FIG.02 · Databricks · TelecommunicationsTelekommunikation

Generative BI for Self-Serve InsightsGenerative BI für Self-Service-Insights

A generative-BI solution letting 300+ business users query customer data in natural language — time-to-insight from days to seconds — for a leading telecom.Eine Generative-BI-Lösung, mit der 300+ Business-User Kundendaten in natürlicher Sprache abfragen — Time-to-Insight von Tagen auf Sekunden — für einen führenden Telekommunikationsanbieter.

ChallengeHerausforderung

At a leading telecom, every answer went through a bottleneck: business users and leadership depended on a small analytics team and a wall of static dashboards. A simple ad-hoc question — why did churn move in this region, how is ARPU trending — meant filing a request and waiting days for an analyst to write the query. The backlog grew, decisions waited on data, and most questions were simply never asked. The insight was there in the data; the organization just couldn't reach it at the speed it made decisions.Bei einem führenden Telekommunikationsanbieter lief jede Antwort durch einen Flaschenhals: Business-User und Führung waren auf ein kleines Analytics-Team und eine Wand aus statischen Dashboards angewiesen. Eine einfache Ad-hoc-Frage — warum bewegte sich die Abwanderung in dieser Region, wie entwickelt sich der ARPU — bedeutete, ein Ticket zu stellen und Tage darauf zu warten, bis ein:e Analyst:in die Query schrieb. Der Backlog wuchs, Entscheidungen warteten auf Daten, und die meisten Fragen wurden schlicht nie gestellt. Die Erkenntnis lag in den Daten; die Organisation kam nur nicht in der Geschwindigkeit heran, in der sie entschied.

ApproachVorgehen

01
Governed semantic layer Governance-konformer Semantic Layer

Turn the client's analytical tables into a governed semantic layer (metric views) — every KPI defined once, with clear column and asset descriptions so the AI understands the data, and access controls, masking and tags so every user sees only what they're allowed to. Die analytischen Tabellen des Kunden in einen governance-konformen Semantic Layer (Metric Views) überführen — jede Kennzahl einmal definiert, mit klaren Spalten- und Asset-Beschreibungen, damit die KI die Daten versteht, plus Zugriffskontrollen, Maskierung und Tags, sodass jeder User nur sieht, was er darf.
02
Conversational analytics layer Conversational-Analytics-Layer

Layer a chat assistant (Databricks AI/BI Genie) over the governed metrics — it turns a plain-language question into validated SQL, answering from the metric definitions or the underlying tables when no metric fits, and replies with a chart and a short summary, right in the conversation. On a medallion lakehouse, with the semantic layer on top. Einen Chat-Assistenten (Databricks AI/BI Genie) über die verbindlichen Metriken legen — er übersetzt eine Frage in Klartext in validiertes SQL, beantwortet sie aus den Metrik-Definitionen oder direkt aus den Tabellen, wenn keine Metrik passt, und antwortet mit Chart und kurzer Zusammenfassung, direkt im Chat. Auf einem Medallion-Lakehouse, mit dem Semantic Layer obendrauf.
03
Self-serve experience Self-Service-Erlebnis

Surface answers and ad-hoc insights directly in the tools business users already use — no analyst in the loop, guardrails on by default. Antworten und Ad-hoc-Insights direkt in den Tools bereitstellen, die Business-User ohnehin nutzen — kein Analyst dazwischen, Guardrails standardmäßig aktiv.
04
Adoption at scale Adoption im großen Maßstab

Roll out to 300+ business users and leadership, turning questions that were never asked into instant answers. Rollout an 300+ Business-User und Führungskräfte — Fragen, die nie gestellt wurden, werden zu sofortigen Antworten.

ArchitectureArchitektur

Analytical tables land in a medallion lakehouse (Bronze → Silver → Gold); a governed semantic layer of metric views sits on top. A conversational-BI assistant turns plain-language questions into validated SQL against those metrics — or the underlying tables when no metric fits — and returns charts and summaries to 300+ business users. A governance layer spans it all: access controls, masking, tags and lineage. Analytische Tabellen landen in einem Medallion-Lakehouse (Bronze → Silver → Gold); ein governance-konformer Semantic Layer aus Metric Views sitzt obendrauf. Ein Conversational-BI-Assistent übersetzt Fragen in Klartext in validiertes SQL gegen diese Metriken — oder direkt gegen die Tabellen, wenn keine Metrik passt — und liefert Charts und Zusammenfassungen an 300+ Business-User. Ein Governance-Layer spannt über alles: Zugriffskontrollen, Maskierung, Tags und Lineage.

The client's analytical tables land in a medallion lakehouse (Bronze → Silver → Gold); a governed semantic layer of metric views sits on top. A conversational-BI assistant (AI/BI Genie) turns plain-language questions into validated SQL against those metrics — or the underlying tables when no metric fits — and returns charts and summaries to 300+ business users. A governance layer (Unity Catalog) spans it all: access controls, masking, tags and lineage, so every user sees only what they're allowed to. Die analytischen Tabellen des Kunden landen in einem Medallion-Lakehouse (Bronze → Silver → Gold); ein governance-konformer Semantic Layer aus Metric Views sitzt obendrauf. Ein Conversational-BI-Assistent (AI/BI Genie) übersetzt Fragen in Klartext in validiertes SQL gegen diese Metriken — oder direkt gegen die Tabellen, wenn keine Metrik passt — und liefert Charts und Zusammenfassungen an 300+ Business-User. Ein Governance-Layer (Unity Catalog) spannt über alles: Zugriffskontrollen, Maskierung, Tags und Lineage, sodass jeder User nur sieht, was er darf.

Example — chat with your data, get a chart back Beispiel — mit den Daten chatten, einen Chart zurückbekommen Illustrative Illustrativ

Press play: a business user asks a question in the chat. Behind it, the assistant reads the governed semantic layer to understand the data, writes the query, runs it and replies with a chart and a short summary — no analyst, no SQL. Switch the question to see a different insight. Play drücken: Ein Business-User stellt eine Frage im Chat. Dahinter liest der Assistent den governance-konformen Semantic Layer, um die Daten zu verstehen, schreibt die Query, führt sie aus und antwortet mit Chart und kurzer Zusammenfassung — kein Analyst, kein SQL. Frage umschalten für einen anderen Insight.

Business user Business-User

Which regions had the highest churn last quarter? Welche Regionen hatten letztes Quartal die höchste Abwanderung?

Assistant Assistent

North

East

West

South

Region North led churn at 4.8% last quarter — 1.6 points above the average. East is the next hotspot, while South stayed stable. Region Nord führte die Abwanderung letztes Quartal mit 4,8% — 1,6 Pp. über dem Schnitt. Ost ist der nächste Hotspot, während Süd stabil blieb.

Under the hood Unter der Haube

1
Question Frage natural language
2
Semantic layer Semantic Layer governed metrics · descriptions churn → fct_churn.churn_rate · region → dim_region · quarter → date_dim
Governed Governance access controls Zugriffskontrollen masking Maskierung tags & lineage Tags & Lineage

Text-to-SQL Text-to-SQL generated query

SELECT r.region, ROUND(AVG(c.churn_rate), 1) AS churn
FROM fct_churn c JOIN dim_region r USING (region_id)
WHERE c.quarter = 'Q3'
GROUP BY r.region ORDER BY churn DESC

4
Run query Query ausführen on the lakehouse
5
Answer Antwort chart + summary

Lakehouse foundation Lakehouse-Basis

Semantic layer · governed metrics Semantic Layer · verbindliche Metriken Bronze Silver Gold

Answers from the governed metrics — or the tables directly when no metric fits. Antworten aus den verbindlichen Metriken — oder direkt aus den Tabellen, wenn keine Metrik passt.

Business user Business-User

How did ARPU trend over the last six months? Wie entwickelte sich der ARPU in den letzten sechs Monaten?

Assistant Assistent

ARPU rose 3% over six months to €31.40, with the steepest gain in the last quarter — momentum is clearly positive. Der ARPU stieg über sechs Monate um 3% auf 31,40 €, mit dem stärksten Zuwachs im letzten Quartal — die Dynamik ist klar positiv.

Under the hood Unter der Haube

1
Question Frage natural language
2
Semantic layer Semantic Layer governed metrics · descriptions arpu → fct_revenue.arpu · month → date_dim.month
Governed Governance access controls Zugriffskontrollen masking Maskierung tags & lineage Tags & Lineage

Text-to-SQL Text-to-SQL generated query

SELECT month, ROUND(AVG(arpu), 2) AS arpu
FROM fct_revenue
WHERE month >= add_months(current_date, -6)
GROUP BY month ORDER BY month

4
Run query Query ausführen on the lakehouse
5
Answer Antwort chart + summary

Lakehouse foundation Lakehouse-Basis

Semantic layer · governed metrics Semantic Layer · verbindliche Metriken Bronze Silver Gold

Answers from the governed metrics — or the tables directly when no metric fits. Antworten aus den verbindlichen Metriken — oder direkt aus den Tabellen, wenn keine Metrik passt.

Business user Business-User

What's our active subscriber base right now? Wie groß ist unser aktiver Kundenbestand gerade?

Assistant Assistent

2.4M active

2.4M subscribers are active right now — up 1.9% month over month, a steady rate of net growth. 2,4 Mio. Kunden sind gerade aktiv — +1,9% gegenüber dem Vormonat, ein stetiges Netto-Wachstum.

Under the hood Unter der Haube

1
Question Frage natural language
2
Semantic layer Semantic Layer governed metrics · descriptions subscribers → dim_subscriber · status = 'active'
Governed Governance access controls Zugriffskontrollen masking Maskierung tags & lineage Tags & Lineage

Text-to-SQL Text-to-SQL generated query

SELECT COUNT(*) AS active_subs
FROM dim_subscriber
WHERE status = 'active'

4
Run query Query ausführen on the lakehouse
5
Answer Antwort chart + summary

Lakehouse foundation Lakehouse-Basis

Semantic layer · governed metrics Semantic Layer · verbindliche Metriken Bronze Silver Gold

Answers from the governed metrics — or the tables directly when no metric fits. Antworten aus den verbindlichen Metriken — oder direkt aus den Tabellen, wenn keine Metrik passt.

1 / 5

Targeted ImpactAngestrebte Wirkung

300+ 300+

Self-serve users Self-Service-User

Business users and leadership querying data directly — no analyst in the loop. Business-User und Führung fragen Daten direkt ab — kein Analyst dazwischen.
Days → sec Tage → Sek.

Time-to-insight Time-to-Insight

Ad-hoc questions answered in seconds instead of days. Ad-hoc-Fragen in Sekunden statt Tagen beantwortet.
Plain language Klartext

No SQL required Kein SQL nötig

Ask customer data in words — the engine writes the query. Kundendaten in Worten abfragen — die Engine schreibt die Query.
Governed Governance-konform

Trustworthy answers Vertrauenswürdige Antworten

One shared metric definition, with access controls and masking — users see only what they may. Eine gemeinsame Metrik-Definition, mit Zugriffskontrollen und Maskierung — User sehen nur, was sie dürfen.

My RoleMeine Rolle

I built the governed semantic layer (metric views) on the client's analytical tables and the conversational-analytics layer (AI/BI Genie) on top — so 300+ business users and leadership could ask questions in plain language and get trustworthy charts and summaries back, without an analyst or a line of SQL.Ich habe den governance-konformen Semantic Layer (Metric Views) auf den analytischen Tabellen des Kunden gebaut und den Conversational-Analytics-Layer (AI/BI Genie) darüber — damit 300+ Business-User und Führungskräfte Fragen in Klartext stellen und vertrauenswürdige Charts und Zusammenfassungen zurückbekommen, ohne Analyst und ohne eine Zeile SQL.

StackStack

Databricks
AI/BI Genie
Unity Catalog · Metric Views
Text-to-SQL
Databricks SQL

ChallengeHerausforderung

ApproachVorgehen

Governed semantic layer Governance-konformer Semantic Layer

Conversational analytics layer Conversational-Analytics-Layer

Self-serve experience Self-Service-Erlebnis

Adoption at scale Adoption im großen Maßstab

ArchitectureArchitektur

Targeted ImpactAngestrebte Wirkung

My RoleMeine Rolle

StackStack