Разведочная аналитика с AI-Ассистентом BI.Qube

AI-ассистент на данных Подготовка данных для аналитики с ИИ

«Нефтьмагистраль» получила инструмент для оперативного исследования продаж и проверки бизнес-гипотез с помощью ИИ. Решение на базе BI.Qube помогает выявлять связи между ценами, спросом и продажами в разных направлениях бизнеса, оценивать потенциальные потери и моделировать управленческие сценарии. Это позволяет быстрее искать возможности для повышения эффективности бизнеса, не создавая отдельную аналитическую модель под каждый новый вопрос.

О заказчике

«Нефтьмагистраль» – одна из крупнейших сетей автозаправочных станций в Москве и Московской области. В 2024 году выручка компании составила около 69 млрд рублей, сеть насчитывала более 100 АЗС. Основные направления бизнеса – розничные и оптовые продажи топлива, сопутствующих товаров и услуг. Компания работает как с частными, так и с корпоративными клиентами, в том числе через топливные карты и партнёрские программы..

Предпосылки и задачи

По мере развития аналитики возникла новая задача. Дашборды показывают заранее определённые показатели, но не всегда позволяют быстро ответить на новые вопросы. Изменение рыночной ситуации, ограничения поставок и колебания спроса требуют проверять гипотезы, для которых ещё нет готовых расчётов и отчётов. При этом нужные сведения могут находиться в разных источниках и отсутствовать в существующей модели данных.

Компания рассматривала применение больших языковых моделей (LLM), чтобы исследовать корпоративные данные с помощью запросов на естественном языке, выявлять аномалии и зависимости, а также оценивать альтернативные бизнес-сценарии.

Для этого требовалось:

Исследовать, как изменение цен на топливо связано с продажами сопутствующих товаров и услуг.
Проверять гипотезы о динамике спроса и возможностях повышения прибыльности отдельных направлений.
Оценивать сценарии изменения цен и последствия дефицита топлива.
Находить данные в источниках, которые ещё не включены в готовые дашборды.
Определить, как проверенные результаты исследований можно использовать повторно и включать в регулярную отчётность.

Таким образом, задача вышла за рамки построения отчётов: требовалось объединить существующую аналитическую инфраструктуру с возможностью оперативно исследовать новые бизнес-вопросы с помощью ИИ.

Проектное решение

Подготовленная модель данных как основа аналитики

Решение построено на базе BI.Qube, PostgreSQL и ClickHouse. Для работы с большим объёмом транзакций была организована трёхслойная архитектура данных.

Первый слой хранит исходные данные и позволяет проводить исследования без дополнительной нагрузки на учётные системы. Второй содержит модель данных с прозрачными связями между объектами. Третий – аналитические витрины в ClickHouse, подготовленные для BI-систем.

Такая архитектура позволяет анализировать исторические данные в едином контексте. Для визуальной аналитики используются специализированные витрины с предварительной агрегацией, необходимыми показателями и аналитическими разрезами.

Семантический слой и дата-каталог

Для разведочного анализа недостаточно предоставить языковой модели доступ к базе данных: ей нужно понимать структуру данных и смысл показателей.

В BI.Qube эту задачу решает семантический слой. Он включает метаданные, сведения о происхождении данных (data lineage), описания бизнес-объектов, бизнес-глоссарий и дата-каталог. Метаданные содержат информацию о таблицах, полях и формулах расчёта, а каталог связывает технические объекты с понятиями предметной области.

Это помогает модели определять, какие данные и расчёты нужны для ответа на вопрос, вместо самостоятельного поиска связей по всей базе. Описание каталога можно дополнять по мере появления новых источников и объектов.

Разведочная аналитика с применением LLM

Для работы с данными использовались языковые модели и MCP-серверы. Пользователь задаёт вопрос на естественном языке, а система подбирает необходимые данные и инструменты, формирует запросы и выполняет аналитические действия.

Если нужных сведений нет в готовой модели, их можно получить непосредственно из источника. Например, при поиске деталей кассовых чеков языковая модель помогает разобраться в конфигурации 1С и сформировать запрос к нужным объектам базы данных. Запрос можно проверить, скорректировать его параметры и настроить регулярное выполнение.

Результаты исследования можно использовать для проверки гипотез, а при наличии практической ценности – включать в корпоративное хранилище и регулярные дашборды.

Анализ спроса и моделирование бизнес-сценариев

В рамках демонстрации подхода проверялись гипотезы, связанные с изменением цен, спроса и условий поставок.

Влияние цен на продажи. Продажи топлива и сопутствующих товаров и услуг сравнивались с аналогичным периодом прошлого года на тех же АЗС. Анализ охватывал пять направлений и более 100 заправочных станций. В частности, исследовалась связь между изменением цен на топливо и динамикой продаж в кафе и магазинах.

Сравнение цен с конкурентами. Сопоставлялись цены АИ-95 на АЗС вертикально интегрированных нефтяных компаний рядом с АЗС «Нефтьмагистрали». Данные для сравнения извлекались по API сервиса Яндекс Заправки. Результаты анализа были представлены в виде визуализации.

Сценарное моделирование. Рассматривался сценарий снижения цены на топливо на 2 рубля за литр с возможным увеличением числа заправок и покупок в кафе и магазинах. Для расчётов использовалась модель прогнозирования CatBoost от Яндекса.

Оценка последствий дефицита. Модель оценивала объём продаж, который мог бы быть достигнут при отсутствии дефицита топлива. Прогноз сопоставлялся с фактическими результатами и представлялся на едином графике.

Перенос результатов в регулярную аналитику

Разведочный анализ дополняет корпоративную модель данных, но не заменяет её. Не каждый запрос, сформированный языковой моделью, сразу готов к использованию в продуктивной системе.

Если гипотеза подтверждается и результаты полезны для бизнеса, соответствующий код можно включить в регулярные процессы обработки данных. Новые объекты и сущности описываются в семантическом слое, чтобы результаты исследований можно было повторно использовать в аналитике. Такой подход сочетает гибкость диалогового исследования с управляемостью корпоративного хранилища и регулярной отчётности.

Результаты и ключевые эффекты

Проверка бизнес-гипотез без отдельного дашборда
Анализ влияния цен и дефицита топлива без специалистов Data Science
Визуализация результатов исследований без привлечения дашбордистов
Сокращение расхода токенов на повторяющихся задачах
Прозрачность и достоверность результатов
Единая среда для регулярной и разведочной аналитики

Преимущества

Применимость к разным бизнес-задачам. Подход можно использовать для исследования продаж, спроса, ценовой динамики и других показателей с учётом специфики бизнеса.

Быстрая проверка гипотез. Запросы на естественном языке позволяют начать исследование без предварительной подготовки отдельного дашборда под каждую задачу.

Переход от исследования к регулярной аналитике. Результаты, подтвердившие свою практическую ценность, можно включать в корпоративное хранилище и использовать в регулярной отчётности.

Проект реализован с использованием продукта BI.Qube командой интегратора IT Pro, которая отвечала за организацию загрузки и обработку данных из 1С и других источников, построение трёхслойной архитектуры хранения и аналитической модели, подготовку витрин в ClickHouse, а также настройку семантического слоя с бизнес-глоссарием и дата-каталогом. Для организации диалогового взаимодействия с корпоративными данными были интегрированы большие языковые модели (LLM) и MCP-серверы, обеспечивающие поиск необходимых данных, формирование запросов и выполнение аналитических сценариев. В решении также использовалась модель прогнозирования CatBoost для оценки возможных изменений спроса и моделирования бизнес-сценариев.