AI可视化度量

1）什么是AI成像

1.选择合适的图形和轴类型,

2.突出趋势模式/异常/断裂，

3.制定可解释的文本（insight/narrative）,

4.提供行动（Next Best Action），

5.根据用户和设备的上下文调整视图。

目的是缩短从问题到答案的路径：减少手动选择图表，增加可验证的含义。

2）手掌上的建筑

1.Semantic Layer：统一的度量/度量定义（词汇表、公式、聚合、可用性）。
2.NL→Query：将自然语言查询转换为SQL/SPARQL/DSL。
3.Query→Viz：自动选择图形和参数语法（轴、日志量表、颜色/形状大小）。
4.Insight Engine：异常检测,突破,seasonality, causal hints；信号优先级。
5.Narrative：生成具有值和置信间距的事实格子文本。
6.RAG：从数据/配置目录（元数据、业务规则）中删除上下文。
7.Policy Guardrails：隐私/访问/掩盖,验证数字和链接。
8.交付：Web小部件,移动卡,PDF/snapshots, webhooks在CRM/Slack。

3）图形语法和自动选择

• 时间→线路/地区；类别（≤8） →列/图块；排名→酒吧/领导板；直方图/violin/box的→分布；相关→ scatter/heatmap。
• 指数增长的日志轴；分数计量（%）；小多重性-当系列很多时。
• 颜色选择：状态的语义调色板；颜色≠顺序和类别的同时通道。
• 仅签名带有含义的地方：尽量减少"墨水"。

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： 从问题到时间表

意图映射：度量，切口，时期，过滤器，聚合物。
语义层验证：仅允许字段/公式。
后处理：按字段类型和基数选择图表，自动阈值bining/采样。
反馈：显示SQL/DSL和download数据（伪装）以建立信任。

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）洞察引擎： 如何生成"意义"

• 异常：STL分解，ESD/Prophet，BOCPD；标记方向/规模/信任。
• 趋势骨折：CUSUM/Chow测试；局部回归。
• 季节性/运动：比较"假期vs正常的一天"，加速到狂欢节。
• 驱动段：Shapley/feature importance在表回归或梯度增强之上。
• 因果提示：指示相关变化（作为观察的一部分）+提醒"这是相关性"。

1.对业务指标的影响，2）效果强度，3）新颖性，4）信心。

6）叙事生成（文本）

要求：具有数字和日期的事实，指示比较的基础，术语的准确性。

7）适应上下文（个性化）

角色：C级-KPI卡和叙述；经理-切口和缺口；分析-SQL/DSL和模型参数。
设备：Mobile上的紧凑型火花线,台式机上的full viz。
地理/语言/货币/时区是自动的。

8）可解释性和信任

图中的每个签名都是可点击的，→显示计算（公式，聚合，滤波器）。
我们指定统计不确定性（信任条、错误栏）。
对于LLM描述：按元数据排序的RAG，按源对比数字（检查金额/范围）。
更改日志：公式、日期、图表版本。

9）成像质量和SLO

Latency p95渲染，时间到第一个洞察力，成功的NL请求的比例。
可解释性得分（叙事中数字/引用/CI的存在）。
Accuracy NL→SQL (ex.参考查询上的exact-match）。
可用性：对比，alt文本，键盘，daltonism模式。

10）可用性（A11y）和UX模式

颜色调色板，与色彩活动无关；复制颜色形式/模式。
图表旁边的文本替代品和数据表视图。
焦点陷阱，合理的制表顺序；在没有轴断裂的情况下进行缩放。

11）安全和隐私

请求和数据级别的RLS/CLS工具。
用于罕见类别的掩蔽/bining，以避免重新识别。
NL问题期刊-PDn保管：潜在PII的令牌/编辑。
屏幕截图/CSV导出-带有水印和版本元数据。

12）经济和成本

Cost-aware：缓存标题/结果，实现"热"店面，预览采样。
限制"重"NL查询（scan caps），大系列的延迟渲染。
基本检测的廉价型号+夜间重型离线评估。

13）反模式

"自动图表总是正确的。"需要类型验证/基数/逻辑度量。
Too much ink.复杂3D/dual-axis无需→失真。
没有指定不确定性。歌词听起来"绝对"，但具有误导性。
NL→SQL没有语义层。易碎性和聚合错误。
神奇的洞察力没有提到数字。不信任和放弃工具。

14）实施路线图

1.基金会：语义层，度量词汇表，可用性（RLS/CLS），测试NL→SQL集。
2.MVP NL→Viz：前10个问题，语法自动排行榜，类型/基数验证。
3.洞察引擎：异常/突破，优先级，与CI的基本叙述。
4.RAG＆Trust：连接元数据/公式，UI中的证据日志。
5.A11y和移动：自适应卡，alt文本，对比/键盘。
6.FinOps：缓存/实例化、扫描限制、负载配置文件。
7.量表：角色个性化、脚本NLG模板、集成到CRM/警报中。

15）发行前的支票清单

• 度量和度量在语义层中描述；SELECT被禁止。
• 图表的自动选择根据类型/基数/规则进行验证。
• 叙述包含数字，比较，基础和置信范围。
• 包括不确定性带/error-bars（如果适用）。
• NL→SQL/DSL通过基准测试；查看用户的SQL。
• RLS/CLS和掩码在工具/导出中工作。

［A11y］：对比，alt文本，tab导航，daltonism模式。

• 缓存/实现/扫描限制；收集了SLO/成本面板。
• 公式/图表版本的徽标；"抱怨洞察力"按钮。

16）迷你模板

16.1自动选择图形策略

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个洞察力卡

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 UI中NL→SQL示例（背光）

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 NL→Viz测试套件

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

17）结果

AI可视化指标不是"智能图片"，而是端到端过程：语义层 Insight Engine 可解释的叙事 行动和信任控制。通过正确的警卫（隐私，数字验证，不确定性，A11y，FinOps），它将报告转变为运营解决方案，加快了分析，并提升了整个组织的数据文化。