In deel 2 van de blogserie over de Qlik Cloud Discovery Agent wordt uitgelegd hoe je insight triggers aanmaakt en goed configureert. Deze triggers bepalen welke meetwaarden de Discovery Agent moet monitoren, over welke tijddimensie dit gebeurt en wanneer gebruikers een inzicht ontvangen. De blog gaat in op de vier belangrijkste onderdelen van een trigger: de tijddimensie, measure, breakdown dimensions en insight types. Daarnaast worden de verschillende soorten inzichten besproken, zoals spikes, record highs/lows, trendveranderingen en modelgebaseerde afwijkingen. Ook geeft de blog praktische tips om veelvoorkomende valkuilen te voorkomen, zoals verkeerde datumvelden, te weinig datapunten of te veel meldingen in de feed. Zo helpt de blog applicatieontwikkelaars om de Discovery Agent effectief in te zetten en gebruikers automatisch relevante inzichten te bieden.
De meesten van ons kennen dit scenario: je opent een Qlik-dashboard aan het begin van de week, scant de grafieken en probeert te bepalen of er iets wezenlijks is veranderd. Misschien zie je iets, misschien niet. Als er drie dagen geleden iets ongewoons is gebeurd, is de kans groot dat je het pas ontdekt als je toevallig op het juiste moment naar de juiste grafiek kijkt.
Misschien ken je het wel. Je hebt een vraag en een dashboard met 40 visuals, maar het antwoord staat er niet tussen. De gebruikelijke weg is dan om een change aan te vragen bij de BI-afdeling. Tegen de tijd dat deze is opgeleverd, is je vraag soms al achterhaald.
Dus maak je zelf een download uit het dashboard en bouw je in Excel je eigen analyse.
Wat als dit tot het verleden zou behoren? Wat als je de mogelijkheid hebt om je businessvragen rechtstreeks te stellen aan een chatbot zoals ChatGPT of Claude?
Eind januari 2026 deed ik mijn eerste ervaring op met TimeXtender MCP. MCP (Model Context Protocol) vormt een brug tussen een Large Language Model (LLM) en jouw semantisch datamodel.
Dit blog introduceert het concept van dataproducten binnen Qlik en legt uit waarom ze relevant zijn voor moderne data-organisaties. Een dataproduct is meer dan alleen data: het is een goed beheerde, gedocumenteerde en betrouwbare dataset met duidelijk eigenaarschap, bedoeld om eenvoudig door anderen gebruikt te worden.
Het artikel beschrijft de belangrijkste kenmerken van een dataproduct, zoals vindbaarheid, betrouwbaarheid en interoperabiliteit, en plaatst het concept in de context van de Data Mesh-architectuur. Hoewel dataproducten organisaties helpen om efficiënter met data om te gaan en vertrouwen te vergroten, vraagt de implementatie om een cultuurverandering en duidelijke standaarden.
De conclusie: begin klein, leer van ervaringen en bouw stapsgewijs naar een schaalbare data-aanpak.
In dit tweede deel van de serie over dataproducten in Qlik staat de praktische toepassing centraal: hoe je zelf een dataproduct bouwt in Qlik Cloud Analytics. Waar deel 1 de theorie en Data Mesh-principes behandelde, laat dit artikel zien hoe die ideeën concreet worden in de Qlik-omgeving.
Dataproducten zijn inmiddels niet alleen beschikbaar binnen Talend QDI, maar ook direct in Qlik Cloud Analytics. Hierdoor kunnen gebruikers hun bestaande datasets (zoals QVD’s) bundelen tot gestructureerde, beheerde en vindbare dataproducten, inclusief governance-functionaliteiten zoals eigenaarschap, documentatie, lineage en datakwaliteit (Trust Score).
In dit blog laten we zien hoe je datakwaliteit binnen Qlik Data Products inzichtelijk en beheersbaar maakt met de Trust Score. Deze score combineert meerdere dimensies, zoals geldigheid, volledigheid en tijdigheid, tot één duidelijke kwaliteitsindicator per dataset.
Daarnaast bespreken we hoe je met eigen datakwaliteitsregels en AI-gedreven suggesties de kwaliteit verder kunt verbeteren en afstemmen op jouw bedrijfscontext. Zo bouw je niet alleen dataproducten, maar zorg je er ook voor dat gebruikers erop kunnen vertrouwen.
