Äripäev viib Qliki aruanded Power BI-sse AI-agentide abiga

Äripäevas viime oma Qliki aruanded üle Microsoft Fabricus töötavasse Power BI-sse. Aruannete üleviimine on suurema töö teine etapp: koondame kogu analüütika ühele andmeplatvormile. Esimene katse lasta tehisintellektil see töö ära teha ebaõnnestus. Teisel katsel teevad arendustööd AI-agendid ja otsused jäävad analüütikule. See lähenemine toimib. Rääkisin sellest 21. oktoobril 2026 Tallinn Data Weeki hommikusel üritusel. Siin kirjeldan meie kogemust lähemalt.

Lühidalt

• Kõigepealt ehitasime andmeplatvormi, aruanded tulid alles pärast seda.
• Kasutusanalüüsi järel jäi 89 kasutusel olnud Qliki aruandest üle viia 46.
• Kui andsime Qliki skriptid otse tehisintellektile, saime valed tulemused. Toimima hakkas see siis, kui panime ärikonteksti enne kirja.
• AI-agendid kavandavad lahenduse, arendavad ja testivad seda. Analüütik kinnitab iga sammu ja ilma ülevaatuseta ei jõua tootmisse midagi.
• Mahuka aruande üleviimine võttis umbes kümme päeva, nüüd kaks kuni neli.

Kes me oleme?

Äripäev on Eesti juhtiv äriuudiste ja -info pakkuja, kelle kliendid on peamiselt ettevõtted. Paljud tunnevad meid siiani roosa ajalehe järgi. Meil on umbes 250 töötajat ja palju äriüksusi. Iga üksus tegutseb sisuliselt omaette ettevõttena. Tegeleme uudiste, konverentside, koolituste, infoteenuste, raamatute, raadio ja palju muuga.

Olen Äripäevas töötanud kümme aastat. Andme- ja äriplatvormi juhina vastutan kõigi andmete, mitme CRM-platvormi ja turundustehnoloogia eest. Minu meeskonnas on üheksa inimest: kolm tegelevad andmetega (kaks analüütikut ja üks insener), kaks CRM-iga ja neli turundusega.

Miks me Qlikist ära liigume?

See ei ole funktsioonide võrdlus. Meie Qliki aruanded ei olnud probleem. Töötubades ütlesid kasutajad, et aruandeid on liiga palju ja mõni mõõdik on topelt. Üldiselt olid nad rahul ja aruandeid kasutatakse palju.

Puudu oli platvorm aruannete taga. Kasutasime Qliki palju, aga meil polnud keskset andmeladu ega lakehouse'i. Andmed olid laiali paljudes kohtades. Kõigepealt oli vaja korrastada aruandluse alused: luua andmekonveierid ja korraldada nende töö ning tuua kokku mitme süsteemi andmed neid vajavate projektide jaoks.

Seepärast liikusime Microsoft Fabricusse ja ehitasime sinna kõigepealt lakehouse'i. Lakehouse on üks hoidla nii failidele kui ka tabelitele. Aruanded tulid järgmises etapis. Power BI on Fabricu osa, nii et uued aruanded on andmetega samal platvormil.

Mis tuli enne aruandeid?

Kõigepealt hakkasime andmeid kasutama turundusautomaatikas. Seejärel lisandusid tehisintellektil põhinevad lahendused klientide segmentimiseks, müügivihjete hindamiseks ja artiklite soovitamiseks.

Lakehouse koondab umbes 20 lähtesüsteemi andmed. See on üles ehitatud medaljonarhitektuuri järgi: kolm kihti, kus andmed liiguvad toorandmetest puhastatud andmeteni ja sealt äris kasutamiseks valmis andmeteni (pronks-, hõbe- ja kuldkiht).

Praegu käib teine etapp, milles keskendume aruandlusele. Sellel on kaks osa: kliendi tervikvaade ehk 360-kraadine vaade ja Qliki aruannete üleviimine Power BI-sse.

Mis on kliendi tervikvaade ja miks loome selle ise?

Kliendi tervikvaade koondab eri süsteemides oleva info iga kliendi kohta ühte kohta. Meil on kaks CRM-i: Salesforce reklaamimüügi jaoks ja oma CRM tellimuste jaoks. Läti äri kolmas CRM jääb eraldi. Lisaks kasutame Infopanka, kust saame avalike registrite andmeid Eesti ettevõtete kohta.

Kõik teenusepakkujad lubavad kliendist tervikvaadet, aga kellelgi neist pole kõiki sinu andmeid. Seepärast ehitame selle oma andmeplatvormile. Ühtse klienditunnuse viime tagasi CRM-idesse. Vaates on tellimused, aktiivsus, reklaamiostud ja ettevõtte andmed, näiteks tegevusala ja suurus.

Milliseid Qliki aruandeid tasub üle viia?

Enne ehitamist pidasime fookusgruppidega töötube. Seejärel tegime kõigi Qliki aruannete kasutusanalüüsi.

Kasutusel oli 89 aruannet. Neist 18 jätsime kõrvale ja osa liitsime kokku. Üle viia jäi 46, mille jagasime kasutuse ja ärilise tähtsuse järgi kolme rühma.

See on iga ülemineku kõige odavam samm. Iga aruanne, millest loobud, on üks aruanne vähem, mida ümber ehitada ja testida.

Miks me olime liiga aeglased?

Isegi 46 aruande üleviimine oleks meie senise töötempoga liiga kaua aega võtnud. Meeskond alles õppis uut platvormi. Vanad aruanded pidid edasi töötama ja vastata tuli ka jooksvatele päringutele. Aruandeid ehitati käsitsi, hiirega lohistades.

Meie aruanded on mahukad: palju lehti ja palju loogikat kasutajaliideses. Ühe aruande üleviimine võttis umbes kümme päeva. Koodi kirjutamisel oli tehisintellektist juba abi, kuid semantiliste mudelite loomisel ja aruannete kujundamisel veel mitte. Semantiline mudel on kiht, kus on tabelid, nende seosed ja mõõdikud, millest aruanded andmeid loevad.

Miks esimene AI-katse ebaõnnestus?

Esimene mõte oli lihtne. Võtsime Qliki käsurea tööriistaga välja skriptid ja objektide definitsioonid. Andsime need tehisintellektile ja palusime teha aruande.

Tulemus nägi välja nagu aruanne. Numbrid aga ei klappinud, mõni oli täiesti vale. Kus andmeid polnud, mõtles tehisintellekt mõõdikud ise välja, näiteks kerimissügavuse ja kasutajate koguarvu. Graafikud kordusid, lehti oli liiga palju ja kujundus puudus.

Laval ütlesin nii: „Tehisintellekt püüdis, aga ausalt öeldes polnud sisend piisavalt hea ja see on meie viga.“ Skriptid ütlevad, kuidas number arvutatakse. Need ei ütle, mida äri selle all mõtleb.

Mida peab tehisintellekt teadma enne ehitamist?

Teisel katsel muutsime kogu tööprotsessi. Ainult paremast viibast poleks piisanud. Iga sammu vaatab üle inimene. Protsess toetub neljale asjale:

• kõik on Gitis versioonihalduses ja töö algab arenduskeskkonnas;
• ärikontekst on kirja pandud;
• ligipääsuõigused ja haldusreeglid on paigas;
• otsustavad analüütikud.

Kontekst on vundament. Meie insener tõi Fabricust Confluence'isse kõik allikad, tabelid ja väljad. Kokku tuli umbes 4000 andmevälja ja mina kirjeldasin need. Läks kiiremini, kui arvasin, sest suur osa ettevõtte toimimist puudutavatest teadmistest oli mul juba olemas.

Siis läksime tagasi põhitõdede juurde. Kes on tellija? Mis on toode? Meie tootesüsteemis on umbes 3000 aktiivset teenust. Tellimusmudeleid on palju: paberleht, digi või mõlemad. Ilma nende vastusteta täidab tehisintellekt lüngad ise, nagu esimene katse näitas.

Kuidas agendid ja analüütik tööd jagavad?

Paneme iga ülesande kõigepealt Jirasse kirja ja kirjeldame seda võimalikult selgelt. Edasi liigub töö AI-agentide vahel. Agent on siin tehisintellekti mudel, millel on üks töö, oma tööriistad ja oma juhised. Iga agent saab ainult need tööriistad ja oskused, mida tema roll vajab:

• Jira-agent loeb ja uuendab ülesandeid ning loeb Confluence'it;
• planeerija koostab ülesande põhjal tööplaani ja toob välja riskid;
• navigaator leiab Fabricust vajalikud objektid;
• Qliki analüütik uurib vana Qliki lahendust ja leiab sealt ka vanu vigu;
• Fabricu arendaja loob lahenduse märkmikes ja andmekonveierites, Power BI arendaja tegeleb mudelite ja aruannetega;
• testija testib muudatusi;
• ülevaataja vaatab muudatused enne väljalaset üle.

Analüütik juhib tööd algusest lõpuni:

1. Analüütik kirjeldab ülesande Jiras.
2. Tehisintellekt loeb ülesande ja koostab plaani.
3. Analüütik vaatab plaani üle ja kinnitab selle.
4. Tehisintellekt ehitab ja testib.
5. Tehisintellekt ja analüütik vaatavad muudatused üle ja kinnitavad need.
6. Tehisintellekt ja analüütik paigaldavad muudatused tootmisse.

Analüütik saab arenduse käigus igal hetkel sekkuda. Tootmisse läheb muudatus alles siis, kui analüütik on sellega rahul.

Minu slaidil on kaks eeldust: Fabric MCP 1.0 (aprill 2026) ja Power BI modeling MCP 1.0 (september 2026). MCP (Model Context Protocol) on standardne viis, kuidas AI-agent tööriista kasutab. Nende kahe kaudu töötab agent otse Fabricu objektide ja Power BI semantiliste mudelitega. Jira ja Confluence on ühendatud Atlassiani MCP kaudu.

Kas see päriselt töötab?

Ühel esmaspäeval paluti meil näidata, et see töötab. Kolmapäevaks oli meie insener turunduskampaania aruande üle viinud. Selleks kulus umbes kuus tundi ja numbrid olid õiged.

Mis meeskonna jaoks muutus?

Mahuka aruande üleviimine võttis umbes kümme päeva. Nüüd kulub selleks kaks kuni neli päeva. Muudatus andmekihis võtab pool päeva senise kahe-kolme päeva asemel. Meeskond saab säästa kuni kolmandiku oma ajast.

Muutub ka analüütikute töö. Nemad kirjeldavad nõuded, vaatavad muudatused üle ja kinnitavad need. Arendustöö teeb tehisintellekt. Sama töövoo läbib nüüd iga Fabricu muudatus, Jira ülesandest kuni kontrollitud muudatuste tootmisse viimiseni. Sellega harjumine võtab aega.

Millel see töötab ja kui palju see maksab?

Need küsimused tulid saalist pärast ettekannet.

• Testimine. Agendid kirjutavad Fabricu märkmikes teste, mis võrdlevad numbreid. Märkmik (notebook) on Fabricu keskkond, kus saab koodi kirjutada ja käivitada. Osa tulemusi kontrollime ka silmaga.
• Aruannete kujundus. Agendid saavad oskused (skills), mis kirjeldavad meie kujunduspõhimõtteid, ja lisaks näidismallid.
• Tehisintellekti mudel. Kasutame Claude'i. Andme- ja inseneritöös on see minu arvates praegu parim mudel.
• Tehisintellekti kulu. Väike: meeskonnapaketi tasu ja veidi lisakasutust.
• Fabricu ressursiruum. Ressursiruum (capacity) on kindel hulk arvutusvõimsust, mille Fabricu jaoks rendid. Alguses kasutasime palju prooviversiooni. Praegu kasutame F8 ressursiruumi, kuid järgmisel aastal vajame võimsamat, kui kõik kasutajad uutele aruannetele üle tulevad.
• Kasutajad. Umbes 50 põhikasutajat ja umbes 50 inimest, kes kasutavad aruandeid harvem, kokku ligikaudu 100. Harvemate kasutajate litsentsivajadus on veel täpsustamisel.
• Semantilised mudelid. Sihiks on umbes viis põhimudelit. Tõenäoliselt tuleb neid lõpuks umbes kümme.

Mida soovitan teistele meeskondadele?

• Kontekst on väga tähtis. Meie kontekst täieneb siiani.
• Haldus nõuab vaeva. Varu selleks aega.
• Väljund on sinu oma. Nagu laval ütlesin: „Väljund on sinu oma, isegi kui tehisintellekt aitas seda luua.“ Aruannet äripoolele üle andes ei saa vastutust tehisintellekti kaela lükata. Vastutad selle eest ise, ka hallutsinatsioonide eest.
• Ole valmis kohanema. Tööriistad muutuvad kogu aeg.

Mis edasi?

Täiendame konteksti kirjeldusi ja loome töökorra, mis aitab neid ajakohasena hoida. Tahame pakkuda semantilistel mudelitel põhinevat vestluspõhist analüütikat, et kasutajad saaksid oma andmete kohta tavalises keeles küsida. Järgmisel aastal toome ka eraldi finantsandmelao samale platvormile.

Qlik–Power BI migratsioon: korduma kippuvad küsimused

Kui kaua võtab aega ühe Qliki aruande üleviimine?

Meie mahukate, mitmeleheliste aruannete puhul kulus käsitsi umbes kümme päeva. Agentidega kulub kaks kuni neli päeva. Üks näide, turunduskampaania aruanne, valmis umbes kuue tunniga.

Kas tehisintellekt suudab Qliki aruanded ise Power BI-sse viia?

Meie kogemuse järgi mitte. Esimene katse, kus Qliki skriptid läksid otse tehisintellektile, andis valed numbrid ja väljamõeldud mõõdikud. Toimima hakkas see siis, kui ärikontekst oli kirjas ja iga sammu kinnitas analüütik.

Kas tasub üle viia kõik Qliki aruanded?

Ei. Alusta kasutusanalüüsist. Meil oli kasutusel 89 aruannet, 18 jätsime kõrvale, osa liitsime kokku ja üle viia jäi 46.

Milliseid tööriistu see lahendus kasutab?

Lahenduses on Microsoft Fabric, Power BI, Git, Jira ja Confluence. Agendid kasutavad neid Fabric MCP, Power BI modeling MCP ja Atlassiani MCP kaudu. Tehisintellekti mudel on Claude.

Kas see on kallis?

Tehisintellekti kulu on meil väike: meeskonnapakett ja veidi lisakasutust. Praegu kasutame F8 ressursiruumi ja vajame võimsamat, kui kõik kasutajad uutele aruannetele üle tulevad.

Minu ettekanne ja selle hommiku ülejäänud kava on 21. oktoobri ürituse lehel.