Zakaj samostojen dashboard po meri?
Google Analytics, Meta Business Manager, vaš ERP in CRM — vsak od teh ima svojo poročilno ploščo. Težava: nobeden vam ne pove celotne zgodbe. Direktor v ponedeljek zjutraj odpre 5 zavihkov in ročno sestavlja sliko. Tedensko poročilo nastane v Excelu z makri, ki občasno odpovejo.
Dashboard združi dogovorjene vire v en pogled. Pogostost osveževanja, opozorila in definicije kazalnikov določimo z uporabniki. Prihranek časa lahko ocenimo s primerjavo obstoječega in novega poročanja.
Tipični primeri uporabe
Prodajni dashboard. Pipeline iz CRM, dejanske transakcije iz Stripe ali ERP, marketing leadi iz Google/Meta — v enem pregledu z napovedjo doseganja mesečnih ciljev.
Logistični nadzor. Zaloge v skladišču, čakajoče dobave, dostave v teku in oddaje strankam — z opozorili za zamude ali odstopanja od normalnega časa cikla.
Marketing performance. Stroški in konverzije iz Google Ads, Meta Ads in LinkedIn Ads na enem mestu, z AI ocenjevanjem, katera kampanja ima največji ROAS in kje porabljate brez učinka.
Operativni KPI-ji. SLA podpornih ticketov, čas odziva, NPS strank, zadovoljstvo ekip — vse na enem zavihku za vodstvene preglede.
Tehnologija
Za frontend uporabljamo Next.js in React s knjižnicami za vizualizacijo (Recharts, Visx, Tremor). Backend gradimo z Node.js ali Python, podatkovni sloj pogosto z ClickHouse ali TimescaleDB za hitre poizvedbe nad velikimi količinami časovnih vrst.
Za AI zaznavanje anomalij kombiniramo statistične pristope (z-score, IQR, sezonska dekompozicija s Prophet) z lažjimi ML modeli (isolation forest, autoencoderji) za nelinearne vzorce. Za interpretacijo "zakaj je to anomalija" uporabimo LLM (Claude, GPT-4), ki uporabniku v Slacku razloži kontekst v naravnem jeziku.
Pogosta vprašanja
S katerimi viri podatkov se povezujemo?
+
Vse glavne baze (PostgreSQL, MySQL, MS SQL, Oracle), Google Analytics 4, Meta Ads, Google Ads, Stripe, ERP sistemi (SAP, Pantheon), CRM (HubSpot, Pipedrive), Slack, Shopify, WooCommerce ter custom API-ji preko REST/GraphQL.
Kako AI zaznava anomalije?
+
Uporabljamo kombinacijo statističnih metod (z-score, IQR) in lažjih ML modelov (isolation forest, prophet) glede na vrsto podatkov. Za kompleksnejše vzorce uporabimo LLM-je za interpretacijo trendov in razlago, zakaj je nekaj odstopajoče.
Ali dobimo opozorila tudi po Slack ali e-pošti?
+
Da. Konfigurirate pravila in pragove. Opozorila pošljemo na Slack, MS Teams, e-pošto, SMS ali kot push notification v mobilno aplikacijo — z razlago, zakaj se je dogodek zgodil.
Koliko časa traja razvoj dashboarda?
+
Osnovni dashboard z 2–3 viri podatkov 3–5 tednov. Kompleksnejša platforma z lastno AI logiko, več uporabniškimi vlogami in real-time strujami 6–12 tednov.