AI-візуалізація метрик

1) Що таке AI-візуалізація

1. вибирають доречний тип графіка і осі,

2. підсвічують патерни/аномалії/переломи тренда,

3. формулюють пояснюваний текст (insight/narrative),

4. пропонують дії (Next Best Action),

5. адаптують вигляд під контекст користувача і пристрою.

Мета - скоротити шлях від питання до відповіді: менше ручного вибору чартів, більше перевіряються смислів.

2) Архітектура на долоні

1. Semantic Layer: єдині визначення метрик/вимірів (глосарій, формули, агрегації, доступи).
2. NL→Query: перетворення запиту на природній мові в SQL/SPARQL/DSL.
3. Query→Viz: авто-підбір граматики графіка і параметрів (осі, лог-шкали, колір/shape/size).
4. Insight Engine: детекція аномалій, breakpoints, seasonality, causal hints; Пріоритети сигналів.
5. Narrative: генерація факт-чекнутого тексту з посиланням на значення і довірчі інтервали.
6. RAG: підмішування контексту з каталогу даних/конфігурацій (метадані, бізнес-правила).
7. Policy Guardrails: приватність/доступ/маскування, верифікація чисел і посилань.
8. Delivery: веб-віджети, мобільні картки, PDF/снапшоти, webhooks в CRM/Slack.

3) Граматика графіків та авто-підбір

• Час → лінія/area; категорії (≤8) → стовпці/плитки; ранжування → бар/лідерборд; розподіл → гістограма/віолін/box; кореляції → scatter/heatmap.
• Лог-вісь при експоненціальному зростанні; нормування (%) при частках; small multiples - коли серій багато.
• Вибір кольору: семантичні палітри для статусів; колір ≠ одночасно канал порядку і категорії.
• Підписи тільки де несуть сенс: мінімізуємо «чорнило».

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: від запитання до графіка

Парсинг наміру: метрика, розрізи, період, фільтри, агрегати.
Валідація на семантичному шарі: тільки дозволені поля/формули.
Пост-процесинг: вибір чарту за типами полів і кардинальності, авто-поріг бінінг/семплінг.
Зворотній зв'язок: показувати SQL/DSL і даунлоад даних (з маскуванням), щоб зміцнити довіру.

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: як генерувати «смисли»

• Аномалії: STL-декомпозиція, ESD/Prophet, BOCPD; маркуємо напрямок/величину/довіру.
• Переломи тренда: CUSUM/Chow test; Локальні регресії.
• Сезонність/кампанії: порівняння «свято vs звичайний день», uplift до бейзлайну.
• Сегмент-драйвери: Shapley/feature importance поверх табличної регресії або градієнтного бустингу.
• Причинні підказки: зазначення супутніх змін (в рамках спостереження) + нагадування «це кореляція».

1. вплив на бізнес-метрику, 2) сила ефекту, 3) новизна, 4) впевненість.

6) Генерація наративу (тексту)

Вимоги: факти з числами і датами, зазначення базису порівняння, акуратність термінів.

7) Адаптація під контекст (персоналізація)

Ролі: C-level - KPI-картки та наративи; менеджери - розрізи та алерти; аналітики - SQL/DSL і параметри моделей.
Пристрій: компактні sparklines на мобілі, full viz на десктопі.
Гео/мова/валюта/часовий пояс - автоматично.

8) Зрозумілість і довіра

Кожен підпис на графіку клікабельний → розкриває розрахунок (формула, агрегації, фільтри).
Вказуємо статистичну невизначеність (смуги довіри, error bars).
Для LLM-описів: RAG за метаданими, звірка чисел за джерелом (перевірка сум/діапазонів).
Лог змін: версія формул, датасетів, чарту.

9) Якість і SLO візуалізації

Latency p95 рендеринга, time-to-first-insight, частка успішних NL-запитів.
Explainability score (присутність чисел/посилань/CI в наративі).
Accuracy NL→SQL (ex. exact-match на еталонних запитах).
Accessibility: контраст, alt-текст, клавіатура, режим дальтонізму.

10) Доступність (A11y) і UX-патерни

Колірні палітри, що не залежать від кольоровідчуття; дублювання колір-формою/патерном.
Текстові альтернативи і data-table view поруч з графіком.
Фокус-пастки, розумний таб-порядок; масштабування без ломки осей.

11) Безпека і приватність

RLS/CLS на рівні запитів і даних tooltips.
Маскування/бінінг для рідкісних категорій, щоб уникнути re-identification.
Журнали NL-запитань - ПДн-сейф: токенізація/редакція потенційних PII.
Експорт скріншотів/CSV - з водяним знаком і метаданими версії.

12) Економіка і вартість

Cost-aware: кешування тайлів/результатів, матеріалізації «гарячих» вітрин, семплінг для прев'ю.
Обмеження «важких» NL-запитів (scan caps), відкладений рендер для великих серій.
Дешеві моделі для базової детекції + важкі offline-оцінки вночі.

13) Антипатерни

«Авто-чарт завжди правий». Потрібна валідація типів/кардинальностей/логіки метрик.
Too much ink. Складні 3D/dual-axis без необхідності → спотворення.
Без вказівки невизначеності. Тексти звучать «категорично», але вводять в оману.
NL→SQL без семантичного шару. Крихкість і помилки агрегування.
Магічні інсайти без посилань на числа. Недовіра і відмова від інструменту.

14) Дорожня карта впровадження

1. Foundation: семантичний шар, глосарій метрик, доступи (RLS/CLS), тестові набори NL→SQL.
2. MVP NL→Viz: топ-10 питань, авто-чарт з граматики, валідація типів/кардинальностей.
3. Insight Engine: аномалії/breakpoints, пріоритети, базові наративи з CI.
4. RAG & Trust: підключити метадані/формули, журнал доказів в UI.
5. A11y і мобайл: адаптивні картки, alt-тексти, контраст/клавіатура.
6. FinOps: кеші/матеріалізації, ліміти сканів, профілі навантаження.
7. Scale: персоналізація за ролями, сценарні NLG-шаблони, інтеграції в CRM/оповіщення.

15) Чек-лист перед релізом

• Метрики та вимірювання описані в семантичному шарі; SELECT заборонений.
• Авто-підбір чарту валідується за типами/кардинальностями/правилами.
• Наративи містять числа, порівняння, базис і довірчий діапазон.
• Включені смуги невизначеності/error-bars (де застосовується).
• NL→SQL/DSL проходить еталонні тести; видно перегляд SQL для користувача.
• RLS/CLS і маскування працюють в tooltips/експортах.
• A11y: контраст, alt-тексти, таб-навігація, режим дальтонізму.
• Кеш/матеріалізації/ліміти сканів налаштовані; панелі SLO/вартості зібрані.
• Логи версій формул/чартів; кнопка «поскаржитися на інсайт».

16) Міні-шаблони

16. 1 Політика авто-підбору графіка

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 Картка інсайту

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 Приклад NL→SQL в UI (з підсвічуванням)

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-набір для NL→Viz

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

17) Підсумок

AI-візуалізація метрик - це не «розумні картинки», а наскрізний процес: семантичний шар Insight Engine зрозумілі наративи дії і контроль довіри. При правильних гвардрейлах (приватність, перевірка чисел, невизначеність, A11y, FinOps) вона перетворює звітність в операційні рішення, прискорює аналіз і піднімає культуру роботи з даними у всій організації.