Du vil vide, hvorfor konverteringen faldt i denne uge. Med traditionel analytics åbner du dit dashboard, tjekker konverteringsraten, filtrerer på trafikkilde, deler op efter enhed og krydstjekker så med en kohorterapport. 15 minutters klik. Med analytics på naturligt sprog skriver du: "Hvorfor faldt konverteringen i denne uge?" Systemet analyserer dine data, finder afvigelsen, peger på årsagen (mobiltrafik fra betalte annoncer, som normalt konverterer 3 %, faldt til 1 %) og giver dig svaret i én sætning. Samme indsigt, på 15 sekunder i stedet for 15 minutter.
Analytics på naturligt sprog bruger AI til at forstå spørgsmål stillet med almindelige ord (på engelsk eller dit eget sprog) og laver dem om til dataforespørgsler. Du behøver ikke lære SQL eller finde rundt i et dashboard. Du spørger, som du ville spørge en kollega. AI'en forstår sammenhængen, finder de relevante data og giver svar. Det er analytics uden besvær.
Hvordan forstår analytics på naturligt sprog, hvad du spørger om?
Næsten alle analytics-spørgsmål kan forstås på flere måder. "Hvad er vores bedste trafikkilde?" Det kan betyde flest besøg, mest omsætning, bedste konverteringsrate, bedste kundekvalitet eller bedste afkast af udgifterne. En menneskelig kollega ville spørge ind til det. Et system på naturligt sprog gør det samme: Det har lært af tusindvis af lignende spørgsmål, hvad folk typisk mener.
Systemet gør tre ting. Først læser det spørgsmålet for at forstå hensigten. "Hvorfor faldt konverteringen?" = undersøgelse af en afvigelse. "Hvilke sider får mest trafik?" = rangering. "Vis det fordelt på land" = segmentering. Dernæst kobler det dine ord til dine data. "Konvertering" = den konverteringsrate, du måler. "Trafikkilde" = utm_source-dimensionen i dine data. "I denne uge" = datoperioden. Til sidst bygger det en forespørgsel og kører den.
Det vigtige er, at systemet skal kende netop din datastruktur og dine nøgletal. Før du spørger, fortæller du det: "Vi måler conversion_rate, revenue, sessions, user_id, traffic_source, device og geography." Så ved det helt præcist, hvilke data det skal hente, når du spørger "hvad er min omsætning pr. kilde?". Uden den viden begår systemer på naturligt sprog fejl.
Moderne systemer bruger store sprogmodeller, der er trænet på millioner af analytics-spørgsmål og forespørgsler. Modellen har lært mønstre: "top N efter nøgletal" bliver til sortering efter nøgletallet. "Sammenlign X med Y" bliver til filtrering og samling af tal. "Vis udviklingen over tid" bliver til en tidsserieforespørgsel. Mønstergenkendelsen gør systemet præcist nok til at være nyttigt.
Hvilke slags spørgsmål kan du faktisk stille?
Analytics på naturligt sprog klarer de fleste almindelige spørgsmål. Enkle spørgsmål virker fint. Komplekse spørgsmål fejler nogle gange.
Enkle spørgsmål: "Hvad er min konverteringsrate?" "Hvor mange besøgende i denne måned?" "Top 10 sider efter trafik" "Trafik fordelt på enhedstype" "Hvilken trafikkilde har den højeste gennemsnitlige ordreværdi?" Det virker, fordi det blot er hentning af data. Der er ingen tvivl om, hvad der menes.
Spørgsmål om udvikling: "Stiger eller falder konverteringen?" "Vis konverteringen de seneste 90 dage" "Sammenlign denne måned med sidste måned" Det virker, fordi systemet kan koble dem til tidsserier og trendanalyse.
Spørgsmål om afvigelser: "Hvorfor steg trafikken sidste tirsdag?" "Hvad ændrede sig mellem juli og august?" "Hvilke nøgletal er usædvanlige?" Det virker, fordi moderne systemer har afvigelsesdetektion indbygget og kan vise både afvigelsen og de faktorer, der bidrog til den.
Spørgsmål om segmentering: "Hvilke brugere konverterer bedst?" "Vis mine kunder med høj værdi" "Opdel konverteringen efter trafikkilde og enhed" Det virker, fordi systemet kan bygge forespørgsler med flere dimensioner.
Komplekse spørgsmål: "Hvilken trafikkilde giver de kunder, der har den højeste livstidsværdi justeret for erhvervelsesomkostninger, når de nederste 10 % på engagement er trukket fra?" Det kan måske lade sig gøre. "Fortæl mig, hvorfor konverteringen faldt, og hvad jeg skal gøre ved det" virker sandsynligvis ikke. Systemet kan finde faldet, men at forklare årsagen og anbefale en løsning kræver forretningsmæssig dømmekraft.
Hvorfor er det bedre end at bygge dashboards?
Traditionel analytics starter med dashboardet. Du gætter på, hvilke spørgsmål du måske får. Du bygger et dashboard. Du tjekker det jævnligt. Men de fleste dashboards besvarer de forkerte spørgsmål. De viser de nøgletal, designeren troede var vigtige, ikke dem, du faktisk har brug for.
Analytics på naturligt sprog starter med spørgsmålet. Du spørger om det, du vil vide. Systemet svarer. Du behøver ikke gætte på spørgsmål på forhånd. Du behøver ikke en dataingeniør til at bygge et nyt dashboard, når dit spørgsmål ændrer sig. Du spørger bare.
Den fleksibilitet betyder enormt meget i praksis. En typisk analytiker bruger 30 % af sin tid på at bygge dashboards og rapporter. 30 % på at undersøge spørgsmål, som dashboardene ikke besvarer. 40 % på at analysere. Analytics på naturligt sprog fjerner tiden til at bygge dashboards. Analytikeren bruger 70 % på at analysere og 30 % på at undersøge. Mere værdi, mindre rutinearbejde.
Hastighed betyder også noget. Hvis du får et spørgsmål kl. 14 og har brug for svaret kl. 16, tager det timer at bygge et nyt dashboard. At spørge et system på naturligt sprog tager sekunder. Du kan følge din nysgerrighed med det samme i stedet for at vente på infrastruktur.
Naturligt sprog rækker også ud til alle i virksomheden. De fleste dashboards er lavet til analytikere og ledelse. Salg ved ikke, hvordan de bruges. Kundesucces forstår ikke dataene. Med naturligt sprog kan alle stille spørgsmål på deres eget sprog. Salg spørger "hvilke kunder har købt den seneste måned?" Kundesucces spørger "hvilke kunder er ved at forlade os?" Økonomi spørger "hvad koster det at skaffe en kunde pr. kilde?" Alle får svar uden at have brug for analytics-uddannelse.
Hvornår fejler analytics på naturligt sprog?
Systemer på naturligt sprog virker godt til ligetil spørgsmål. De har svært ved sammenhæng og nuancer. Hvis du spørger "vokser vi?", kigger systemet måske på trafikken og siger ja. Men du mente omsætning, og den er flad. Systemet forstod ikke, hvad du mente. Du skal være præcis.
Naturligt sprog har også svært ved spørgsmål om definitioner. "Hvad er en god konverteringsrate?" "Skal vi bruge flere penge på den kanal?" "Er dette nøgletal sundt?" Det kræver forretningsmæssig dømmekraft, ikke hentning af data. Systemet kan vise dig tallet (konverteringen er 2,5 %), men kan ikke sige, om 2,5 % er godt. Den vurdering er din.
Systemet har svært ved flertrinsslutninger. "Vis mig kunder, der har købt to gange den seneste måned, men ikke har købt den seneste uge, og som bor i USA." Nogle systemer kan klare det. Mange kan ikke. Jo mere kompleks logikken er, desto større er risikoen for fejl.
Privatliv og sikkerhed er et emne. Hvis du stiller spørgsmål med almindelige ord, skal systemet have adgang til dine rådata for at svare. Det betyder, at flere data er eksponeret end i dashboards, hvor du kun viser færdigbyggede nøgletal. Du skal have stærk adgangsstyring og logning.
Vigtigst af alt: Systemer på naturligt sprog er kun så gode som dine data. Hvis dine nøgletal er forkert navngivet, hvis datakvaliteten er dårlig, eller hvis vigtige dimensioner mangler, giver systemet dig dårlige svar med stor selvsikkerhed. Skidt ind, skidt ud. Ret dine data først.
Hvordan sætter du analytics på naturligt sprog op?
De fleste moderne analytics-platforme er ved at få en grænseflade til naturligt sprog. Mange BI-værktøjer har den. Nogle datalagre har den også. Start med at tjekke, om dit nuværende værktøj understøtter det.
Det vigtigste trin i opsætningen er styring af metadata. Du skal fortælle systemet: "Denne kolonne er omsætning. Denne kolonne er user_id. Denne kolonne er konvertering (ja/nej). Trafikkilde er en kategoridimension. Dato er tid." Systemet bruger metadataene til at forstå din datastruktur og koble spørgsmål til forespørgsler korrekt.
Uden gode metadata gætter systemet. Det kan forveksle omsætning med omsætning pr. bruger. Det ved måske ikke, at "mobil" og "mobilapp" betyder det samme. Det kan behandle datoer som tal i stedet for datoer. Brug tid på metadata. Det er her, systemer på naturligt sprog lykkes eller fejler.
Start med enkle spørgsmål og byg tillid op. Spørg "hvad er min konverteringsrate?" og tjek, at svaret er rigtigt. Spørg "vis det fordelt på trafikkilde" og tjek, at opdelingen er korrekt. Når du stoler på systemet med de enkle spørgsmål, kan du stille mere komplekse.
Brug det som supplement til dashboards, ikke som erstatning. Dashboards er gode til at følge de vigtigste nøgletal hver dag. Naturligt sprog er godt til ad hoc-undersøgelser. Begge dele har en plads. Brug dashboards til at opdage problemer. Brug naturligt sprog til at undersøge dem.
Hvad er fremtiden for analytics på naturligt sprog?
I dag besvarer systemer på naturligt sprog spørgsmål. I morgen forklarer de sammenhænge og anbefaler handlinger. "Konverteringen er faldet. Det varsler normalt 10 % frafald. Det her skal du gøre." Systemet henter ikke bare data. Det tolker dem og rådgiver ud fra mønstre, det har lært af tusindvis af virksomheder.
Efterhånden som sprogmodellerne bliver bedre, forstår de flere nuancer. De forstår fagsprog fra de enkelte brancher. En SaaS-analytiker, der spørger om "churn", får andre svar end en analytiker i en webshop, der spørger om "returrate", selv om begge handler om kunder, der forlader en. Systemet lærer domæneviden.
På sigt kan naturligt sprog blive den almindelige måde at bruge data på. I stedet for at specialister vedligeholder dashboards, stiller alle spørgsmål direkte. Analytikerens rolle skifter fra dashboardpasser til rådgiver, der fortolker resultater og anbefaler strategi ud fra det, dataene viser.
Er analytics på naturligt sprog det samme som ChatGPT til data?
Samme idé, men et andet område. ChatGPT er en almen samtale-AI. Analytics på naturligt sprog er specialiseret til dine egne data. Du kan bruge ChatGPT med data, hvis du indsætter dem og stiller spørgsmål, men den er ikke forbundet til dit analytics-system. Værktøjer til analytics på naturligt sprog kobler direkte til dine data og forstår dine nøgletal, dimensioner og forretningssammenhæng. ChatGPT er mere almen, analytics på naturligt sprog er mere præcis for netop dine data.
Hvor præcise er systemer til analytics på naturligt sprog?
Det afhænger af, hvor komplekst spørgsmålet er. Ved enkle spørgsmål (top-sider, konverteringsrate, trafik pr. kilde) er præcisionen over 90 %. Ved middel kompleksitet (analyse med flere dimensioner, filtrering) er den 70-85 %. Ved komplekse spørgsmål med mange betingelser falder den under 70 %. Tjek altid svaret mod de underliggende data. Stol ikke blindt på systemet.
Skal jeg kunne SQL for at bruge analytics på naturligt sprog?
Nej. Det er hele pointen. Analytics på naturligt sprog er til folk, der ikke kan SQL. Du spørger på dansk eller engelsk, og systemet bygger SQL'en bag kulissen. Men hvis du kan SQL, er det lettere at tjekke svarene og forstå, hvad systemet gør, når det tager fejl.
Kan analytics på naturligt sprog erstatte dataanalytikere?
Nej. Det ændrer deres job. I stedet for at bruge tid på at bygge dashboards og køre rapporter bruger analytikerne tid på at tolke resultater og anbefale handling. Den tekniske barriere for at få adgang til data bliver lavere (alle kan stille spørgsmål), men behovet for dømmekraft bliver større (kan vi bruge indsigten, og hvad skal vi gøre ved den). Naturligt sprog er et værktøj, der forstærker analytikerens virkning, ikke en erstatning.
Hvad sker der, hvis jeg stiller et spørgsmål, systemet ikke kan besvare?
De fleste systemer siger "det forstår jeg ikke" eller "jeg kan ikke finde de data". Nogle prøver alligevel og giver et forkert svar. Derfor er det vigtigt at tjekke svaret. Hvis systemet giver dig et mærkeligt svar (trafikken er 50 millioner, når den burde være 50 tusind), blev spørgsmålet sandsynligvis misforstået. Formulér det mere præcist.
Er analytics på naturligt sprog en sikkerhedsrisiko?
Måske. Hvis systemet har adgang til rådata, og brugerne stiller spørgsmål direkte, skal du have stærk adgangsstyring. Sørg for, at brugerne kun kan hente data, de må se. Sørg for, at forespørgsler logges, så de kan kontrolleres. Vis ikke følsomme kolonner (kreditkort, cpr-numre) gennem naturligt sprog. Behandl det som direkte databaseadgang og beskyt det derefter.