身处数据洪流的时代，几乎每一家企业都在试图从数据中找到指引业务发展的方向，提升商业价值。然而，数据资产能否被有效挖掘和分析则需要被慎重审视。从被动应对到主动智能，企业可以通过实时信息来触发即时行动，建立即时业务意识，这一特性在面对不断变化的IT市场时至关重要。“对于Qlik来说，我们会通过数据服务能力包去释放数据的获取性，然后把数据递送到分析端，由分析服务能力为用户提供对数据的解读，最终的结果可能是仪表盘，可能是预警，也可能是用户的自助功能，为之后的数据使用提供行动支持。”Qlik大中华区及韩国区售前产品总监张海鹏说。
Qlik大中华区及韩国区售前产品总监 张海鹏
Qlik基于云的主动智能平台提供了端到端的实时数据集成和分析解决方案，以缩小数据、洞察和行动之间的差距。主动智能的特点是更具实时性，可以帮助企业做出更好的决策，提高收入和盈利能力，并改善客户关系。Qlik Replicate能够对接各类数据源，并且有着SAP等数据库的接口认证，可以通过目录服务为用户提供选择数据的窗口，结合业务就绪的能力带来仪表盘类的引导式分析，或是让用户自助进行分析，或是借助一些算法型、预测型的分析满足不同的用例。
主动智能趋势分析
Qlik的主动智能产品可应用于自助式销售管理与分析、销售商机Closure预测、客户流失预测与挽回、及时分享预警消息，以及触发CRM系统进行相应行动等场景，比较有代表性的功能包括增强分析（Augmented Analytics）、预警（Alerting）、Qlik AutoML和应用自动化（Application Automation）。其中，增强分析可实现智能化自助分析，以及关联分析、对话式分析和各种高级分析。以关联分析为例，可以让用户有更自由的交互方式和空间，通过仪表盘看到KPI、销售、利润、成本等信息，获得业务洞察。
分析能力演示
像是追踪利润数据的话，用户会看到相应时间段上的利润基点，从中挑选所需的信息来拖拽展示，找到影响企业经营活动收入的原因。“假设选择这几个月份，看到这些月份之下的利润率有了小幅下滑，销售状况也会有不同程度的变化。”张海鹏在演示中介绍称，“如果不了解之前发生了什么，可以点一下取消，可以看到原来平均利润水平是20%，平均的销售增长大概这么多。但是经过筛选之后，会发现利润率有了一点点下滑。但其实总销售额是增加的。所以当我再切换到另外的页面，体验是连贯的、一致性的，包括看数据的筛选条件也会被带过来。”
数据看板
数据看板可以显示销售人员的业绩状况，并基于各类数据提供精准的用户画像进行个性化的服务触达。如果用户没有足够的数据支持用于分析，也不了解产品的使用情况，则可以通过智能搜索功能找到相应的业务策略。例如，体育用品公司的业务经理可以找到运动品牌的状态，包括折扣、利润、客户分类等等，查看业绩达成情况。如果想了解细节，像是门店在NBA赛季时与体育用品相关的销售情况，只需要搜索某一款产品就能展现出相关的市场情况。
在增强分析中，不止有数据关联性，还有洞察顾问的功能，点击界面后会为技术背景稍弱的用户提供多种可选模块。例如搜索，选择业务指标由Insight Advisor找出要探查的部分，把产品的销售成本等信息通过可视化展示，并找到背后的影响因素。利用提问的功能，用户可以用自然语言与Qlik的平台沟通，快速找到想要的答案。即使是仪表盘尚未支持的内容，也能获得可视化的数据结果。用户在创建分析时会看到不同的选项，支持高级的分析类型，由自动化的方式来呈现。例如在集群分析时，会建议用户进行聚类分析的角度和指标选择等，实时输出相应的分析图表。
Qlik的增强分析集成了丰富的机器学习能力，包括算法、聚类分析、时间序列预测等，一方面整合了自家的Qlik AutoML，帮助用户自动训练模型、迭代发布模型，另一方面可以对接AWS（SageMaker）、阿里云等第三方平台的AI服务。利用Insight Advisor等技术产生的关联性，用户可以在平台中找到个性化的答案，发现问题时及时进行修改，Qlik的机器学习引擎则会辅助做记录。如果用户要从不同的数据库、表格中进行关联，Qlik也能用自动化的方式满足，用户则无需具备编写CQL语句的能力。Qlik的增强分析旨在帮助用户自由、便捷的分析数据，而不止是进行预测。
Insight Advisor
Qlik的主动智能支持数据驱动的自主化，可实现自助式预警，以及异常值检测和复杂条件、语境下的钻式分析。用户可以自由订阅信息，像是在商机管理中，追踪销售的成单率、成单额、客户分类等。假设要关注丢单风险的话，就会在“forecast”中找到相应的规避方法，对于预测赢单率较低的订单，可以设置预警条件，例如定义“丢单风险大的机会商机”，结合相关的数据信息给出指导意义。这些预警可以添加额外条件和用户共享，终端用户只需简单加载、刷新数据后即可启用。数据更新后，预警引擎会评估满足条件、有潜在丢单风险、额度较大的订单进行消息推送，随时掌握订单情况，并在APP中展示。
Dataset选择
上文曾提到Qlik AutoML，其可以对模型进行分类预测，以及自动化训练、迭代和发布，协同Qlik关联分析，实现公民数据科学家。该软件能够把数据科学团队的能力扩展到预测型分析场合，快速构建新项目，定义预算分析和机会预测，根据训练目的选择相应的数据，用户可以基于需求选用系统推荐模型和算法。例如在增加预测维度之后，通过快速分析可以看到赢单或丢单的概率。这一过程中，用户可以随时调整字段和条件，对模型进行迭代优化，并且可以调用外部的BI接口。
借助应用自动化，用户可以通过无代码的方式，接入多种应用，将洞察力转化为行动，尽量预防丢单的事情发生，在CRM等系统中快速找到销售机会、发起任务流，调用更多的营销工具去影响更多的潜在目标群体。Qlik希望将数据层面的观察触达到下游系统，由此带来业务上的调整，像是在店门场景中，一些零售店出现库存短缺的情况时，过去需要打电话给采购部门增加采购，或是把库存转移到就近的仓库，现在只需要点击一下就鼠标能自动完成下单，在仓储之间调度货物。
张海鹏称，Qlik会根据客户的需求选择是否为其部署主动智能的产品，以及相应的落地路线。在实施的过程中，Qlik还会和本地的合作伙伴（如SI）协作，帮助用户把产品变成解决方案，应用到具体的业务场景中。在中信建投，该企业希望解决三个方面的问题：实时了解客户的资产移动状态来优化投资策略；面向客户不同渠道的应用时，希望实时展示最新的资产和收益状况；打通广泛且复杂的数据源，从庞大的交易规模中获得数据价值。对此，Qlik提供了数据实时捕捉方案，利用Qlik Replicate实现了数据库之间的自动化同步，从不同的投资交易中完成数据的抓取、整理等工作，并将交易数据实时反馈到下游业务端，帮助中信建投将数据从业务系统抽取到KAFKA平台。由此，中信建投的客户可以在APP端实时看到投资组合的收益，并且公司的业务数据更新也从小时级缩短至亚秒级。同时，中信建投的人工和时间成本得到大幅降低，减少了企业IT和数据团队的工作量，拥有了更好的扩展性和运维能力。
华御结是香港连锁的日本品牌寿司店，旗下的门店交易由POS系统支持，考虑到生鲜产品供应较多，超过100家的连锁店希望获得分钟级别的数据收集方案，让库存管理和供应保持在较为合适的水平。Qlik可以帮助华御结实现全香港POS数据的自动化收集和分析，并且还会通过培训服务对华御结的门店运营团队进行赋能。由此，华御结能够对每天的数据进行及时的掌控，了解产品供应和销售情况，结合自身的需求预测系统维持供应平衡，避免产品的浪费和短缺。在企业数据文化的构建方面，有近50%的员工把Qlik的分析报告作为日常工具，辅助完成运营和决策。
除此之外，Qlik还服务于高科技、汽车、零售、生物制药等领域的广泛客户，为他们提供关联分析、洞察建议、自然语言等技术，并借助API整合机器学习等能力。未来，Qlik会持续推进云化的策略，满足企业上云和混合云的需求，加强数据能力的安全性和可靠性，通过客户成功团队等专业人员的支持，帮助客户更好的将主动智能与实际业务相结合，激活数据价值。
本文属于原创文章，如若转载，请注明来源：引领新一代BI——Qlik数据洞察背后的主动智能http://cio.zol.com.cn/796/7963340.html
