A diák kis kijelzőn aprók: fordítsd el a telefont, vagy töltsd le PDF-ben.
00:00
Use case · hűségprogram · beszélgetésalapú adatelemzés
Conversational analytics.
Beszélgess az (SQL) adatbázisoddal.
Udvari IstvánData Analyst
Dataklub Datashots prezentáció · 2026. 10. 28.
01 — A kiindulás
Egy darab adattáblát az ember is, az AI is átlát.
Felhasználókérdés
LLMértelmezés
Adatoklekérdezés
LLMmegfogalmazás
Felhasználóválasz
Egy adattábla: a modell a fejlécből is kitalálja, mit kell számolni, esetleg egyszerűen lehet irányítani.
01 — A kiindulás
Egy sok adattáblás adatbázissal már nem ilyen egyszerű a helyzet.
Az esettanulmányunkban szereplő adatbázis jellemzőiEz egy hűségprogram adatbázisa. A hűségprogram alap mechanizmusa: a programtagok pontokat gyűjtenek, és a gyűjtött pontokért külső partnerek kedvezménykuponjait tudják megvásárolni.
~300adattábla és viewoperatív (OLTP) adatbázis, rengeteg bekódolt adattal és kódolótáblákkal
~2 000adatmező
~270 Madatsora legnagyobb adattábla ~80 M
75 GBaz adatbázis méreteheti mentéseket kapunk
Nem elemzésre épült és nincs dokumentációja
Az objektumok nagy része az ügyfélportál működéséhez, az adatátadáshoz és a kampánymotorhoz kell. A jelentés a fejekben és régi lekérdezésekben él, nem az adatbázis sémában.
Az adattábla és adatmező nevekből nem kitalálható
Ha a modell megkapja a teljes adatbázis sémát, a nevekből, esetleg az adatokból találgat. Van olyan adattábla, ami nem feltétlenül az, aminek a neve alapján látszik.
Adatok és AI: ma nem téma. Az alapszabály: a személyes adatot eltávolítjuk, anonimizáljuk vagy átkódoljuk. A modellhez csak az adatbázis séma leírása és aggregált eredmény megy.
02 — A valódi akadály
A modell nem csak az adatbázist nem érti, bennünket sem egyértelműen.
Réteg
Ahogy megjelenik
Ahogy az adattábla tárolja
eseménytípus = 6
View-ban feldolgozott érték
„Ajánlat vásárlás"
Ahogy beszélünk róla
„letöltés"
2,0×eltérés a „hány aktív tagunk van?" kérdés két, egyaránt jogos olvasata között~196 000 vs. ~100 000
Hány belépőnk volt a múlt hónapban?Regisztrációra vagy loginra gondolunk?
Értelmező réteg nélkül ez a kétértelműség észrevétlenül a válaszba kerül, magabiztos mondatban, jó formában.
És nem derül ki, amíg valaki utána nem számol.
Ha két eltérő időpontban kérdezzük ugyanazt, eltérő választ kaphatunk (sztochasztikus kimenet).
03 — A lánc
Komplex adatbázis: a kérdés és az adat közé kell egy értelmező lépés — a szemantikai réteg.
Felhasználókérdés
LLMértelmezés
Szemantikai rétegdefiníciók
Adatoklekérdezés
LLMmegfogalmazás
Felhasználóválasz
Mi a szerepe és miért hasznos? Adattárházi környezetből származó leírás:
AbsztrakcióElrejti a végfelhasználók és az elemzők elől a mögöttes adatbázis összetett szerkezetét (pl. kulcsokat, bonyolult SQL-joinokat).
„Egyértelmű igazságforrás” (Single Source of Truth)Biztosítja, hogy egy-egy mérőszámot (pl. „belépések száma” vagy „aktív ügyfelek száma”) mindenki ugyanúgy értelmezzen a szervezetben.
Üzleti nyelvezetAz olyan technikai oszlopnevek helyett, mint usr_t_04_id, érthető neveket használ (pl. „Vásárló azonosítója”).
EszközfüggetlenségLehetővé teszi, hogy különböző BI- és elemző eszközök (például a Power BI szemantikai modelljei) ugyanabból az egységes definíciós bázisból dolgozzanak.
03 — A megoldás
A szemantikai réteg: dokumentáció, amit ember és gép is olvas
01Kérdésköznapi nyelven
02Értelmezésmutató, időszak, szűrő
03Szemantikai rétegdefiníciók, forrással
04Lekérdezésőrön átengedve
05Futtatáscsak olvasás, aggregálás
06Válaszfrissesség, forrás, korlát
04 — Az építés
Hogyan építhető fel a szemantikai réteg? Adatkörönként, beszélgetéssel.
A betanítás forrásai, megbízhatóság szerint besorolva
Forrás
Tag
Mire erős
Korábbi SQL-kódok (~590 fájl), view-definíciók
kód
Mit csinálunk; a „miért" gyenge.
Fejlesztői vagy megbízói írásos megerősítés
ügyfél
Mindent felülír.
Lefuttatott feltáró lekérdezés eredménye
futás
Tény, de időpontfüggő.
Az elemző szóbeli és írásos megerősítése
István
A saját folyamatainkra.
Üzleti leírások, egyeztető emailek, munkajegyzetek
jegyzet
Ellenőrizendő, lehet elavult.
A menet adatkörönként
Kódból indulunk → beszélgetés, feltárás → a modell összeírja, mi nem egyértelmű → ember dönt: megerősít vagy kizár → mérés → rögzítés forrással.
Egyszerűnek indult — nem volt az.6–8váratlan kérdés adatkörönként
Nem felesleges kérdések voltak. Megmutatták, mennyi kontextus van a fejünkben, amit a munka közben észre sem veszünk, hogy használunk.
Angolul: tacit knowledge. Ennek a kinyerése a munka nagyobbik fele.
04 — Az építés
Hol tárolódik a tudás? Szöveges fájlokban.
100%md fájlokbannincs finomhangolás, nincs vektoradatbázis
~35md fájl a teljes körbentudás, munkaszervezés, kimeneti formátumok, riportok
300 → 80objektum maradt16 átnézési blokk, egy blokk egy ülés
Olvasható és ellenőrizhető: minden állítás mellett forrás és validációs státusz.
Modellfüggetlen: bármelyik LLM megkaphatja, a tudás nem a modellben van.
05 — A csapdák és további nehézségek
Ami csendben romlik el, sokkal drágább, mint ami hangosan
elavult
Elavult adat és kód
Mezők, amik még ki vannak töltve, de évek óta nem frissülnek. Régi lekérdezések, amik olyan feliratra szűrnek, amit a rendszer már nem ad ki: egy oszlop csendben mindig 0.
concept drift
A jelentés elcsúszik
Egy negyedévig szinte nem ment kampánylevél, a push vitte a kommunikációt. Egy belépési mód-váltás óta a regisztráció dátuma mást jelent. Ugyanaz a kérdés előtte és utána mást mér.
időbeliség
Mikori adatbázis van nálunk?
A leíró adatok időbelisége
Jelen- vagy múltbeli az információ?
Időpontra vagy időszakra vonatkozik?
csendes nulla
A hiba, ami nem jelzett
Egy ékezetes szöveg rossz kódolással ért a szerverre: a szűrés félrement, hibaüzenet nélkül. A célcsoport lekérdezés hibás lett volna.
A válasz: hangos hiba > csendes tévedés. Minden tanulságból kód lett, nem jegyzet: kódolás-őr, „van esemény, nincs találat" őr, frissesség-őr. Ha egy szám elavult mezőre épülne, a rendszer nem ad számot.
06 — A bizalom
Guardrails: az önállóságot szándékosan szűkre szabtuk
Ha az állítás forrása…
Dzsarvisz…
megerősített (fejlesztő, elemző)
magabiztosan állítja
lefuttatott lekérdezés, élő kód
állítja, a forrással
régi jegyzet
csak jelzéssel
két forrás ütközik
mindkettőt felajánlja
elavult
soha nem használja
nincs a rétegben
„nem tudom" antihallucináció
Az LLM önhatalmúlag, önállóan nem próbál az adatbázisból infókat „kiokoskodni".
Zárt világ
Csak dokumentált adattábla és adatmező. Az adatbázis séma katalógusa nem forrás: a nevekből következtetni tilos.
Csak olvasás, ember dönt
Kódszintű őr, csak SELECT. Definícióról a modell nem dönt: felveti a kétértelműséget.
48 / 48tesztkérdés zárult a szándék szerint, ebből 13 helyes elutasítás
07 — Szimulált futás, anonim adatokkal
Egy kérdés útja, lépésről lépésre
DZSARVISZ · BESZÉLGETÉS
08 — Biztonság
Leválasztott futtatás: a modell soha nem látja az élő adatbázist
modell oldal
Tesztadatbázison épül
A szemantikai réteg alapján SQL-szöveget ír, indoklással és forrásokkal. Az élő adatbázishoz nincs hozzáférése.
a határ
Csak két dolog lépi át
A modelltől: az SQL-szöveg, amit ember vagy kódőr ellenőriz, és futtatás előtt megmutat. A modellhez: az aggregált eredmény, azonosító nélkül.
éles oldal
Független futtató
Csak olvasási joggal, a modelltől függetlenül futtatja a lekérdezést, és naplózza.
Minden válasz magával hozza: az adatbázis frissességét, a használt definíciót (és a másik olvasatot, ha van), a lefutott lekérdezést és a korlátot.
09 — Az eredmény
Hetekből napok — és csetelés az adatbázissal
Feladat
Hagyományosan
Szemantikai réteggel · becsült
Új riport összeállítása
több nap – 1-2 hét
→
~1 nap
Egyszerű klaszter-modell egy adatkörből
több hét
→
~1 nap
Komplex elemzés pl. churn-előrejelzés, ügyfélérték-index
legalább 1 hónap
→
~3 nap
Példák a komplex körből: ügyfélérték-index · ajánlat-scorecard · email-fatigue · viselkedési klaszterek · push-hatás természetes kontrollcsoporttal · soft churn · next-best-offer · kampánytölcsér
Az admin felületen túl: a kollégák az adatbázis szerkezetének ismerete nélkül kérdezhetnek, és a kimenet rögtön a célrendszer formátumában jön (CSV vagy Excel, kódolás, elválasztó).
Becslés a saját munkaidő alapján · tipikus értékek, nem kontrollált mérés
10 — Összegzés
Amit ez a projekt megtanított
A nehézség nem az SQL kód megírása, hanem a jelentés. „Aktív", „letöltés": mást jelent az adatban, a riportban és a folyosón.
A szemantikai réteg megállapodás, tudás, nem kód. Olvasható fájlok, forrással; bármelyik modell megkaphatja.
Az AI-t keretek közé kell szorítani a megfelelő viselkedés érdekében.
Az AI kérdései fárasztóak, de értékesek. Felszínre hozzák, amit észrevétlenül tudunk.
A jó rendszer meg meri mondani, mit nem tud. A „nem tudom" indokolt válasz.
Kell egy gazda. A definíciók karbantartása is nagyon fontos. A változás állandó, az üzleti környezet, az adatbázis is folyamatos változásban van.