Conversational Analytics pozwala zadawać pytania danym – ale bez kontekstu biznesowego AI może nie wiedzieć, że "Q1" oznacza styczeń–marzec, "marża" to marża brutto według Waszej metodologii, albo że pole client_type o wartości B to klient biznesowy. Agenty danych (data agents) rozwiązują właśnie ten problem.

Agent to skonfigurowany, wyspecjalizowany asystent AI, który zna Twój biznes na tyle dobrze, żeby odpowiadać precyzyjnie – a gdy skonfigurujesz go raz, możesz udostępnić całemu zespołowi jako jednolite narzędzie analityczne.

Agent vs Conversational Analytics – kluczowa różnica

Standardowe Conversational Analytics to analityk, który dopiero zaczyna pracę w Twojej firmie – zna SQL i statystyki, ale nie zna Twojego biznesu. Musi zgadywać co oznaczają nazwy pól, jak liczyć marżę, co to jest "konwersja" w Twoim kontekście.

Agent danych to ten sam analityk, ale po trzech miesiącach onboardingu – zna Twoją terminologię, wie jak interpretować specyficzne wartości w danych, ma dostęp do zweryfikowanych definicji KPI i rozumie kontekst branży.

Conversational Analytics Data Agent
Kontekst biznesowy Brak – opiera się na nazwach pól Zdefiniowany przez analityka
Spójność odpowiedzi Może różnić się między sesjami Jednolita dla całego zespołu
Udostępnianie Każdy łączy się sam Jeden agent dla całego zespołu
Precyzja przy specyficznych terminach Średnia Wysoka
Nakład konfiguracji Żaden – gotowe od razu Wymaga przygotowania

Kiedy warto tworzyć własnego agenta?

Nie każda organizacja potrzebuje agenta od razu. Warto go stworzyć gdy:

  • Masz specyficzną terminologię biznesową – "MRR", "churn", "lead kwalifikowany", "marża kontrybutywna" mają konkretne definicje w Twojej firmie, które mogą różnić się od standardowych
  • Z danych korzysta wiele osób o różnym poziomie technicznym – agent spłaszcza krzywą uczenia: menedżer może zadawać pytania tak samo skutecznie jak analityk
  • Chcesz spójności odpowiedzi – gdy wszyscy w zespole zadają podobne pytania i dostają tę samą metodologię, eliminujesz "dwie liczby w jednym pokoju"
  • Dane mają skomplikowaną strukturę – wiele tabel, pola z nieoczywistymi nazwami, złożone relacje wymagające wieloetapowych joinów

Jak stworzyć agenta w BigQuery

Agenty danych dla Data Studio tworzy się w BigQuery (nie bezpośrednio w Data Studio). Proces w skrócie:

  1. Otwórz BigQuery Studio w Google Cloud Console
  2. Przejdź do sekcji Conversational Analytics → Create data agent
  3. Wybierz źródła danych: tabele, widoki lub UDF (funkcje zdefiniowane przez użytkownika), które agent ma analizować
  4. Wypełnij metadane: nazwa agenta, opis, instrukcje interpretacji
  5. Opcjonalnie: dodaj verified queries – gotowe zapytania SQL z przypisanymi pytaniami, żeby na kluczowe pytania agent zawsze odpowiadał identycznie
  6. Opublikuj agenta i udostępnij go użytkownikom Data Studio
💡 Verified queries to gold standard. Dla kluczowych KPI firmy (np. "Jaki był przychód netto w zeszłym miesiącu?") warto przygotować zweryfikowane zapytanie SQL. Gdy użytkownik zada podobne pytanie, agent użyje tego SQL zamiast generować własny. Eliminuje to ryzyko "halucynacji" przy metrykach krytycznych dla zarządu.

Konfiguracja kontekstu i instrukcji

Jakość agenta zależy bezpośrednio od jakości konfiguracji. Trzy kluczowe elementy:

1. Metadane tabel i pól – opisz każde ważne pole. Nie tylko "co to jest" ale "jak to interpretować". Przykłady:

  • order_status: wartość C = cancelled (anulowane), D = delivered (dostarczone), P = pending (oczekujące)
  • revenue_gross: przychód brutto w PLN, z podatkiem VAT, przed odjęciem zwrotów
  • acquisition_channel: kanał pozyskania klienta według UTM source z pierwszej sesji

2. Instrukcje biznesowe – tekst, który agent czyta przed każdą odpowiedzią. Tu definiujesz:

  • Jak liczyć KPI: "Marża brutto = (revenue_gross - cost_of_goods) / revenue_gross × 100"
  • Jak interpretować okresy: "Q1 = styczeń–marzec roku kalendarzowego; rok obrotowy zaczyna się 1 października"
  • Jakie pola ignorować: "Pomijaj rekordy gdzie test_flag = 1"
  • Strefę czasową: "Wszystkie daty są w UTC+1 (CET)"

3. Verified queries – SQL dla kluczowych pytań, które muszą być zawsze identyczne. Przykład: "Miesięczny MRR" ma konkretną definicję SQL, której nie chcesz oddawać AI do interpretacji.

Udostępnianie agenta i bezpieczeństwo

Po utworzeniu agenta możesz go udostępnić konkretnym osobom lub grupom Google. Tutaj pojawia się ważna zasada bezpieczeństwa:

🔒 Udostępnienie agenta ≠ dostęp do danych. Gdy udostępniasz agenta, odbiorca widzi jego nazwę i opis – ale nie ma dostępu do danych. Żeby móc faktycznie zadawać pytania przez agenta, musi mieć osobne uprawnienia do BigQuery (role bigquery.dataViewer na odpowiednim projekcie/zbiorze). To świadomy projekt bezpieczeństwa: możesz pokazać agenta wszystkim, nie dając przy tym dostępu do surowych danych.

Zarządzanie dostępem w praktyce:

  • Agent: udostępnij wszystkim pracownikom, którzy mają zadawać pytania
  • Dane w BigQuery: nadaj dostęp tylko osobom uprawnionym (np. przez IAM lub Row-Level Security)
  • Odbiorca agenta bez uprawnień do BigQuery → zobaczy agenta, ale nie otrzyma odpowiedzi

Jak używać agenta w Data Studio

Gdy agent zostanie opublikowany i udostępniony, użytkownicy Data Studio widzą go automatycznie:

  1. Otwórz Chat with your data w Data Studio
  2. Na liście źródeł i agentów wybierz swojego agenta (po nazwie)
  3. Zacznij zadawać pytania – agent używa zdefiniowanego kontekstu i instrukcji
  4. Możesz przełączać się między Fast Mode a Thinking Mode jak w standardowym Conversational Analytics
  5. Przycisk „Show reasoning" pokazuje tok rozumowania agenta, a „How was this calculated?" – SQL

Różnica w stosunku do zwykłego Conversational Analytics jest widoczna przy specyficznych pytaniach. Zapytanie "Jaka była konwersja w maju?" – bez agenta AI zgaduje co to "konwersja". Z agentem – wie, że konwersja w Twoim biznesie to COUNT(orders) / COUNT(sessions) × 100 i liczy to precyzyjnie według zdefiniowanej metodologii.

Code Interpreter – Python w analizie danych (Pro)

Dla użytkowników Data Studio Pro z włączonym Gemini dostępna jest dodatkowa funkcja: Code Interpreter. Zamiast generować SQL, tłumaczy pytania na kod Python i wykonuje go na danych.

Co to daje w praktyce:

  • Prognozowanie – "Przewiduj przychód na kolejne 3 miesiące na podstawie trendu" – Code Interpreter napisze i wykona kod z modelem forecasting
  • Zaawansowane statystyki – korelacje, regresja, analiza odchyleń standardowych
  • Niestandardowe wizualizacje – wykresy niemożliwe do stworzenia w standardowym Data Studio (np. heatmapa godzinowa, wykres kołowy z zagnieżdżonymi segmentami)
  • Przetwarzanie tekstu – analiza sentymentu komentarzy, grupowanie opisów, ekstrakcja wzorców z tekstu
💡 Code Interpreter vs standardowy SQL: Standardowe Conversational Analytics generuje SQL i odpytuje BigQuery. Code Interpreter pobiera dane z BigQuery, a następnie wykonuje Python lokalnie w środowisku Google. Możliwości są znacznie szersze, ale czas odpowiedzi dłuższy – kilka–kilkanaście sekund.

Praktyczne przypadki użycia

Agent dla agencji marketingowej – agencja obsługująca 15 klientów tworzy jednego agenta z instrukcjami: definicje CTR, ROAS, CPA według metodologii klienta, mapowanie kampanii na klientów, reguły wykluczenia danych testowych. Każdy account manager może samodzielnie zadawać pytania o wyniki bez angażowania analityka do każdego zapytania.

Agent dla e-commerce – sklep online ma złożone dane: zamówienia, zwroty, produkty, klientów, kampanie. Agent zna definicje: "aktywny klient" (zamówienie w ostatnich 90 dniach), "wysoka wartość" (LTV > 2000 PLN), "konwersja" (transakcja / unikalna sesja). Menedżer kategorii może sprawdzić wyniki swojej kategorii bez pisania JOIN przez 5 tabel.

Agent dla kontrolingu B2B – firma produkcyjna ma dane z ERP: faktury, koszty, zamówienia, magazyn. Agent z instrukcjami dotyczącymi marży kontrybutywnej, kosztów stałych vs zmiennych, roku obrotowego. CFO może zadawać pytania "Która linia produktów ma najgorszą marżę w Q2?" i dostać odpowiedź w 10 sekund.

📚 Powiązane artykuły