Asystent AI do wspierania decyzji operacyjnych na podstawie danych korporacyjnych

• przekształcało metryki i odchylenia w zrozumiałe rekomendacje poparte konkretnymi liczbami;

• proponowało kolejne kroki (Next Best Action / Next Best Offer) w oparciu o porównania do planu i porównywalnej grupy, a także o wewnętrzne reguły i dane referencyjne;

• generowało ustrukturyzowane tezy do komunikacji z klientem (krótkie podpowiedzi do rozmowy o asortymencie, sprzedaży i wyposażeniu), nie zastępując systemu źródłowego (systemu ewidencyjnego).

Wyzwania

• Różne kanały danych i zróżnicowana jakość danych. Część informacji jest dostępna przez REST API, część trafia w postaci cyklicznych eksportów, a aktualizacje mogą się opóźniać. Wymagało to odpornego scenariusza synchronizacji i łagodnego działania przy niepełnych danych.

• Faktyczna trafność rekomendacji. Nie mogliśmy dopuścić do rozbieżności między wskazówkami asystenta a danymi w systemie korporacyjnym, dlatego wnioski zostały ściśle powiązane z weryfikowalnymi wskaźnikami wejściowymi.

• Jasne wyjaśnienia, a nie tylko tekst. Użytkownik potrzebował nie abstrakcyjnej porady, lecz wyjaśnienia opartego na konkretnych liczbach i porównaniach, aby decyzję dało się szybko sprawdzić.

• Zarządzalność operacyjna. Potrzebne były przejrzyste mechanizmy diagnostyki błędów integracji, ponawianie żądań w razie awarii oraz obserwowalność, aby wsparcie nie zamieniało się w ręczne analizowanie incydentów.

Rozwiązania

• Integracja z mechanizmem fallback. Zaimplementowaliśmy podstawową wymianę danych przez REST API oraz ścieżkę zapasową poprzez eksporty CSV/XLSX i ETL, a także dodaliśmy cache’owanie, aby zmniejszyć zależność od dostępności źródeł.

• Ustandaryzowane wejście do analizy. Wprowadziliśmy jednolity format „pakietu danych”, kompletowanego przed generowaniem rekomendacji: wskaźniki dla obiektu, historia transakcji/zamówień, porównanie z grupą porównywalną, dane referencyjne oraz cele planowe (jeśli dostępne).

• Przejrzysty wynik i potwierdzenie przez użytkownika. Uczyniliśmy wnioski weryfikowalnymi: kluczowe dane źródłowe są prezentowane wraz z rekomendacjami, a proponowane kolejne kroki wymagają akceptacji użytkownika.

• Warstwa niezawodności i obserwowalności. Skonfigurowaliśmy obsługę błędów i ponowienia, scentralizowaliśmy logi i metryki oraz dodaliśmy alerty do kontroli stabilności i jakości danych.

Co Dostarczyliśmy

• Produkcyjne scenariusze AI w przepływie użytkownika. Zaimplementowaliśmy pełną ścieżkę od wyboru obiektu do otrzymania rekomendacji i podpowiedzi, w tym generowanie wyjaśnień i uzasadnień liczbowych na podstawie wyliczonych KPI.

• RAG dla kontekstu korporacyjnego. Podłączyliśmy wyszukiwanie w wewnętrznej bazie wiedzy (procedury wizyty, reguły/standardy, materiały referencyjne), aby odpowiedzi opierały się na aktualnych dokumentach wewnętrznych i były spójne pod względem formatu oraz terminologii.

• Orkiestracja AI i pipeline generowania rekomendacji. Zaimplementowaliśmy usługę generowania, która przyjmuje ustandaryzowany „pakiet danych”, stosuje reguły/kontekst (w tym z bazy wiedzy) i zwraca ustrukturyzowany wynik (wnioski, rekomendacje, kolejne kroki) w uzgodnionym formacie.

• Usługa integracyjna i synchronizacja danych. Uruchomiliśmy konektory do systemu korporacyjnego, harmonogramy odświeżania oraz zasady łagodnej degradacji przy częściowej niedostępności danych.

• Zaimplementowane obliczenia dla analityki porównawczej. Wprowadziliśmy obliczanie kluczowych metryk (średnie i ostatnie wartości, porównanie z grupą porównywalną, analiza miksu pozycji/asortymentu) oraz ich składanie w strukturę do analizy i generowania rekomendacji.

• Kontrole jakości i diagnostyka. Przygotowaliśmy i zastosowaliśmy testy integracyjne oraz kontrole poprawności danych, a także dashboardy i logi do analizy jakości rekomendacji i incydentów.