ЗАДАЧА
Необработанные журналы активности скрывают значимые действия пользователей. Аналитикам нужен доступ к детальным событиям и возможность задавать вопросы на естественном языке, получая структурированные и интерпретируемые результаты.
Проект: Natural-Language Analytics for User Activity. B2B SaaS-клиент анонимизирован.
МОЙ ВКЛАД
Разработал очистку событий и классификацию действий, агрегацию, поиск motifs, clustering, change-point analysis, LLM annotation и Text-to-SQL эксперименты.
РЕШЕНИЕ
• Event processing и интерпретируемые поведенческие представления.
• Similarity analysis, embeddings и clustering.
• Tool-calling agents для доступа к аналитическим данным.
• Переход от ненадёжного agentic API-calling к Text-to-SQL.
• Schema linking, генерация SQL и agent-based error correction.
ТЕХНОЛОГИИ
Python, SQL, clustering, time-series methods, embeddings, tool calling, Text-to-SQL.
РЕЗУЛЬТАТ
• Получены интерпретируемые паттерны активности пользователей.
• Text-to-SQL достиг 90% точности в соответствующем исследовательском проекте.
• PoC выбран для реализации и подготовки к production.
ПРАКТИЧЕСКАЯ ЦЕННОСТЬ
От вопросов на естественном языке — к SQL-запросам и структурированной аналитике. Обработка шумных событий делает поведенческие данные понятнее и полезнее для принятия решений.
Мой вклад: R&D обработки событий, поведенческая аналитика, Text-to-SQL, schema linking и исправление ошибок SQL. Клиентские данные и личности участников анонимизированы.