Von Smart Insights zu Just Ask — generative Analytik in SAC

Was Sie lernen

• Jede SAC-Funktion in einem Satz der Statistik/ML oder der generativen KI zuordnen und angeben, welche vor der Aktivierung eine Datenschutzprüfung braucht
• Die dokumentierten Grenzen von Smart Insights (Top 5 Dimensionen, Top 10 Mitglieder, Rückfall bei 200.000 Knoten, Obergrenze 1.000.000 Zeilen) anwenden, um zu entscheiden, ob eine Story-Frage machbar ist
• Eine Smart-Discovery-Analyse mit Ziel, Entität und Kennzahl eingrenzen und einen Anwendungsfall ablehnen, der an die Mehrfachhierarchie- oder 1.000.000-Zellen-Einschränkung stößt
• Ein Datasphere-Modell für Just Ask vorbereiten (JustAskManage, Sichtbarkeit, Synonyme, Abfragestandards, Regeln, Datasphere-Zugriff je Benutzer) und im Entwurf mit einem Referenzset testen
• Einen gescheiterten Just-Ask-Rollout anhand der Symptome diagnostizieren (nicht unterstützte Sprache, mehrere aktivierte Modelle, fehlender Datasphere-Zugriff)
• Erklären, dass Joule über die Just-Ask-Engine in SAC hineingreift, und vier generative SAC-Funktionen nennen, die bereits in der Kundenlizenz stecken können

Modulüberblick

Für wen dieses Modul ist. Sie liefern seit Jahren SAC-Stories mit Smart Insights und Smart Discovery, und ein Kunde hat gerade gefragt, ob SAC „jetzt generative KI wie Joule hat“. Die ehrliche Antwort lautet: „zum Teil, aufgesetzt auf Funktionen, die nie generativ waren“. Nach diesem Modul (rund 3 Stunden mit geöffnetem Tenant; SAC-Release QRC3 2026) ordnen Sie jede „smarte“ SAC-Funktion in einem Satz der Statistik oder der generativen KI zu, richten Just Ask für ein Datasphere-Modell ein, diagnostizieren einen gescheiterten Rollout anhand der Symptome und schreiben eine einseitige Scoping-Notiz, die einem Controller sagt, welche Funktion welche Frage beantwortet. Smart Predict ist die statistische Basis, die Sie bereits kennen.

Voraussetzungen

• Praktische Erfahrung in der Lieferung von SAC-Stories, einschließlich Smart Insights oder Smart Discovery
• Modul KI- und LLM-Grundlagen oder gleichwertiges praktisches Wissen
• Module „SAC Predictive Planning in der Praxis“ und „SAC Smart Predict in der Praxis — Klassifikation und Regression“ empfohlen, damit Smart Predict als die statistische Grundlage verstanden wird, von der sich dieses Modul absetzt

Lernergebnisse

• Einem Kunden Funktion für Funktion erklären, welche Teile der „smarten“ Oberfläche von SAC Statistik/ML sind und welche wirklich generative KI.
• Smart-Insights-Ausschlüsse konfigurieren und ihr Hierarchie- und Zeilenlimitverhalten korrekt interpretieren.
• Einen Smart-Discovery-Anwendungsfall gemäß seinem Ziel/Entität/Kennzahl-Modell und den dokumentierten Einschränkungen abgrenzen.
• Ein Just-Ask-Rollout-Problem anhand der Sprachunterstützung und der Datasphere-Zugriffsvoraussetzungen diagnostizieren und die Richtung der Joule/SAC-Integration korrekt erklären.