Market-Research-Daten nur über manuelle SQL-Analysen zugänglich
Ein international tätiger Automobilhersteller hat über mehr als 15 Jahre eine umfassende interne Market-Research-Datenbank aufgebaut. Sie enthält Fahrzeugdaten, Markeninformationen, Modellbezeichnungen sowie zahlreiche technische und marktbezogene Merkmale.
Die Herausforderung lag nicht im Datenbestand, sondern in dessen Nutzung. Wenn interne Stakeholder eine spezifische Fragestellung hatten, etwa zu bestimmten Fahrzeugkategorien oder Ausstattungsmerkmalen, wurde die Anfrage manuell bearbeitet. Die zuständige Einheit analysierte die Daten, identifizierte relevante Spalten, erstellte eine SQL-Abfrage und generierte anschließend eine geeignete Visualisierung.
Dieser Prozess band regelmäßig mehrere Stunden Arbeitszeit pro Anfrage. Gleichzeitig erfolgte die Bearbeitung zusätzlich zum Tagesgeschäft, wodurch andere fachliche Themen zurückgestellt werden mussten. Die Datenbasis war leistungsfähig, der Zugriff darauf jedoch nicht skalierbar organisiert.
Das Vorgehen
Automatisierte SQL-Generierung und Visualisierung durch KI-System
Ziel war ein System, das Anfragen in natürlicher Sprache verarbeitet und automatisch in strukturierte Auswertungen überführt. Nutzer sollten Fragen so formulieren können, wie sie diese bislang intern gestellt haben. Das System sollte daraus eigenständig eine valide Datenabfrage und eine passende Visualisierung erzeugen.
Zu Beginn wurde ein vorhandener Prototyp analysiert. Dieser übergab dem Sprachmodell lediglich einen stark begrenzten Ausschnitt des Datensatzes. Gerade bei überwiegend kategorischen Daten wie Antriebsarten oder Kraftstofftypen führte dies zu unvollständigem Kontext und damit zu unzuverlässigen Ergebnissen.
Gemeinsam mit dem Kunden entwickelte CGI eine eigenständige Lösung auf Basis von Python und Langchain innerhalb der bestehenden Microsoft-Azure-Infrastruktur des Kunden. Die eingesetzten OpenAI-Modelle wurden über Azure bereitgestellt, sodass sämtliche Verarbeitung in der geschützten Umgebung des Unternehmens erfolgt.
Kern der Lösung ist ein sequenzielles Multi-Agenten-System. Ein erster Agent analysiert die Nutzeranfrage inhaltlich und identifiziert benötigte Datenfelder sowie die gewünschte Auswertungslogik. Ein zweiter Agent generiert daraus eine präzise SQL-Abfrage und erstellt das passende Datenset. Ein dritter Agent definiert die Struktur der Visualisierung in Form klarer Parameter. Eine nachgelagerte Visualisierungskomponente erzeugt daraus das Diagramm und speichert es in einem Storage-Account. Jede generierte Auswertung wird versioniert abgelegt und ist über einen Link referenzierbar.
Die Ergebnisse
Skalierbare Datenvisualisierung per Chat-Interface
Der Automobilhersteller verfügt nun über ein Chat-basiertes Interface, das komplexe Datenabfragen automatisiert verarbeitet und als Visualisierung bereitstellt. Anfragen, die zuvor mehrere Stunden manuelle Analyse erforderten, können nun direkt als Dialog formuliert werden.
Die Market-Research-Einheit wird spürbar entlastet, da sie nicht mehr jede einzelne Visualisierung selbst erstellen muss. Gleichzeitig entsteht Transparenz über Nutzung und Umfang der generierten Auswertungen, da sämtliche Ergebnisse zentral gespeichert werden.
Die über Jahre aufgebaute Datenbank wird damit operativ nutzbar. Der Zugriff auf Fahrzeug- und Marktdaten ist skalierbar organisiert und deutlich effizienter gestaltet.
