Conver­sa­tional Analytics

Die Frage nach dem Umsatz im Süden beantworten viele Werkzeuge heute direkt im Chat, mit Zahl, Diagramm und einem Hinweis, wie die Antwort zustande kam. Der Aufwand verschiebt sich damit von der Bedienung des Werkzeugs in die Vorbereitung der Daten.

Ein Sprachmodell übersetzt die Frage in eine Abfrage, etwa in SQL oder DAX, führt sie gegen das Datenmodell aus und formuliert die Antwort. Rückfragen sind möglich, und jede Antwort baut auf der vorherigen auf. Wir führen das so ein, dass man den Antworten trauen kann: auf einem beschriebenen Modell, mit geprüften Beispielen, mit den bestehenden Berechtigungen und mit Tests vor der Freigabe.

Warum Text-to-SQL im Unternehmen kippt

Beim reinen Text-to-SQL liest das Sprachmodell Tabellen- und Spaltennamen und leitet daraus Joins, Filter und Berechnungen ab. Bei überschaubaren, sprechend benannten Daten klappt das. Im Unternehmen gibt es Kürzel, gewachsene Tabellen und drei Auffassungen von „Umsatz“, und das Ergebnis sieht dann plausibel aus und ist trotzdem falsch.

Mit einem semantischen Modell nutzt der Assistent stattdessen freigegebene Kennzahlen, definierte Beziehungen und Beschreibungen. Viele Hersteller setzen deshalb darauf, und bei uns beginnt jedes unserer Projekte beim Modell. Wie es aussieht, beschreiben wir unter Datenmodellierung & KPIs.

Was vor dem Einschalten passieren muss

Die Funktion einzuschalten genügt nicht. Kennzahlen und Spalten brauchen klare Namen, Beschreibungen und Synonyme, Hilfsfelder werden ausgeblendet. Für häufige Fragen hinterlegen wir freigegebene Antworten oder Beispielabfragen, die je nach Plattform anders heißen, von Verified Answers bis zu Verified Queries.

Der Assistent darf nur zeigen, was die fragende Person auch im Bericht sehen darf. Das prüfen wir mit Testkonten aus verschiedenen Rollen. Dann folgt der Fragenkatalog: typische Fragen der Fachbereiche mit bekannter Antwort, dazu mehrdeutige Fragen und solche, die unbeantwortet bleiben sollen. Nach jeder Änderung am Modell läuft er erneut. Nach der Freigabe werten wir Fragen, Fehlantworten und Rückmeldungen aus und beobachten den Verbrauch an Kapazität.

Welcher Anbieter passt

Die Produkte entwickeln sich schnell, Namen und Funktionsumfang wechseln innerhalb weniger Monate. Welche Lösung passt, hängt vor allem davon ab, wo Daten und Modell ohnehin liegen. Wer sein Modell in Power BI pflegt, startet mit Copilot. Wer auf einer Datenplattform arbeitet, schaut zuerst auf deren eigenen Assistenten, und wer Looker nutzt, auf dessen Chat-Funktion. Wir achten darauf, dass das Modell nicht an ein Werkzeug gebunden ist, damit sich der Anbieter später wechseln lässt.

Die Anbindung an Teams, Slack oder andere Assistenten läuft oft über das Model Context Protocol (MCP), das den Zugriff auf Datenmodelle ohne eigene Integration pro Client erlaubt. Microsoft bietet etwa einen MCP-Server, der Power-BI-Modelle unter den Rechten der angemeldeten Person liest, einschließlich Row-Level Security. Antworten kommen so dort an, wo ohnehin gearbeitet wird. MCP bewegt dabei Daten: Metadaten und Abfrageergebnisse gehen an den Client und von dort womöglich an den Anbieter des Sprachmodells. Welche Clients erlaubt sind, ist deshalb auch eine Datenschutz- und Sicherheitsentscheidung.

Wo die Fragen verarbeitet werden

Fragen, Modellmetadaten und teils Ergebnisdaten gehen an ein Sprachmodell. Wo das geschieht, hängt von Anbieter und Konfiguration ab. In Power BI und Fabric legt eine Einstellung im Admin-Portal fest, ob Daten für Azure OpenAI außerhalb der geografischen Region der Kapazität verarbeitet werden dürfen. Relevant ist das, wenn der Dienst in der Region nicht verfügbar ist. Fabric Data Agents haben eigene Einstellungen zur regionsübergreifenden Verarbeitung.

Bei Snowflake können Konten außerhalb der nativ unterstützten Regionen Cortex Analyst per regionsübergreifender Inferenz nutzen, die Anfragen werden dann in anderen Regionen verarbeitet. Für Looker-Kunden in der EU lässt sich die Verarbeitung in der Region aktivieren. Ob eine Konfiguration zu den Vorgaben des Unternehmens passt, bewerten Datenschutz und Rechtsberatung. Wir setzen die Einstellungen technisch um. Hosting und Modellwahl behandeln wir unter datenschutzkonforme KI.

Wo der Chat an Grenzen stößt

Sprachmodelle können Antworten erfinden, Fragen falsch deuten oder bei mehrdeutigen Formulierungen eine von mehreren Lesarten wählen. Microsoft weist darauf hin, dass das Verhalten nicht deterministisch ist, dieselbe Frage kann unterschiedliche Antworten liefern. Dazu kommen Produktgrenzen, etwa bei der Menge der zurückgegebenen Daten oder bei der offiziellen Unterstützung anderer Sprachen als Englisch. Fragen auf Deutsch testen wir deshalb gezielt.

Hilfreich sind nachvollziehbare Antworten, etwa die Anzeige der zugrunde liegenden Abfrage. Bei wichtigen Entscheidungen sollte die Antwort im Bericht gegengeprüft werden. Der Chat eignet sich für spontane Fragen, für die noch kein Bericht existiert. Kennzahlen, die regelmäßig verfolgt werden, gehören weiterhin in ein Dashboard, weil alle dieselbe Ansicht sehen und Veränderungen über die Zeit erkennen. Beides nutzt dasselbe Modell.