تسهل تحليلات اللغة الطبيعية طرح سؤال على لوحة القيادة. الجزء الأصعب هو التأكد من أن السؤال له معنى واحد واضح وقابل للقياس.
اختبرنا ذلك مع ChartGen باستخدام مجموعة بيانات أداء إقليمية خاضعة للرقابة تحتوي على الإيرادات والأرباح وهامش الربح والأوامر ومعدل العائد والنمو السنوي والبيانات ربع السنوية لأربع مناطق.
كان السؤال الأول غامضًا عن عمد:
"أي منطقة كان أداؤها أفضل ؟"
ثم سألنا سؤالًا أكثر تحديدًا:
"قارن إجمالي الإيرادات حسب المنطقة للربع الثاني من عام 2026 ورتب المناطق من الأعلى إلى الأدنى".
أنتجت المطالبتان أنواعًا مختلفة جدًا من الإجابات.
يوضح هذا الاختلاف قيدًا مهمًا على لوحات معلومات الذكاء الاصطناعي للمحادثة: تجعل اللغة الطبيعية استكشاف البيانات أسهل ، لكنها لا تحدد تلقائيًا ما يعنيه مصطلح العمل مثل "الأفضل" أو "القوي" أو "الناجح" في الواقع.
سؤال واحد بسيط أنتج عدة إجابات صحيحة
لم تحدد مطالبتنا الأولى معنى "الأداء الأفضل".
لم يفرض ChartGen مجموعة البيانات في تصنيف تعسفي واحد. بدلاً من ذلك ، قام بتقييم الأداء الإقليمي عبر العديد من المقاييس المتاحة.
تميز الغرب بالربحية. عبر البيانات الفصلية المتاحة ، كان لديها هامش ربح إجمالي يبلغ حوالي 20.8 ٪ ، وهو الأعلى من بين المناطق الأربع.
قاد الشمال على نطاق واسع. لقد حققت أعلى إيرادات وحجم طلبيات ، على الرغم من أن هامش الربح الإجمالي كان أقل عند حوالي 16.8 ٪.
أظهر الجنوب أقوى نمو ، حيث بلغ متوسط النمو السنوي حوالي 11 ٪.
كان أداء الشرق أفضل من حيث معدل العائد ، حيث بلغ المعدل الإجمالي حوالي 2.56 ٪ ، وهو الأدنى من بين المناطق الأربع.
لذلك خلص ChartGen إلى أن الغرب كان أقوى إذا كانت الربحية هي الأولوية ، بينما يتصدر الشمال إذا كان الحجم وحجم الأعمال أكثر أهمية.
النتيجة مفيدة لأنها تكشف المشكلة الحقيقية في السؤال الأصلي.
لم يكن هناك تعريف واحد لـ "الأفضل" في البيانات.
（ أنتجت مجموعة البيانات نفسها قادة مختلفين اعتمادًا على ما إذا كان الأداء قد تم قياسه من خلال الإيرادات أو الربحية أو النمو أو معدل العائد. ）
"الأفضل أداءً" ليس حقلاً في جدول البيانات
تضمن ملف المصدر الإيرادات والأرباح وهامش الربح والأوامر ومعدل العائد والنمو السنوي ، لكنه لم يحتوي على حقل يسمى "أفضل منطقة أداء".
عندما سألنا ChartGen "أي منطقة كان أداؤها أفضل ؟" ، عكست الإجابة هذا الغموض. بدلاً من إجبار البيانات على ترتيب واحد ، قارن ChartGen المناطق عبر عدة مقاييس.
في هذا الاختبار ، قاد الشمال الإيرادات وحجم الطلبات ، وقاد الغرب هامش الربح والربح ، وسجل الشرق أدنى معدل عائد ، وأظهر الجنوب أقوى نمو.
النقطة المهمة ليست أن الذكاء الاصطناعي اختار الإجابة الخاطئة. لم يحدد سؤال العمل نفسه ما تعنيه كلمة "الأفضل".
سؤال أكثر تحديدًا أنتج إجابة يمكن التحقق منها
بالنسبة للاختبار الثاني ، أزلنا الكلمة الغامضة "الأفضل" وحددنا بالضبط ما يجب مقارنته.
لقد سألنا:
قارن إجمالي الإيرادات حسب المنطقة للربع الثاني من عام 2026 ورتب المناطق من الأعلى إلى الأدنى.
هذه المرة ، كانت النتيجة أكثر تحديدًا.
صنفت ChartGen إيرادات الربع الثاني على النحو التالي:
الشمال - $520,000
الشرق - $470,000
الجنوب - 455000 دولار
الغرب - $430,000
（ بعد تحديد المقياس والفترة الزمنية ، أعاد ChartGen ترتيبًا واضحًا لإيرادات الربع الثاني من عام 2026 حسب المنطقة. ）
اختلفت أعلى وأدنى إيرادات للربع الثاني بمقدار 90 ألف دولار .
الأهم من ذلك ، يمكن الآن التحقق من النتيجة مباشرة مقابل الملف المصدر الذي تم تحميله.
لم تكن هناك حاجة للذكاء الاصطناعي لتقرير ما يعنيه "الأداء".
كان المقياس هو الإيرادات.
كان الحساب إجمالي الإيرادات.
كان النطاق المنطقة.
كانت الفترة الزمنية Q2 2026.
حولت هذه التفاصيل الأربعة سؤال عمل مفتوح إلى إجابة يمكن لمراجع آخر إعادة إنتاجها.
الفترة الزمنية يمكن أن تغير المعنى أيضا
كما تركت المطالبة الأولى قرارًا آخر غير محدد.
أي منطقة كان أداؤها أفضل ؟
لا يذكر ما إذا كان ينبغي تقييم الأداء للربع الأول أو الربع الثاني أو الربع الأخير أو جميع الفترات المتاحة.
في اختبارنا ، استخدم ChartGen السجلات الفصلية المتاحة لإنتاج ملاحظات أوسع حول المناطق الأربع.
كانت هذه طريقة معقولة لاستكشاف مجموعة البيانات ، ولكنها توضح أيضًا سبب أهمية الفترة الزمنية عندما يتم استخدام الإجابة في تقرير رسمي.
قارن بين هذين السؤالين:
أي منطقة لديها أعلى إيرادات ؟
و:
ما المنطقة التي حققت أعلى إجمالي إيرادات في الربع الثاني من عام 2026 ؟
السؤال الثاني أسهل للتحقق لأن شخصًا آخر يعرف بالضبط السجلات التي يجب تضمينها.
تظهر نفس المشكلة مع عبارات مثل "النمو الأخير" أو "الأداء الحالي" أو "كبار العملاء" أو "أفضل منتج".
بدون فترة أو مقياس محدد ، لا يزال يتعين على الذكاء الاصطناعي تقديم تفسير.
لماذا تحليلات المحادثة يحتاج سياق الأعمال
هذه المشكلة ليست فريدة من نوعها لـ ChartGen.
تعمل Microsoft على نقل Power BI بعيدًا عن تجربة الأسئلة والأجوبة القديمة نحو Copilot. اعتمد نظام الأسئلة والأجوبة الأقدم بالفعل على المرادفات والمصطلحات النموذجية للمساعدة في تعيين أسئلة اللغة الطبيعية إلى الحقول الصحيحة ، وتخطط Microsoft للتقاعد من تجارب الأسئلة والأجوبة القديمة في ديسمبر 2026. \( Microsoft Learn ، "مقدمة: استخدم اللغة الطبيعية لاستكشاف البيانات باستخدام Power BI Q \& A"\)
تتعامل Google مع نفس المشكلة مع Looker Conversational Analytics. يمكن لوكلاء البيانات التابعين لها استخدام النماذج الدلالية والتعليمات المخصصة التي تحدد الحقول المهمة وكيفية عمل الحسابات وما تعنيه مصطلحات العمل المعينة. \( Google Cloud ، "Conversational Analytics in Looker Overview"\)
هذا يسلط الضوء على الفرق بين فهم اللغة وفهم معنى الأعمال.
قد يفهم النظام عبارة "المنطقة الأفضل أداءً" ، لكنه لا يزال بحاجة إلى تعريف للأداء قبل أن تصبح الإجابة واضحة.
أربعة تفاصيل تجعل سؤال لوحة معلومات AI أسهل في التحقق
عادةً ما يحدد سؤال لوحة القيادة المفيد أربعة أشياء.
تحديد المقياس
استبدل الكلمات العريضة مثل "الأفضل" أو "الأقوى" أو "الأكثر نجاحًا" بشيء قابل للقياس.
بدلاً من:
ما المنتج الأفضل أداءً ؟
اسأل:
ما المنتج الذي حقق أعلى ربح إجمالي ؟
الآن النتيجة لها مقياس محدد وراءها.
تحديد الحساب
كن واضحًا بشأن ما إذا كان السؤال يتطلب إجماليًا أو متوسطًا أو عددًا أو نسبة مئوية أو معدلًا.
يختلف "أعلى عائد" عن "أعلى متوسط عائد لكل طلب".
تختلف "معظم العوائد" عن "أعلى معدل عائد".
تحديد النطاق
حدد أي جزء من البيانات ينتمي إلى التحليل.
قد يعني ذلك جميع المناطق أو خط إنتاج واحد أو عملاء جدد أو قناة مبيعات معينة أو سوقًا واحدًا.
يمكن لمنشئ لوحة معلومات الذكاء الاصطناعي أتمتة الكثير من عملية التحليل والتصور ، لكنه لا يزال بحاجة إلى معرفة البيانات التي يهدف السؤال إلى تغطيتها.
تحديد الفترة الزمنية
استخدم فترة واضحة مثل Q2 2026 أو يوليو 2026 أو السنة حتى الآن أو آخر ستة أشهر كاملة.
يؤدي هذا إلى إزالة قرار آخر قد يحتاج النظام إلى اتخاذه بخلاف ذلك.
ينطبق نفس المبدأ عند العمل باستخدام لوحة معلومات Excel AI. يساعد المصنف الجيد التنظيم الأداة في التعرف على الحقول والقيم ، لكن المصنف لا يزال غير قادر على تحديد هدف العمل المهم ما لم يكن هذا التعريف موجودًا في مكان ما في نموذج البيانات أو السؤال.
تحقق من الإجابة مقابل بيانات المصدر
لا ينبغي قبول إجابة اللغة الطبيعية فقط لأنها تبدو معقولة.
قبل استخدام النتيجة في التقرير ، تحقق مما إذا كان النظام قد استخدم المقياس والحساب والنطاق والفترة الزمنية المقصودة.
بالنسبة للاختبار الثاني ، كانت تلك الفحوصات مباشرة.
السؤال المطروح عن الإيرادات ، لذلك يجب أن يستخدم الناتج الإيرادات بدلاً من الربح أو الطلبات.
طلبت إجمالي الإيرادات ، لذلك لا ينبغي حساب متوسط القيم.
حددت المنطقة ، لذلك يجب أن يقارن الإخراج المناطق الأربع.
حددت Q2 2026 ، لذلك يجب ألا تؤثر سجلات Q1 على الترتيب.
يمكن بعد ذلك مقارنة الترتيب النهائي مباشرة مع CSV:
الشمال أولاً ، يليه الشرق والجنوب والغرب.
هذا ما يجعل الإجابة الثانية أكثر فائدة لإعداد التقارير الرسمية. إنها ليست ببساطة أكثر تفصيلاً. لديها مسار واضح للعودة إلى بيانات المصدر.
يمكن للذكاء الاصطناعي تحليل البيانات ، لكن الأعمال تحدد السؤال
لا ينبغي التعامل مع نتيجة ChartGen الأولى على أنها فشل.
في الواقع ، كان مفيدا.
من خلال الفصل بين الربحية والحجم والنمو ومعدل العائد ، كشفت أن العديد من التعريفات للأداء الإقليمي كانت ممكنة.
يمكن أن يساعد هذا النوع من الإجابات الاستكشافية المستخدم في اكتشاف أي جزء من البيانات يستحق مزيدًا من التحقيق.
يتغير المعيار عندما تحتاج الإجابة إلى أن تصبح عنوان تقرير أو استنتاج مؤشر الأداء الرئيسي أو قرار عمل.
في هذه المرحلة ، يجب أن يكون المقياس واضحًا بدرجة كافية بحيث يمكن لشخص آخر إعادة إنتاج النتيجة.
يمكن لمولد لوحة معلومات AI من ChartGen استخدام بيانات Excel أو CSV لإنشاء لوحات معلومات وتصورات ورؤى باللغة الطبيعية. ولكن لا يزال يتعين على الشركة أن تقرر ما تعنيه مصطلحات مثل "الأفضل" أو "القيمة العالية" أو "النجاح" أو "الأداء الضعيف" في سياقها الخاص.
يمكن للذكاء الاصطناعي معالجة التعريف.
لا ينبغي أن يصبح بصمت صاحب هذا التعريف.
أسئلة أفضل تنتج إجابات أكثر يمكن التحقق منها
استخدم اختباران من ChartGen نفس مجموعة البيانات الإقليمية الأساسية.
السؤال الأول كان:
"أي منطقة كان أداؤها أفضل ؟"
أنتج تفسيرًا متعدد المقاييس لأن العديد من الإجابات يمكن الدفاع عنها. قاد الغرب الربحية ، والمقياس بقيادة الشمال ، والنمو بقيادة الجنوب ، والشرق كان لديه أدنى معدل عائد.
السؤال الثاني كان:
"قارن إجمالي الإيرادات حسب المنطقة للربع الثاني من عام 2026 ورتب المناطق من الأعلى إلى الأدنى".
أنتجت ترتيبًا واحدًا واضحًا يمكن التحقق منه مقابل بيانات المصدر: الشمال عند 520.000 دولار ، والشرق عند 470.000 دولار ، والجنوب عند 455.000 دولار ، والغرب عند 430.000 دولار.
هذا الاختلاف هو الدرس العملي.
تسهل تحليلات اللغة الطبيعية طرح الأسئلة حول البيانات. لا يجعل تعريفات الأعمال الغامضة تختفي.
قبل الاعتماد على إجابة لوحة معلومات الذكاء الاصطناعي ، حدد المقياس والحساب والنطاق والفترة الزمنية.
كلما كانت هذه العناصر الأربعة أكثر وضوحًا ، كان من الأسهل التحقق من الإجابة - وكلما كان استخدامها أكثر أمانًا في تقرير الأعمال.