• przekształca wskaźniki i odchylenia w zrozumiałe rekomendacje poparte konkretnymi liczbami;

• proponuje kolejne kroki (Next Best Action / Next Best Offer) na podstawie porównań z planem i grupą porównawczą, a także wewnętrznych reguł i danych referencyjnych;

• tworzy uporządkowane punkty do rozmowy z klientem — krótkie podpowiedzi dotyczące asortymentu, sprzedaży i wyposażenia — bez zastępowania systemu źródłowego.

Wyzwania

• Różne kanały i jakość danych. Część informacji jest dostępna przez REST API, a część trafia do systemu w postaci regularnych eksportów. Aktualizacje mogą również pojawiać się z opóźnieniem. Potrzebny był niezawodny mechanizm synchronizacji, który pozwalałby pracować także przy niepełnych danych.

• Zgodność rekomendacji z danymi. Nie mogliśmy dopuścić do rozbieżności między rekomendacjami asystenta a danymi w systemie firmowym, dlatego wnioski zostały ściśle powiązane z możliwymi do zweryfikowania wskaźnikami wejściowymi.

• Jasne wyjaśnienia, a nie tylko wygenerowany tekst. Użytkownik potrzebował nie abstrakcyjnej sugestii, lecz wyjaśnienia opartego na konkretnych liczbach i porównaniach, aby każdą rekomendację można było szybko sprawdzić.

• Utrzymanie i diagnostyka. Potrzebne były przejrzyste mechanizmy diagnostyki błędów integracji, automatyczne ponawianie żądań po awarii oraz monitoring, aby obsługa systemu nie wymagała ręcznego analizowania każdego incydentu.

Rozwiązania

• Integracja ze ścieżką zapasową. Zrealizowaliśmy podstawową wymianę danych przez REST API oraz zapasowy mechanizm oparty na eksportach CSV/XLSX i ETL. Dodaliśmy również buforowanie, aby zmniejszyć zależność od dostępności źródła danych.

• Ustandaryzowane dane wejściowe do analizy. Wprowadziliśmy jednolity format „pakietu danych”, przygotowywanego przed wygenerowaniem rekomendacji: wskaźniki dotyczące obiektu, historię transakcji i zamówień, porównanie z grupą porównawczą, dane referencyjne oraz wartości planowane, jeśli są dostępne.

• Przejrzysty wynik i potwierdzenie użytkownika. Kluczowe dane źródłowe są prezentowane wraz z rekomendacjami, a proponowane kolejne kroki pozostają do zatwierdzenia przez użytkownika.

• Niezawodność i monitoring. Skonfigurowaliśmy obsługę błędów i ponawianie żądań, scentralizowaliśmy logi i metryki oraz dodaliśmy alerty pozwalające kontrolować stabilność systemu i jakość danych.

Co wdrożyliśmy

• Kompletne scenariusze AI w przepływie użytkownika. Zrealizowaliśmy pełną ścieżkę od wyboru obiektu do otrzymania rekomendacji i podpowiedzi, w tym generowanie wyjaśnień oraz uzasadnień opartych na wyliczonych wskaźnikach.

• RAG dla kontekstu firmowego. Podłączyliśmy wyszukiwanie w wewnętrznej bazie wiedzy — procedurach, regułach, standardach i materiałach referencyjnych — aby odpowiedzi opierały się na aktualnych dokumentach wewnętrznych i były spójne pod względem formatu oraz terminologii.

• Orkiestrację AI i generowanie rekomendacji. Zaimplementowaliśmy usługę, która przyjmuje ustandaryzowany „pakiet danych”, wykorzystuje reguły i kontekst, w tym informacje z bazy wiedzy, a następnie zwraca ustrukturyzowany wynik obejmujący wnioski, rekomendacje i kolejne kroki.

• Integrację i synchronizację danych. Uruchomiliśmy konektory do systemu firmowego oraz skonfigurowaliśmy harmonogramy aktualizacji i zasady działania w sytuacjach, gdy część danych jest czasowo niedostępna.

• Obliczenia do analityki porównawczej. Wdrożyliśmy obliczanie kluczowych wskaźników — średnich i ostatnich wartości, porównania z grupą porównawczą oraz analizy struktury asortymentu — i przygotowanie tych danych do dalszej analizy oraz generowania rekomendacji.

• Kontrolę jakości i diagnostykę. Dodaliśmy testy integracyjne i kontrole poprawności danych, a także dashboardy i logi służące do analizy jakości rekomendacji oraz diagnozowania incydentów.