Как Tableau создала агентную аналитику в Salesforce: четырехэтапная концепция

Tableau развернула собственную систему агентской аналитики внутри компании (в качестве проекта «Customer Zero») для десятков тысяч сотрудников Salesforce, прежде чем предлагать ее клиентам. То, что мы обнаружили, определило все аспекты создания нашего продукта.

По мере масштабирования архитектур корпоративных данных предоставление мощного аналитического агента в распоряжение каждого сотрудника — это не проблема доступа к данным, а проблема управления и доверия. В этой статье мы расскажем о четырехкомпонентной архитектуре, разработанной нами для достижения точности, строгого управления, операционной прозрачности и предсказуемых затрат в масштабе.

Внутри Customer Zero: внедрение агентской аналитики по всему Salesforce

Нашим отделам продаж требовались быстрые и точные ответы об их клиентах, воронке и сделках — каждое утро, на ходу, без необходимости ждать аналитика. Это самая распространенная аналитическая потребность в любом крупном предприятии: «Как у меня дела, что изменилось и что мне с этим делать?» Проблема никогда не заключалась в нехватке данных. Проблема заключалась в получении достоверного ответа.

Мы выяснили, что пользователи ожидают доверия в трех формах: проактивная рассылка при изменении ситуации, визуализация для оценки всего бизнеса с одного взгляда и диалоговый формат для уточняющих вопросов на обычном языке. Все три компонента работают только тогда, когда они опираются на единый защищенный источник достоверных данных.

Мы сохранили архитектуру простой и построили ее полностью на компонентах, которые могут использовать и наши клиенты: Slack в качестве точки входа и Slackbot Skills как соединительную основу. Мы упаковали рабочие процессы (проактивная ежедневная сводка, дашборды, отображаемые прямо в Slack, и произвольные вопросы и ответы), чтобы агент отвечал так, как это сделал бы хороший аналитик.

«Под капотом» эти навыки направляются к тому движку, у которого есть проверенный ответ: Tableau Next MCP для семантических моделей Tableau Next или Tableau MCP для Tableau Cloud и Server. Такая архитектура обеспечивает гибкость: любая организация, независимо от того, использует ли она Tableau Cloud, Server или Tableau Next, может внедрить ровно ту же самую схему уже сегодня.

Без семантической модели в качестве авторитетного источника достоверных данных интерпретация этих ключевых бизнес-концепций во время работы полностью ложилась бы на LLM. Это вынуждало агента выводить смысл и угадывать определения таких терминов, как «воронка», «покрытие» или «процент выигранных сделок». Без семантической основы точность агента составляла всего 35–45%, а уверенный неверный ответ трудно обнаружить.

Успех был достигнут не благодаря лучшей модели, а благодаря проверенному источнику достоверных данных. Мы внедрили семантические модели, бизнес-предпочтения и верифицированные вопросы и ответы, благодаря чему термины «воронка», «ACV», «покрытие» и «текущий квартал» стали получать однозначное и утвержденное определение. Эти «ноу-хау» мы теперь называем Tableau Knowledge.

Результат: структурированная оценка более чем 200 реальных пользовательских вопросов, проведенная в несколько этапов, позволила довести точность перед запуском до более чем 85%. Что еще важнее, сотрудники доверяли ответам, а аналитики перестали отвечать на одни и те же вопросы.

Решение 4 критических проблем, с которыми сталкивается каждый лидер по работе с данными при внедрении агентской аналитики

Развертывая эту систему в нашей организации, мы одновременно вели те же обсуждения с клиентами, которые шли по тому же пути. Снова и снова возникали четыре вопроса. Это не частные случаи — это ключевые архитектурные решения для любого внедрения агентской аналитики.

1. Семантическое управление: «Как убедиться, что все работают с одинаковыми определениями?»

Возьмем такой обычный вопрос, как «Какова моя открытая воронка в этом квартале?» Без утвержденных определений агент вынужден угадывать каждый термин:

• «Воронка» — каждая открытая возможность или только квалифицированные?
• «Этот квартал» — календарный или финансовый? И в первый понедельник нового квартала, какой квартал имел в виду пользователь?
• «Моя» — сделки, которые принадлежат мне, или все в моей иерархии?

Задайте агенту один и тот же вопрос в два разных дня, и вы можете получить разные ответы. Это может быть плюсом для свободного языка, но недостатком для бизнес-метрик, где слово «вероятно» недостаточно хорошо. В масштабе каждая важная метрика (воронка, покрытие, ACV, процент выигранных сделок) незаметно разветвляется на дюжину частных определений.

Ответ Tableau — это семантический слой в сочетании с бизнес-ноу-хау, обеспечивающий единый источник достоверных данных и специфические для организации знания. Семантическая модель, бизнес-предпочтения и верифицированные вопросы и ответы кодируют утвержденные определения метрик, измерений и бизнес-правил, благодаря чему каждый запрос разрешается в неизменный, защищенный ответ, специфичный для нашего (или вашего) бизнес-жаргона — независимо от того, кто спрашивает, как он это формулирует или к какому интерфейсу (дашборду, сводке или чату) обращается.

Вот что мы сделали для Customer Zero:

• Создали семантическую модель, которая зафиксировала наши ключевые метрики и измерения, по которым продавцы их анализируют: обязательства, покрытие, открытая воронка, скорость — наряду с более сложными вещами, которые на практике ломают агентов, такими как логика дедупликации и разрешение финансовых периодов, чтобы «текущий квартал» определялся правильно даже в первый день нового квартала.
• Добавили знания (бизнес-предпочтения и верифицированные вопросы и ответы) к семантической модели, чтобы обеспечить контекст нашего специфического бизнес-жаргона. Например, AOV в Salesforce означает Annual Operating Volume (годовой операционный объем). В других компаниях это означает Average Order Value (средний чек). Когда мы спрашиваем «как обстоят дела с производительностью моей команды в этом квартале?», мы имеем в виду ACV и NNAOV.
• Поддерживали актуальную справочную спецификацию. Каждый новый навык или рабочий процесс, созданный на основе этих данных, должен вызывать одни и те же предварительно проверенные и одобренные расчеты (например, основные KPI, исторические снимки, изменения неделю к неделе, флаги перемещения сделок), а не изобретать математику заново каждый раз. Именно это является реальным механизмом, который заставляет каждый рабочий процесс и каждую персону отвечать на один и тот же вопрос одинаково.
• Синхронизировали слой ИИ со слоем дашбордов концептуально, а не случайно. Некоторые метрики существуют на уровне дашбордов; слой для работы с ИИ намеренно направляется через ту же версию защищенной семантической модели. Продавец, задающий вопрос Slackbot, и продавец, открывающий дашборд, видят одни и те же цифры, определяемые одинаково — потому что оба пути были созданы для схождения, а не случайно совпали.
• Оставили данные внутри периметра предприятия. Поскольку система работает с проверенными внутренними семантическими моделями, а не требует копирования бизнес-данных в инструмент И общего назначения, конфиденциальные данные никогда не покидают границу безопасности для получения ответа — это принципиально иная позиция в отношении доверия для директора по информации или директора по данным, оценивающего это в масштабе.

В этом и заключается разница между агентской аналитикой, которая выглядит умно в демоверсии, и аналитикой, на основе которой действительно можно действовать.

2. Управление контентом: «Как управлять контентом, сгенерированным ИИ?»

ИИ может генерировать визуальные ответы на лету, за считанные секунды, в ответ на любой запрос пользователя. Но скорость без проверки — это угроза управлению. Вопрос не в том, может ли ИИ создавать контент, а в том, как убедиться, что до пользователей доходит правильный контент. Это относится и к дашбордам, а не только к ответам. Визуализация — это не самое сложное; самое сложное — это заслуживающая доверия визуализация.

Ответ Tableau сводится к четырем вещам:

• Контролируемый путь к продакшену. Семантическое моделирование, оптимизация агентов и создание курируемого контента сначала происходят в контролируемой среде (песочнице), где их можно проверять, дорабатывать и утверждать перед переносом в продакшен. Это отражает принципы дисциплины, которым уже доверяют команды разработчиков: разработка (dev) → тестирование (staging) → продакшен (prod), теперь применяемые к аналитическим артефактам.
• Калибровка вопросов и ответов. Специалисты по данным и бизнес-эксперты подготавливают эталонные ответы на самые частые и важные вопросы, тестируют на них реакцию агентов и официально верифицируют результаты. Это гарантирует, что агент опирается непосредственно на утвержденные ответы.
• Регламентированные функции Slackbot. Мы создали небольшой набор регламентированных функций (вместо одного универсального агента), каждая из которых выполняет свою задачу: информационная сводка для руководителя отдела продаж, функция ответов на вопросы по данным о продачах и функция, которая выводит дашборд прямо в Slack. Благодаря этому руководитель получает общую картину состояния бизнеса с первого взгляда, не отрываясь от работы. Регламентированный семантический слой, обеспечивающий визуализацию, играет здесь ключевую роль. Отрисовать график в чате легко; убедиться, что этот график построен на основе проверенной общекорпоративной логики — вот что формирует настоящее доверие.
• Реальный процесс проверки, а не система на честном слове. Функции предлагают, проверяют и публикуют в соответствии со стандартным внутренним процессом управления. К новой функции применяется та же дисциплина, что и к новому дашборду.

Когда мы создали нашу первую внутреннюю информационную сводку для руководства, первоначальные тесты выявили несколько реальных пробелов в данных: конвертация валюты приводила к потере зарубежных аккаунтинг-данных, несоответствие имен полей приводило к неточным итоговым значениям, а автоматические расписания завершались сбоями без уведомлений. В ходе более масштабных внутренних тестов дашборды, созданные с помощью ИИ, выявили аналогичные проблемы: несогласованные макеты, неработающие ссылки и расхождения в метриках.

В каждом случае решение было очевидным: перестать позволять ИИ-функциям угадывать структуры данных с нуля и задействовать их напрямую в едином регламентированном семантическом слое с надлежащими бизнес-предпочтениями. Как только этот фундамент был заложен, развертывание значительно ускорилось. При правильном управлении контентом и рабочими процессами скорость перестает быть фактором риска и становится преимуществом.

Сегодня создание кастомизированной, полностью регламентированной функции дашборда для нового руководителя отдела продаж занимает всего несколько минут, что приводит к появлению десятков надежных, специализированных функций на платформе Salesforce. Вот как выглядит «создано с помощью Tableau» на практике: преобразование нерегламентированных запросов или черновых отчетов в безопасные дашборды корпоративного уровня без ручных инженерных усилий.

3. Предсказуемая совокупная стоимость владения: «Как контролировать расходы по мере масштабирования использования?»

Это вопрос, который не дает спать директорам по информационным технологиям, и вполне обоснованно. Каждый вопрос на естественном языке может в принципе порождать сложные и дорогостоящие вычисления в вашем хранилище данных. Умножьте это на тысячи пользователей, задающих любые вопросы, и расходы могут выйти из-под контроля так, что их будет трудно спрогнозировать.

Первое, к чему инстинктивно стремятся многие команды — заставить агентов запрашивать облачное хранилище данных (lakehouse) напрямую при каждом взаимодействии. Именно этот подход быстро и непредсказуемо приводит к росту затрат, поскольку расходы масштабируются в зависимости от использования таким образом, к которому никто не готовился.

Ответ Tableau — создать лучший пользовательский опыт и оптимизировать затраты (вычисления на периферии):

• Семантический слой и механизм Hyper выполняют вычисления еще до того, как модель увидит данные. Агрегация, семантика и права доступа уже разрешены к моменту, когда вопрос доходит до LLM — никаких поисков по схеме, никаких циклов повторных попыток. Только это составляет значительную долю затрат на токены в нерегламентированной системе.
• Извлечения (extracts), а не обращения к хранилищу при каждом вызове. Вместо того чтобы агент запрашивал хранилище данных напрямую для каждого вопроса, он запрашивает быстрое, регламентированное извлечение Hyper (данные на периферии). Это тот самый шаблон, который позволяет одному крупному клиенту полностью отказаться от прямых запросов к хранилищу и снизить затраты более чем на порядок, просто разместив управляемое Tableau извлечение перед своими агентами вместо обращения к сырым данным хранилища каждый раз.
• MCP возвращает ответы, а не сырые записи. Поскольку модель получает предварительно агрегированный результат вместо выгрузки сырых строк, которые ей пришлось бы интерпретировать самостоятельно, счета за токены и риск галлюцинаций снижаются одновременно; это два симптома одной и той же базовой проблемы.
• Предсказуемое ценообразование на основе количества пользователей поверх этой архитектуры. Фиксированная цена за пользователя, а не оплата за токены или выполнение запросов, обеспечивает руководителям предприятий предсказуемость бюджета. Это позволяет им внедрять агентную аналитику для тысяч пользователей без страха перед неконтролируемыми счетами за потребление.
• Ускорение ответов на самые частые вопросы. Верифицированные вопросы и кэширование снижают нагрузку на ИИ во время выполнения запроса. Совпадение с верифицированным вопросом мгновенно возвращает утвержденный ответ — без вызова ИИ, без обращения к хранилищу. Кэширование обслуживает повторяющиеся вопросы из сохраненного результата, потребляя ноль токенов.
• Элементы контроля использования и дисциплина планирования. Мы распределили наши автоматизированные сводки в течение ночного окна вместо одновременной отправки тысяч запросов: небольшое проектное решение, которое оказало значительное влияние на нагрузку и затраты.

Скорость и экономическая эффективность — это две стороны одной медали. Тщательно подобранный контекст означает, что агенты обрабатывают ответы быстрее, а более быстрый ответ обычно обходится дешевле. Хорошая структура — это не просто инвестиция в точность; это инвестиция в совокупную стоимость владения (TCO). И архитектура, которая сокращает объем токенов, имеет такое же значение, как и модель ценообразования, фиксирующая тариф.

4. Мониторинг агентной аналитики: «Как узнать, что на самом деле делает ИИ?»

Многие организации развертывают агентов, а затем действуют вслепую, не имея никакой видимости того, что запрашивается, что генерируется и улучшается ли система с течением времени или ухудшается. Нельзя управлять тем, чего не видишь.

Ответ Tableau — операционная прозрачность, начиная с уровня отдельного ответа и вплоть до всего развертывания в целом:

• Объяснимость в каждом ответе. Мы встроили объяснимость в каждый ответ, реализуемую посредством поэтапного раскрытия информации. Каждый ответ содержит краткую сводку на простом языке для бизнес-пользователя, опускается на один уровень ниже до использованных полей и примененных фильтров для тех, кто интересуется данными, и доходит вплоть до полного SQL для специалистов по данным.
• Этапы мышления по мере формирования ответа. Агент транслирует свои этапы мышления по ходу работы, показывая план, которому он следует. Пользователи наблюдают за тем, как формируется логика рассуждений, и доверяют результату, потому что увидели, как он был достигнут.

Большинство платформ могут сказать вам, что ИИ дал ответ. Tableau говорит вам, насколько он хорош и на каком основании он был получен. В этом разница между «черным ящиком» и системой, которой можно управлять, которой можно доверять и которую можно улучшать.

Общая картина: почему семантический слой является ключом к успеху

Отойдите на шаг назад от четырех вопросов, и одна тема свяжет их все: семантический слой.

Узким местом в аналитике является не доступ к данным, а структура и бизнес-логика. Правильный ответ уже содержится в вашей семантической модели Tableau (опубликованном источнике данных). Сегодня 97% компаний из списка Fortune 500 заложили свою бизнес-логику в Tableau. Они используют дашборды Tableau каждый день для принятия многомиллионных бизнес-решений, потому что доверяют бизнес-логике в своих семантических моделях Tableau.

В этом заключается преимущество Tableau, и это главная мысль всей истории Customer Zero: нам не пришлось создавать этот уровень с нуля, и он не привязан к какому-то одному продукту. Tableau годами инвестировала в семантический уровень, и он работает одинаково независимо от того, используете ли вы Tableau Next, Tableau Cloud или Server: опубликованные источники данных, книги и метрики соответствуют семантическим структурам. Выступая в роли Customer Zero, мы подключили навыки Slackbot к любому уже существующему управляемому слою (Tableau Next, Cloud или Server) и с первого дня унаследовали проверенные определения, безопасность на уровне строк и надежную бизнес-логику.

Семантический уровень устраняет двусмысленность. Предпочтения бизнеса выявляют предметные знания, которые хранятся в голове у аналитиков. Вместе они создают агента, который рассуждает на основе проверенной истины, а не галлюцинирующих выводов. Это не просто функция. Это фундамент, на котором держится все остальное.

Ваш путь к надежной агентской аналитике в масштабе

Если вы являетесь директором по данным (CDO) или директором по ИТ (CIO) и планируете внедрение агентской аналитики, четыре приведенных выше вопроса — это не мелочи, которые можно решить позже. Это сама архитектура: семантическое управление, управление контентом, прогнозируемые затраты и операционный мониторинг. Сделайте все правильно, и агент станет тем инструментом, которому ваша организация доверяет. Ошибитесь — и вы получите очень быстрый способ уверенно заблуждаться, да еще и с неконтролируемыми затратами.

Tableau отвечает на все четыре вопроса, потому что мы не проектировали их в конференц-зале. Мы прошли через них на собственном опыте Customer Zero, внедрив инструмент для десятков тысяч собственных сотрудников с помощью навыков Slackbot на базе Tableau в среде Tableau Next, Cloud и Server. И мы создали продукт, отражающий полученный нами опыт.

Технология, позволяющая предоставить способного аналитика в распоряжение каждого сотрудника, наконец-то существует. Заслужит ли она их доверие, зависит от лежащей в ее основе структуры. Именно это мы строили годами и с радостью поможем построить вам.

Готовы начать?

• Посмотрите вебинар по запросу «Как мы управляем продажами с помощью Slackbot + Tableau».
• Узнайте, как настроить информационную сводку с помощью Tableau Next и навыков Slackbot.
• Изучите семантику Tableau и знания Tableau.
• Свяжитесь с нами, чтобы узнать больше об аналитике на естественном языке для ваших команд на базе Tableau.

Прочитайте полную историю Customer Zero

Узнайте, как Tableau Next и Slackbot помогли Salesforce предоставить agile-команде продаж возможности разговорной агентской аналитики.