მეტრიკის AI ვიზუალიზაცია

1) რა არის AI ვიზუალიზაცია

1. შეარჩიეთ შესაფერისი ტიპის გრაფიკა და ღერძი,

2. აანთო ნიმუშები/ანომალიები/ტენდენციის მოტეხილობები,

3. აყალიბებს განმარტებულ ტექსტს (insight/narrative),

4. გთავაზობთ მოქმედებებს (შემდეგი საუკეთესო მოქმედება),

5. ხედი ადაპტირებულია მომხმარებლის კონტექსტისა და მოწყობილობის მიმართ.

მიზანია შეამციროს გზა კითხვიდან პასუხამდე: ნაკლები სახელმძღვანელო არჩევანი ჩარტებში, მეტი დადასტურებული მნიშვნელობა.

2) პალმის არქიტექტურა

1. Semantic Layer: მეტრიკის/გაზომვების ერთიანი განმარტებები (გლოსარიუმი, ფორმულები, აგრეგაციები, წვდომა).
2. NL - Query: ბუნებრივი მოთხოვნის ტრანსფორმაცია SQL/SPARQL/DSL.
3. Query Viz: გრაფიკისა და პარამეტრების გრამატიკის მანქანის შერჩევა (ღერძი, ლოგიკური მასშტაბები, ფერი/shape/size).
4. Insight Engine: ანომალიების, breakpoints, seasonality, causal hints; სიგნალის პრიორიტეტები.
5. Narrative: ფაქტობრივი ტექსტის წარმოება მნიშვნელობებისა და ნდობის ინტერვალებით.
6. RAG: კონტექსტის შერევა მონაცემთა/კონფიგურაციების კატალოგიდან (მეტამონაცემები, ბიზნეს წესები).
7. Policy Guardrails: კონფიდენციალურობა/წვდომა/შენიღბვა, რიცხვების გადამოწმება და ბმულები.
8. Delivery: ვებ ვიჯეტები, მობილური ბარათები, PDF/snaphots, webhooks CRM/Slack.

3) გრაფიკისა და მანქანის შერჩევის გრამატიკა

• დრო - ხაზი/არეა; კატეგორიები (8 ევრო), სვეტები/ფილები; რანჟირება - ბარი/ლიდბორდი; განაწილება - ჰისტოგრამა/ვიოლინი/ყუთი; კორელაციები scatter/heatmap.
• ლოგის ღერძი ექსპონენციალური ზრდის დროს; ნორმალიზაცია (%) აქციებით; მცირე multiples - როდესაც ბევრი სერიაა.
• ფერის არჩევანი: სემანტიკური პალიტრა სტატუსებისთვის; ფერი ერთდროულად წესრიგისა და კატეგორიის არხია.
• ხელმოწერები მხოლოდ იქ არის, სადაც აზრი აქვს: ჩვენ მინიმუმამდე დავიყვანთ მელანს.

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: კითხვიდან გრაფიკამდე

განზრახვების პარსინგი: მეტრიკა, ჭრილობები, პერიოდი, ფილტრები, აგრეგატები.
საიმედოობა სემანტიკურ ფენაზე: მხოლოდ ნებადართული ველები/ფორმულები.
პოსტ-დამუშავება: გრაფიკის არჩევა ველებისა და კარდინალების ტიპების მიხედვით, მანქანის ბარიერი bining/sempling.
უკუკავშირი: აჩვენეთ SQL/DSL და მონაცემთა დაშლა (შენიღბვით) ნდობის გასაძლიერებლად.

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: როგორ შევქმნათ „მნიშვნელობები“

• ანომალიები: STL დაშლა, ESD/Prophet, BOCPD; ჩვენ აღვნიშნავთ მიმართულებას/მნიშვნელობას/ნდობას.
• ტენდენციის მოტეხილობები: CUSUM/Chow test; ადგილობრივი რეგრესიები.
• სეზონური/კამპანიები: შედარება „დღესასწაული ჩვეულებრივ დღეს“, რომელსაც აქვს ბისლაინი.
• დრაივერის სეგმენტი: Shapley/feature importance ფირფიტის რეგრესიის ან გრადიენტის ბუსტინგის თავზე.
• მიზეზობრივი რჩევები: შესაბამისი ცვლილებების მითითება (დაკვირვების ფარგლებში) + შეხსენება „ეს კორელაციაა“.

1. გავლენა ბიზნეს მეტრიკზე, 2) ეფექტის ძალა, 3) სიახლე, 4) ნდობა.

6) თხრობის თაობა (ტექსტი)

მოთხოვნები: ფაქტები რიცხვებითა და თარიღებით, შედარებითი საფუძვლის მითითება, ტერმინების სისწორე.

7) კონტექსტის ადაპტაცია (პერსონალიზაცია)

როლები: C-level - KPI ბარათები და თხრობა; მენეჯერები - ჭრილობები და ალერტები; ანალიტიკოსები - SQL/DSL და მოდელების პარამეტრები.
მოწყობილობა: კომპაქტური sparklines mobile, full viz დესკტოპზე.
გეო/ენა/ვალუტა/დროის ზონა - ავტომატურად.

8) ახსნა და ნდობა

თითოეული ხელმოწერა clickabelln გრაფიკზე, ცხადყოფს გაანგარიშებას (ფორმულა, აგრეგაცია, ფილტრები).
ჩვენ აღვნიშნავთ სტატისტიკურ გაურკვევლობას (ნდობის ზოლები, error bars).
LLM აღწერილობებისთვის: RAG მეტამონაცემების მიხედვით, წყაროს მიხედვით რიცხვების შერჩევა (თანხების/დიაპაზონის შემოწმება).
ცვლილებების ლოგო: ფორმულების, თარიღების, გრაფიკის ვერსია.

9) ხარისხი და SLO ვიზუალიზაცია

Latency p95 გაწვევა, დრო-პირველი-ინსტალაცია, წარმატებული NL- მოთხოვნების წილი.
Explorainity score (რიცხვების/ბმულების არსებობა/CI თხზულებაში).
Accuracy NL→SQL (ex. exact-match საცნობარო მოთხოვნებზე).
Accessibility: კონტრასტი, ალტის ტექსტი, კლავიატურა, დისტანციური რეჟიმი.

10) წვდომა (A11y) და UX ნიმუშები

ფერის პალიტრები, რომლებიც არ არის დამოკიდებული ფერის შეხებაზე; ფერის ფორმის/ნიმუშის დუბლირება.
ტექსტის ალტერნატივები და მონაცემთა ხედვები გრაფიკის გვერდით.
ფოკუს ხაფანგები, გონივრული შეკვეთა; სკალირება ღერძების გატეხვის გარეშე.

11) უსაფრთხოება და კონფიდენციალურობა

RLS/CLS მოთხოვნისა და მონაცემების დონეზე tooltips.
იშვიათი კატეგორიების შენიღბვა/ბინინგი, რათა თავიდან იქნას აცილებული re-identification.
NL ჟურნალები - PDN სეიფი: პოტენციური PII- ის ტოქსიკაცია/გამოცემა.
ეკრანის ეკრანების/CSV ექსპორტი - წყლის ნიშნით და ვერსიის მეტამონაცემებით.

12) ეკონომიკა და ღირებულება

Cost-aware: ფარული/შედეგების ქეშირება, „ცხელი“ ფანჯრების მატერიალიზაცია, გადახედვა.
„მძიმე“ NL შეკითხვის შეზღუდვა (scan caps), გადავადებული რენდერი დიდი სერიებისთვის.
იაფი მოდელები საბაზო გამოვლენისთვის + მძიმე ოფლაინ შეფასებები ღამით.

13) ანტიპატერები

„ავტო ჩარტში ყოველთვის მართალია“. ჩვენ გვჭირდება ტიპების/კარდინალების/მეტრიკის ლოგიკა.
Too much ink. რთული 3D/dul-axis, დამახინჯების საჭიროების გარეშე.
გაურკვევლობის გარეშე. ტექსტები „კატეგორიულად“ ჟღერს, მაგრამ შეცდომაში შეჰყავს.
NL - SQL სემანტიკური ფენის გარეშე. დანერგვის სისუსტე და შეცდომები.
ჯადოსნური ინსაითები რიცხვების მითითების გარეშე. უნდობლობა და ინსტრუმენტის უარყოფა.

14) გზის განხორციელების რუკა

1. ფონდი: სემანტიკური ფენა, მეტრული გლოსარიუმი, წვდომა (RLS/CLS), NL-SQL სატესტო ნაკრები.
2. MVP NL - Viz: ტოპ 10 კითხვა, გრამატიკის მანქანის გრაფიკი, ტიპების/კარდინალების შესაბამისობა.
3. Insight Engine: ანომალიები/breakpoints, პრიორიტეტები, ძირითადი თხრობები CI- სთან.
4. RAG & Trust: მეტამონაცემების/ფორმულების დაკავშირება, მტკიცებულებების ჟურნალი UI- ში.
5. A11y და მობილური: ადაპტირებული ბარათები, ალტ ტექსტები, კონტრასტი/კლავიატურა.
6. FinOps: ქეში/მატერიალიზაცია, სკანების ლიმიტები, დატვირთვის პროფილები.
7. სკალი: პერსონალიზაცია როლებში, სცენარის NLG შაბლონები, ინტეგრაცია CRM/შეტყობინებაში.

15) ჩეკის სია გამოქვეყნებამდე

• მეტრიკა და გაზომვები აღწერილია სემანტიკურ ფენაში; აკრძალულია SELECT.
• დიაგრამის ავტომატური შერჩევა ხდება ტიპების/კარდინალების/წესების მიხედვით.
• თხრობები შეიცავს რიცხვებს, შედარებას, საფუძველს და სანდო დიაპაზონს.
• შედის გაურკვევლობის ზოლები/error-bars (სადაც გამოიყენება).
• NL, SQL/DSL გადის საცნობარო ტესტებს; მომხმარებლისთვის SQL ნახვა ჩანს.
• RLS/CLS და შენიღბვა მუშაობს tooltips/ექსპორტში.
• A11y: კონტრასტი, ალტ ტექსტები, ფე-ნავიგაცია, დალტონიზმის რეჟიმი.
• კეში/მატერიალიზაცია/სკანების ლიმიტები; შეგროვებულია SLO/ღირებულების პანელები.
• ფორმულების/ჩარტების ვერსიების ლოგიკა; ღილაკი „უჩივიან ინსაითი“.

16) მინი შაბლონები

16. 1 მანქანის გრაფიკის შერჩევის პოლიტიკა

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 ინსაითი ბარათი

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 მაგალითი NL - SQL UI- ში (განათებით)

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 ტესტის ნაკრები NL - Viz- ისთვის

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

17) შედეგი

მეტრიკის AI ვიზუალიზაცია არ არის „ჭკვიანი სურათები“, არამედ პროცესის დასრულება: სემანტიკური ფენა - NL - Query - Query - Viz - Insight Engine - გასაგები თხრობები, მოქმედებები და ნდობის კონტროლი. სწორი მცველებით (კონფიდენციალურობა, რიცხვების შემოწმება, გაურკვევლობა, A11y, FinOps), იგი მოხსენებებს საოპერაციო გადაწყვეტილებებად აქცევს, აჩქარებს ანალიზს და ზრდის მონაცემებთან მუშაობის კულტურას მთელ ორგანიზაციაში.