Как Tableau создала систему агентной аналитики внутри Salesforce: четырехкомпонентная структура для B2B в РФ и СНГ

Короткий ответ: Tableau разработала внутреннюю систему агентной аналитики («Customer Zero»), которая помогла выстроить governance, trust и operational visibility перед выводом продукта на рынок.

В октябре 2026 года Tableau опубликовала подробный пост о том, как они построили систему агентной аналитики для собственных сотрудников Salesforce, прежде чем предлагать её клиентам. Этот опыт особенно ценен для B2B-компаний в РФ и СНГ, которые сталкиваются с аналогичными вызовами при внедрении ИИ‑агентов в продажи, маркетинг, HR, финансы и поддержку.

Почему agentic analytics требует особого подхода

По данным Tableau, при масштабировании корпоративной аналитики ключевым барьером становится не доступность данных, а необходимость обеспечить точность, строгое управление и предсказуемую стоимость при работе с тысячами пользователей. Традиционные BI‑инструменты предполагают, что человек формулирует запрос и интерпретирует результат. В agentic analytics автономные ИИ‑агенты принимают решения о том, какие данные запрашивать, какие анализы выполнять и как представлять выводы. Это создает новые риски:

• Галлюцинации и неточность выводов из‑за недостаточного контекста или устаревших данных.
• Неконтролируемый рост расходов на вызовы больших языковых моделей (LLM).
• Сложность аудита и证明 соответствия регуляторным требованиям (например, 152‑ФЗ о персональных данных).
• Сложность интеграции с существующими системами управления данными и BI‑платформами.

Четырёхкомпонентная framework от Tableau

Чтобы решить эти проблемы, Tableau выработала четырехкомпонентную структуру, которую они применили внутри собственной организации («Customer Zero») перед выпуском продукта. Каждый компонент решает конкретный аспект доверия и управляемости agentic analytics.

1. Semantic governance (семантическое управление)

Семантическое governance подразумевает создание единого источника truth для бизнес‑метрик, определений и логики расчетов. Все агенты обращаются к этому слою, чтобы получать одинаковые интерпретации терминов вроде «LTV», «конверсия лида» или «стоимость привлечения клиента».

На практике это означает:

• Создание централизованного репозитория метаданных (например, в виде dbt‑моделей или слой семантики в данных倉庫).
• Определение вычислительных правил один раз и их повторное использование всеми агентами.
• Версионирование изменений, чтобы можно было откатываться при ошибках.
• Автоматическое проверка согласованности определений между отделами.

2. AI content controls (контроль ИИ‑содержимого)

Даже с идеальными данными LLM могут генерировать выводы, которые нарушают внутренние политики, содержат конфиденциальную информацию или просто нерелевантны. Tableau внедрило многослойную систему проверки:

• Пре‑промпт фильтрация — удаление конфиденциальных данных из запросов к LLM.
• Пост‑генерация проверка на соответствие правилам тона, стилю и отсутствию запрещенных тем.
• Использование классификаторов для обнаружения потенциальных галлюцинаций путем сравнения с проверенными фактами из семантического слоя.
• Возврат агенту сигнала о необходимости переформулировать запрос или уточнить контекст.

3. Operational visibility (операционная видимость)

Для управления стоимостью и качества необходимо видеть, как агенты используются в реальном времени. Tableau построили дашборды, которые отслеживают:

• Количество запросов к LLM по отделам и типам агентов.
• Среднюю стоимость токенов и общие расходы в день/неделю.
• Процент запросов, требующих вмешательства человека из‑за низкой уверенности агента.
• Время от запроса до получения ответа (латентность).
• Распределение тем запросов (например, доля запросов о продажах против HR).

Эти метрики позволяют быстро обнаруживать аномалии, такие как внезапный рост стоимости из‑за неэффективного промпта, и принимать корректирующие меры.

4. Cost management (управление стоимостью)

Последний компонент — механизмы предотвращения неконтролируемого роста расходов. Tableau внедрило:

• Квоты на количество токенов или запросов в день для каждого подразделения.
• Система оповещений при приближении к лимиту (например, 80% от квоты).
• Возможность автоматического перехода на более дешевую модель LLM для простых задач.
• Ежемесячный review использования с возможностью корректировки квот на основе реальной потребности.

Практические шаги для компаний РФ и СНГ

Для внедрения подобной системы в российских B2B‑компаниях рекомендуется следовать следующему плану, адаптированному под местные реалии и регуляторные требования.

Шаг 1. Оценка готовности и выбор пилотного проекта

Начните с аудита текущего использования аналитики и выявления областей, где агентный подход может дать наибольший эффект. Хорошими кандидатами для пилота являются:

• Автоматизация еженедельных отчетов по продажам для региональных менеджеров.
• Агент‑помощник для HR‑отдела, отвечающий на частые вопросы о политиках и процедурах.
• Финансовый аналитик, который готовит предварительные расчеты бюджета на основе исторических данных.

Определите четкие KPI для пилота: сокращение времени подготовки отчетов, повышение удовлетворенности пользователей, снижение количества ошибок в ручных расчетах.

Шаг 2. Построение семантического слоя

Инвестируйте в создание централизованного репозитория бизнес‑логики. Это может быть:

• Набор dbt‑моделей, которые преобразуют сырые данные в готовые метрики.
• Слой семантики в платформе типа Snowflake, где определены представления и функции.
• Кастомный API‑сервис, который предоставляет согласованные расчеты по запросу.

Важно вовлечь владельцев данных из каждого отдела (продажи, маркетинг, HR, финансы) в процесс определения метрик, чтобы обеспечить их принятие и поддержку.

Шаг 3. Выбор и настройка LLM‑платформы

Выберите модель, которая балансирует качество и стоимость. Для многих корпоративных задач достаточно моделей среднего размера (например, Llama 3 70B или специализированные эмбеддинг‑модели для retrieval). Убедитесь, что платформа поддерживает:

• Контроль доступа и аудит запросов.
• Возможность тонкой настройки под вашу терминологию (опционально).
• Интеграцию с вашими системами мониторинга (Prometheus, Grafana).

Шаг 4. Внедрение AI content controls

Даже если вы используете готовые решения typu Guardrails AI или NeMo Guardrails, адаптируйте их под ваши внутренние политики:

• Создайте список запрещенных тем для обсуждения с агентами (например, обсуждение внутренних реструктуризаций до официального объявления).
• Определите шаблоны безопасного вывода для часто задаваемых вопросов.
• Настройте логирование всех промптов и ответов для последующего анализа.

Шаг 5. Настройка мониторинга и алертингов

Используйте открытые решения для сбора метрик:

• OpenTelemetry для трассировки вызовов LLM.
• Prometheus для хранения метрик количества токенов, задержки и частоты ошибок.
• Grafana для визуализации дашбордов, доступных руководителям отделов.

Настройте оповещения о превышении дневной квоты токенов или росте процента галлюцинаций выше допустимого порога.

Шаг 6. Обратная связь и итеративное улучшение

Агентная аналитика — не проект «раз и навсегда». Запланируйте регулярные спринты по:

• Сбору обратной связи от конечных пользователей через простые опросы в интерфейсе агента.
• Анализу логов на предмет часто неудачных запросов и улучшению промптов.
• Обновлению семантического слоя при изменении бизнес‑правил (например, новые условия оплаты или изменение расчетов бонусов).
• Пересмотру квот и распределения ресурсов на основе реального использования.

Внутренние ссылки по практике Unlim Group

Подробнее о подготовке данных для агентов читайте в статье AI‑агенты для автоматизации работы с текстом в продажах, маркетинге, HR, финансах и поддержке.

Оценка эффективности агентов в поддержке описана здесь: Как оценивать AI‑агентов для службы поддержки: выходящие за метрики критерии для B2B в РФ и СНГ.

О organizational readiness смотрите в материале: Организационная готовность к AI‑агентам: пять уровней зрелости для B2B в РФ и СНГ.

По практике Unlim Group важно начинать с пилотного проекта в одном департаменте, фиксировать базовые метрики и только после этого масштабировать решение по компании.

Дополнительные рекомендации по обеспечению соответствия локальному законодательству

При работе с персональными данными в РФ и СНГ необходимо учитывать требования 152‑ФЗ «О персональных данных». При построении семантического слоя и обучении агентов следует:

• Минимизировать использование персональных данных в обучающих выборках для LLM, если это не абсолютно необходимо для конкретного использования.
• Обеспечить возможность удаления данных по требованию субъекта персональных данных (право на забвение) в системе хранения, связанной с агентом.
• Вести журнал обработки персональных данных агентами и обеспечивать доступ к этому журналу уполномоченному лицу по защите персональных данных.
• Проводить регулярный аудит мер защиты персональных данных в системе agentic analytics.

Заключение

Агентная аналитика становится конкурентным преимуществом для компаний, которые смогут выстроить доверие к ИИ‑решениям через прозрачное управление и контроль качества. Опыт Tableau показывает, что даже без massive инвестиций можно достичь значимых результатов, сосредоточившись на governance и видимости. Для B2B‑компаний в РФ и СНГ ключевым является адаптация фреймворка под местные регуляторные требования и постепенное внедрение с акцентом на измеримые результаты.

Хотите так же автоматизировать процессы в своём отделе с ИИ?

Обсудить автоматизацию — ai.unlimgroup.ru

Обсудить автоматизацию для вашего отдела

Оставьте контакт — свяжемся в рабочее время и уточним задачу.

Даю согласие на обработку персональных данных и принимаю условия политики

Оставить заявку