Visualizzazione delle metriche AI

1) Cos'è la visualizzazione AI

1. Seleziona il tipo di grafico e gli assi appropriati

2. evidenziare pattern/anomalie/fratture di tendenza,

3. formulano testo comprensibile (insight/narrative),

4. suggeriscono azioni (Next Best Action),

5. adattano la vista al contesto utente e al dispositivo.

Lo scopo è quello di ridurre il percorso dalla domanda alla risposta: meno selezione manuale dei listini, più significati verificabili.

2) Architettura sul palmo

1. Semantic Layer è un'unica definizione di metriche/misurazioni (glossario, formule, aggregazioni, disponibilità).
2. NL→Query - Conversione di una query in linguaggio naturale in SQL/SPARQL/DSL.
3. Query→Viz: selezione automatica della grammatica grafica e dei parametri (assi, scala logica, colore/shape/size).
4. Insight Engine: rilevamento di anomalie, breakpoint, seasonality, causal hints; priorità dei segnali.
5. Narrative - Genera testo fatto-assegno con riferimento a valori e intervalli di fiducia.
6. Regole aziendali e metadati del catalogo di dati/configurazioni di un contesto.
7. Policy Guardrails: privacy/accesso/occultamento, controllo dei numeri e dei collegamenti.
8. Delivery: widget web, schede mobili, PDF/snapshot, webhooks in CRM/Slack.

3) Grafica grammatica e selezione automatica

• Ora linea/area; categorie ( ) colonne/piastrelle classificazione bar/liderborde; Distribuzione di un → istogramma/violino/box; correlazioni tra scatter/heatmap.
• Un asse logico a crescita esponenziale; razionamento (%) a quote small multiples - quando ci sono molte serie.
• Selezione colore: tavolozza semantica per gli stati il colore ≠ contemporaneamente un canale d'ordine e una categoria.
• Le firme hanno solo senso, minimizziamo l'inchiostro.

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: da una domanda all'altra

Parsing intento: metrica, taglio, periodo, filtri, aggregazioni.
Convalida su livello semantico: solo campi/formule consentiti.
Post-processing: selezione di un elenco per tipo di campo e cardinalità, soglia di bining/sempling automatico.
Feedback: mostra SQL/DSL e download di dati (mascherati) per aumentare la fiducia.

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) Insight Engine: come generare «significati»

• Anomalie: decomposizione STL, ESD/Prophet, BOCPD; Marciamo direzione/grandezza/fiducia.
• Fratture di tendenza: CUSUM/Chow test; regressione locale.
• Stagionalità/campagne: confronto «festa vs giorno normale», uplift al bazline.
• Segmenti driver: Shapley/feature influence sopra la regressione di tabella o il boosting di gradiente.
• Suggerimenti causali: indicazione delle modifiche associate (all'interno dell'osservazione) + avviso «è correlazione».

1. impatto sulla metrica aziendale, 2) la forza dell'effetto, 3) la novità, 4) la fiducia.

6) Generazione narrativa (testo)

I requisiti sono i fatti con numeri e date, l'indicazione della base di confronto, la precisione dei termini.

7) Adattamento al contesto (personalizzazione)

Ruoli: C-level - schede KPI e narrativi; manager - tagli e alert; gli analisti sono SQL/DSL e i parametri dei modelli.
Dispositivo: sparklins compatti sul cellulare, full viz sul dectop.
Geo/lingua/valuta/fuso orario - automaticamente.

8) Spiegabilità e fiducia

Ogni firma del grafico è cliccabile e mostra il calcolo (formula, aggregazioni, filtri).
Specifica l'incertezza statistica (barre di fiducia).
Per le descrizioni LLM: RAG per metadati, comprimere i numeri per sorgente (verifica degli importi/intervalli).
Il logico delle modifiche è la versione delle formule, dei dataset, della lista.

9) Qualità e visualizzazione SLO

Latency p95 rendering, time-to-first-insight, percentuale di query NL di successo.
Esplainability score (presenza di numeri/riferimenti/CI nella narrativa).
Accuracy NL→SQL (ex. exact-match sulle richieste di riferimento).
Accessibility: contrasto, alt-testo, tastiera, modalità di daltonismo.

10) Disponibilità (A11y) e pattern UX

Tavolozze di colori indipendenti dalla colorazione duplicazione colore-forma/pattern.
Alternative di testo e data table view accanto al grafico.
Trappole, ordine intelligente; ridimensionamento senza astinenza degli assi.

11) Sicurezza e privacy

RLS/CLS a livello di query e dati tooltips.
Occultamento/bining per le categorie rare per evitare la re-identità.
I registri delle domande NL - cassaforte PDN - tokenizzazione/redazione dei potenziali PII.
Esporta screenshot/CSV con filigrana e metadati di versione.

12) Economia e costo

Cost-aware - Memorizzazione della cache dei tyli/risultati, materializzazione delle vetrine hot, sampling per l'avanzamento.
Limitazione delle query NL pesanti (scan caps), rendering ritardato per serie di grandi dimensioni.
Modelli a basso costo per la rilevazione di base + punteggio offline pesante di notte.

13) Antipattern

«La lista auto ha sempre ragione». Ci vuole una validazione dei tipi/cardinalizie/logiche delle metriche.
Too much ink. Complessi 3D/dual-axis senza bisogno di distorsione.
Senza indicazione di incertezza. I testi sono «categorici», ma ingannevoli.
NL→SQL senza uno strato semantico. Fragilità e errori di aggregazione.
Insight magiche senza riferimenti ai numeri. Diffidenza e abbandono dello strumento.

14) Road map di implementazione

1. Fondazione: strato semantico, glossario delle metriche, disponibilità (RLS/CLS), set di test.
2. MVP NL→Viz: top 10 domande, auto-scaletta grammatica, validazione dei tipi/cardinalizie.
3. Insight Engine: anomalie/breakpoint, priorità, narrazioni di base con CI.
4. RAG & Trust - Connettere metadati/formule, registro delle prove in UI.
5. A11y e mobile: schede adattive, testo alt, contrasto/tastiera.
6. FinOps: cache/materializzazione, limiti di scene, profili di carico.
7. Scale - Personalizzazione per ruolo, modelli NLG scenografici, integrazione in CRM/avvisi.

15) Foglio di assegno prima del lancio

• Le metriche e le misure sono descritte in un livello semantico. SELECT non consentito.
• La selezione automatica della scaletta è valida per tipo/cardinalizio/regole.
• I racconti contengono numeri, confronti, basi e un intervallo di fiducia.
• Le barre di incertezza/errore-bars sono attivate (se applicabile).
• È sottoposto a test di riferimento; è visibile l'anteprima SQL per l'utente.
• RLS/CLS e masking funzionano in tooltips/esportazione.
• A11y: contrasto, alt-testi, -navigazione, modalità di daltonismo.
• Cache/materializzazione/limiti delle scene configurati; i pannelli SLO/costo sono assemblati.
• Login di versioni di formule/listini; il pulsante «lamentarsi dell'insight».

16) Mini modelli

16. 1 Criterio per l'assegnazione automatica del grafico

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 Scheda di insight

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 Esempio di NL→SQL in UI (evidenziata)

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 Kit di prova per i NL→Viz

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

17) Totale

La visualizzazione AI delle metriche non è un'immagine intelligente ", ma un processo trasversale: uno strato semantico di Insight Engine, una narrazione e un controllo di fiducia. Con le corrette guardie (privacy, verifica dei numeri, incertezza, A11y, FinOps), trasforma il report in soluzioni operative, accelera l'analisi e aumenta la cultura dei dati in tutta l'organizzazione.