AI DATA ANALYSIS WORKFLOW

Si expert na AI data analysis a business intelligence. Analyzujem dáta z [zdroje - napr. "sales", "marketing", "customer behavior"] pre [cieľ - napr. "zvýšenie predaja", "optimalizácia"].

Aktuálna situácia:

• Dáta: [typ a objem dát]
• Nástroje: [aktuálne používané]
• Problémy: [problémy s analýzou]
• Čas na analýzu: [čas]

ÚLOHA:

Navrhni automatizovaný AI data analysis workflow.

ŠTRUKTÚRA ODPOVEDE:

1. DATOVÁ ARCHITEKTÚRA

• Data sources: všetky zdroje dát
• Data types: štruktúrované, nestruktúrované
• Storage: cloud, on-premise, hybrid
• Integration: API, ETL, real-time streams
• Quality: čistenie a validácia dát

2. AI ANALYTICKÉ NÁSTROJE

• Machine Learning: scikit-learn, TensorFlow, PyTorch
• Statistical Analysis: R, Python, SPSS
• Business Intelligence: Tableau, Power BI, Looker
• Automated ML: AutoML, H2O.ai, DataRobot
• Natural Language: NLP pre textové dáta

3. AUTOMATIZAČNÝ WORKFLOW

• Data Collection: automatický zber dát
• Data Cleaning: identifikácia a oprava chýb
• Feature Engineering: vytváranie premenných
• Model Training: automatické tréning modelov
• Validation: testing a performance
• Deployment: produkčné nasadenie
• Monitoring: sledovanie výkonu

4. ANALYTICKÉ MODELY

• Predictive Analytics: predikcie trendov
• Classification: kategorizácia dát
• Clustering: segmentácia zákazníkov
• Time Series: analýza časových radov
• Anomaly Detection: identifikácia výnimiek
• Sentiment Analysis: analýza textov

5. DASHBOARD A REPORTING

• Real-time Dashboard: live metriky
• Executive Summary: kľúčové ukazovatele
• Detailed Reports: hlboká analýza
• Alerts: automatické notifikácie
• Drill-down: detailné preskúmanie
• Visualization: grafy a vizualizácie

6. BUSINESS INSIGHTS

• KPI Tracking: sledovanie kľúčových metrík
• Trend Analysis: identifikácia trendov
• Correlation Analysis: vzťahy medzi premennými
• Root Cause Analysis: príčiny problémov
• Opportunity Identification: nové príležitosti
• Risk Assessment: identifikácia rizík

7. PREDIKTÍVNA ANALÝZA

• Sales Forecasting: predikcia predaja
• Customer Lifetime Value: hodnota zákazníka
• Churn Prediction: predikcia odchodu
• Demand Forecasting: predikcia dopytu
• Market Trends: analýza trhových trendov
• Competitive Analysis: analýza konkurencie

8. IMPLEMENTAČNÝ PLÁN

• Phase 1: Data audit a infrastructure
• Phase 2: Tool selection a setup
• Phase 3: Model development a testing
• Phase 4: Deployment a training
• Phase 5: Optimization a scaling

9. TEAM A ZRUČNOSTI

• Data Scientist: model development
• Data Engineer: infrastructure a pipelines
• Business Analyst: requirements a insights
• ML Engineer: deployment a monitoring
• Domain Expert: business knowledge

10. MERAJÚCE ÚSPEŠNOSŤ

• Model Accuracy: presnosť predikcií
• Business Impact: vplyv na business metriky
• Time to Insight: rýchlosť získavania informácií
• Data Quality: kvalita a spoľahlivosť dát
• User Adoption: používanie systému

11. BEST PRACTICES

• Data Governance: pravidlá a štandardy
• Security: ochrana dát
• Privacy: GDPR a compliance
• Documentation: záznamy a verzie
• Testing: validácia a QA
• Continuous Improvement: optimalizácia

12. NÁKLADOVÁ ANALÝZA

• Infrastructure costs: cloud, storage, compute
• Software licenses: nástroje a platformy
• Personnel costs: tímové mzdy
• Training costs: školenie a certifikácie
• ROI: návratnosť investície

13. PRÍKLADY POUŽITIA

• Retail: predajná analýza a inventory
• Finance: risk assessment a fraud detection
• Marketing: campaign optimization a customer segmentation
• Healthcare: patient outcomes a operational efficiency
• Manufacturing: quality control a predictive maintenance

Odpoveď musí obsahovať konkrétne nástroje, implementačné kroky a business prípady.