Hoe wij bij Czech Travel Agency helpen bij het automatiseren van de rapportage met behulp van genAI

Het bedrijf Czech Travel Agency, exploitant van het portaal Lázně Travel, behoort tot de grootste spelers op de Tsjechische markt voor kuuroord- en wellnessverblijven. Het bedrijf heeft bijna 500 hotels en duizenden verblijfspakketten in 7 landen in zijn aanbod, verwerkt jaarlijks tienduizenden reserveringen en de hele bedrijfsvoering is gebaseerd op een eigen reserveringssysteem, CRM, uitgebreide integraties en een interne klantenservice.

Zo’n hoeveelheid gegevens levert een enorme hoeveelheid informatie op die moet worden verwerkt en geanalyseerd. In de toeristische sector verandert de situatie echter vrijwel dagelijks. De vraag, de seizoensinvloeden, de prestaties van marketingkanalen en de winstmarges van individuele hotels en productpakketten veranderen voortdurend. Marketing- en commerciële beslissingen moeten daarom gebaseerd zijn op actuele gegevens, waarop honderden verschillende invalshoeken bestaan. Juist daarom hebben we samen gezocht naar een manier om rapportage te verplaatsen van een omgeving met statische dashboards naar een omgeving waarin je met natuurlijke taal naar gegevens kunt vragen.

De vier belangrijkste beperkingen van klassieke rapportage

Czech Travel Agency werkte al geruime tijd met een robuuste gegevensbasis. Het bedrijf maakte gebruik van Google Analytics, advertentiesystemen, een eigen CRM-systeem, een reserveringssysteem, gegevens van de telefonische klantenservice en Microsoft Power BI. Ook wij hebben meegewerkt aan het opstellen van een deel van de rapportages. Tegelijkertijd hebben we het bedrijf geholpen bij het efficiënter opslaan, delen en beheren van gegevens binnen de hele organisatie. Naarmate het bedrijf groeide, werden de beperkingen van de traditionele rapportage echter steeds duidelijker.

De eerste uitdaging was snelheid. Het bedrijf is actief in een zeer dynamische omgeving, waar vrijwel onmiddellijk moet worden gereageerd. Als er een nieuwe vraag opduikt, is er geen tijd om te wachten tot er een nieuw dashboard is gemaakt of een bestaand rapport is aangepast.

Een tweede probleem was de diversiteit van de gebruikers. De CEO moet heel andere statistieken bijhouden dan het marketingteam, de verkopers, de financieel directeur of de contentspecialisten. Eén universeel dashboard voldeed niet meer.

Een andere uitdaging was de groei van het bedrijf zelf. Er kwamen steeds meer nieuwe functies, nieuwe processen en nieuwe eisen op het gebied van digitalisering bij. Met elke verandering nam ook de behoefte toe om nieuwe overzichten van de gegevens te genereren.

En tot slot was er nog de mobiliteit. Veel mensen moeten buiten kantoor informatie kunnen opzoeken. Ze willen niet meerdere systemen openen om het juiste rapport te zoeken. Ze willen gewoon een vraag stellen en direct een antwoord krijgen.

Van dashboards naar een gesprek over gegevens

In plaats van nog een laag met rapporten hebben we een andere aanpak voorgesteld. Het doel was niet om een nieuw dashboard te maken, maar om medewerkers in staat te stellen net zo natuurlijk met bedrijfsgegevens te communiceren als ze dat tegenwoordig doen met generatieve AI. Daarom hebben we een architectuur ontworpen die is gebaseerd op het Claude-platform, dat via één centrale zoekconsole antwoorden kan geven op vragen over de interne bedrijfsgegevens.

De gebruiker hoeft niet meer na te denken over waar bepaalde informatie zich bevindt of welk rapport hij moet openen. Het volstaat om het te vragen.

Bijvoorbeeld:

• Hoe verlopen de verblijven in het Jeseníky-gebergte deze week in vergelijking met vorig jaar?
• Welke hotels hebben op de lange termijn de hoogste marge?
• Welk percentage van de reserveringen is via de telefonische klantenservice binnengekomen?
• Welke campagnes leveren klanten op met de hoogste bestelwaarde?

De belangrijkste uitdagingen van het project

Bij dit soort projecten gaat de meeste aandacht meestal uit naar het taalmodel zelf. In werkelijkheid vormt dit echter slechts de laatste laag van de totale oplossing. Het belangrijkste deel van ons werk vond veel lager in het proces plaats.

Allereerst moest de gegevensbasis worden gestabiliseerd en moest de informatie uit een hele reeks verschillende systemen worden samengebracht. Daarop hebben we vervolgens de MCP-server gebouwd, die een uniforme laag vormt tussen de bedrijfsgegevens en het taalmodel. Deze laag bepaalt of de AI correct, snel en consistent antwoordt. Het volstaat namelijk niet om alleen de database toegankelijk te maken, maar de gegevens moeten zo worden voorbereid dat het model ze effectief kan doorzoeken, correct kan interpreteren en alleen werkt met informatie die het daadwerkelijk nodig heeft. 

Een van de grootste uitdagingen bij dergelijke systemen is de kostenefficiëntie. Elke query verbruikt tokens en bij omvangrijke bedrijfsdatabases kunnen de kosten zeer snel oplopen. De snelheid van de respons is eveneens van groot belang. Een groot deel van het ontwerp was dan ook gericht op het optimaliseren van de gehele architectuur. We hebben de afzonderlijke lagen zo ontworpen dat het model alleen relevante gegevens ontvangt, de hoeveelheid verwerkte informatie tot een minimum beperkt en tegelijkertijd zo snel mogelijk antwoorden levert.

Van uren naar minuten – gegevens direct beschikbaar voor iedereen

In plaats van op zoek te gaan naar het juiste dashboard of een verzoek in te dienen voor het maken van een nieuw rapport, kunnen medewerkers direct en zelfstandig met de gegevens aan de slag. Vroeger ging het verkrijgen van een nieuw inzicht in de gegevens vaak gepaard met het opstellen of aanpassen van een rapport in Power BI. Tegenwoordig volstaat het in de meeste gevallen om de juiste vraag in natuurlijke taal te formuleren en binnen enkele ogenblikken een antwoord te krijgen, inclusief de benodigde context. Ter illustratie: het samenstellen van een nieuw, op maat gemaakt overzicht van de gegevens kostte vroeger enkele uren. Met het nieuwe systeem kan genAI een willekeurig complex overzicht binnen enkele minuten genereren.

Technologie werkt niet zonder mensen. Opleiding was de sleutel

Het project omvatte niet alleen de technische implementatie; tegelijkertijd hebben we de medewerkers van Czech Travel Agency getraind in het werken met de nieuwe omgeving en het correct formuleren van vragen. Generatieve AI vervangt namelijk niet het vermogen om gegevens te interpreteren, maar verkort wel aanzienlijk de weg naar het verkrijgen ervan.

Samenvatting

We hebben de manier veranderd waarop mensen toegang krijgen tot gegevens. In plaats van op zoek te gaan naar het juiste rapport, kunnen ze beginnen met een vraag. En juist dat versnelt de dagelijkse besluitvorming in het hele bedrijf aanzienlijk.