KI-Agenten für Self-Service-Analysen: Naturwein-Shop & Tagesbar in München

Schritt eins: Eine einheitliche Definition von Bestellungen über drei Systeme hinweg schaffen

Bevor wir uns mit den konversationsbasierten Funktionen befassen konnten, mussten wir zunächst die Grundlagen schaffen, von der alles Weitere abhängt. Denn das Kassensystem, GA4 und Eventbrite hatten jeweils ihre eigene Definition davon, was ein „Produkt“ ist, und es keines dieser Systeme war mit den anderen abgestimmt.

Um die Logik zu entwickeln, dass alle drei Systeme dasselbe unter einem Produkt, einer Bestellung und einer gemeinsamen Zeiteinheit verstehen, begannen wir in BigQuery und nutzen dbt. Darüber hinaus haben wir die zentralen Kennzahlen und Geschäftsbegriffe in der semantischen Schicht (Knowledge Graph) von Veezoo definiert – darunter Marge, Meldebestand, die genaue Definition einer Bestellung sowie die relevanten Datumsfelder. Veezoo übernimmt die dbt-Logik, und der Knowlege Graph enthält die Definitionen, sodass eine Kennzahl immer dasselbe bedeutet, egal ob sie aus einem Chat oder einem Dashboard (in Veezoo als „Canvases“ bezeichnet) stammt. 

Schritt zwei: Verstehen, was wichtig ist, bevor Berichte erstellt werden

Mit dem aufgebauten Datenmodell haben wir die Daten zunächst konversationsbasiert erkundet, anstatt Berichte vorab zu definieren. Durch die Auswertung der gestellten Fragen in Veezoo konnten wir erkennen, auf welche Themen und Fragestellungen das Team immer wieder zurückkam. Daraus entstanden die „Canvases“ bzw. Dashboards.

Bei diesem Vorgehen kamen auch Aspekte zum Vorschein, die in den Berichten zuvor nicht berücksichtigt worden waren. Die „Korkgebühr“ – die Gebühr für das Trinken einer vor Ort gekauften Flasche – ist ein Einzelposten in den Kassendaten. Durch die Verknüpfung mit den anderen Produkten derselben Bestellung wurde sichtbar, welche Flaschen die Gäste vor Ort öffnen, anstatt sie mit nach Hause zu nehmen. Dies ist somit eine Information, die das Quellsystem bisher überhaupt nicht lieferte. 
 

Das Ergebnis: Self-Service-Analysen, auf die man sich verlassen kann

Nachdem die Grundlagen geschaffen wurden, ist das Team von Forever Thirsty nun in der Lage mit den Daten zu interagieren, Visualisierungen zu erstellen und somit tief in die Daten einzutauchen.

Das Team erhält Antworten, ohne SQL-Abfragen schreiben zu müssen: Vergleich von Marge und Umsatz zwischen Bar und Shop, fundierte Nachbestellentscheidungen durch den Abgleich von Absatzvolumen und Marge sowie Analysen zum Korkgeld, die zeigen, welche Flaschen vor Ort geöffnet und konsumiert werden, anstatt mit nach Hause genommen zu werden.

Für wiederkehrende Fragen wurden Agenten auf derselben semantischen Ebene eingerichtet:

• Ein Agent vergleicht den monatlichen Nettoumsatz mit dem Zielwert; wenn ein Monat hinter den Erwartungen zurückbleibt, öffnet er selbstständig ein Dashboard zur Ursachenanalyse und fasst die Ergebnisse zusammen.

   

• Ein anderer, der „Journey Friction“-Agent, markiert Stellen, an denen GA4-Sitzungen nach der Landing-Page an Schwung verlieren, und liefert eine kurze Diagnose: Muster, wahrscheinliche Ursache, nächster Schritt, gekennzeichnet durch eine Konfidenzbewertung.

Beide werden nach einem festen Zeitplan ausgeführt und landen im E-Mail-Postfach oder in Slack des Teams.

Um die Qualität der Ergebnisse zu verbessern, wurden zusätzliche Kontextdateien hinzugefügt. Diese enthalten genauere Information zu Forever Thirsty, darunter die Unternehmensgeschichte, die Vision sowie strategische Ziele des Unternehmens. Darüber hinaus wurden dem Agenten klare Vorgaben hinsichtlich der Formatierung, Antwortlänge, Dezimalstellen Diagrammerstellung und weiteren Ausgabestandards mitgegeben.

Insbesondere bei mehrstufigen Ursachenanalysen zeigte sich, dass der Agent leicht den Fokus verlieren und eine Vielzahl von Diagrammen erzeugen konnte. Nach einigen Iterationen und gezielten Anpassungen, konnten wir dieses Verhalten deutlich verbessern und konnten schließlich die gewünschten Ergebnisse erzielen.

Beispiel des Agenten:

Beispiel der Ergebnisse in der Veezoo Benutzeroberfläche:

Zukunftssicher aufgestellt: Von Self-Service-Analytics zu proaktiven Analysen

Das Ergebnis ist weit mehr als nur eine Sammlung von Dashboards. Analysen können nun sowohl in Dashboards als auch in konversationsbasierten Abfragen auf dieselben Kennzahlen und Definitionen zurückgreifen.

Durch die Nutzung zeitgesteuerter KI-Agenten wird das Team effizienter und muss die Berichte nicht mehr manuell prüfen, sondern erhält proaktiv Erkenntnisse genau dann, wenn Maßnahmen erforderlich sind.

Auch fortgeschrittenere Anwendungsfälle können nun umgesetzt werden, ohne dass die Geschäftslogik jedes Mal neu in einem separaten Bericht erstellt werden muss. Dazu gehören beispielsweise eine automatische Überwachung von Schwellenwerten und Anomalien sowie prognosegestützte oder Was-wäre-wenn-Analysen. 

Somit wird Analytics von einer externen Dienstleistung zu einer Fähigkeit, die das Team selbst beherrscht: Neue Fragestellungen können konversationsbasiert erkundet werden, wiederkehrende Analysen laufen proaktiv im Hintergrund, und auf Basis des zentral gesteuerten Datenmodells können zunehmend komplexere Analysen aufgebaut werden.

Lassen Sie uns gemeinsam herausfinden, wie wir bei Ihrem Projekt unterstützen können!

Kontaktieren Sie uns