Nové Claude Dashboards jsou skvělé. S Bingem jsou i přesné.
Anthropic vydal 8. 10. 2026 Claude Dashboards. Dva dny nato jsme se radovali z prvního dashboardu, který Claude postavil z certifikovaných metrik Binga. Bingo v tom byl důležitý, protože samotný Claude naším testem prošel s odřenýma ušima. Z 10 metrik dokázal spočítat jen 3 přesně, u 4 zvolil s špatnou definici, 3 byly úplně mimo.
Pojďme se podívat, jak propojení Claude a Binga funguje oběma směry, detail našeho experimentu a proč si myslím, že jsou čtyři „skoro správné" odpovědi horší než tři úplně špatné.
Claude umí dashboardy, ale budou použitelné?
Claude Dashboards jsou zatím v betě. Umí na základě jednoduchého promptu z dat postavit funkční dashboard. Ale každý, kdo někdy vytvářel report se asi bude ptát, z jakých dat ten dashboard vychází.
Sám Anthropic publikoval článek, ve kterém dospěli k závěru, že Claude má poměrně málo štěstí při analýzách dat z databáze. Konkrétně tvrdí, že v jejich testech se jen v 21 % případů trefil. Nemusíte být datař, aby vám to přišlo málo, ale pokud jste s AI zkoušeli něco počítat, možná vám to přijde až neuvěřitelně málo.
V praxi je AI poměrně dobře schopná dělat základní operace jako sečíst obrat po dnech. Hůř se chová, když má spočítat konverzní poměr, PNO, ROAS a jiné poměrové metriky. Ještě horší to je, když se odpověď skrývá ve větším množství dat, nebo v tabulkách, které je potřeba JOINovat.
Proto nás zajímalo, jak si Claude povede, když mu dáme přístup do BigQuery přímo a prostřednictvím Binga, který tu databázi "zná" díky sémantické vrstvě, která se stará o to, aby se data spočítala ze správných tabulek a správnými vzorečky ještě dřív, než je dostane AI k nějakému vyhodnocení.
Bingo má MCP, díky kterému s ním Claude komunikuje oběma směry. Povídají si spolu o konkrétních datech i o celých dashboardech.
Claude se neptá databáze, ptá se Binga
Když se Claude připojí k BigQuery napřímo, vidí tabulky a sloupce. Když se připojí přes Bingo MCP, dostane certifikované metriky. Ke každému číslu Claude od Binga dostane definici, zdroj a zkompilované SQL. Tržby jsou tržby bez DPH z přijatých objednávek Shoptetu, ne z transakcí GA4. PNO se počítá ze součtů za zvolené období, ne jako průměr dní. Hrubá marže má jasný vzorec.
Dashboard v Claudovi se proto spočítá stejně jako dashboard v Bingovi.
Claude vytvoří dashboard v Bingovi
Zajímavý je i druhý směr té komunikace: jako "vedlejší produkt" vznikne i návrh stejného dashboardu v Bingovi pro uživatele, kteří používají jeho rozhraní. Claude tak může využít svou novou schopnost navrhovat dashboardy k tomu, aby vytvořil dashboard v bezpečném prostředí, kde data neopouštějí klientovu BigQuery ani EU.
Výsledky testu: stejný Claude, stejné zadání, velké překvapení
Bingova sémantická vrstva vlastně nepřekvapila - víme, že vrací přesná čísla. Ale zajímalo nás, jak si vystačí samotný model. Na našem testovacím datasetu z fiktivního e-shopu jsme položili Claudovi (Opus 5.5) deset běžných otázek, ze kterých měl složit dashboard.
Claude s přístupem do BigQuery: 3 z 10 přesně, 4 „skoro", 3 špatně.
Nejvíc se Claude mýlil v tom, kde vzít správná data. Poradil si - nějaká data našel, zformuloval validní SQL dotaz do databáze a zobrazil, co zjistil. Claude měl ale "smůlu" a sáhl po špatných tabulkách a sloupcích. Výsledkem byl dashboard, který se tvářil úplně stejně sebevědomě, ale byl z větší části špatně.
Dokonce spočítal i bounce rate, i když k němu měl jen data z prezentačního webu, místo z e-shopu. - Úkol přeci zněl jasně!
Claude přes Binga: 10 z 10.
Všechna čísla odpovídala certifikovanému výpočtu. Claude v tomhle případě ten bounce rate nevykázal, protože mu Bingo odpověď odmítl (to v testu počítáme jako správný přístup). Věděl, že metrika ve zvoleném období nemá kompletní data a udělal to, co vždycky - řekl, že nemá certifikované číslo.
Analytik z masa a kostí by vám taky řekl, že po něm chcete data, která nemá, a jestli je na dashboardu chcete, musíte si je nejdřív zajistit.
Dalo by se říct, že je sémantická vrstva něco jako datový analytik? To rozhodně ne, ale je to pojistka proti tomu, aby si AI Analytik vytáhl špatná data.
Čtyři „skoro správné" odpovědi jsou horší než tři špatné
Když máte představu o svých číslech a AI vám spočítá PNO 20,7 % místo 10,1 % víte hned, že je to vedle. Ale marže 49,45 % místo 50,4 % na první pohled nepoznáte. Odchylka v desetinách vypadá jako jiné zaokrouhlení. A protože to nic nestálo, můžete si dovolit přijmout malou nepřesnost.
U jednorázového výpočtu to taková tragédie není. Ale u dashboardu, na který spoléháte delší dobu, se metriky dřív, nebo později "rozjedou". Stane se to bez varování a na tu chybu nejspíš přijdete, až když bude do očí bijící. V lepším případě se jen ztrapníte před kolegou.
Nejvíce riskantní jsou právě ty typické výkonnostní složené metriky jako marže, konverzní poměr, průměrná objednávka, PNO, ROAS. Ty nenápadné desetinkové odchylky v poměrovém čísle znamenají, že čitatel nebo jmenovatel má jinou definici, než by měl mít. Když pak stejnou metriku rozpadnete podle kanálů, kampaní nebo kategorií, rozdíl už není v desetinách, ale v jednotkách procent, protože doprava, vratky ani produktové marže nejsou všude stejné. A protože číslo v součtu „sedí", nikdo si toho nevšimne, dokud se podle něj půl roku nerozhoduje o rozpočtu.
To je důvod, proč v Bingu u každého čísla vidíte, jestli je certifikované, nebo orientační, a proč Claude připojený do dat přes Bingo odpověď odmítne.
Nasimulovali jsme totéž, k čemu došel Anthropic
Anthropic v červnu 2026 popsal, jak interně provozuje self-service analytiku nad vlastními daty. Bez skillů a kontextu Claude na jejich interních evalech nepřesáhl 21 % správných odpovědí. Se sémantickou vrstvou a skilly přes 95 %, v některých doménách 99 %.
Ještě jedno varovné číslo: protože se jim data v čase rychle vyvíjejí, za měsíc jim přesnost během měsíce klesla z 95 na 65 %. Zároveň je dobré, když na sémantickou vrstvu dohlíží člověk. Ona ji může generovat AI, ale při porování lidi vedou.
Co Bingo dnes umí
Bingo je AI analytics platforma nad vaším BigQuery. Data zůstávají ve vašem GCP projektu, model běží na Vertex AI v EU. Z dnešního stavu:
- Certifikovaná sémantická vrstva: metriky, pojmy a dimenze s jedinou definicí (v demo projektu máme 70 metrik a 58 pojmů). U každého čísla je vidět, jestli je certifikované, nebo orientační.
- Chat analytik: na běžné otázky odpovídá certifikovanými čísly, ukáže SQL i data a hlídá, aby tvrzení v textu seděla s daty. Hloubkové analýzy probíhají podle firemních postupů (skillů): na otázku „Proč se tržby vyvíjely tak, jak se vyvíjely?" dostanete plán, po potvrzení všechny kroky a závěr s mírou jistoty.
- Dashboardy: AI shrnutí dashboardu v jedné větě; KPI s meziročním srovnáním; u každého čísla je „původ čísla" s definicí a SQL; a grafy "začínají od nuly".
- Skilly a kontext: know-how firmy je v Bingu verzované (jak počítáme marži, co je kampaň, jak se dělá rozbor změny tržeb). Používá ho chat Binga a přes MCP i Claude.
- Moduly: A/B testy vyhodnocené správně statisticky a atribuce včetně srovnání modelů, náklady a PNO po kampaních.
- Rozhraní: Bingo komunikuje přes web, Slack, Claude přes MCP, a umí exportovat reporty.
- Provoz: validátor dotazů brání drahým skenům a nepovoleným funkcím; každou novou verzi Binga před nasazením do klientských projektů detailně testujeme mimo jiné sadou kontrolních otázek.
Co to není
Bingo není náš vlastní jazykový model. Bingo MCP není určený výhradně pro Clauda. Ani Bingo MCP není 100% záruka, že v Claude Dashboards uvidíte přesná data. Nad Claudem nemá žádnou jinou moc, než jen tu, že mu prostě nedá blbá data.
Experiment je ilustrativní, nejde o benchmark. S jinou sadou otázek na jiné databázi vám určitě vyjde jiné skóre.
Bingo i do vaší BigQuery
Přečtěte si více
Děláte web pro roboty, nebo lidi? 85 % návštěv od robotů je rarita, 30 % realita.
Byl jednou jeden web a ten měl v jednom týdnu 537 672 návštěv. Lidí z toho bylo 61 619.
Zbytek byli roboti, které Google Analytics počítaly jako běžné návštěvníky. Se sessionami, s prohlíženými kategoriemi, s dopadem na konverzní poměr. Na českém webu stejného klienta to bylo mírnější - "jen" 35 % návštěv od robotů. Tahle čísla u klientů vidíme běžně.
GA4 mají vestavěný filtr botů, i tak pustí miliony robotických sessions měsíčně. Nastavení pro to neexistuje, musíte si pomoct sami.
Datové inženýrství v AI době: zajímavá práce nikdy nebyla jen v transformacích
AI dnes dokáže napsat dbt nebo Dataform model rychleji, než si většina datových inženýrů stihne uvařit kafe v kuchyňce.
A píše ho čím dál tím lépe. Ne vždy dokonale, ne vždy produkčně, ale dost dobře na to, aby bylo jasné, že se práce dataře mění. Pokud byla hlavní hodnota datového inženýra v tom, že uměl rychle napsat SQL transformaci, tak se tahle výhoda bude už jen zmenšovat.
To ale neznamená, že datové inženýrství mizí. Spíš se konečně ukazuje, kde byla jeho největší hodnota celou dobu. Ne v samotném přesouvání dat z bodu A do bodu B. Ani v tom, že někdo umí napsat další LEFT JOIN, nebo vytvoří další Gold tabulku. Ale v tom, že někdo rozumí, co ta data znamenají.
Proč jsme postavili AI datového analytika (a jak ho dnes používají naši klienti)
Když klientům dodáme Dance, čistá data v BigQuery a hotové reporty, většinou máme pocit, že je hotovo. A z pohledu datové infrastruktury vlastně je. Data tečou, metriky sedí, dashboardy fungují. Jenže pak přijde úplně běžný dotaz z marketingu:
„Hele, můžeš se prosím podívat, jaký jsme měli minulý týden konverzní poměr na mobilech napříč trhy?"
Na první pohled nic složitého. Jenže odpověď zabere klidně dvě hodiny. Někdo musí otevřít BI nástroj, najít správný report, případně dopsat SQL, zkontrolovat výsledek, exportovat ho a poslat odpověď zpátky.
A přesně takových dotazů chodí každý týden desítky. Tak vznikl Signals AI Analytik.
Proč jsme postavili Dance (a co všechno už dnes umí)
Když před pár lety Google Analytics 4 přinesly export do BigQuery i pro neplacené účty, byli jsme z toho nadšení. Exporty přes API našim klientům už dávno nestačily a 360 licence byly příliš drahé.
Už na několika prvních projektech se ale ukázalo, že stavět každému klientovi datový model na míru nedává smysl ekonomicky ani prakticky.
Řešili jsme v podstatě podobný problém jen z jiného konce. Jak správně zpracovat GA4 data? Jak je propojit s objednávkami? Jak z toho udělat něco, čemu bude klient opravdu rozumět?
Řekli jsme si, že to musí jít líp. A tak vznikl Dance.
