Как собрать дашборд с основными метриками бизнеса с помощью нейросетей

Отдел аналитики нашей компании постоянно ищет новые способы усовершенствовать работу, и на этот раз мы обратились к нейросетям ChatGPT и Midjourney.

Мы много слышали о возможностях и успехах этих нейросетей и посетили вебинар закрытого клуба института бизнес-аналитики Алексея Колоколова — об использовании ChatGPT и Midjourney в разработке дашбордов: от подбора метрик до генерации изображений и подбора цветовых схем.

Алексей делает вывод, что ChatGPT может быть полезен для ускорения сбора метрик, но были замечены некоторые ошибки в логике — важно дообучать нейросети, чтобы они могли понимать точный контекст задачи. Однако, ChatGPT неплохо разбирается в формулах DAX и может быть полезен как помощник для сбора мер и построения архитектуры данных. А вот Midjourney не в состоянии создать макеты, готовые к демонстрации заказчику, но эту нейросеть можно использовать для создания примеров размещения элементов и подложек. Колоколов отмечает, что Midjourney умело подбирает палитру цветов, если загрузить данные о брендбуке компании. В целом же, по мнению Колоколова, нейросети не обладают способностью логично решать задачи, связанные и с массивом данных, и с визуализацией и дизайном.

Мы всё-таки решили использовать эти нейросети, чтобы создать дашборд для руководителей с основными метриками. И вот что у нас получилось.

Как мы планировали использовать нейросети для создания дашбордов

ChatGPT умеет обрабатывать и анализировать большие объёмы информации, создавать тексты, и даже способен предсказывать тренды на основе имеющихся данных. Все эти функции могут быть полезны в создании и оптимизации дашбордов.

Midjourney рисует изображения по текстовому описанию. Нужно сформулировать, что ты хочешь получить, и нейросеть сгенерирует результат в заданном стиле.

Работая с ChatGPT и Midjourney, мы рассчитывали, что нейросети помогут нам лучше понять, какие метрики можно использовать. А ещё помогут в построении макета дашборда и выборе цветовой палитры. Мы надеемся, что с помощью ИИ создавать аналитические отчёты станет проще, при этом качество их вырастет.

Итак, наша цель — построить дашборд для внутренней отчётности. Необходимо понять, какие метрики можно использовать, создать макет дашборда и выбрать для него цветовую палитру.

Решили начать с ChatGPT. Мы задавали вопросы нейросети, как будто строим дашборд с нуля.

Поехали.

Создавали структуру дашборда с помощью ChatGPT

Запросы для нейросети не готовили заранее — создавали по ходу диалога в зависимости от типа ответов, которые выдавал чат на предыдущий запрос. Наши обращения приходилось корректировать и уточнять, и в дальнейшем их можно использовать как основу для универсальных промтов в похожих задачах.

Начали с описания ситуации.

Сейчас я опишу ситуацию и задам несколько вопросов. Ко мне обратилась компания CRM-group, которая занимается CRM-маркетингом. Она помогает клиентам строить коммуникации компаниям со своими клиентами через различные каналы: email-рассылки, пуши, sms, viber. Нужно построить дашборд для руководителей и понять, с какими клиентами выгодно работать, какие работы выполняем, сколько часов тратим на работы.

Для начала неплохо. Предложенные метрики:

1. напрямую связаны с доходностью и эффективностью работы с клиентом;
2. помогают отслеживать, какие клиенты приносят больше всего дохода, сколько времени и ресурсов требуется для обслуживания разных клиентов и какова общая доходность инвестиций в работу с каждым клиентом;
3. позволяют компании оценить и оптимизировать усилия по взаимодействию с клиентами.

Однако, этих метрик недостаточно для полного представления о состоянии компании. Они раскрывают финансовые аспекты работы, но не показывают уровень удовлетворённости клиента, размер оттока, жизненную ценность и другие показатели, необходимые для понимания всех аспектов работы с клиентами.

Уточняем запрос.

Кажется, это не все метрики, которые нужно отслеживать. Подскажи ещё метрики, например, LTV.

Упомянув LTV, мы натолкнули ChatGPT на необходимость посмотреть и предложить продуктовые метрики, которые обеспечивают комплексное понимание работы с клиентами в контексте бизнеса. Они помогут понять:

1. степень финансового влияния каждого клиента на компанию;
2. сколько усилий команда тратит на поддержание отношений с клиентом;
3. стоимость поддержания отношений с каждым клиентом, которая включает в себя затраты на маркетинг, обслуживание и поддержку;
4. насколько эффективны инвестиции в отношения с каждым клиентом;
5. общий финансовый потенциал каждого клиента за весь период сотрудничества;
6. проблемы в удержании клиентов и возможные стратегии по их улучшению;
7. средний доход с каждого активного клиента;
8. ROI для каждого клиента.

Наша задача — проанализировать взаимодействия с уже существующими клиентами, их прибыльность, финансовые показатели и эффективность работы, поэтому этих показателей будет достаточно.

Теперь попробуем построить макет дашборда.

Давай попробуем построить дашборд с метриками:

— общий доход от клиента;

— средний доход от клиента;

— время, затраченное на работу с клиентом;

— расходы на клиента (Cost per Customer);

— ROI;

— LTV;

— Churn Rate;

— ARPU;

— маржинальность клиента.

Дополнительно нужно иметь возможность фильтровать эти показатели по периоду, отделам компании, по клиентам, сотрудникам.

Кажется, тут ChatGPT не справился. Он написал общие принципы построения дашбордов, а мы ожидали конкретные описания, как именно можно использовать и визуализировать каждую из указанных метрик, включая конкретные типы графиков, цветовые коды и форматы данных.

Пробуем уточнить запрос — поставить более конкретную цель.

Дашборд будет создаваться в Power BI. Разбей метрики на несколько групп, чтобы разделить дашборд на несколько страниц. Первой страницей будет главная, где приведены основные показатели эффективности.

Уже лучше. Нам нравятся первые две страницы по нескольким причинам:

1. Разбивка метрик по страницам помогает сделать информацию более структурированной и логичной — так легче воспринимать.
2. В предложенной структуре каждая страница соответствует определённой цели, что помогает лучше понять, как каждая метрика влияет на их достижение.
3. Для каждой метрики предложен подходящий тип визуализации (график, индикатор и так далее), что делает данные более наглядными и понятными.

Интересная идея сделать страницу с прогнозами, но для неё ChatGPT предложил мало метрик. Попробуем доработать.

Разбивку оставляем на первой и второй страницах, третью, пожалуйста, доработай. Одна метрика — это мало.

Будем считать, что у нас есть все данные для прогноза дохода и оттока клиентов. Также ChatGPT предложил сегментировать наших клиентов. Это тянет на отдельную страницу в нашем дашборде: RFM-анализ. Давайте узнаем всё про сегментацию.

По каким критериям можно сегментировать клиентов?

ChatGPT рассказал нам о разных сегментах, как Википедия. Мы бы хотели, чтобы он поддерживал диалог и рассказал о сегментах для нашего случая. Видимо, надо было задавать свой вопрос конкретнее.

Допустим, нас удовлетворили предложенные метрики для дашборда «Прогноз и стратегический анализ», который предназначен для отображения метрик, помогающих в прогнозировании и стратегическом анализе бизнеса. Выберем несколько из них.

Выберем «Сегментация по стоимости/доходности» и «Сегментация по этапу воронки продаж» и поместим на третьем дашборде. В третьем дашборде оставляем метрики:

— LTV (Lifetime Value);

— прогнозные показатели дохода;

— сегментация по стоимости/доходности;

— сегментация по этапу воронки продаж.

Итак, мы пришли к решению создать три дашборда. Метрики для каждого из них успешно выбрали. Теперь важно понять, как эти рассчитать эти метрики.

Вернёмся к первому дашборду. Сделай таблицу с метриками и их расчётами

Аналогично можно поступить с остальными метриками.

Теперь нужно сделать макет наших дашбордов. Понять, где расположить графики и элементы.

Сделай макет дашбордов. На первом уровне будут карточки — не больше шести штук.

С карточками определились.

Но мы бы хотелм получить более конкретное представление о том, как эти метрики и графики могут быть организованы, а не только перечисление карточек. Более подробное описание помогает увидеть более полную картину.

И загадочный второй уровень с интерактивными графиками или таблицами. Что же в него может входить?

Карточки оставляем. Раскрой, какие могут быть графики или таблицы во вторых уровнях.

В целом есть за что зацепиться. Например, нам подходят линейные и столбчатые графики, гистограммы и воронка продаж. Но нам не подходят тепловые карты и «ящики с усами».

Столбчатый график будет более наглядным, чем тепловая карта, способом представления данных — он позволяет быстро сравнивать показатели разных отделов.

А гистограмма покажет распределение маржинальности лучше, чем «ящик с усами»: будет понятно, какие значения маржинальности встречаются чаще всего, как они распределяются. И мы сможем сконцентрироваться на тех клиентах, которые приносят наибольшую прибыль.

И снова — уточним запрос.

Подумай ещё раз, может стоит что-то изменить?

В этот раз нейросеть предложила ещё менее подходящие варианты. Мы бы опять заменили типы диаграмм, например, радарную диаграмму на столбчатую или сводную таблицу с настроенным условным форматированием.

Несмотря на сложности, мы уверены, что с каждым новым запросом мы становимся ближе к получению нужного результата.

Наш опыт показал: даже если нейросеть не предоставляет идеальных результатов с первого раза, тщательное продумывание и максимальное уточнение запросов могут улучшить результаты. И грамотный, продуманный в каждом шаге диалог с нейросетью может привести к получению желаемого результата, делая её полезным инструментом в работе над аналитикой.

Подбирали цветовую схему для дашбордов

В целом уже ясно, какие графики и метрики мы можем использовать. Теперь хотелось бы подобрать цветовую схему.

Предложи цветовую схему для дашбордов учитывая цвета нового сайта https://crmgroup.ru/ и старого сайта https://emailsoldiers.ru/.

Цветовые сочетания — важный аспект дизайна, и то, насколько хорошо цвета смотрятся вместе, часто зависит от личного вкуса и контекста использования. Есть ощущение, что предложенные тёмно-синий и чёрный цвета будут практически не различимы, особенно на плохих мониторах, или насыщенными, особенно при использовании ярко-розового и оранжевого в качестве акцентных цветов.

Можно попробовать использовать более спокойные оттенки этих цветов или выбрать другие акцентные цвета, которые будут лучше сочетаться с основной голубой цветовой палитрой.

Цветовые сочетания также могут влиять на читаемость и восприятие информации. Например, чёрный текст на тёмно-синем фоне будет трудно читаемым, так что стоит использовать более светлые оттенки для фона или более светлые цвета для текста.

Но давайте попробуем создать макет в нейросети Midjourney. В идеале она должна сгенерировать макет дашборда с расположением карточек и графиков с представленными цветами.

Мы попробовали загрузить запрос, представленный ниже, но он выдавал ошибку. И пришла идея спросить у ChatGPT, в чём наша ошибка.

Использовали такой запрос в Midjourney:

«Dashboard Key Performance Indicators Top level Total customer revenue card Average customer revenue card Churn Rate card ARPU card (Average revenue per user) Filters Select period, department, employee and customer Second level time. A bar graph showing the number of new and lost customers in each month (linked to Churn Rate). Bar chart showing ARPU by department or employee. A bar chart showing the distribution of total customer revenue by department».

Но он не сработал и выдал ошибку. В чём она?

Наш запрос не соответствует структуре и синтаксису запросов. Тогда попросим ChatGPT сгенерировать корректный запрос для Midjourney.

Сгенерируй запрос для Midjourney на английском, чтобы он нарисовал макет первого дашборда. Добавь к запросу:

— интерактивные графики или таблицы;

— линейный график изменения общего дохода от клиентов во времени;

— столбчатый график, показывающий количество новых и ушедших клиентов в каждом месяце (связано с Churn Rate);

— столбчатую диаграмму, показывающую ARPU в разбивке по отделам или сотрудникам;

— столбчатую диаграмму, показывающую распределение общего дохода от клиентов по отделам.

Сработало! Забавно. Нейросеть делает запрос для другой нейросети.

Какие варианты предложила Midjourney и почему они нам не подошли

Вооружившись запросом, идём в Midjourney.

Это лишь малая часть обработанных запросов. Мы пытались менять текст и загружать свой макет, нарисованный от руки.

Как видно из макетов, Midjourney пока не может создавать структурированные шаблоны дашбордов — это когда у дашборда определённая макетная сетка.

Дашборд, построенный с использованием макетной сетки и разделением информации по уровням, также включает в себя позиционирование различных графиков, таблиц, кнопок и других компонентов интерфейса таким образом, чтобы обеспечить пользователю лёгкую навигацию и взаимодействие с дашбордом.

Midjourney, скорее всего, интерпретировала запросы по-своему, или она просто не может генерировать сложные шаблоны дизайна. Но её результаты можно использовать как отправную точку для дальнейшей работы и адаптации под конкретные потребности.

В создании дашбордов важно использовать языки программирования и запросов, такие как Power Query, SQL, DAX, R и Python. Они используются для обработки, анализа и визуализации данных.

Чтобы исследовать возможности ChatGPT, пробовали задавать различные вопросы, включая запросы на объяснение кода, его оптимизацию или доработку. И хотя с этими задачами нейросеть справляется, мы обнаружили, что для достижения наилучшего результата важно формулировать чёткие запросы и провести несколько итераций, задавая уточняющие вопросы.

Итог

ChatGPT можно использовать для:

1. генерации идей, выбора метрик для отчётов;
2. объяснения смысла формул: ChatGPT справился с этой задачей довольно неплохо;
3. оптимизации кода на SQL;
4. доработки формул на DAX и запросов на SQL;
5. добавления вычислений.

Midjourney можно использовать в качестве генератора цветовых схем для дашборда. Можем вдохновиться и создать похожий дизайн со своей структурой.

В результате с помощью нейросетей мы собрали вот такой дашборд:

Пример дашборда, собранного с помощью нейросетей

И вывод, к которому мы приходим после каждого взаимодействия с нейросетями: пока они не готовы заменить живых профессионалов, но всё больше будут востребованы специалисты, которые смогут быстро и профессионально составлять промты для нейросетей — это сделает ИИ не соперником, но эффективным помощником практически в любых задачах.