כיצד לבנות את תשתית הנתונים לסוכני ה-AI שלכם בעזרת Zoho Analytics ו-Zoho DataPrep

בחלקים 1 ו-2 דיברנו על הסיבה לכך שסוכני AI זקוקים לתשתית נתונים, ואיך נראית הארכיטקטורה המתאימה. הבלוג הזה מתמקד ב"איך".

אם אתם לקוחות של Zoho, הדרך לבניית סוכני ה-AI הנכונים קצרה משאתם חושבים, מכיוון שרוב הכלים כבר עומדים לרשותכם.

שלב 1: אחדו את הנתונים

נקודת הפתיחה היא לשלוף את הנתונים מהאפליקציות הנפרדות ולאסוף אותם במקום אחד. Zoho Analytics עושה זאת באמצעות המחברים המובנים לכל חבילת היישומים של Zoho ולמקורות צד-שלישי. סנכרון הנתונים מתבצע על בסיס לוח הזמנים שאתם מגדירים, ללא צורך בכתיבת קוד ייעודי.

אל תנסו לחבר את כל המערכות בבת אחת. עדיף להתחיל מהשאלות שאתם רוצים לשאול את הסוכנים, ולפי זה לעבוד לאחור:

• סוכן מכירות: Zoho CRM + Desk + Books לקבלת תמונה מלאה של מחזור חיי הלקוח.

• סוכן שיווק: Social + Campaigns + Zoho CRM + כלי אנליטיקה לאתרים (Web analytics), כדי לקשור בין פעילות הקמפיינים לתהליכי העבודה.

• סוכן מחלקת כספים: Expenses + Payroll + Inventory + Zoho Books וכו'.

שלב 2: עבדו את הנתונים עם Zoho DataPrep

נתונים לעתים רחוקות מגיעים נקיים. שמות מאויתים אחרת במערכות שונות, הפורמטים משתנים, ואז יש גם כפילויות שצריך להתמודד איתן.

המערכת של Zoho DataPrep יושבת בין מערכות המקור לבין Zoho Analytics ומטפלת בניקוי הנתונים שמאפשר את האיחוד שלהם. היא מאחדת את הפורמטים של הרשומות (כך ש-"Acme Corp" ו-"ACME Corporation" יהפכו ללקוח אחד, ולא לשניים), מעשירה נתונים על ידי מיזוג עמודות והוספת חישובים במהלך העיבוד ומסננת רשומות בדיקה ונתונים מיושנים.

תהליכי העבודה המתוזמנים דואגים שכל זה ירוץ באופן אוטומטי בזמן שנתונים חדשים זורמים פנימה.

שלב 3: הגדירו את השכבה הסמנטית שלכם

ברגע שהנתונים מאוחדים ונקיים, יש למדל אותם. זה השלב שבו טבלאות גולמיות הופכות להגדרות מוכנות לעבודה, שגם סוכנים וגם בני אדם יכולים לתשאל בצורה מהימנה.

התחילו בהגדרת הקשרים בין מאגרי הנתונים באמצעות עמודות חיפוש (Lookup columns), כך שסוכן שעונה על השאלה "מה מצבו של לקוח X?" יוכל למשוך מידע על עסקאות, היסטוריית תמיכה ותשלומים מתוך מודל מקושר אחד. על גבי זה, הגדירו את המדדים העסקיים שלכם בתור נוסחאות - כמו "הכנסות", "דירוג בריאות לקוח" (Account Health Score) "שימור הכנסות נטו" (Net Retention) - כך שכל סוכן ישתמש באותה הגדרה במקום לפרש אותן תוך כדי תנועה. לסיום, צרו תצוגות סיכום לשימוש חוזר (הכנסות לפי מקטע, נפח קריאות שירות לפי לקוח, תהליך עבודה לפי שלב) שהסוכנים יכולים לתשאל ישירות. זהו השלב שמבדיל בין סוכנים שנותנים תשובות עקביות, לבין סוכנים שמפרשים נתונים בצורה שונה בכל פעם.

זרימת הנתונים המלאה:

מערכות מקור← Ask Zia / MCP / API← Zoho Analytics ← Zoho DataPrep ← סוכנים

שלב 4: בנו את פתרון הסוכנים שלכם

לאחר שביססתם תשתית נתונים ושכבה סמנטית חזקה, תוכלו להשתמש ביכולות ההרחבה הבאות כדי לבנות על גביהן סוכני AI.

Ask Zia: ניתוח נתונים מובנה מבוסס סוכני AI

הדרך המהירה ביותר להתחיל היא עם עוזרת ה-AI שמגיעה עם Zoho Analytics באופן מובנה. עם Ask Zia, הצוות שלכם יכול לחקור את הנתונים המאוחדים בשפה טבעית ולעבוד ישירות על המודלים וההגדרות שיצרתם בשלב 3. זהו שלב שימושי לפני שמתחילים לפתח פתרונות מותאמים אישית. השתמשו בשאלות אמיתיות כדי לבדוק את השכבה הסמנטית ולעלות על פערים במידול הנתונים כמה שיותר מהר. כך תאפשרו לצוות שלכם להתרגל לחקר נתונים מבוסס AI ולבנות בו אמון בתוך סביבה מוכרת.

Zia Agent Studio: סוכנים מותאמים אישית ללא קוד (No-Code)

כשאתם מוכנים להתקדם מעבר לשלב מחקר הנתונים אל עבר בניית סוכנים ייעודיים, Zia Agent Studio הוא הכלי של Zoho לבניית סוכנים ללא קוד. תארו מה אתם רוצים שהסוכן יעשה בשפה פשוטה (או הגדירו זאת ידנית לשליטה רבה יותר), כוונו אותו אל קבוצות הנתונים והכלים שלכם, קבעו גבולות גזרה והטמיעו. סוכנים שנבנו ב-Studio ניתנים לפריסה בכל האקוסיסטם של Zoho, יכולים להיות זמינים דרך Ask Zia, או אפילו להתפרסם ב-Agent Marketplace.

מכיוון ש-Zoho Analytics הוא חלק מתשתית הנתונים שלכם, סוכנים שתבנו כאן יכולים למשוך מידע מאותן רשומות מאוחדות, הגדרות סמנטיות ובקרות גישה. סוכן שהוא 'מומחה לצמיחה בהכנסות' לא צריך להמציא מחדש את המשמעות של "ציון בריאות לקוח". הוא פשוט משתמש בהגדרה שכבר קבעתם.

MCP: התקן לקישוריות סוכנים

עבור מסגרות עבודה של סוכנים מותאמים אישית, התקן הפתוח שחשוב להכיר הוא MCP, או Model Context Protocol. ל-Zoho Analytics יש שרת MCP (עם קוד מקור ב-GitHub) שמנגיש את מאגרי הנתונים שלכם, מכבד את בקרות הגישה שלכם ומחזיר תוצאות מובנות לכל סוכן תואם MCP. אם אתם עובדים עם האקוסיסטם המורחב של Zoho, פלטפורמת Zoho MCP מרחיבה את אותו מודל גם לאפליקציות Zoho אחרות. לצרכים מתקדמים יותר, תוכלו להשתמש גם ב-API של Zoho Analytics.

דוגמאות למה שאתם יכולים לבנות

שלבו את כל אלו ותוכלו לבנות:

• סוכן הצלחת לקוח (Customer Success) המנטר את מצב הלקוח על פני נתוני תמיכה, חיובים ושימוש.

• סוכן מחלקת כספים המשלב נתונים בפועל מ-Zoho Books יחד עם תהליכי העבודה ב-CRM ליצירת תחזיות מתגלגלות.

• סוכן שיווק המשלב נתוני Zoho Campaigns ונתוני פלטפורמות פרסום (Google Ads, Meta Ads, Microsoft Ads וכו') עם נתוני Zoho CRM, כדי לקבל דוחות מחזור המרה מלאים.

כל אחד מהם אוסף נתונים מאותה תשתית. בנו את שכבת הנתונים פעם אחת והתחילו להריץ עליה מספר סוכנים.

שלב 5: משילות נתונים ובקרה

ניתוב נתוני הסוכנים דרך Zoho Analytics מעניק לכם נקודת שליטה מרכזית אחת. במקום לנהל הרשאות, יומני ביקורת ואישורי גישה בכל מערכת מקור בנפרד, משילות הנתונים מתבצעת במקום אחד. זה בא לידי ביטוי בשלוש דרכים. בקרת הגישה מוגדרת ברמת שכבת הנתונים, ולא בפרומפט (Prompt) שבו ניתן לעקוף חוקים. יכולת הניטור (Observability) נותנת לכם תמונה ברורה לגבי מה כל סוכן שואל ובאיזו תדירות, ומאפשרת לכם להתחקות אחר כל תשובה שגויה חזרה לנתונים ולהגדרות שעומדים מאחוריה. בנוסף, מכיוון שלוחות הזמנים של הסנכרון מנוהלים באופן מרוכז, כל סוכן רואה נתונים עדכניים באופן עקבי מבלי שכל אחד מהם יחליט על כך בעצמו.

אז הנה התמונה המלאה. לכל שכבה כאן יש תפקיד מוגדר. Zoho DataPrep דואגת לאיכות הנתונים. Zoho Analytics אחראית על איחוד הנתונים, ההקשר העסקי ומשילות הנתונים. המערכות Ask Zia ו-Zia Agent Studio מספקות את הכלים המובנים לתחקור נתונים ולפיתוח סוכנים. MCP וממשקי ה-API פותחים את הדלת לגישת סוכנים. הסוכנים עצמם מתמקדים בהסקת מסקנות וביצוע פעולות.

עכשיו שהתשתית מוכנה, בחלק 4 נחבר את הכל יחד עם נתיב אימוץ. מאיפה להתחיל, איך לחלק את זה לשלבים, וממה כדאי להיזהר.