבדוק את הדרך לתשובה.
בסרטון המצורף אנחנו שואלים שאלות זהות בכלים שונים, בונים דשבורדים עם AI, ומסבירים כיצד שכבה סמנטית, MCP וטוקנים משפיעים על איכות הניתוח ועל העלות.
מהו ניתוח נתונים עם AI?
במערכות BI מסורתיות מגדירים מראש דוחות, גרפים ומדדים. כאשר מנהל רוצה תשובה לשאלה חדשה, הוא נדרש לעיתים לשנות פילטרים או לפנות לאנליסט. ניתוח נתונים עם בינה מלאכותית מוסיף ממשק שיחה: שואלים ״אילו מוצרים נמכרו הכי הרבה בכל שנה?״ או ״אילו לקוחות הפסיקו להזמין?״ והמערכת מנסה לבנות שאילתה, להחזיר נתונים ולעיתים גם להסביר תובנות.
זה לא אומר שה־AI תמיד צודק. הוא צריך לזהות את המדד, את טווח התאריכים, את רמת הפירוט ואת הקשר בין הטבלאות. לכן תוצאה משכנעת עלולה להיות שגויה מבחינה עסקית כאשר השאלה או המודל אינם מוגדרים היטב.
אותם נתונים, שלוש גישות: Metabase, Credible ו־SimmBI
כדי לבצע השוואה הוגנת השתמשנו במחסן הנתונים Adventure Works של Microsoft, המדמה חברה שמוכרת אופניים, חלקים ואביזרים. יש בו מכירות, הזמנות, מוצרים, לקוחות, אזורים ותאריכים. שאלנו את שלושת הכלים שאלות דומות והשווינו את התוצאות.
Metabase – ניתוח, SQL ודשבורדים
Metabase מאפשרת לחקור נתונים ולבנות דשבורדים. בהדגמה התחברנו אליה דרך MCP מתוך Claude. כך ביקשנו תשובות בשפה טבעית, ובמקרים מסוימים יכולנו גם לראות את שאילתת ה־SQL שבוצעה. השקיפות הזאת מסייעת לצוות הנתונים לבדוק את חישוב המדדים.
Credible – מודל עסקי מוגדר מראש
ב־Credible הגדרנו עולם נתונים עם מדדים וממדים. ה־AI נעזר בשכבה הזאת כדי להבין מה מסמל כל שדה ולהציג תשובה עסקית. בהדגמה קיבלנו לא רק מספרים אלא גם פירושים והצעות לשאלות המשך. היתרון בולט כשהארגון רוצה שכלים שונים ישתמשו באותן הגדרות עסקיות.
SimmBI / simmAI – חוויית שאלות בתוך מוצר ה־BI
ב־simmAI שאלנו שאלות מתוך הממשק של המוצר עצמו, ולא דרך חיבור MCP מתוך Claude. ההדגמה הראתה חוויית עבודה ישירה ומהירה, אך גם מדוע חשוב לנסח את המדדים היטב בהגדרות העסקיות ובשאלות. בהדגמה שלנו לא השתמשנו בחיבור MCP ל־simmAI.
השכבה הסמנטית: המילון העסקי שמונע טעויות
דמיינו שאלה: ״מהם שלושת הפריטים שנמכרו הכי הרבה בכל שנה?״ האם הכוונה לכמות יחידות שנמכרו, או להכנסות בשקלים או בדולרים? בהדגמה ראינו שכלים שונים יכלו לפרש את אותה שאלה אחרת. כאשר ביקשנו במפורש דירוג לפי כמות יחידות, התשובות התיישרו.
שכבה סמנטית (Semantic Layer) מגדירה מדדים כמו הכנסות, רווח גולמי, מספר הזמנות וערך הזמנה ממוצע, וכן את הקשרים בין מוצר, לקוח, תאריך ואזור. היא קובעת את כללי החישוב במקום להשאיר אותם לניחוש של המודל בכל שאלה.
דוגמה נוספת מהסרטון היא ערך הזמנה ממוצע לפי סוג משווק. אם כל הזמנה מכילה מספר שורות מוצרים, אסור לחשב ממוצע על שורות ההזמנה כאילו כל שורה היא הזמנה נפרדת. ראשית יש לחשב את הסכום ברמת הזמנה, ורק לאחר מכן לחשב ממוצע. זהו הבדל קטן לכאורה, אך הוא עלול לשנות את המסקנה הניהולית.
שאלות עסקיות שהדגמנו על Adventure Works
- מוצרים מובילים: שלושת המוצרים עם מספר היחידות הגבוה בכל שנה, והשוואה לדירוג לפי הכנסות.
- ערך הזמנה ממוצע: השוואה בין סוגי עסקים של משווקים, תוך הבחנה בין שורת פריט להזמנה שלמה.
- לקוחות שהפסיקו להזמין: אילו משווקים הזמינו בשנת 2018 אך לא ב־2019, ומה היה היקף הרכישות שלהם.
- שאלת המשך: כיצד נראו רכישות של משווק מסוים לאורך השנים.
אלה שאלות שמנהלים רוצים לשאול בלי לבקש בכל פעם דוח חדש. עם זאת, חשוב לבדוק מה מקור הנתונים, איך חושב המדד ומהם הסינונים שהופעלו.
MCP: איך מחברים Claude או ChatGPT למערכת BI?
MCP, או Model Context Protocol, הוא תקן שמאפשר לעוזר AI להשתמש בכלים חיצוניים. בהדגמה חיברנו את Claude ל־Metabase ול־Credible, וביקשנו מהמודל להשתמש בחיבור המתאים כדי לחקור את הנתונים. המודל הפעיל כלים, קיבל תוצאות, ואז הציג תשובה בשפה טבעית.
MCP אינו שכבה סמנטית ואינו ערובה לדיוק. הוא מתאר דרך חיבור; איכות התשובה תלויה גם בהגדרות המדדים, בכלי הנתונים, בהרשאות ובשיקול הדעת של המודל. בנוסף, יש להבחין בין השימוש בממשק השיחה הארגוני לבין שירות API המשמש יישום שהארגון בונה בעצמו.
בניית דשבורדים באמצעות AI: הרבה יותר מתשובת צ'אט
בחלק השני של ההדגמה יצרנו דשבורדים באמצעות הוראות בשפה טבעית: ביקשנו מדדי KPI, השוואות מכירות ורווח גולמי, סינונים לפי מדינה ושנה ותצוגה של קטגוריות ותתי־קטגוריות.
ראינו דשבורדים ב־Metabase, ב־Credible וב־simmAI, וגם דוגמת תצוגה שנבנתה בתוך Claude. אפשר להגדיר את מבנה המסך, את הגרפים ואת אופן האינטראקציה, ולפעמים גם להסתמך על צילום מסך כנקודת מוצא עיצובית. אבל דשבורד יפה אינו תחליף למודל עסקי נכון ולבדיקת הנתונים שהוא מציג.
מהם Tokens ואיך הם משפיעים על העלות?
מודלי שפה מעבדים טקסט ביחידות שנקראות טוקנים (Tokens). בדרך כלל שירותי API מתמחרים שימוש לפי טוקנים שנכנסים למודל ויוצאים ממנו, ולעיתים לפי רכיבים נוספים. לעומת זאת, מנוי עסקי לממשק צ'אט יכול לכלול מגבלות שימוש ומודל חיוב אחר.
ההבדל חשוב בארגון: שימוש של עובד בממשק Claude או ChatGPT כדי להפעיל חיבור MCP אינו זהה לבניית אפליקציה ללקוחות שמזמינה מודל AI דרך API. באפליקציה כזאת צריך לתכנן תקציב, בחירת מודל, ניטור שימוש והרשאות. מחיר נמוך לטוקן אינו בהכרח עלות כוללת נמוכה, אם אותה שאלה מפעילה סדרה ארוכה של קריאות.
איך בוחרים פתרון ניתוח נתונים עם AI לארגון?
ההחלטה אינה צריכה להתבסס רק על תשובת הדגמה אחת. בדקו את איכות ההגדרות העסקיות, שקיפות החישובים, היכולת לנהל הרשאות, התאמת הממשק למשתמשים, יכולות דשבורד והעלות התפעולית.
| שיקול | מה חשוב לבדוק? |
|---|---|
| דיוק | האם הכנסות, כמות יחידות והזמנות מחושבות לפי הגדרה מוסכמת? |
| שקיפות | האם ניתן לבדוק את מקורות הנתונים ואת אופן החישוב? |
| ממשק | האם המשתמש עובד בתוך כלי BI או בממשק Claude/ChatGPT? |
| דשבורדים | האם ניתן לבנות, לסנן ולשתף תצוגות? |
| אבטחה ועלויות | איזה מידע מגיע למודל, מי מורשה לגשת אליו וכיצד מחויב השימוש? |
לנושא האבטחה הקדשנו מדריך נפרד לאבטחת מידע בניתוח נתונים עם AI, הכולל שאלות על מיקום הנתונים, שמירת מידע, הרשאות ונתיבי גישה.
שאלות נפוצות על ניתוח נתונים עם AI
האם אפשר לבצע ניתוח נתונים עם AI ללא ידע ב־SQL?
כן, בחלק גדול מהמשימות אפשר לשאול בשפה טבעית. עם זאת, מומלץ שאנשי דאטה יגדירו ויבדקו את המדדים, הקשרים וההרשאות.
למה כלים שונים מחזירים לפעמים תשובות שונות?
הם עשויים לפרש מדדים אחרת, להשתמש בהגדרות סמנטיות שונות או לבחור צורות חישוב שונות. לכן כדאי לבחון שאלות מעורפלות ולוודא שהחישוב מתאים למשמעות העסקית.
האם MCP מחליף את מערכת ה־BI?
לא. MCP מאפשר למודל AI להפעיל יכולות של מערכת חיצונית. מערכת ה־BI ומחסן הנתונים עדיין מבצעים תפקידים מרכזיים.
האם כדאי להקים דשבורדים בעזרת AI?
כן, במיוחד ליצירת אב־טיפוס ולהאצת העבודה. לפני שימוש ניהולי שוטף צריך לוודא שהמדדים, הסינונים וההרשאות נכונים.
סיכום: הדרך לתשובות עסקיות שאפשר לסמוך עליהן
ניתוח נתונים עם AI הופך שאלות עסקיות לנגישות יותר. ההדגמה של Metabase, Credible ו־simmAI הראתה שכלים שונים יכולים להגיע לתוצאות דומות, אבל גם שפרשנות של מדד אחד יכולה לשנות תשובה שלמה. כדי להצליח נדרש שילוב של מחסן נתונים מסודר, שכבה סמנטית ברורה, הרשאות מתאימות וממשק שמתאים למשתמשים.
ב־Inflow אנחנו מסייעים לארגונים לתכנן מחסני נתונים, להקים מערכות BI ולשלב יכולות AI באופן שימושי ומבוקר. רוצים לבחון כיצד העובדים שלכם יכולים לשאול שאלות על נתוני העסק? קראו עוד על ניתוח דאטה עם AI או צרו איתנו קשר.
