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.
Als je Azure-omgeving groeit, groeit ook de complexiteit. Kosten lopen op, beveiligingsinstellingen vragen aandacht en inzichten zijn verspreid over meerdere dashboards. Het Azure Support Framework van E-mergo brengt dit periodiek samen in één overzicht, zodat je minder tijd kwijt bent aan zoeken en meer tijd hebt om te sturen. Met transparante toegang via Azure Lighthouse en een vaste, heldere rapportagestructuur houd je grip op kosten, veiligheid en de gezondheid van je omgeving.
In dit blog laten we zien hoe je Qlik dataproducten daadwerkelijk in gebruik brengt. Via de Data Marketplace kunnen gebruikers eenvoudig dataproducten ontdekken en direct gebruiken om Qlik Sense-apps te bouwen.
Daarnaast bespreken we hoe je datasets beschikbaar stelt als API-endpoints, zodat data ook buiten Qlik herbruikbaar wordt. Zo maak je van dataproducten niet alleen een goed georganiseerd geheel, maar een actieve en waardevolle bron voor zowel analisten als applicaties.
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.
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).
