Чат-бот для данных отвечает на вопрос обычным языком быстрее, чем сотрудник откроет Excel и построит сводную таблицу сам, — запрос уходит к данным компании и возвращается с цифрой или короткой таблицей вместо файла для самостоятельного разбора. Руководитель отдела продаж спрашивает про продажи за месяц по менеджерам голосом или текстом, минуя формулу и ожидание отчёта от аналитика. Такой бот оправдан там, где вопросы по данным повторяются каждую неделю и ответ нужен быстрее, чем аналитик успевает открыть файл.
Как устроен вопрос-ответ
Чат-бот для данных превращает вопрос сотрудника в запрос к таблице или базе компании и возвращает ответ цифрой или короткой таблицей — без ручного открытия файла и без языка запросов на стороне человека.
Механика простая по шагам: сотрудник задаёт вопрос обычным языком, система переводит его в запрос к источнику данных, получает результат и оформляет ответ — цифрой, короткой таблицей или графиком, в зависимости от вопроса. Модель внутри переводит вопрос сотрудника в запрос к источнику данных, а сами цифры приходят напрямую из таблицы или базы: модель их подаёт читателю вместо того, чтобы придумывать на ходу.
Интерфейс для вопроса может быть разным — чат в Telegram, окно на внутреннем портале компании или голосовой ввод через тот же канал, что и остальные рабочие боты. Технически это деталь поверх одной и той же механики: вопрос, перевод в запрос к данным, ответ.
- «Продажи за март по менеджерам» — сводная цифра из CRM или выгрузки
- «Остатки по складу А ниже нормы» — фильтр по таблице с условием
- «Дебиторка старше 60 дней» — список строк с суммой по каждой
Два подхода к данным
Первый подход — бот работает поверх выгрузки: Excel-файл или таблица Google Таблиц, которую сотрудник или скрипт обновляет с заданной частотой. Модель отвечает по последней загруженной версии — скорость подключения высокая, а актуальность ответа держится на том, когда файл обновили в последний раз.
Второй подход — бот работает поверх живой базы: запрос переводится в SQL-подобный код через модель, а результат проверяется перед показом сотруднику. Здесь ответ актуален постоянно, зато настройка сложнее — нужна схема доступа, ограничение по таблицам и проверка сгенерированного запроса перед выполнением.
Часть компаний совмещает оба подхода: типовые ежедневные вопросы уходят к свежей выгрузке, а редкие и сложные — напрямую к базе с полной проверкой запроса перед выполнением. Разделение снижает нагрузку на живую базу и ускоряет ответ на частые вопросы. Оба подхода объединяет одно требование — источник данных обязан быть понятным человеку: если сотрудник задаёт вопрос, а ответ приходит без ссылки на таблицу или запрос, которым он получен, доверие к боту падает быстрее, чем растёт от первых удачных ответов.
| Критерий | Бот над выгрузкой | Бот над базой |
|---|---|---|
| Скорость подключения | высокая | ниже, нужна настройка доступа |
| Актуальность ответа | на момент выгрузки | в реальном времени |
| Риск ошибки в запросе | ниже, данные уже готовы | выше, требуется проверка запроса |
Где ломается логика
Одинаковое название колонки в разных отчётах компании путает модель раньше, чем сотрудник это замечает: «выручка» в одной таблице считается с налогом, а в другой — без, и оба поля называются одинаково.
Условный пример: два менеджера вводят регион клиента по-разному — «Москва» и «мск», — и бот считает их разными значениями, хотя человек сразу видит совпадение. Такие мелочи накапливаются в любой таблице, которую годами вели вручную.
- Неоднозначные названия полей — одно слово значит разное в разных таблицах
- Права доступа — риск, что сотрудник получит ответ по данным сверх своего уровня
- Устаревшая выгрузка — файл простаивает без обновления, а бот об этом молчит
- Составной вопрос — два условия сразу модель иногда путает местами
Проверка справочника имён и полей — отдельная короткая задача: раз в месяц кто-то из команды сверяет список активных сотрудников, товаров и статей с тем, что видит бот, и обновляет расхождения за один заход.
Сколько времени команда тратит на ручные выгрузки в месяц?
Как проверять точность
Бота проверяют так же, как нового сотрудника перед самостоятельной работой — заранее известными вопросами вместо доверия на слово.
- Составьте 20 вопросов, ответ на которые уже известен заранее
- Задайте их боту и запишите каждый ответ построчно
- Сравните с эталоном и посчитайте долю точных совпадений
- Отдельно разберите вопросы с ошибкой — где путается название поля, а где логика фильтра
- Повторите тест через месяц — данные и вопросы сотрудников меняются со временем
Ошибки теста делят на два типа: модель неверно поняла вопрос или верно поняла, а запрос к данным составила с изъяном. Первый тип чинят правкой словаря синонимов и подсказок для модели, второй — правкой логики запроса к источнику. Условный пример: руководитель отдела продаж за неделю задаёт вопросы про план, факт и лидеров по выручке — эти 20 вопросов и берут за основу первого теста, а дальше список расширяют под реальные запросы отдела.
Типовая ошибка теста — брать вопросы только про сегодняшние данные: бот выглядит точным, а через месяц список сотрудников или товаров меняется, и старая формулировка вопроса перестаёт совпадать с новым названием в таблице. Условный пример: в тесте фигурировал менеджер, который уволился спустя две недели, — вопрос «сколько продал Иванов» после этого возвращает пустой ответ там, где раньше была цифра. Это повод обновить справочник имён, а поломка модели тут ни при чём.
Права доступа и лог
Безопасность здесь держится на трёх правилах: бот читает данные, право их менять остаётся закрытым, доступ ограничен списком разрешённых таблиц, а каждый запрос попадает в лог с именем сотрудника и текстом вопроса.
За контуром закрепляют ответственного — обычно того, кто знает структуру таблиц или базы лучше остальных: он же разбирает жалобы на неточный ответ и обновляет список разрешённых источников по мере роста списка вопросов от отдела.
Похожая задача уже решена в статье про ИИ для анализа Excel и таблиц — там модель отвечает по конкретной таблице силами самого сотрудника, а чат-бот для данных из этой статьи добавляет слой интерфейса и права доступа поверх нескольких источников сразу, включая живую базу. Для аналитика, который строит дашборд из выгрузки CRM, ближе разбор в статье про дашборд из выгрузки CRM нейросетью.
Контур для чат-бота по данным компании собирают под конкретный набор таблиц и вопросов отдела — с чего начать и какие права настроить, разбираем на чат-ботах для бизнеса.