AI-визуализация метрик

1) Что такое AI-визуализация

1. выбирают уместный тип графика и оси,

2. подсвечивают паттерны/аномалии/переломы тренда,

3. формулируют объяснимый текст (insight/narrative),

4. предлагают действия (Next Best Action),

5. адаптируют вид под контекст пользователя и устройства.

Цель — сократить путь от вопроса до ответа: меньше ручного выбора чартов, больше проверяемых смыслов.

2) Архитектура на ладони

1. Semantic Layer: единые определения метрик/измерений (глоссарий, формулы, агрегации, доступы).
2. NL→Query: преобразование запроса на естественном языке в SQL/SPARQL/DSL.
3. Query→Viz: авто-подбор грамматики графика и параметров (оси, лог-шкалы, цвет/shape/size).
4. Insight Engine: детекция аномалий, breakpoints, seasonality, causal hints; приоритеты сигналов.
5. Narrative: генерация факт-чекнутого текста c ссылкой на значения и доверительные интервалы.
6. RAG: подмешивание контекста из каталога данных/конфигураций (метаданные, бизнес-правила).
7. Policy Guardrails: приватность/доступ/маскирование, верификация чисел и ссылок.
8. Delivery: веб-виджеты, мобильные карточки, PDF/снапшоты, webhooks в CRM/Slack.

3) Грамматика графиков и авто-подбор

• Время → линия/area; категории (≤8) → столбцы/плитки; ранжирование → бар/лидерборд; распределение → гистограмма/виолин/box; корреляции → scatter/heatmap.
• Лог-ось при экспоненциальном росте; нормировка (%) при долях; small multiples — когда серий много.
• Выбор цвета: семантические палитры для статусов; цвет ≠ одновременно канал порядка и категории.
• Подписи только где несут смысл: минимизируем «чернила».

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: от вопроса к графику

Парсинг намерения: метрика, разрезы, период, фильтры, агрегаты.
Валидация на семантическом слое: только разрешенные поля/формулы.
Пост-процессинг: выбор чарта по типам полей и кардинальности, авто-порог бининг/семплинг.
Обратная связь: показывать SQL/DSL и даунлоад данных (с маскировкой), чтобы укрепить доверие.

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: как генерировать «смыслы»

• Аномалии: STL-декомпозиция, ESD/Prophet, BOCPD; маркируем направление/величину/доверие.
• Переломы тренда: CUSUM/Chow test; локальные регрессии.
• Сезонность/кампании: сравнение «праздник vs обычный день», uplift к бэйзлайну.
• Сегмент-драйверы: Shapley/feature importance поверх табличной регрессии или градиентного бустинга.
• Причинные подсказки: указание сопутствующих изменений (в рамках наблюдения) + напоминание «это корреляция».

1. влияние на бизнес-метрику, 2) сила эффекта, 3) новизна, 4) уверенность.

6) Генерация нарратива (текста)

Требования: факты с числами и датами, указание базиса сравнения, аккуратность терминов.

7) Адаптация под контекст (персонализация)

Роли: C-level — KPI-карточки и нарративы; менеджеры — разрезы и алерты; аналитики — SQL/DSL и параметры моделей.
Устройство: компактные sparklines на мобиле, full viz на десктопе.
Гео/язык/валюта/часовой пояс — автоматически.

8) Объяснимость и доверие

Каждая подпись на графике кликабельна → раскрывает расчет (формула, агрегации, фильтры).
Указываем статистическую неопределенность (полосы доверия, error bars).
Для LLM-описаний: RAG по метаданным, сверка чисел по источнику (проверка сумм/диапазонов).
Лог изменений: версия формул, датасетов, чарта.

9) Качество и SLO визуализации

Latency p95 рендеринга, time-to-first-insight, доля успешных NL-запросов.
Explainability score (присутствие чисел/ссылок/CI в нарративе).
Accuracy NL→SQL (ex. exact-match на эталонных запросах).
Accessibility: контраст, alt-текст, клавиатура, режим дальтонизма.

10) Доступность (A11y) и UX-паттерны

Цветовые палитры, не зависящие от цветоощущения; дублирование цвет-формой/паттерном.
Текстовые альтернативы и data-table view рядом с графиком.
Фокус-ловушки, разумный таб-порядок; масштабирование без ломки осей.

11) Безопасность и приватность

RLS/CLS на уровне запросов и данных tooltips.
Маскирование/бининг для редких категорий, чтобы избежать re-identification.
Журналы NL-вопросов — ПДн-сейф: токенизация/редакция потенциальных PII.
Экспорт скриншотов/CSV — с водяным знаком и метаданными версии.

12) Экономика и стоимость

Cost-aware: кэширование тайлов/результатов, материализации «горячих» витрин, сэмплинг для превью.
Ограничение «тяжелых» NL-запросов (scan caps), отложенный рендер для больших серий.
Дешевые модели для базовой детекции + тяжелые offline-оценки ночью.

13) Антипаттерны

«Авто-чарт всегда прав». Нужна валидация типов/кардинальностей/логики метрик.
Too much ink. Сложные 3D/dual-axis без необходимости → искажения.
Без указания неопределенности. Тексты звучат «категорично», но вводят в заблуждение.
NL→SQL без семантического слоя. Хрупкость и ошибки агрегирования.
Магические инсайты без ссылок на числа. Недоверие и отказ от инструмента.

14) Дорожная карта внедрения

1. Foundation: семантический слой, глоссарий метрик, доступы (RLS/CLS), тестовые наборы NL→SQL.
2. MVP NL→Viz: топ-10 вопросов, авто-чарт по грамматике, валидация типов/кардинальностей.
3. Insight Engine: аномалии/breakpoints, приоритеты, базовые нарративы с CI.
4. RAG & Trust: подключить метаданные/формулы, журнал доказательств в UI.
5. A11y и мобайл: адаптивные карточки, alt-тексты, контраст/клавиатура.
6. FinOps: кэши/материализации, лимиты сканов, профили нагрузки.
7. Scale: персонализация по ролям, сценарные NLG-шаблоны, интеграции в CRM/оповещения.

15) Чек-лист перед релизом

• Метрики и измерения описаны в семантическом слое; SELECT запрещен.
• Авто-подбор чарта валидируется по типам/кардинальностям/правилам.
• Нарративы содержат числа, сравнение, базис и доверительный диапазон.
• Включены полосы неопределенности / error-bars (где применимо).
• NL→SQL/DSL проходит эталонные тесты; виден просмотр SQL для пользователя.
• RLS/CLS и маскирование работают в tooltips/экспортах.
• A11y: контраст, alt-тексты, таб-навигация, режим дальтонизма.
• Кэш/материализации/лимиты сканов настроены; панели SLO/стоимости собраны.
• Логи версий формул/чартов; кнопка «пожаловаться на инсайт».

16) Мини-шаблоны

16.1 Политика авто-подбора графика

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 Карточка инсайта

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 Пример NL→SQL в UI (с подсветкой)

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 Тест-набор для NL→Viz

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

17) Итог

AI-визуализация метрик — это не «умные картинки», а сквозной процесс: семантический слой → NL→Query → Query→Viz → Insight Engine → объяснимые нарративы → действия и контроль доверия. При правильных гвардрейлах (приватность, проверка чисел, неопределенность, A11y, FinOps) она превращает отчетность в операционные решения, ускоряет анализ и поднимает культуру работы с данными во всей организации.