Metriklarning AI-vizualizatsiyasi

1) AI-vizualizatsiya nima

1. grafik va o’qning tegishli turini tanlaydilar,

2. patternlar/anomaliyalar/trendning sinishi,

3. tushuntiriladigan matnni (insight/narrative),

4. (Next Best Action),

5. ko’rinishni foydalanuvchi va qurilma kontekstiga moslashtiradi.

Maqsad savoldan javobgacha bo’lgan yo’lni qisqartirishdir: chartlarni qo’lda tanlash kamroq, ma’nolar ko’proq tekshiriladi.

2) Kaftdagi arxitektura

1. Semantic Layer: metrik/o’lchovlarning yagona ta’riflari (glossariy, formulalar, agregatsiyalar, kirishlar).
2. NL → Query: soʻrovni SQL/SPARQL/DSL ga aylantirish.
3. Query → Viz: grammatika va parametrlarni avto-tanlash (o’qlar, log-shkallar, rang/shape/size).
4. Insight Engine: anomaliyalar deteksiyasi, breakpoints, seasonality, causal hints; signallarning ustuvorliklari.
5. Narrative: qiymatlar va ishonchli oraliqlarga tayanib, fakt chizilgan matnni yaratish.
6. RAG: maʼlumotlar/konfiguratsiyalar katalogidan kontekstni aralashtirish (meta maʼlumotlar, biznes qoidalari).
7. Policy Guardrails: maxfiylik/kirish/yashirish, sonlar va havolalarni tekshirish.
8. Delivery: veb-vidjetlar, mobil kartochkalar, PDF/snapshotlar, CRM/Slack’dagi webhooks.

3) Grafiklar grammatikasi va avto-tanlash

• Vaqt → chiziq/area; (≤ 8) → ustun/plitkalar; reyting → bar/liderbord; taqsimoti → gistogramma/violin/box; korrelyatsiyalar → scatter/heatmap.
• Eksponensial o’sishda log-o’q; ulushlarda me’yorlash (%); small multiples - seriyalar koʻp boʻlganda.
• Rangni tanlash: statuslar uchun semantik palitralar; rang ≠ bir vaqtning o’zida tartib va toifa kanali.
• Imzolar faqat ma’noga ega: «siyoh» ni minimallashtiramiz.

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: savoldan jadvalga

Parsing niyatlari: metrika, kesimlar, davr, filtrlar, agregatlar.
Semantik qatlamda validatsiya: faqat ruxsat etilgan maydonlar/formulalar.
Post-protsessing: maydon turlari va kardinalligi bo’yicha chartni tanlash, avto-chegara bining/sempling.
Fikr-mulohazalar: ishonchni mustahkamlash uchun SQL/DSL va maʼlumotlar downloadini koʻrsatish.

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: «ma’noni» qanday hosil qilish kerak

• Anomaliyalar: STL-dekompozisiya, ESD/Prophet, BOCPD; yo’nalish/miqdor/ishonchni tamg’alaymiz.
• Trendning sinishi: CUSUM/Chow test; lokal regressiyalar.
• Mavsumiylik/kampaniya: «bayram va oddiy kun» taqqoslash, bazlaynga uplift.
• Segment-drayverlar: Shapley/feature importance jadval regressiyasi yoki gradient kuchaytirgich ustida.
• Sabablar: tegishli o’zgarishlarni ko’rsatish (kuzatuv doirasida) + «bu korrelyatsiya» eslatmasi.

1. 2) ta’sir kuchi, 3) yangilik, 4) ishonch.

6) Rivoyat (matnni) yaratish

Talablar: raqamlar va sanalar bilan bog’liq faktlar, taqqoslash bazasini ko’rsatish, atamalarning aniqligi.

7) Kontekstga moslashish (personallashtirish)

Rollar: C-level - KPI-kartochkalar va rivoyatlar; menejerlar - kesmalar va alertlar; tahlilchilar - SQL/DSL va model parametrlari.
Qurilma: mobildagi ixcham sparklines, ish stolidagi full viz.
Geo/til/valyuta/vaqt zonasi - avtomatik ravishda.

8) Tushuntirish va ishonch

Klikabeln → grafigidagi har bir imzo hisobni (formula, agregatsiyalar, filtrlar) ochib beradi.
Statistik noaniqlikni koʻrsatamiz (ishonch chiziqlari, error bars).
LLM-tavsiflari uchun: meta maʼlumotlar boʻyicha RAG, sonlarni manba boʻyicha solishtirish (summa/diapazonlarni tekshirish).
Oʻzgarishlar log: formula, datasetlar, chart versiyasi.

9) Sifat va SLO vizualizatsiya

Latency p95 rendering, time-to-first-insight, NL-so’rovlarning muvaffaqiyatli ulushi.
Explainability score (rivoyatda sonlar/havolalar/CI mavjudligi).
Accuracy NL→SQL (ex. etalon so’rovlarida exact-match).
Accessibility: kontrast, alt-matn, klaviatura, daltonizm.

10) Foydalanish imkoniyati (A11y) va UX-patternlar

Rangni sezishga bog’liq bo’lmagan rangli palitralar; rang-shakl/pattern bilan takrorlash.
Matn muqobillari va grafik yonidagi data-table view.
Fokus tuzoqlari, oqilona tab tartibi; o’qlarni sindirmasdan ko’paytirish.

11) Xavfsizlik va maxfiylik

Soʻrovlar va tooltips maʼlumotlari darajasidagi RLS/CLS.
Re-identification oldini olish uchun kamyob/bining.
NL-savollar jurnallari - PDn-seyf: potentsial PIIlarni tokenlashtirish/tahrirlash.
Screenshotlar/CSV eksport qilish - suv belgisi va meta maʼlumotlar bilan.

12) Iqtisodiyot va qiymat

Cost-aware: taillar/natijalarni keshlash, «issiq» vitrinalarni materiallashtirish, prevyu uchun sampling.
«Og’ir» NL so’rovlarini cheklash (scan caps), katta seriyalar uchun kechiktirilgan render.
Asosiy deteksiya uchun arzon modellar + tunda og’ir offline baholar.

13) Antipatternlar

«Avto-chart doimo haq». Tiplar/kardinalliklar/mantiqiy metrikalarni validatsiya qilish kerak.
Too much ink. Keraksiz murakkab 3D/dual-axis → buzilishlar.
Noaniqlikni ko’rsatmasdan. Matnlar «qat’iy», ammo chalg’itadi.
NL → SQL semantik qatlamsiz. Mo’rt va yig’ish xatolari.
Sonlarga havolasiz sehrli insaytlar. Ishonchsizlik va vositadan voz kechish.

14) Joriy etish yo’l xaritasi

1. Foundation: semantik qatlam, metrik glossariy, kirish joylari (RLS/CLS), NL → SQL test toʻplamlari.
2. MVP NL → Viz: eng yaxshi 10 ta savol, grammatika bo’yicha avto-chart, turlar/kardinalliklar validatsiyasi.
3. Insight Engine: anomaliyalar/breakpoints, ustuvorliklar, CI bilan asosiy rivoyatlar.
4. RAG & Trust: meta maʼlumotlar/formulalar, dalillar jurnalini UIga ulash.
5. A11y va mobayl: moslashuvchan kartochkalar, alt-matnlar, kontrast/klaviatura.
6. FinOps: keshlar/materiallashtirish, skanlar limitlari, yuklash profillari.
7. Scale: rollar bo’yicha shaxsiylashtirish, NLG ssenariy shablonlari, CRM/ogohlantirishlarga integratsiyalash.

15) Chiqarishdan oldingi chek-varaq

• Metrika va o’lchovlar semantik qatlamda tasvirlangan; SELECT taqiqlangan.
• Chartni avto-tanlash turlari/kardinalligi/qoidalari bo’yicha validatsiya qilinadi.
• Rivoyatlarda sonlar, taqqoslash, bazis va ishonchli diapazon mavjud.
• Noaniqlik chiziqlari/error-bars (qo’llanilishi mumkin bo’lgan) yoqilgan.
• NL → SQL/DSL etalon sinovlaridan o’tadi; foydalanuvchi uchun SQL koʻrinadi.
• RLS/CLS va niqoblash tooltips/eksportda ishlaydi.
• A11y: kontrast, alt-matnlar, tab-navigatsiya, daltonizm rejimi.
• Kesh/materiallashtirish/skan limitlari sozlangan; SLO/qiymat panellari yigʻilgan.
• Formulalar/chartlar versiyalarining loglari; «insaytdan shikoyat qilish» tugmasi.

16) Mini-shablonlar

16. 1 Grafikni avto-tanlash siyosati

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 Insayt kartochkasi

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 dagi NL → SQL misoli (yoritilgan)

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 uchun test to’plami

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

17) Jami

Metriklarning AI vizualizatsiyasi - bu «aqlli rasmlar» emas, balki o’tkir jarayon: semantik qatlam → NL → Query → Query → Viz → Insight Engine → tushunarli hikoya → harakatlar va ishonch nazorati. To’g’ri gvardreyllarda (maxfiylik, sonlarni tekshirish, noaniqlik, A11y, FinOps) u hisobotni operatsion yechimlarga aylantiradi, tahlilni tezlashtiradi va butun tashkilot bo’ylab ma’lumotlar bilan ishlash madaniyatini oshiradi.