GenBI (Generativ Business Intelligence)

Hvad er GenBI?

GenBI, kort for generativ business intelligence, er en tilgang til dataanalyse hvor du stiller spørgsmål til dine data i almindeligt sprog og får svaret genereret automatisk. I stedet for at bygge et dashboard eller skrive en SQL-query, skriver du “hvordan har omsætningen udviklet sig per produktkategori de sidste seks måneder?” og får et tal, en graf og en kort forklaring tilbage.

Under motorhjelmen er det en stor sprogmodel der oversætter dit spørgsmål til en databaseforespørgsel, kører den mod virksomhedens data og formulerer resultatet i tekst og visualiseringer. Du behøver hverken at kunne SQL eller mestre et BI-værktøj som Power BI eller Tableau.

Forskellen mellem traditionel BI og GenBI svarer til forskellen mellem at bruge et kort og at spørge en lokal om vej. Med kortet skal du selv finde ruten. Med den lokale stiller du bare spørgsmålet og får svaret. GenBI gør data til noget man taler med i stedet for noget man navigerer i.

Hvordan fungerer GenBI?

Fra spørgsmål til svar i fire trin

1. Du stiller et spørgsmål i naturligt sprog

“Hvilke ti kunder har den højeste omsætning i år, og hvordan ligger de i forhold til sidste år?”

2. Sprogmodellen forstår og oversætter

Modellen fortolker spørgsmålet ud fra en beskrivelse af datamodellen (hvilke tabeller findes, hvad betyder kolonnerne) og oversætter det til en konkret databaseforespørgsel, typisk SQL.

3. Forespørgslen køres mod data

Queryen eksekveres mod virksomhedens datalager, CRM, ERP eller regneark. Systemet henter de relevante tal.

4. Resultatet genereres som svar

Modellen formulerer et svar i tekst, vælger en passende visualisering (søjlediagram, kurve, tabel) og forklarer hvad tallene betyder. Ofte kan du stille opfølgende spørgsmål der bygger videre på konteksten.

Semantisk lag: nøglen til pålidelige svar

Det der adskiller et brugbart GenBI-system fra et der finder på tal, er et semantisk lag. Det er en struktureret beskrivelse af virksomhedens data: hvad hedder metrikkerne, hvordan beregnes “omsætning”, hvad tæller som en “aktiv kunde”, hvilke tabeller hænger sammen.

Uden dette lag gætter modellen, og gæt bliver til forkerte tal. Med et veldefineret semantisk lag har modellen en pålidelig oversættelse mellem forretningssprog og databasestruktur, og svarene bliver langt mere konsistente og pålidelige.

GenBI vs. traditionel BI

GenBI erstatter ikke traditionel BI helt. Faste, kritiske rapporter som ledelsen ser hver uge har stadig godt af et gennemtestet dashboard. GenBI skinner ved de ad hoc-spørgsmål der ellers ender i en kø hos dataafdelingen.

Praktiske eksempler

Konstrueret eksempel 1: Webshoppen der ikke har en dataanalytiker

Situation: En e-handelsvirksomhed med 12 ansatte har alle deres tal spredt i Shopify, Google Analytics og et regnskabssystem. Ejeren vil vide hvad der virker, men har ingen til at bygge rapporter.

Med GenBI: Ejeren kobler datakilderne til et GenBI-værktøj og spørger direkte: “Hvilke produkter har den bedste avance per solgt enhed, og hvordan har det ændret sig siden vi hævede priserne i marts?” Svaret kommer med det samme som en tabel og en kort forklaring. Ingen ventetid, ingen ekstern konsulent.

Konstrueret eksempel 2: Salgschefen der forbereder et møde

Situation: En salgschef i et B2B-firma skal til bestyrelsesmøde om to timer og mangler et overblik.

Med GenBI: I stedet for at bede en kollega om at trække data, spørger salgschefen: “Vis mig pipeline fordelt på segment, og fremhæv de deals der har stået stille i mere end 30 dage.” Systemet genererer overblikket, og salgschefen stiller opfølgende spørgsmål (“hvilke af dem er over 100.000 kr.?”) indtil billedet er komplet.

Konstrueret eksempel 3: Bogholderen der jagter en afvigelse

Situation: Månedens tal ser forkerte ud, og bogholderen skal finde årsagen.

Med GenBI: “Hvorfor er omkostningerne 15% højere end sidste måned? Bryd det ned på kategori.” Systemet finder den kategori der stikker ud og forklarer forskellen. Det der før kunne kræve en times manuel graven i regneark, kunne anslået tage få minutter.

Fordele ved GenBI

• Data bliver demokratiseret. Alle kan stille spørgsmål, ikke kun dem der kan SQL. Det fjerner flaskehalsen ved dataafdelingen.
• Hurtigere beslutninger. Indsigt på sekunder frem for dage betyder at beslutninger træffes på data i stedet for mavefornemmelse.
• Færre ad hoc-anmodninger. Dataanalytikere frigøres fra strømmen af “kan du lige trække et tal?” og kan fokusere på det svære arbejde.
• Lavere adgangsbarriere. Ingen oplæring i komplekse værktøjer. Hvis du kan stille et spørgsmål, kan du bruge det.

Begrænsninger og faldgruber

Modellen kan finde på tal

Sprogmodeller kan hallucinere. Hvis det semantiske lag er svagt eller datamodellen er uklar, kan systemet generere en query der ser rigtig ud men svarer på det forkerte spørgsmål. Tallet ser autoritativt ud, men er forkert. Derfor er et gennemarbejdet semantisk lag ikke til forhandling.

Kompleks analyse har stadig grænser

GenBI er stærk til at hente og aggregere data. Til dyb statistisk analyse, årsagssammenhænge eller avanceret modellering er en rigtig dataanalytiker stadig nødvendig. GenBI besvarer “hvad skete der?” langt bedre end “hvorfor, og hvad skal vi gøre?”.

Datakvalitet afgør alt

“Garbage in, garbage out” gælder også her. Hvis dine underliggende data er rodede, inkonsistente eller forkerte, giver GenBI dig hurtige svar baseret på dårligt grundlag. Værktøjet gør ikke dårlige data gode.

Tillid skal fortjenes

Fordi svaret kommer som en færdig sætning uden synlig query, kan brugere være tilbøjelige til at stole blindt på det. Gode GenBI-værktøjer viser den underliggende forespørgsel og datakilden, så svaret kan verificeres.

GenBI og resten af analysemodenheden

GenBI ændrer ikke de grundlæggende typer af analyse, men gør især de første trin tilgængelige for alle. Deskriptiv analyse (“hvad skete der?”) og diagnostisk analyse (“hvorfor?”) bliver noget man bare spørger om. De mere avancerede trin, predictive analytics (“hvad vil ske?”) og prescriptive analytics (“hvad skal vi gøre?”), integreres i stigende grad i GenBI-værktøjer, men kræver stadig modeller og ekspertise bag kulisserne.

Ofte stillede spørgsmål

Hvad er GenBI?

GenBI, eller generativ business intelligence, er en tilgang til dataanalyse hvor du stiller spørgsmål til virksomhedens data i naturligt sprog og får svaret genereret automatisk som tal, grafer og forklaringer. En stor sprogmodel oversætter dit spørgsmål til en databaseforespørgsel, kører den og formulerer resultatet på almindeligt dansk. Du behøver hverken at kunne SQL eller mestre et dashboard-værktøj. Det gør dataanalyse tilgængelig for alle i organisationen frem for kun for dataanalytikere.

Hvad er forskellen på GenBI og traditionel BI?

Traditionel business intelligence kræver at nogen bygger dashboards eller skriver queries, typisk en analytiker eller en power user i et værktøj som Power BI eller Tableau. GenBI lader hvem som helst stille et spørgsmål i almindeligt sprog og få svaret med det samme. Traditionel BI er stærk til faste, gentagne rapporter. GenBI er stærk til de ad hoc-spørgsmål der ellers ender i kø hos dataafdelingen. De to komplementerer hinanden frem for at erstatte.

Kan man stole på tallene fra GenBI?

Kun hvis systemet er sat rigtigt op. Sprogmodeller kan hallucinere og generere queries der svarer på det forkerte spørgsmål. Nøglen til pålidelige svar er et velbygget semantisk lag: en struktureret beskrivelse af hvad metrikkerne betyder og hvordan de beregnes. Gode GenBI-værktøjer viser desuden den underliggende forespørgsel og datakilden, så du kan verificere svaret. Datakvaliteten i de underliggende systemer afgør også resultatet. Rodede data giver forkerte svar, uanset hvor godt værktøjet er.

Hvad kræver det at komme i gang med GenBI?

Du skal typisk have tre ting på plads: (1) Dine data samlet eller tilgængelige et sted GenBI-værktøjet kan koble sig til, om det er et datalager, et CRM, et ERP eller regneark. (2) Et semantisk lag der beskriver hvad dine data betyder, så modellen oversætter korrekt mellem forretningssprog og databasestruktur. (3) En proces for at verificere svarene i starten, indtil tilliden er opbygget. For mindre virksomheder findes der efterhånden værktøjer der klarer det meste af opsætningen, men det semantiske lag er stadig det der afgør om svarene bliver til at stole på.