SCRIPSTER
SYSTEMS ONLINE ● 4/4 [ SCAN → ]
[SYSTEM: DECIDE]● ONLINE04 / 04

Decide
AI-аналитика

Спросите данные словами. Получите ответ, а не дашборд.

Вопросы к данным на естественном языке. Система строит запрос, проверяет его и объясняет результат — без очереди к аналитику.

Запустить Scan → Пример сценария ↓
SPEC SHEETDECIDE.yaml
sources:DWH · БД · 1С · таблицы
semantics:слой метрик и определений
safety:read-only · лимиты · валидатор
output:ответ · график · SQL
pilot:3–6 недель · AI Sprint
status: ready_for_pilot ▌
[01] PAIN — ГДЕ ЛОМАЕТСЯ

Данные есть. Спросить их может только аналитик.

ERR_01 Вопрос к данным уходит в очередь к аналитику на дни.
ERR_02 Дашбордов сотни, а ответа на конкретный вопрос нет.
ERR_03 Text-to-SQL из коробки путает метрики и считает «выручку» по-своему.
ERR_04 Цифрам без объяснения никто не доверяет.
[02] ARCHITECTURE — АРХИТЕКТУРА

Как устроено. По слоям.

FIG. 02 — DECIDE PIPELINE · нажмите на узел
[NODE 01] Данные — DWH, БД, 1С
Подключаем источники в режиме только чтения. read-only доступ · реплики
[03] COMPONENTS — СОСТАВ РЕШЕНИЯ

Что входит
в систему.

Собираем из проверенных блоков и настраиваем под ваши данные, процессы и требования безопасности.

01
Вопросы к данным 1С обычными словамиДебиторка, остатки, продажи — без отчётов на заказ и выгрузок в Excel.
02
Семантический слойЕдиные определения метрик для людей и модели.
03
Генерация SQLЗапросы на основе ваших таблиц и примеров.
04
Валидатор запросовТолько чтение, лимиты, проверка метрик.
05
Объяснение результатаЧто посчитано, по каким данным и с какими фильтрами.
06
Доступ по ролямПользователь видит только свои подразделения и данные.
07
Журнал вопросовОснова для улучшения семантики и eval-набора.
[04] SCENARIO — ПРИМЕР СЦЕНАРИЯ

AI поверх 1С — ответ без выгрузки в Excel.

INPUT «Какая дебиторка просрочена больше 30 дней по десяти крупнейшим клиентам?» OUTPUT processing… ▌
…
Распознал метрику и условие semantic.resolve() → дебиторка · просрочка > 30 дн.
·
Сгенерировал запрос к 1С 1c.query.generate() → регистр взаиморасчётов
·
Проверил запрос query.validate() → read-only · OK
·
Отобрал клиентов analysis.top(10) → 10 клиентов · по сумме
·
Построил ответ answer.render() → таблица + запрос
[05] ECONOMICS — ЭКОНОМИКА СИСТЕМЫ

Сколько стоит.
И когда не окупается.

[TCO] ИЗ ЧЕГО СКЛАДЫВАЕТСЯ СТОИМОСТЬ
ВнедрениеПодключение DWH или 1С, семантический слой, валидатор запросов.
МодельГенерация и проверка запроса на каждый вопрос.
ИнфраструктураРеплика БД для чтения, журнал вопросов.
ПоддержкаНовые метрики и таблицы, обновление eval-набора.
[METRIC] ЧТО ИЗМЕРЯЕМ КАК ЭФФЕКТ
›Время от вопроса до цифры
›Загрузка аналитиков типовыми запросами
›Доля вопросов без участия аналитика
›Расхождения с официальной отчётностью
До пилота фиксируем исходные значения и сравниваем факт с прогнозом.
[ANTI-HYPE] КОГДА ЭТА СИСТЕМА НЕ ОКУПАЕТСЯ
✕Метрики в разных отделах считают по-разному, и договориться не удаётся.
✕Вопросов к данным мало и они повторяются — хватит дашборда.
✕Нет доступа к данным на чтение.
В таких случаях скажем это на Scan — до пилота.
[06] FORMAT — С ЧЕГО НАЧАТЬ

Начните с диагностики.
Пилот — за спринт.

STEP 01 · РЕКОМЕНДУЕМ1–2 недели
AI Opportunity Scan
Диагностика
60 000 ₽
одно направление
150 000 ₽ — несколько направлений
Проверяем зрелость данных, описываем ключевые метрики и собираем реальные вопросы бизнеса.
Запустить Scan →
STEP 023–6 недель
AI Sprint
Пилот за спринт
от 300 000 ₽
Ассистент по выбранной витрине данных с семантическим слоем и валидатором. Проверяем на вопросах ваших руководителей.
Обсудить Sprint →
Стоимость Scan и Teardown засчитывается в Sprint.Все форматы →

Есть задача?
Разберём за 30 минут.

Оставить заявку → Написать в Telegram →
ДРУГИЕ СИСТЕМЫ