Vad är samtalsbaserad analys?

Konversationsanalys är praxis att ställa frågor om affärsdata på vanligt språk och få svar tillbaka som siffror, tabeller och diagram. Du skriver eller talar en fråga som du skulle fråga en kollega, och ett system tolkar det, frågar underliggande data och svarar. Till skillnad från en traditionell dashboard, som visar en fast uppsättning mått beslutade månader sedan, låter konversationsanalysen frågan komma först. Löftet är enkelt: alla i företaget kan få ett svar utan att veta SQL, utan att lämna in en biljett, och utan att vänta tre dagar för datateamet.

Det löftet är också där de flesta implementeringar tyst faller isär.

Varför samtalsbaserad analys är svårare än den verkar

Demo fungerar alltid. Någon typ "vad var intäkter förra kvartalet", visas ett nummer och rumsnoderna. Problemet börjar på den andra frågan och på den andra användaren.

Den andra frågan är vanligtvis en uppföljning: "bryta ner den av regionen". Nu måste systemet komma ihåg vad det var, veta vilken tabell som håller regionen och tillämpa samma intäktsdefinition som den använde för ett ögonblick sedan. Den andra användaren är sämre. De ställer samma fråga i olika ord, eller de menar något lite annorlunda med intäkter, och de får ett annat nummer. Två personer, en fråga, två svar. Det ögonblick som händer, förtroende är borta, och ett verktyg som ingen litar på är ett verktyg som ingen använder.

Självbetjäningsanalys har varit målet i trettio år, och adoptionen sitter fortfarande cirka 20% av de anställda i det genomsnittliga företaget (Sigma Computing, 2024). Konversationsgränssnitt är det senaste försöket att stänga det gapet. De sänker kostnaden för att ställa en fråga till nästan noll. Vad de inte ändrar på egen hand är om svaret är korrekt, konsekvent och säkert att dela.

Vad samtalsbaserad analys faktiskt innebär

Det hjälper till att separera två saker som paketeras ihop: gränssnittet och motorn.

Gränssnittet är chattboxen. Det tar en fråga på naturligt språk och gör det till en fråga. Denna del har blivit nära en vara. Stora språkmodeller är bra på att översätta "topp tio kunder genom att spendera i år" till en strukturerad fråga, och de flesta BI-leverantörer skickar nu någon version av det.

Motorn är allt bakom chattrutan: vilken data frågan går emot, vilken definition av intäkter eller aktiv kund den använder, oavsett om personen som frågar tillåts se resultatet, och om samma fråga imorgon returnerar samma nummer. Denna del är inte en vara. Det är skillnaden mellan en smart demo och ett system som ett finansteam kommer att sätta framför styrelsen. Det är också därför konversationsanalys tillhör samma familj som en Data discovery plattformEtt kvalitetssäkrat lager som sitter mellan människor och rådata.

Conversational Analytics done well är inte en chatbot bultad på en dashboard. Det är ett kvalitetssäkrat lager som råkar ta frågor på vanligt språk. Konversationen är den lätta 10%. Den styrda motorn under är 90% som bestämmer om konversationsanalys är trovärdig eller bara snabb.

De två problem som avgör om du kan lita på svaret

Av de tre hindren som håller tillbaka självbetjäning analys, kostnad, noggrannhet och styrning, konversationsanalys lever eller dör på de två sista.

Noggrannhet. En naturlig språkfråga är tvetydig av naturen. Frågan om hur många kunder vi har beror på om du räknar prövningar, churned konton eller bara aktivt fakturerade. Om systemet gissar, kommer det ibland att gissa annorlunda för olika människor, och samma fråga kommer att producera olika siffror. Fixen är inte en smartare modell. Det är en gemensam definition som systemet tvingas använda varje gång, så samma fråga löser alltid samma logik. Detta är ett jobb för en semantiskt lagerdefiniera en mått en gång, tillämpa den överallt. Samma fråga, samma svar. Utan det är konversationsanalys ett snabbare sätt att generera meningsskiljaktigheter.

Styrning. Det ögonblick du låter någon fråga något, du måste kontrollera vad varje person får se. En stödagent som frågar om intäkter bör inte kunna dra enskilda löner eftersom de uttryckte frågan smart. Styrning här kan inte vara en artig instruktion till modellen. Att berätta för modellen att inte visa känsliga data är inte en kontroll, det är ett hopp. Verklig styrning verkställs i programvara, under konversationen, så att reglerna gäller oavsett hur frågan är formulerad.

Dessa två problem är varför konversationsanalys är en arkitekturfråga, inte en gränssnittsfråga. Chattlådan är där du frågar. Det styrda lagret är där svaret tjänar förtroende.

Det som skiljer ett verkligt samtalsbaserat analyslager

När du utvärderar ett konversationsanalysverktyg, titta förbi demo och fråga hur det hanterar de tråkiga delarna.

• Delade definitioner. Betyder intäkterna en sak i varje fråga, eller omkommer varje fråga? Ett riktigt lager har mått definitioner centralt och tillämpar dem på varje svar.
• Spårbarhet. Kan du klicka på något nummer och se frågan, källborden och definitionen som producerade den? Varje nummer ska spåra till källan. Om du inte kan granska ett svar kan du inte försvara det.
• Styrning i programvara. Är behörigheter verkställda under gränssnittet, så frasering kan inte kringgå dem? Rå- och kolumnregler bör hållas oavsett hur en fråga ställs.
• Konsekvens över tiden. Fråga samma fråga denna vecka och nästa vecka. Ett pålitligt lager returnerar samma nummer om inte data ändras och berättar vad som ändrats om det gjorde det.
• Där frågan går. Har varje fråga träffat ditt lager och kör upp en räkning, eller körs systemet på eget utförandeskikt? Kostnadsförutsägbarhet är det som låter dig öppna tillgången till alla i stället för några få.

Ett verktyg som spikar chattrutan och ignorerar den här listan kommer att imponera på människor i en månad och förlora dem under andra kvartalet.

Jämförelse av samtalsbaserad analys

Kontrasten är tydligast mot de två tillvägagångssätten som den ersätter: statiska dashboards, och den första vågen av ask-your-datafunktioner bultade på konsumtionsskiktet BI-verktyg.

De två första kolumnerna förklarar varför de flesta konversationsanalysprojekt stallar. Gränssnittet är öppet, men motorn under byggdes aldrig för att hålla svaren konsekventa eller styrda i stor skala. Den tredje kolumnen är hur konversationsanalys ser ut när det styrda lagret kommer först och konversationen sitter på toppen.

Plattformar som Ronja tar denna strategi. De federerar sammanhang från de verktyg du redan använder, tillämpar gemensamt förvaltade definitioner på ett kontrollplan och kör frågor på eget utförande lager, så konversationen stannar snabbt och siffrorna förblir konsekventa och spårbara. Chattlådan är den del du ser. Det styrda skiktet är den del som gör svaren värda att agera på.

Från samtal till handling: agentbaserad analys

Konversationsanalys svarar på den fråga du ställde. Det naturliga nästa steget är ett system som inte väntar på att bli frågad.

Det är linjen mellan konversationsanalys och Medicinsk analysKonversationsanalys är gränssnittet: du frågar, det svarar. Agentisk analys är vad som blir möjligt när det styrda lagret finns, när analys kan övervaka för förändringar, undersöka orsaker och ta eller rekommendera en åtgärd på egen hand. Du kan inte lita på en agent för att agera på dina data tills du kan lita på datalagret som den agerar igenom. Så samma styrda motor som gör konversationsanalysen konsekvent är förutsättningen för att agentisk analys är säker.

Enkelt uttryckt är samtalsanalys hur människor pratar med kvalitetssäkrad data idag. Det är också grunden som nästa generations analys bygger på.