Do niedawna analiza danych w Data Studio wyglądała tak: chcesz sprawdzić coś nowego → dodajesz wykres → konfigurujesz wymiary i miary → ustawiasz filtry → czekasz na wynik. Teraz możesz napisać "Który produkt sprzedał się najlepiej w Q1?" i otrzymać gotową odpowiedź z wykresem, wyjaśnieniem metodologii i wygenerowanym SQL – w kilka sekund.

W kwietniu 2026 Google udostępnił Conversational Analytics wszystkim użytkownikom Data Studio bez żadnych dodatkowych wymagań. To największa zmiana w sposobie pracy z danymi w tej platformie od lat.

Co to jest Conversational Analytics?

Conversational Analytics to wbudowany asystent AI w Data Studio, oparty na modelu Gemini. Zamiast konfigurować wykresy, zadajesz pytania w języku naturalnym – po polsku lub angielsku – a system:

  1. Interpretuje intencję Twojego pytania
  2. Generuje odpowiednie zapytanie SQL
  3. Wykonuje je na podłączonych danych
  4. Zwraca wynik jako wykres lub tabelę
  5. Wyjaśnia, jak doszedł do odpowiedzi

To fundamentalna zmiana w stosunku do klasycznego modelu pracy z BI: zamiast budować gotowy dashboard z określonymi widokami, możesz prowadzić otwartą rozmowę z danymi i eksplorować je tak, jak w danej chwili potrzebujesz.

💡 Kontekst: Conversational Analytics to nie to samo co agenty danych (data agents). Agenty to bardziej zaawansowany mechanizm – skonfigurowany przez analityka, z kontekstem biznesowym, dzielony z zespołem. Temu tematowi poświęcony jest osobny artykuł.

Kto może korzystać i jak zacząć?

Od kwietnia 2026 Conversational Analytics jest dostępne bez dodatkowej konfiguracji:

Funkcja Data Studio (bezpłatny) Data Studio Pro
Pytania w języku naturalnym ✅ ✅
Fast Mode i Thinking Mode ✅ ✅
Show reasoning (wyjaśnienie AI) ✅ ✅
BigQuery, Sheets, CSV ✅ ✅
Code Interpreter (Python, prognozowanie) ❌ ✅

Obsługiwane źródła danych: BigQuery (tabele, widoki, własne zapytania SQL), Arkusze Google, pliki CSV. Dla BigQuery potrzebujesz uprawnień bigquery.jobs.create na projekcie oraz roli roles/bigquery.dataViewer na odpowiednim zbiorze danych.

Jak zacząć – krok po kroku:

  1. W Data Studio kliknij ikonę czatu w lewym panelu nawigacji (lub otwórz sekcję „Chat with your data")
  2. Kliknij Connect to data
  3. Wybierz źródło: BigQuery → projekt → zestaw danych → tabelę lub wpisz własne zapytanie SQL
  4. Zatwierdź uprawnienia i poczekaj na nawiązanie połączenia
  5. Wpisz pierwsze pytanie w polu „Ask a question"
💡 Wskazówka przed startem: Zanim zaczniesz korzystać z Conversational Analytics, zadbaj o metadane źródła danych. Dodaj opisy do pól w Data Studio (pole „Description" przy każdej kolumnie). Pole rev bez opisu vs rev – przychód brutto w PLN – AI rozumie je zupełnie inaczej. Im lepsze opisy, tym precyzyjniejsze odpowiedzi.

Fast Mode vs Thinking Mode

Przed wysłaniem pytania możesz wybrać jeden z dwóch trybów działania. Wybór ma realny wpływ na jakość i czas odpowiedzi.

Fast Mode – dla prostych, konkretnych pytań. System bezpośrednio mapuje pytanie na pola w danych i zwraca wynik błyskawicznie. Nie widać procesu rozumowania. Idealny gdy:

  • Chcesz szybkiego faktu: "Jaki był przychód w maju 2026?"
  • Potrzebujesz rankingu: "Top 10 klientów według wartości zamówień"
  • Pytanie jest jednopoziomowe: "Ile transakcji zostało anulowanych w Q1?"

Thinking Mode – dla złożonych, wieloetapowych analiz. System planuje podejście, wybiera narzędzia, łączy wyniki z kilku kroków i pokazuje cały tok rozumowania (przycisk „Show reasoning"). Wolniejszy, ale znacznie precyzyjniejszy przy:

  • Porównaniach: "Porównaj wyniki Q1 2025 vs Q1 2026 z uwzględnieniem sezonowości"
  • Segmentacji: "Które segmenty klientów wykazują największy trend wzrostowy?"
  • Pytaniach wymagających kilku podzapytań lub obliczeń pośrednich

Jak czytać wyniki: Show reasoning i SQL

Po otrzymaniu odpowiedzi masz dostęp do trzech warstw wyjaśnienia – to jedna z najbardziej wartościowych cech tej funkcji:

Show reasoning – kliknij, żeby zobaczyć jak system zinterpretował pytanie: które pola wybrał, jakie filtry zastosował, jak zrozumiał użyte terminy. Nieocenione gdy wynik wygląda podejrzanie lub nie odpowiada intuicji.

How was this calculated? – pokazuje wygenerowane zapytanie SQL i tekstowe wyjaśnienie metodologii. Jeśli znasz SQL, możesz w kilka sekund ocenić poprawność logiki. To Twoja siatka bezpieczeństwa przed podjęciem decyzji biznesowych.

Insights – dodatkowe obserwacje i kontekst do odpowiedzi. Np. "Wynik jest o 23% wyższy niż średnia z poprzednich 6 miesięcy" lub "Trzy produkty odpowiadają za 71% całkowitego przychodu w tym okresie".

⚠️ Ważne: Conversational Analytics, jak każdy system AI, może generować odpowiedzi wyglądające poprawnie, ale zawierające błędy – tzw. halucynacje. Przy analizach krytycznych biznesowo zawsze weryfikuj wynik przez „How was this calculated?" i sprawdź SQL. Traktuj tę funkcję jako narzędzie do eksploracji i odkrywania, nie do raportowania zarządczego bez dodatkowej weryfikacji.

12 przykładów pytań, które dobrze działają

Conversational Analytics najlepiej radzi sobie z czterema kategoriami pytań:

Trendy w czasie:

  • "Pokaż miesięczny przychód od stycznia do maja 2026"
  • "Jak zmieniała się liczba nowych użytkowników tydzień do tygodnia w Q1?"
  • "Trend liczby zamówień w ostatnich 90 dniach"

Rankingi i porównania:

  • "Top 5 produktów według przychodu w Q1"
  • "Który region miał najgorsze wyniki w lutym?"
  • "Porównaj CTR kampanii A i B w marcu"

Rozkłady i udziały:

  • "Jak wygląda rozkład wartości zamówień?"
  • "Jaki procent klientów generuje 80% przychodu?"
  • "Udział kanałów sprzedaży w przychodzie maja"

Metryki agregowane z filtrem:

  • "Przychód z klientów z Mazowsza za ostatni kwartał"
  • "Kampanie z CTR powyżej 5% w ostatnim miesiącu"
  • "Średnia wartość koszyka dla powracających klientów"

Czego Conversational Analytics nie potrafi

Warto znać granice tej funkcji, żeby używać jej efektywnie i nie liczyć na to, czego nie da.

❌ Prognozowanie i forecasting – "Ile sprzedamy w czerwcu?" – AI nie robi prognoz na podstawie Twoich danych. Do tego potrzebujesz Code Interpretera (Pro) lub zewnętrznych modeli ML w BigQuery.

❌ Zaawansowana analiza statystyczna – regresja, analiza kohortowa, testy A/B ze statystyką – to zakres Code Interpretera (Pro) lub BigQuery ML, nie podstawowego Conversational Analytics.

❌ Modyfikowanie danych – Conversational Analytics wyłącznie odczytuje dane. Nie wstawi wiersza, nie zaktualizuje tabeli.

❌ Kontekst wielosesyjny – każda rozmowa zaczyna się od nowa. System nie pamięta poprzednich pytań z wcześniejszej sesji.

✅ Co działa świetnie: eksploracja danych, szybkie odpowiedzi na pytania ad-hoc, tłumaczenie danych dla osób bez wiedzy SQL, pierwsze wnioski z nowego zestawu danych, weryfikacja hipotez bez budowania nowych wykresów.

Dobre praktyki i pułapki

1. Opisz pola w źródle danych. To najważniejszy krok przed uruchomieniem Conversational Analytics. "revenue" vs "revenue – łączny przychód brutto w PLN, bez zwrotów" – AI rozumie to fundamentalnie inaczej i generuje inne SQL. Poświęć godzinę na uzupełnienie opisów pól – zwróci się stokrotnie.

2. Zadawaj konkretne pytania. "Analiza danych" to za ogólne. "Porównaj sprzedaż produktu X i Y w marcu 2026 według kanału sprzedaży" daje o wiele lepsze wyniki. Im więcej kontekstu w pytaniu, tym lepsza odpowiedź.

3. Używaj Thinking Mode dla złożonych analiz. Fast Mode jest szybszy i wystarczy dla prostych zapytań. Ale dla porównań wielowymiarowych, pytań z kilkoma metrykami jednocześnie lub analiz trendów – Thinking Mode radzi sobie znacznie lepiej.

4. Weryfikuj SQL przy pierwszych próbach. Gdy zaczynasz korzystać z nowego źródła danych, przez pierwsze kilka pytań sprawdzaj wygenerowane zapytania przez "How was this calculated?". Szybko zorientujesz się, czy system dobrze rozumie strukturę Twoich danych.

5. Nie zastępuj dashboardów raportowych. Conversational Analytics to narzędzie do eksploracji i discovery, nie do monitoringu operacyjnego. Regularne KPI mierzone codziennie wciąż powinny żyć w klasycznym, skonfigurowanym dashboardzie – są szybsze, spójne i nie wymagają interpretacji AI.

📚 Powiązane artykuły