Kortversion: En chattbot som hittar dokument och ett analysflöde som förklarar varför försäljningen ändrades löser två olika problem. Definiera därför metricen och analysfrågan först, låt beräkningen ske nära styrd data och kräv mänsklig granskning innan resultatet blir en affärsåtgärd.
AI kan formulera ett övertygande svar även när frågan, datan eller jämförelsen är oklar. För svenska bolag är därför den viktigaste designfrågan inte vilken modell som skriver bäst, utan hur en verksamhetsfråga blir en spårbar analys.
Googles nya funktioner för utökad analys i BigQuery är ett aktuellt exempel. De kan hitta förändringspunkter, möjliga drivare, trend, säsong, samband och kontrafaktisk effekt. Det intressanta även utanför Google Cloud är arbetsordningen: först en definierad fråga och en kontrollerbar beräkning, därefter en begriplig AI-förklaring.
Kunskapsfråga eller analysfråga?
”Vad säger vår prismodell?” är i grunden en kunskapsfråga. Där kan en välskött kunskapsbas, tydliga dokument och en språkmodell fungera bra.
”Varför föll konverteringen förra veckan?” är något annat. Det är en analysfråga. Ett användbart svar kräver en beslutad definition, rätt tidsfönster, behörighetsstyrd data, en metod som passar påståendet och en människa som avgör om svaret ska leda till handling.
- Definition: Vad räknas som konvertering, intäkt eller aktiv kund?
- Jämförelse: Är frågan vecka mot vecka, samma period föregående år eller före och efter en insats?
- Datagräns: Vilka tabeller, vyer och dimensioner får analysen använda?
- Metod: Letar vi efter en förändring, en möjlig drivare, ett samband eller en kausal effekt?
- Beslut: Vem granskar underlaget innan pris, budget eller kundkommunikation ändras?
Vad BigQuery-exemplet faktiskt visar
Den 14 september 2026 presenterade Google sex table-valued functions för utökad analys i BigQuery. Funktionerna körs där datan redan finns och ger strukturerad SQL-output som kan kedjas i ett undersökande arbetsflöde eller användas av en konversationsagent.
Det är en konkret produktnyhet, inte ett löfte om att varje verksamhet ska flytta sin data till BigQuery. Men uppdelningen visar varför ett språkgränssnitt och en analysmotor bör vara två skilda delar av samma lösning.
- ML.DETECT_CHANGE_POINTS: identifierar när en metric ändrar nivå eller mönster.
- AI.KEY_DRIVERS: pekar ut vilka dimensioner eller segment som bidrar mest till en skillnad.
- AI.CAUSAL_EFFECT: jämför observerat utfall med en beräknad kontrafaktisk baslinje.
- ML.TREND och ML.SEASONALITY: skiljer långsiktig riktning från återkommande cykler och kortsiktigt brus.
- ML.CORRELATION: mäter riktning och styrka i samband mellan numeriska mått.
En bättre arbetsordning för verksamhetsdata
1. Definiera metricen innan ni öppnar chatten
Skriv ned vad som räknas och vad som inte räknas. ”Aktiv kund” kan betyda inloggning, köp, genomförd order eller fakturerat belopp. Om definitionen byts mitt i analysen blir alla senare svar svåra att jämföra.
Gör också tidsfönstret explicit. En vardaglig fråga kan annars bli flera olika analyser med helt olika slutsatser.
2. Analysera nära den styrda datan
För data som redan ligger i ett datalager finns det ofta skäl att låta filtrering, sammanställning och beräkning ske där. Det minskar onödiga exporter, bevarar befintliga behörigheter och ger ett query-spår att granska i efterhand.
Det betyder inte att en agent behöver bred åtkomst. Skapa hellre en avgränsad vy eller en godkänd semantisk modell med just de dimensioner och metrics som frågan kräver.
3. Matcha analysformen mot påståendet
- ”Något ändrades” kräver en kontroll av förändringspunkt eller trend.
- ”Segment X bidrog mest” kräver en analys av drivare.
- ”Kampanjen orsakade lyftet” kräver en starkare kontrafaktisk metod, inte bara en kurva.
- ”X och Y rör sig tillsammans” beskriver ett samband och är inte automatiskt ett orsakssamband.
När språket i frågan matchas mot analysformen blir det lättare att veta vad AI:n faktiskt får säga. En lösning kan till exempel formulera ”möjlig drivare” när utfallet är en attribution, men reservera ”orsakade” för ett resultat vars antaganden och data har granskats.
4. Låt en människa godkänna affärsåtgärden
En analys som pekar ut mobiltrafik, en region eller en produktkategori som förklaring är en startpunkt. Den är inte en automatisk instruktion att ändra pris, stoppa en kampanj eller prioritera om ett team.
AI sparar mest tid när den snabbar upp undersökningen, inte när den hoppar över ansvar.
- Är metricen korrekt definierad?
- Är datan komplett för perioden?
- Finns en känd systemändring, trackingbugg eller extern händelse som analysen inte fångar?
- Är den föreslagna åtgärden reversibel och kan effekten mätas?
Ett exempel: varför gick intäkten upp?
Anta att intäkten steg kraftigt efter en ny onboarding. Ett bra arbetsflöde börjar inte med att be en chattbot hitta en berättelse. Det börjar med en serie kontroller som separerar observation, attribution och beslut.
- Kontrollera förändringen. Avgör om uppgången är en bestående brytpunkt, säsong eller en enskild veckoeffekt.
- Bryt ned utfallet. Jämför kanal, land, kundtyp och produktplan.
- Pröva en baslinje. Kontrollera vad som rimligen hade hänt utan förändringen och vilka andra händelser som inträffade samtidigt.
- Beskriv evidensen i nivåer. Särskilj vad som ändrades, vilka segment som bidrar och vad som fortfarande måste testas.
- Låt ansvariga besluta. Produkt- och ekonomiansvariga väljer nästa experiment eller åtgärd.
Krav att ställa innan ni köper eller bygger
När en leverantör visar en AI-assistent för affärsdata bör frågorna tvinga fram den tekniska verkligheten bakom det smidiga gränssnittet.
- Vilka tabeller, vyer och metrics kan verktyget läsa?
- Kan åtkomst begränsas per roll och per frågetyp?
- Sparas frågan, den genererade queryn, resultatet och metodvalet för revision?
- Kan systemet skilja mellan faktiska värden, statistiska samband och kontrafaktiska uppskattningar?
- Kan rekommenderade åtgärder stoppas eller godkännas innan de når en operativ kanal?
- Vad händer när datakvalitet, tracking eller metricdefinitioner ändras?
Om svaren saknas är produkten sannolikt ett snyggt frågegränssnitt ovanpå en oklar dataprocess. Det kan vara användbart för utforskning, men bör inte ensamt bli beslutsunderlag för prissättning, budget eller kundkommunikation.
Slutsats
Den hållbara modellen för AI och verksamhetsdata är inte ”fråga chatten allt”. Den är: definiera måttet, analysera nära den styrda datan, välj rätt metod för påståendet och låt en ansvarig person äga beslutet.
Googles nya BigQuery-funktioner gör modellen konkret för BigQuery-användare. För andra svenska företag är lärdomen mer generell: en AI-assistent blir trovärdig först när den kan visa vilken fråga den undersökte, på vilket data och med vilken metod.