Analiza danych z AI bez czekania na analityka
Dane siedzą w CRM, systemie księgowym, sklepie, arkuszach i Analyticsie, a odpowiedź na jedno pytanie zarządu zajmuje dwie godziny eksportów. Zbieramy je do jednej bazy, czyścimy i podłączamy dashboard, który aktualizuje się sam. Na tym stawiamy agenta AI, który odpowiada na pytanie o liczby w 5 do 10 sekund, bez otwierania żadnego systemu.
- 10 do 20tyle miejsc z danymi znajdujemy zwykle na warsztacie w firmie B2B: CRM, księgowość, sklep, Analytics, arkusze, skrzynka
- 5 do 10 sekundtyle trwa odpowiedź agenta AI na pytanie o liczby, zamiast dwóch godzin eksportów i sklejania arkusza
- 2 do 4 tygodniod warsztatu do bazy, pipeline'u i pierwszego dashboardu na Waszych danych, aktualizowanego automatycznie
Problem
Dlaczego odpowiedź na proste pytanie o liczby zajmuje dwie godziny?
Prezes pyta, jak idzie sprzedaż w tym kwartale wobec poprzedniego. Analityk otwiera CRM, eksportuje dane do arkusza, loguje się do systemu księgowego po faktury, dokłada leady z kampanii z Analyticsa i koszty z narzędzia reklamowego. Dwie godziny później raport jest gotowy, ale od końca kwartału minęło pół miesiąca i decyzje poszły już bez danych.
Na warsztacie znajdujemy zwykle od 10 do 20 miejsc, w których firma trzyma dane: CRM, system księgowy, sklep, Analytics, narzędzia reklamowe, system zadań, skrzynka i arkusz, który po cichu pełni rolę drugiego CRM. Każde z nich odpowiada na inne pytanie i żadne nie widzi całości. Żeby odpowiedzieć na jedno pytanie biznesowe, ktoś musi otworzyć kilka paneli, wyeksportować, połączyć ręcznie i policzyć.
Dane, które w końcu udało się zebrać, rzadko są czyste. W badaniu opublikowanym w Harvard Business Review, w którym 75 menedżerów oceniło dane własnych działów, tylko 3 procent zbiorów spełniło podstawowy próg jakości, a średnio 47 procent nowo utworzonych rekordów miało co najmniej jeden błąd wpływający na pracę. Dashboard postawiony na takich danych myli szybciej niż arkusz, bo wygląda poważnie.
- Zarząd decyduje na podstawie raportu, który opisuje stan z zeszłego miesiąca
- Analityk spędza dwie godziny na eksportach, zamiast na analizie
- Sprzedaż i finanse przychodzą na to samo spotkanie z dwiema różnymi liczbami przychodu
- Spadek konwersji widać na przeglądzie kwartału, a nie w tygodniu, w którym się zaczął
Dlaczego teraz
Co się zmieniło, że hurtownia danych nie jest już projektem na kwartał?
BigQuery to hurtownia danych od Google, która nie ma serwera do utrzymania. Skaluje się sama, obsługuje petabajty, a dla większości firm B2B rachunek wynosi kilka do kilkunastu dolarów miesięcznie, bo płaci się za przetworzone dane, nie za gotowość maszyny. Ten sam efekt jeszcze kilka lat temu wymagał zakupu sprzętu i osoby, która go pilnuje.
Druga zmiana to interfejsy. CRM, system księgowy, BaseLinker, Allegro, Analytics i Search Console mają API, z którego dane da się zabrać w harmonogramie albo w reakcji na zdarzenie. Pipeline w Make, n8n albo we własnej integracji robi to bez człowieka, więc etap „ktoś musi wyeksportować” po prostu wypada z procesu.
Trzecia zmiana to agent AI. Dashboard odpowiada na pytania, które ktoś przewidział, gdy go budował. Pytanie „czemu marża w lipcu spadła akurat w tym segmencie” nie było na tej liście. BOND, nasz firmowy agent AI, sam pisze zapytanie do bazy i odpowiada zdaniem w 5 do 10 sekund, razem z tabelą, z której policzył.
Co się zmienia
Co dostaje zarząd i zespół?
Jedna liczba przychodu dla całej firmy
Dane z CRM, księgowości i sklepu wpadają do jednej bazy i przechodzą tę samą transformację, więc sprzedaż i finanse liczą z tego samego źródła. Waluty, strefy czasowe, nazwy pól i definicje metryk sprowadzamy do jednego formatu.
Definicje metryk spisane w dokumencie, do którego odsyłamy przy każdym sporze o liczbę
Dashboard, który zasila się sam
Looker Studio, Google Sheets albo dedykowany panel podłączony do bazy. Rano widzisz stan z dzisiaj, a nie z ostatniego eksportu, który ktoś zrobił w piątek.
Harmonogram od raz na dobę do co 15 minut, zależnie od tego, jak szybko dane się zmieniają
Pytanie o liczby zwykłym zdaniem
„Jaka jest konwersja z leada do umowy w tym kwartale”, „który klient urósł najbardziej rok do roku”, „ile zapłaciliśmy za zamówienie w sierpniu”. Agent AI pisze zapytanie do bazy sam i odpowiada w 5 do 10 sekund.
Odpowiedź z nazwą tabeli i okresem, z których policzył, żeby dało się ją sprawdzić
Anomalia zgłasza się sama
Monitorujemy metryki wybrane na warsztacie i wysyłamy alert, gdy konwersja spada, koszt pozyskania rośnie albo realizacja się opóźnia. Alert idzie tam, gdzie zespół i tak patrzy.
Powiadomienie na Slacku, w Microsoft Teams albo mailem w dniu zdarzenia, nie na przeglądzie miesiąca
Analityk wraca do analizy
Eksporty, sklejanie arkuszy i przeklejanie kolumn robi pipeline. Człowiek zostaje przy pytaniach, przy których trzeba pomyśleć, a nie kliknąć.
Dwie godziny na raport kwartalny schodzą do jednego odświeżenia dashboardu
Historia danych zostaje u Was
Baza stoi w Waszym projekcie w Google Cloud albo na Waszym PostgreSQL i rośnie od dnia wdrożenia. Gdy system źródłowy skraca dostęp do historii, w hurtowni zostaje pełny zapis.
Właścicielem projektu w chmurze jesteście Wy, rachunek płacony Google bezpośrednio, bez naszej prowizji
Dowód
Czy sami tak pracujecie na danych?
Tak. Agent AI w agencji naszych założycieli sam zasila hurtownię i sam z niej odpowiada od marca 2026. Poniżej skala tej pracy razem z tym, czego ta liczba NIE dowodzi.
Wdrożone u nas. To nie są wdrożenia u klienta zewnętrznego, tylko w spółkach założycieli JustAutomate. Piszemy to wprost, bo dowód, którego nie da się sprawdzić, nie jest dowodem.
JustBotich agentJustIdea Agency, agencja performance marketingu, około 30 osób
- 23
- osób z firmy pracuje z agentem
- 38
- systemów wpiętych na stałe
- 112
- procesów chodzi bez człowieka
- 475
- tysięcy linii kodu agenta
Agent spięty z hurtownią danych w BigQuery oraz z systemami reklamowymi, CRM, systemem zadań, narzędziem SEO, Analytics i Search Console. Pierwszy commit 1 marca 2026, dziś korzystają z niego 23 osoby.
8 z 38 systemów, w których pracuje
Google Ads
Meta Ads- HubSpot
- ActiveCollab
- Ahrefs
GA4
Search Console
BigQuery
- Przedtem
- Każde pytanie o liczby zaczynało się od eksportu z kilku paneli i sklejania arkusza. Dane reklamowe i sprzedażowe nie leżały w jednym miejscu, więc porównanie rok do roku ktoś składał ręcznie.
- Po zmianie
- Hurtownia zasila się sama z API systemów, a pytania o dane idą do agenta zdaniem po polsku. Człowiek pisze zdanie, nie zapytanie SQL, i dostaje odpowiedź razem ze źródłem.
3 506 operacji na hurtowni danych w 30 dni, wykonanych bez udziału człowieka
A u Ciebie
Co, jeśli nasze dane są w bałaganie?
Cztery zdania, które słyszymy najczęściej, i to, co na nie odpowiadamy.
Nasze dane są w takim stanie, że nie ma czego analizować.
To jest normalny punkt startu i nie zmienia planu, tylko kolejność. Warsztat zaczyna się od przeglądu źródeł: co jest w CRM, co w arkuszu, a co wyłącznie w głowie handlowca. Czyszczenie i standaryzacja to osobny krok przed dashboardem, bo panel na brudnych danych myli szybciej niż arkusz.
Mamy Looker Studio i to nie pomogło.
Bo narzędzie do wizualizacji nie naprawia braku wspólnej bazy. Jeśli każdy raport ciągnie dane z innego eksportu, każdy pokaże inną liczbę. Kolejność jest odwrotna: najpierw jedna baza i jedna definicja metryki, potem panel. Wtedy Wasze obecne narzędzie zwykle wystarcza i nie każemy go wymieniać.
Nie mamy analityka ani nikogo od danych.
Do korzystania nie jest potrzebny. Dashboard aktualizuje się sam, a pytania zadaje się agentowi zdaniem po polsku. Pipeline utrzymujemy my albo Wasz dostawca IT, po przekazaniu dokumentacji. Na warsztat wystarczy jedna osoba, która wie, gdzie leżą dane i kto ich używa.
Nie wypuścimy danych finansowych i danych klientów do chmury.
Baza stoi w Waszym projekcie w Google Cloud albo na Waszym PostgreSQL, nie u nas. Które pola w ogóle wychodzą z systemu źródłowego, kto ma do nich dostęp i jak długo je trzymamy, ustalamy na warsztacie. Dane osobowe klientów przetwarzamy według RODO, a przy sprzedaży poza Polską dokładamy przepisy właściwe dla tych rynków.
- Hurtownia i bazy
- BigQuery, PostgreSQL, bazy SQL
- CRM
- HubSpot, Pipedrive, Salesforce, LiveSpace
- Księgowość i faktury
- Fakturownia, iFirma, Subiekt, Comarch Optima, sevDesk
- Sprzedaż online
- BaseLinker, Allegro, Shopify, WooCommerce, PrestaShop
- Analityka i dashboardy
- GA4, Search Console, Looker Studio, Google Sheets, dedykowany panel
- Warstwa automatyzacji
- Make, n8n, Zapier, własne integracje przez API
Skąd bierzemy dane, jak często i na jakie pytanie odpowiadają
Źródła, które najczęściej wchodzą do hurtowni. Częstotliwość zasilania ustalamy per źródło, bo dane o zamówieniach starzeją się w godzinach, a plan budżetu w miesiącach.
| Źródło danych | Jak często zasilamy | Na jakie pytanie odpowiada |
|---|---|---|
| CRM: HubSpot, Pipedrive, Salesforce, LiveSpace | co godzinę albo na zdarzenie | ile mamy otwartych szans, jaka konwersja z leada do umowy |
| Księgowość: Fakturownia, iFirma, Comarch Optima | raz na dobę | co realnie zafakturowane, kto nie zapłacił w terminie |
| Sprzedaż online: Shopify, WooCommerce, PrestaShop, BaseLinker, Allegro | od co 15 minut do raz na dobę | sprzedaż per produkt i kanał, zwroty, marża po rabatach |
| Systemy reklamowe i GA4 | raz na dobę | koszt pozyskania leada, z jakiego kanału przyszło zamówienie |
| Search Console | raz na dobę | z jakich zapytań przychodzi ruch, która podstrona spadła |
| System zadań: ClickUp, Jira, Asana | raz na dobę | ile godzin zeszło na klienta, gdzie projekt się opóźnia |
| Arkusze zespołu w Google Sheets | przy każdej zmianie | cele, budżety i dane, których nie ma w żadnym systemie |
Wiersze to punkt wyjścia. Pierwsze wdrożenie obejmuje zwykle dwa do czterech źródeł, tych, które odpowiadają na pytania zadawane najczęściej. Resztę dokładamy, gdy okażą się potrzebne.
Jak to robimy
Pięć kroków od eksportów do bazy, która zasila się sama
Każdy krok kończy się czymś, co możesz ocenić, zanim zdecydujesz o następnym.
Warsztat
Wypisujemy pytania, które w firmie padają najczęściej, i sprawdzamy, gdzie leżą dane potrzebne do odpowiedzi. Powstaje lista źródeł razem z arkuszami, które po cichu pełnią rolę systemu. Uzgadniamy definicje metryk, bo „przychód” w sprzedaży i w księgowości to zwykle dwie różne liczby.
Baza i pipeline
Zakładamy hurtownię w Waszym projekcie: BigQuery albo PostgreSQL. Pipeline zabiera dane z API systemów w harmonogramie ustalonym per źródło. Na tym etapie wychodzą braki i błędy w danych źródłowych, więc od razu dzielimy je na te do naprawy u źródła i te do czyszczenia w transformacji.
Transformacja i pierwszy dashboard
Sprowadzamy pola, waluty, strefy czasowe i nazwy do wspólnego formatu. Pierwszy dashboard pokazuje metryki z listy pytań z warsztatu i chodzi obok dotychczasowych raportów, żeby dało się porównać liczby, zanim ktokolwiek wyłączy stary arkusz.
Warstwa AI i alerty
Podłączamy agenta AI do bazy razem z opisem danych, żeby pytania szły zdaniem, a nie zapytaniem SQL. Ustawiamy progi alertów: spadek konwersji, wzrost kosztu pozyskania, opóźnienie w realizacji. Testujemy odpowiedzi na pytaniach, na które znamy wynik z raportów.
Pomiar po 30 i 90 dniach
Sprawdzamy, z których widoków zespół realnie korzysta, których nikt nie otwiera i czy alerty nie krzyczą za często. Dashboard, do którego nikt nie wraca, wygląda w raporcie identycznie jak udany, dlatego patrzymy na użycie, a nie na liczbę wykresów.
Przed i po
Jak zmienia się poniedziałkowe spotkanie o wynikach
Przedtem
- Pytanie o liczby uruchamia dwie godziny eksportów u analityka
- Sprzedaż i finanse podają dwie różne liczby przychodu i spór trwa pół spotkania
- Raport opisuje stan z zeszłego miesiąca, bo tyle trwa jego złożenie
- Spadek konwersji wychodzi, gdy kwartał jest już zamknięty
Po zmianie
- Odpowiedź na pytanie o liczby wraca w 5 do 10 sekund, zdaniem i ze źródłem
- Jedna baza i jedna spisana definicja metryki, więc liczba jest jedna
- Dashboard pokazuje stan z dzisiaj, bo zasila się sam z API systemów
- Alert o spadku konwersji przychodzi w dniu, w którym spadek się zaczął
Pierwszy dashboard na Waszych danych stoi w 2 do 4 tygodni od warsztatu. Pełną warstwę agenta AI uruchamiamy zwykle w około 2 miesiące, a użycie i sens progów alertów oceniamy po 30 i 90 dniach.
Dla osoby, która to zamawia
Co z tego ma prezes albo dyrektor finansowy
Przestajesz zaczynać rozmowę o wynikach od pytania, czyja liczba jest prawdziwa. Definicje metryk są spisane, dane idą z jednego miejsca, a gdy ktoś podaje inną liczbę, od razu widać, z którego źródła ją wziął. To skraca spotkanie zarządu i zdejmuje z Ciebie rolę arbitra.
Druga rzecz waży więcej przy dużych decyzjach. Wiesz, na jakich danych decydujesz i jak stare one są, bo dashboard podaje czas ostatniego odświeżenia. W rozmowie z inwestorem albo bankiem to różnica między liczbą, którą da się obronić, a liczbą z arkusza, którego autor jest na urlopie.
- Baza w Waszym projekcie w chmurze, rachunek płacony Google bezpośrednio, bez naszej prowizji
- Definicje metryk spisane, więc liczba nie zależy od tego, kto ją policzył
- Nowy dashboard chodzi obok starych raportów, dopóki liczby się nie zgodzą
- Warsztat kończy się dokumentem, który możesz zrealizować bez nas
Ile to kosztuje
Warsztat ma cenę jawną, wdrożenie wycenę po nim
Warsztat procesowy kosztuje 2500 zł netto za tydzień. Przy danych wychodzi zwykle jeden do dwóch tygodni, bo trzeba obejrzeć kilka systemów i uzgodnić definicje metryk między działami. Wdrożenie wyceniamy po warsztacie, gdy wiadomo, ile źródeł wchodzi w grę i w jakim stanie są dane.
Rachunek za samą hurtownię płacisz Google bezpośrednio. Dla większości firm B2B BigQuery to kilka do kilkunastu dolarów miesięcznie, bo płaci się za przetworzone dane, nie za utrzymanie serwera. Koszt modeli AI i narzędzi automatyzacji też idzie do dostawcy, bez naszej prowizji.
Warsztat procesowy
2500 zł netto
za tydzień, przy danych zwykle jeden do dwóch
Zamknięta całość. Kończy się listą pytań, mapą źródeł danych, definicjami metryk i planem, który możesz zrealizować bez nas.
- Lista pytań, na które firma musi umieć odpowiedzieć, i częstotliwość każdego
- Mapa źródeł danych razem z arkuszami, które pełnią rolę cichego systemu
- Definicje metryk uzgodnione między sprzedażą, finansami i marketingiem
- Rekomendacja: BigQuery, PostgreSQL albo pozostanie przy uporządkowanym arkuszu
- Wskaźniki do pomiaru po 30 i 90 dniach
- Najczęściej wybierany
Warsztat i wdrożenie hurtowni
Wycena po warsztacie
zakres wynika z liczby źródeł i stanu danych
Najczęściej wybierany wariant. Baza, pipeline i pierwszy dashboard na Waszych danych w 2 do 4 tygodni od warsztatu.
- Wszystko z warsztatu
- Hurtownia w Waszym projekcie: BigQuery albo PostgreSQL
- Pipeline z API systemów w Make, n8n albo we własnej integracji
- Transformacje i dashboard w Looker Studio, arkuszu albo dedykowanym panelu
- Alerty o anomaliach na Slacka, do Microsoft Teams albo mailem
- Dokumentacja i szkolenie zespołu z korzystania
Hurtownia i agent AI na danych
Wycena po warsztacie
wdrożenie agenta zajmuje zwykle około 2 miesięcy
Wszystko z wdrożenia plus BOND, firmowy agent AI, który odpowiada na pytania o dane firmy w 5 do 10 sekund.
- Wszystko z wdrożenia hurtowni
- Agent AI z dostępem do bazy, pytania po polsku i po angielsku
- Odpowiedź z nazwą tabeli i okresem, żeby dało się ją sprawdzić
- Dostęp dla zarządu i zespołu, bez logowania do systemów źródłowych
- Koszt modeli płacony dostawcy bezpośrednio, bez naszej prowizji
Warsztat kończy się dokumentem: listą pytań, mapą źródeł i definicjami metryk. Możesz z nim pójść do innego dostawcy albo zrobić wdrożenie sam. A jeśli okaże się, że przy dwóch źródłach i jednym pytaniu w tygodniu wystarczy uporządkowany arkusz z automatycznym zasilaniem, mówimy to i nie sprzedajemy hurtowni.
Najczęstsze pytania
Czym jest analiza danych z AI?
To usługa, w której najpierw zbieramy dane z Waszych systemów do jednej bazy (BigQuery albo PostgreSQL), czyścimy je i standaryzujemy, a potem stawiamy na nich dashboardy i agenta AI. Agent odpowiada na pytania o liczby zdaniem po polsku w 5 do 10 sekund, bo sam pisze zapytanie do bazy. Warstwa AI bez uporządkowanych danych nie ma z czego odpowiadać, dlatego kolejność jest taka, a nie odwrotna.
Ile trwa wdrożenie analizy danych?
Tydzień albo dwa warsztatu, potem 2 do 4 tygodni na bazę, pipeline i pierwszy dashboard na Waszych danych. Pełna warstwa agenta AI to zwykle około 2 miesięcy, bo dochodzi opis danych, uprawnienia i testy odpowiedzi na prawdziwych pytaniach. Pierwszy działający element widzisz w ciągu 14 dni od warsztatu.
Dlaczego BigQuery, a nie baza na naszym serwerze?
BigQuery nie wymaga serwera do utrzymania, skaluje się sam i obsługuje petabajty danych, a dla większości firm B2B rachunek to kilka do kilkunastu dolarów miesięcznie. Gdy dane muszą zostać na Waszej infrastrukturze, stawiamy PostgreSQL i pipeline działa tak samo. Rekomendację dajemy na warsztacie, po obejrzeniu wielkości i wrażliwości danych.
Czy musimy wymienić nasze dashboardy?
Nie. Looker Studio i Google Sheets, których już używacie, podłączamy do nowej bazy, więc panele zostają, a zmienia się to, skąd biorą dane. Dedykowany panel budujemy tylko wtedy, gdy istniejące narzędzie czegoś nie potrafi pokazać. Nowe źródło chodzi obok starych raportów, aż liczby się zgodzą.
Gdzie leżą dane i kto ma do nich dostęp?
Baza stoi w Waszym projekcie w Google Cloud albo na Waszym PostgreSQL, więc właścicielem danych jesteście Wy, nie my. Dostępy nadaje się per osoba i per zbiór, a agent AI odpowiada tylko z tego, do czego pytający ma prawo. Zakres pól wychodzących z systemów źródłowych ustalamy na warsztacie, a dane osobowe klientów przetwarzamy według RODO.
Skąd wiadomo, że agent AI nie zmyśli liczby?
Agent nie zgaduje, tylko pisze zapytanie do bazy i podaje wynik razem z nazwą tabeli i okresem, z których policzył, więc każdą odpowiedź da się sprawdzić. Na testach zadajemy mu pytania, na które znamy wynik z raportów, i porównujemy. Gdy pytanie jest nieprecyzyjne albo dane nie sięgają tak daleko, agent to mówi, zamiast podawać liczbę.
Jak działają alerty o anomaliach?
Monitorujemy metryki wybrane na warsztacie i wysyłamy alert, gdy wartość odbiega od normy: spada konwersja, rośnie koszt pozyskania, opóźnia się realizacja. Progi ustawiamy z Wami i korygujemy po pierwszych tygodniach, bo alert, który krzyczy codziennie, przestaje być czytany. Powiadomienia idą na Slacka, do Microsoft Teams albo mailem.
Czy to ma sens przy małej firmie i trzech systemach?
Czasem nie i mówimy to na konsultacji. Przy dwóch albo trzech źródłach i jednym pytaniu w tygodniu wystarcza uporządkowany arkusz z automatycznym zasilaniem, tańszy i szybszy do postawienia. Hurtownia zaczyna się opłacać, gdy pytań jest kilka dziennie, źródeł powyżej czterech albo gdy dwa działy podają różne liczby.
Sprawdźmy, na jakie pytania Wasze dane dziś nie odpowiadają
Bezpłatna konsultacja trwa 30 minut i piszesz bezpośrednio do Pawła, założyciela. Wypisujesz trzy pytania, które w firmie padają najczęściej, i mówisz, gdzie dziś szukacie na nie odpowiedzi. Pokazujemy, które da się obsłużyć z jednego źródła od razu, a które wymagają najpierw uporządkowania danych. Agenta AI możemy pokazać na przykładowych danych, bez udostępniania Waszych systemów.
Prowadzimy najwyżej dwa wdrożenia równocześnie, żeby przy każdym ktoś realnie siedział.
Umów bezpłatną konsultacjęPS. Jeśli w tym tygodniu ktoś u Was składał raport z czterech eksportów, to jest dokładnie ten problem. Dane zbierane ręcznie są zawsze o kilka dni spóźnione wobec decyzji, którą mają wesprzeć. Po wdrożeniu odpowiedź na to samo pytanie wraca w 5 do 10 sekund, a dashboard zasila się sam.