Kiedy stosować dane syntetyczne

Większość zespołów customer experience nie cierpi na brak danych. Cierpi na brak dostępu do nich. Rekordy, które rozstrzygnęłyby sprawę, tkwią w systemach obwarowanych przepisami o ochronie prywatności, umowami z dostawcami albo decyzją działu bezpieczeństwa, który z zasady mówi “nie”. Model więc czeka, środowisko testowe stoi puste, a wniosek, który mógł trafić na rynek w tym kwartale, trafia tam za rok, jeśli w ogóle.

Dane syntetyczne odpowiadają właśnie na to wąskie gardło. Generuje je algorytm, który uczy się statystycznego kształtu prawdziwych rekordów, ich rozkładów i korelacji między polami, a następnie tworzy nowe rekordy wyglądające jak oryginał, lecz nienależące do żadnej rzeczywistej osoby.

Zmiana już trwa

Tempo tych zmian jest na tyle szybkie, że ich ignorowanie to już świadomy wybór strategiczny, a nie neutralne pominięcie tematu.

Rynek nadąża za tym trendem. Grand View Research wycenia rynek generowania danych syntetycznych na około 218 milionów dolarów w 2023 roku i prognozuje wzrost do niemal 1,8 miliarda do 2030 roku, przy rocznej skumulowanej stopie wzrostu powyżej 35%. To nie są pieniądze napędzane modą. To działy zakupów, które traktują dane syntetyczne jak element infrastruktury.

Kiedy naprawdę się opłacają

Dane syntetyczne są warte zachodu w kilku konkretnych sytuacjach. Poza nimi sięga się po nie z konieczności.

1. Dane są wrażliwe. Rekordy o klientach zawierają dane osobowe i pola objęte regulacjami. Kopia syntetyczna zachowuje zależności, których potrzebują analitycy, bez powiązania z prawdziwą osobą, dzięki czemu można prowadzić prace rozwojowe i testy bez sięgania po dane produkcyjne.
2. Dane są rzadkie. Rzadkie, ale przełomowe momenty, takie jak wniosek o ulgę, rozmowa o rezygnacji zakończona odejściem klienta czy nietypowy przypadek nadużycia, niemal nie pojawiają się w logach. Generowanie syntetyczne dostarcza modelowi tyle przykładów z długiego ogona, by miał się czego uczyć.
3. Danych nie wolno przenosić. Gdy umowy lub przepisy danej jurysdykcji nie pozwalają dzielić się prawdziwymi rekordami z partnerem albo zespołem za granicą, wersja syntetyczna krąży bez przeszkód i odblokowuje współpracę.
4. To, co prawdziwe, jeszcze nie istnieje. Testując nowy produkt, ścieżkę klienta czy kanał jeszcze przed startem, nie masz historii, z której mógłbyś czerpać. Scenariusze syntetyczne wypełniają tę lukę, więc system przechodzi próbę, zanim dotknie go pierwszy klient.

Dane syntetyczne rozwiązują problem z dostępem do danych, a nie z ich jakością. Jeśli prawdziwe rekordy są dobre i masz do nich dostęp, korzystaj z nich.

To wszystko działa dlatego, że poprawnie zwalidowana kopia syntetyczna niesie ten sam sygnał. W kontrolowanym eksperymencie MIT analitycy pracujący na zbiorach syntetycznych w większości testów uzyskiwali wyniki, które nie różniły się istotnie od tych na danych prawdziwych.

Kiedy lepiej trzymać się od nich z daleka

Pułapką jest traktowanie danych syntetycznych jak darmowego zamiennika prawdziwych. Bo nim nie są. Generator może pominąć rzadkie zdarzenia, które ważą najwięcej, wygładzić zależności przesądzające o wyniku albo po cichu przejąć obciążenia z danych, na których się uczył. Przy decyzjach o wysokiej stawce, takich jak kredyt, kwalifikowalność czy cokolwiek, co dotyka źródła czyjegoś utrzymania, dane syntetyczne mają miejsce w testach, a nie w scoringu produkcyjnym.

Presja związana z ochroną prywatności, która czyni dane syntetyczne atrakcyjnymi, jednocześnie zwiększa pokusę pójścia na skróty. W badaniu benchmarkowym Cisco z 2025 roku niemal połowa organizacji przyznała, że wprowadzała dane osobowe lub niepubliczne do narzędzi generatywnej AI, a niemal każdy respondent spodziewa się przesunięcia budżetu w stronę AI. Z kolei z analiz McKinseya wynika, że 47% organizacji zetknęło się już z co najmniej jedną negatywną konsekwencją generatywnej AI. Wniosek nie jest taki, by zwolnić tempo. Jest taki, by walidować.

Krótka instrukcja, jak zrobić to dobrze

1. Ustal, co znaczy “wystarczająco dobre”, zanim cokolwiek wygenerujesz. Powiąż to z docelową metryką, czyli ze skutecznością modelu na prawdziwych danych odłożonych do walidacji, a nie z tym, jak realistycznie wyglądają same rekordy.
2. Dobierz metodę do danych. Prosta perturbacja, modele generatywne i scenariusze oparte na regułach rozwiązują różne problemy. Wybieraj pod kątem zastosowania, a nie nazwy producenta.
3. Waliduj na odłożonych danych prawdziwych. Sprawdź rozkłady, kluczowe korelacje oraz to, czy model wytrenowany na danych syntetycznych radzi sobie z prawdziwymi przypadkami.
4. Opisuj ograniczenia i zostaw ludziom decyzje o wysokiej stawce. Korzystaj z danych syntetycznych po to, by uzupełniać prawdziwe, a nie po to, by zastąpić osąd, który powinien stać za każdą decyzją dotyczącą klienta.

Stosowane w ten sposób dane syntetyczne robią dobrze dokładnie jedną rzecz: usuwają wąskie gardło dostępu, dzięki czemu zespół może budować, testować i uczyć się w tempie, którego naprawdę potrzebuje biznes. Wygrywają nie te zespoły, które generują najwięcej rekordów syntetycznych, lecz te, które dokładnie wiedzą, które decyzje zasługują na dane prawdziwe.

Chcesz zobaczyć, jak wcielamy tę dyscyplinę w życie? Poznaj naszą praktykę Advisory oraz modelowanie Predictive Satisfaction Score albo zajrzyj do studiów przypadków.