DATA Most — AI Import Agent

Sekce 01

AI Import Agent — Univerzalni import zamestnancu

Nahrajte soubor v jakemkoliv formatu. AI analyzuje strukturu, navrhne mapovani sloupcu na DATA Most schema a ucetni potvrdi v review UI. Cely proces trva pod 2 minuty.

description

Podporovane formaty

6+

Excel, CSV, DBF, MDB, XML, PDF

psychology

Presnost AI mappingu

95%+

Zlepsuje se s kazdym importem

timer

Cas importu

~2 min

Vcetne review a potvrzeni

school

Per-tenant learning

✓

AI si pamatuje mapovani pro kazdy zdroj

Sekce 02

Import Flow — 3 swim lanes

Komplexni flow ukazujici interakci mezi ucetni, AI enginem a databazi DATA Most. Ucetni nahraje soubor, AI navrhne mapping, ucetni potvrdi a data se importuji.

Ucetni Upload, review, potvrzeni

Nahraje soubor

Ceka na AI

Analyza souboru

~15 sec

navrh

Vidi AI mapping

Tabulka s navrhy mapovani

Potvrdi / opravi

Zelene = OK, zlute = overit

3

Spusti import

Klik na "Importovat"

Vidi vysledek

AI Engine LLM + normalizace

Detekuje format

MIME + heuristika

xlsx / csv / dbf...

2

Extrahuje sloupce

Nazvy + vzorky dat

prompt

LLM mapping

Navrhne cilovej pole + confidence

Gemma 4 / Haiku

8

Normalizace

Hodnoty → ref_* kody

enum resolution

Import dat

Validace + INSERT

DATA Most DB Schema, templates

Schema reference

Cilovej fields + typy

employee table

5

Ulozi template

Mapping pro pristi import

per-tenant

6

INSERT zamestnancu

Validovana data

Enrichment flagy

Neuplne → "k doplneni"

7

Sekce 03

Upload souboru

Primarni vstupni bod pro import. Drag & drop zona s podporou kliknuti. Ucetni nemusi vedet format — AI detekuje automaticky.

1 cloud_upload

Pretahnete soubor nebo kliknete

Soubor s daty zamestnancu v jakemkoliv formatu

Podporovane formaty: Excel (.xlsx / .xls), CSV, dBase (.dbf), Access (.mdb), XML (Pamica / Pohoda), PDF, Screenshot

insert_drive_file zamestnanci_2026.xlsx 245 KB

hourglass_empty AI analyzuje strukturu souboru...

Sekce 04

AI Mapping Review

Klicova obrazovka celeho importu. AI navrhne mapovani kazdeho zdrojoveho sloupce na cilove pole v DATA Most. Ucetni kontroluje, opravuje a potvrzuje. Barva confidence indikuje miru jistoty AI.

>85% — Auto-potvrzeno

50–85% — AI navrhuje, potvrzeni nutne

<50% — AI nevi, rucni vyber

auto_awesome Navrzene mapovani — zamestnanci_2026.xlsx 8 sloupcu detekovano

Zdrojovy sloupec	Vzorova data		Cilove pole (DATA Most)	Confidence	Akce
Jmeno	Jan	→	first_name	98%	check Potvrzeno
Prijmeni	Novak	→	surname	97%	check Potvrzeno
Datum narozeni	15.3.1985	→	date_of_birth normalizace: 15.3.1985 → 1985-03-15	95%	check Potvrzeno
RC	850315/1234	→	birth_number normalizace: bez lomitka → 8503151234	92%	check Potvrzeno
Bydliste 4	Praha 4, Krc 15	→	??? split detekovany account_tree AI navrhuje rozdelit na: city + street + house_number	68%
Pojistovna 5	VZP	→	insurance_company → ref_health_insurance_company: 111	90%	check Potvrzeno
Pozice	Ucetni	→	ispv_isco_class → ref_isco: 24110 (Ucetni specialiste)	75%
Plat	45000	→	??? nezname pole help_outline AI nenaslo odpoviadajici pole v DATA Most schema	30%

Sekce 05

Value Normalization

AI automaticky normalizuje ruzne formaty hodnot na jednotny format DATA Most. Rozumne ceskeho kontextu — zkratky, ciselniky, formaty dat.

auto_fix_high Automaticka normalizace hodnot

Zdravotni pojistovna

VZP 111 Vseobecna zdravotni

→

111

ref_health_insurance_company

Datum narozeni

15.3.1985 1985-03-15 03/15/85

→

1985-03-15

ISO 8601

Rodne cislo

850315/1234 8503151234

→

8503151234

birth_number (bez lomitka)

Pohlavi

Muz M male 1

→

man

ref_sex

Rodinny stav

Svobodny 1 single

→

single

ref_marital_status

Sekce 06

Vysledek importu

Summary obrazovka po dokonceni importu. Jasne ukazuje co se importovalo, co chybi a co bylo preskoceno.

✅

Importovano

47

zamestnancu

⚠️

Neuplne (chybi povinna pole)

12

Poslat k doplneni →

❌

Preskoceno (duplikaty)

3

shodne RC v DB

📝

Mapping template

Ulozen

Pro pristi import z tohoto zdroje

summarize Detail importu

check_circle 47 zamestnancu — vsechna povinna pole vyplnena, data validni

warning 12 zamestnancu — chybi: adresa (5), pojistovna (4), ISCO (3). Status: K doplneni

cancel 3 zamestnanci — duplicitni RC: 8503151234, 9012044567, 7808126543

save Mapping template ulozen pro zdroj "zamestnanci_2026.xlsx" (8 sloupcu, tenant: ABC Ucetni s.r.o.)

Sekce 07

Per-tenant Learning

AI si pamatuje mapovani pro kazdy zdroj a kazdeho tenanta. S kazdym importem se presnost zvysuje — ucetni opravuje mene a mene.

1

1. import: AI navrhuje, ucetni opravuje

Prvni import z noveho zdroje. AI navrhne mapping na zaklade nazvu sloupcu a vzorkovych dat. Ucetni opravi ~15 poli. Mapping se ulozi jako template.

~40% auto-match

15 oprav 5 potvrzeni 4 auto

2

2. import (stejny zdroj): AI pamatuje mapping

Druhy import ze stejneho zdroje. AI nacte ulozeny template a aplikuje predchozi opravy. Ucetni opravi jen ~3 pole (nova pole nebo zmena formatu).

~80% auto-match

3 opravy 2 potvrzeni 19 auto

3

3. import: AI mapuje 100% spravne

Treti a dalsi import. AI mapuje vsechna pole spravne na zaklade nauceneho template. Ucetni jen zkontroluje a potvrdza jednim klikem.

100% auto-match

0 oprav 0 potvrzeni 24 auto

emoji_objects

Vysledek: Od 3. importu ucetni pouze klikne "Potvrdit" a cely proces trva 30 sekund misto puvodniho rucniho prepisovani (~45 minut).

Sekce 08

Anotace — Design rozhodnuti

Cisla v cervenych krouzcich v wireframu odkazuji na tyto anotace. Vysvetluji klicova rozhodnuti v navrhu AI Import Agenta.

1

Drag & drop jako primarni interakce

Ucetni nejsou tech-savvy. Drag & drop je nejpriroznejsi zpusob nahrani souboru. Zaroven je k dispozici i klasicke "kliknete pro vyber" jako fallback.

UX accessibility

2

Vzorova data maskuji citlive udaje

Pred odeslanim do LLM se RC maskuje (*****/1234), adresy zkracuji a jmena anonymizuji. LLM vidi strukturu, ne real data.

privacy GDPR

3

Confidence score ridi UX

Zelena (>85%) = auto-potvrzeno, ucetni jen zkontroluje. Zluta (50-85%) = AI navrhuje ale ceka na potvrzeni. Cervena (<50%) = AI nevi, ucetni vybira rucne.

UX AI trust

4

Split detection

AI rozpozna sloucena pole (napr. "Bydliste" = ulice + cislo + mesto) a navrhne rozdeleni do spravnych sloupcu DATA Most schema.

AI smart parsing

5

Enum resolution z ref_* tabulek

AI mapuje ceske nazvy na kody z ciselniku: 7966 ISCO pozic, 250 zemi, 13 zdravotnich pojistoven, 8 druhu PP, atd. Pouziva fuzzy matching + synonyma.

AI ciselniky

6

Mapping memory je per-tenant

Kazda ucetni firma ma vlastni sadu mapping templates. Data se nemicha mezi tenants. Template se vaze na nazev souboru a strukturu sloupcu (hash).

multi-tenancy privacy

7

Enrichment flagy

Zamestnanci s chybejicimi povinnymi poli dostanou status "k doplneni". Ucetni vidi seznam a muze pozadat klienta o doplneni. Nepotrebujeme blokovat import kvuli chybejicim datum.

workflow partial import

8

LLM cost: ~$0.01 per import

Pouzivame Gemma 4 26B (OpenRouter) pro mapping a Claude Haiku pro slozitejsi pripady (split, ISCO lookup). Prumerny import (50 zamestnancu, 10 sloupcu) stoji pod $0.01.

cost LLM

9

Duplikatni detekce pres RC

Pred importem system kontroluje rodna cisla proti existujicim zaznmam v DB. Duplicity se automaticky preskoci a reportuji se ve vysledku.

data quality dedup

10

Postupne uceni snizuje friction

1. import = 40% auto-match, 15 rucnich oprav (~5 min). 3. import = 100% auto-match, 0 oprav (~30 sec). ROI se vraci uz pri 2. importu ze stejneho zdroje.

learning ROI