تصور الذكاء الاصطناعي للمقاييس

1) ما هو التصوير بالذكاء الاصطناعي

1. اختيار نوع الرسم البياني المناسب والمحور المناسب

2. تسليط الضوء على الأنماط/الشذوذ/كسور الاتجاه،

3. صياغة نص توضيحي (نظرة ثاقبة/سردية)،

4. اقترح الإجراءات (Next Best Action)،

5. وتكييف الرأي مع سياق المستخدم والجهاز.

الهدف هو تقصير المسار من سؤال إلى إجابة: اختيار مخطط يدوي أقل، ومعاني أكثر قابلية للتحقق.

2) العمارة في راحة يدك

1. Semantic Layer: uniform definitions of metrics/dimensions (clossary, formulas, tragregations, accesses).
2. NL→Query - يحول استفسار اللغة الطبيعية إلى SQL/SPARQL/DSL.
3. Query→Viz: الاختيار التلقائي لقواعد ومعايير الرسوم (المحاور، مقاييس السجل، اللون/الشكل/الحجم).
4. محرك البصيرة: الكشف الشاذ، نقاط التوقف، الموسمية، التلميحات السببية ؛ أولويات الإشارة.
5. السرد: توليد نص فعلي مع الإشارة إلى القيم وفترات الثقة.
6. RAG: مزج السياق من كتالوج البيانات/التكوين (البيانات الوصفية، قواعد الأعمال).
7. Policy Guardrails: الخصوصية/الوصول/الإخفاء، التحقق من الأرقام والمراجع.
8. التسليم: أدوات الويب، بطاقات الهاتف المحمول، PDF/اللقطات، خطافات الويب في CRM/Slack.

3) قواعد الرسوم البيانية والاختيار التلقائي

• الخط →/المنطقة الزمنية ؛ والفئات (≤8) → الأعمدة/البلاط ؛ والترتيب → شريط/لوحة الصدارة ؛ التوزيع → مخطط النسيج/الكمان/الصندوق ؛ التشتت/خريطة الحرارة → الارتباطات.
• محور السجل عند النمو الأسي ؛ والتطبيع (%) عند الكسور ؛ مضاعفات صغيرة - عندما يكون هناك العديد من النوبات.
• اختيار الألوان: لوحات دلالية للحالات ؛ اللون ≠ كل من الترتيب وقناة الفئة.
• التوقيعات تحمل فقط المعنى: نحن نقلل «الحبر».

yaml chart:
mark: line encoding:
x: {field: dt, type: temporal, timeUnit: day}
y: {field: ggr, type: quantitative, aggregate: sum}
color: {field: region, type: nominal, legend: top, limit: 6}
transforms:
- filter: "dt >= now()-90d"
- calculate: {expr: "rolling_mean(ggr,7)", as: "ggr_7d"}
annotations:
- rule: {type: "changepoint", method: "cusum"}
- band: {type: "confidence", metric: "ggr", level: 0.9}
interactions: {tooltip: true, zoom: "x", brush: "x"}

4) NL→Viz: من السؤال إلى الجدول الزمني

تحليل النية: مقياس، أقسام، فترة، مرشحات، مجاميع.
التحقق من صحة الطبقة الدلالية: الحقول/الصيغ المسموح بها فقط.
التجهيز اللاحق: اختيار الخرائط حسب نوع الحقل والكاردينالية، وأخذ العتبة الذاتية/العينات.
التعليقات: أظهر SQL/DSL وتنزيل البيانات (مقنعًا) لبناء الثقة.

yaml ask: "Покажи GGR по странам за 90 дней, выдели резкие изменения"
metric: ggr dims: [country, dt]
filters: {dt: "last_90d"}
viz_hint: "line + changepoints"

5) محرك البصيرة: كيفية توليد «المعاني»

• الشذوذ: تحلل STL، ESD/Prophet، BOCPD ؛ التوجيه/الحجم/الثقة.
• كسور الاتجاه: اختبار CUSUM/Chow ؛ التراجع المحلي.
• الموسمية/الحملات: مقارنة «عطلة مقابل يوم عادي»، الارتقاء إلى خط الأساس.
• قطاع السائق: Shapley/ميزة الأهمية على الانحدار الجدولي أو تعزيز التدرج.
• الإشارات السببية: إشارة إلى التغييرات المصاحبة (داخل الملاحظة) + تذكير «هذا ارتباط».

1. التأثير على مقياس الأعمال التجارية، 2) قوة التأثير، 3) الجدة، 4) الثقة.

6) جيل السرد (النص)

الاحتياجات: الوقائع مع الأرقام والتواريخ، وبيان أساس المقارنة، ودقة المصطلحات.

7) تكيف السياق (التخصيص)

الأدوار: المستوى C - بطاقات وسرديات KPI ؛ المديرون - التخفيضات والتنبيهات ؛ التحليلات - SQL/DSL ومعايير النموذج.
الجهاز: خطوط شرارة مدمجة على الهاتف المحمول، كاملة على سطح المكتب.
Geo/language/comment/time zone - تلقائي.

8) قابلية التفسير والثقة

كل توقيع على الرسم البياني قابل للنقر → يكشف عن الحساب (الصيغة والتجمعات والمرشحات).
نشير إلى عدم اليقين الإحصائي (أشرطة الثقة، أشرطة الخطأ).
فيما يتعلق بأوصاف الامتيازات والرهون البرية: الأرقام المقننة حسب البيانات الوصفية، مطابقة الأرقام حسب المصدر (التحقق من الكميات/النطاقات).
سجل التغيير: نسخة من الصيغ، مجموعات البيانات، الرسم البياني.

9) جودة التصور و SLO

Latency p95 عرض، من الوقت إلى البصيرة الأولى، حصة طلبات NL الناجحة.
درجة القابلية للتفسير (وجود الأرقام/الروابط/CI في السرد).
NL→SQL الدقة (المطابقة الدقيقة للاستفسارات المرجعية).
إمكانية الوصول: التباين، النص البديل، لوحة المفاتيح، وضع عمى الألوان.

10) أنماط التوافر (A11y) و UX

لوحات الألوان التي لا تعتمد على إدراك الألوان ؛ شكل/نمط ازدواجية.
البدائل النصية وعرض جدول البيانات بجوار الرسم البياني.
مصائد التركيز، ترتيب علامة التبويب المعقول ؛ التحجيم دون كسر المحاور.

11) الأمن والخصوصية

RLS/CLS عند الطلب ومستوى البيانات للأدوات.
إخفاء/إخفاء الفئات النادرة لتجنب إعادة تحديد الهوية.
NL Question Logs - PD Safe: Tokenization/Revision of PIIs المحتملة.
لقطات شاشة/CSV - مع علامة مائية وبيانات وصفية عن الإصدار.

12) الاقتصاد والتكلفة

إدراك التكلفة: تخزين البلاط/النتائج، وتجسيد واجهات المحلات «الساخنة»، وأخذ العينات للمعاينات.
تقييد طلبات NL «الثقيلة» (أغطية المسح الضوئي)، وتأخير العرض لسلسلة كبيرة.
نماذج رخيصة للكشف الأساسي + تقييمات ثقيلة غير متصلة بالإنترنت في الليل.

13) أنتيباترن

"الرسم البياني التلقائي صحيح دائمًا. "هناك حاجة إلى التحقق من الأنواع/الكاردينالات/المنطق المتري.
الكثير من الحبر. 3D/dual-axis معقدة دون الحاجة إلى تشويه →.
لا شك. تبدو كلمات الأغاني «قاطعة» ولكنها مضللة.
NL→SQL بدون طبقة دلالية أخطاء الهشاشة والتجميع.
رؤى سحرية دون الإشارة إلى الأرقام. عدم الثقة والتخلي عن الأداة.

14) خارطة طريق التنفيذ

1. الأساس: الطبقة الدلالية، مسرد المقاييس، الوصول (RLS/CLS)، مجموعات اختبار NL→SQL.
2. أفضل NL→Viz: أهم 10 أسئلة، الرسم البياني التلقائي للقواعد، التحقق من صحة النوع/الكاردينالية.
3. Insight Engine: الشذوذ/نقاط التوقف، الأولويات، الروايات الأساسية مع CI.
4. RAG & Trust: توصيل البيانات الوصفية/الصيغ، تسجيل الأدلة في واجهة المستخدم.
5. A11y والجوال: بطاقات تكيفية، نصوص بديلة، تباين/لوحة مفاتيح.
6. FinOps: المخابئ/المواد، حدود المسح، ملامح التحميل.
7. المقياس: التخصيص حسب الدور، نماذج السيناريو NLG، تكامل/تنبيهات CRM.

15) القائمة المرجعية السابقة للإفراج

• المقاييس والأبعاد موصوفة في الطبقة الدلالية ؛ اختيار غير مسموح به.
• يتم التحقق من صحة اختيار المخطط التلقائي حسب النوع/الكاردينالية/القواعد.
• السرد يحتوي على الأرقام والمقارنة والأساس ونطاق الثقة.
• تشمل أشرطة الخطأ (حيثما ينطبق ذلك).
• NL→SQL/DSL يجتاز المعايير ؛ عرض SQL للمستخدم.
• RLS/CLS وأعمال إخفاء الأدوات/الصادرات.
• A11y: التباين، النصوص البديلة، التنقل في علامة التبويب، وضع عمى الألوان.
• حدود المخبأ/المواد/المسح المكونة ؛ تم جمع لوحات التكاليف/SLO.
• سجلات الصيغة/الرسم البياني ؛ زر «يشتكي من البصيرة».

16) قوالب مصغرة

16. 1 سياسة جدول التجهيز التلقائي

yaml auto_chart_policy:
time_series: ["line","area"]
categories_max: 8 distribution: ["histogram","boxplot"]
correlation: ["scatter","heatmap"]
choose_log_scale_if: growth_rate>0.15/week small_multiples_if: series_count>6

16. 2 بطاقة البصيرة

yaml insight:
id: "ggr_tr_spike_2025_10_12"
metric: ggr segment: {country: "TR", device: "Android"}
change: {type: "wow", delta_pct: 12.4, ci95: [9.8,14.7]}
drivers: ["Sports +18%", "Slots +7%"]
confidence: 0.86 actions: ["увеличить лимит кампании TR Android на 10%"]
disclaimer: "наблюдение, не доказанная причинность"

16. 3 مثال على NL→SQL في واجهة المستخدم (الإضاءة الخلفية)

sql
-- Вопрос: "Как менялся ARPPU по устройствам за 30 дней?"
select dt::date as dt, device_os, avg(revenue_per_payer) as arppu from mart_daily_player where dt >= current_date - interval '30 day'
group by 1,2 order by 1,2;

16. 4 مجموعة اختبار لـ NL→Viz

yaml tests:
- ask: "Покажи распределение депозитов за неделю"
expect:
chart: "histogram"
binning: true field: "deposit_amount"

17) خلاصة القول

إن تصور الذكاء الاصطناعي للمقاييس ليس «صورًا ذكية»، ومن خلال العملية: طبقة دلالية Insight Engine روايات يمكن تفسيرها الإجراءات والتحكم في الثقة. مع حواجز الحماية الصحيحة (الخصوصية، التحقق من الأرقام، عدم اليقين، A11y، FinOps)، فإنه يحول الإبلاغ إلى حلول تشغيلية، ويسرع التحليل ويرفع ثقافة العمل مع البيانات في جميع أنحاء المنظمة.