На сегодняшний день узбекский автопром является одной из самых динамично развивающихся отраслей экономики страны, примером экспортной способности Узбекистана и играет все большую роль в развитии внешнеэкономической деятельности страны.

АО «Узавтосаноат» — крупнейший холдинг отрасли, координирующий автомобильные производственные предприятия и автопредприятия локализации и автокомпонентов. Сегодня аналитика на основе Qlik используется в большинстве департаментов UzAuto: от топ-менеджмента и финансового блока, до производства, закупок и склада, дилеров и маркетинга. Благодаря простому доступу к актуальной аналитике Qlik у сотрудников компании повысилась скорость принятия решений на основе данных.

Ключевые ИТ-системы заводов и холдинга – 1С и SAP, при этом производственная структура компании территориально распределена по нескольким регионам. Это означает, что на первый план выходят задачи консолидации данных из ERP-систем и создания единой точки доступа к аналитике по всей сети производства и продаж, которые в UzAuto решает Qlik.

Аналитические отчеты Qlik в UzAuto доступны по требованию в любое время — каждое приложение поддерживает автоматические обновление данных, гибкую настройку фильтров и разрезов для аналитики.

На сегодняшний день департамент финансов — один из очень активных пользователей аналитики Qlik. Реализованы приложения, которые позволяют анализировать ключевые финансовые показатели, прибыль и убытки (P&L), баланс, движение денежных средств (cash flow), исполнение бюджета и многое другое. Qlik также помогает оперативно отслеживать своевременность уплаты дебиторской задолженности контрагентами, благодаря тому, что все данные по задолженностям, с рейтингами, разбивкой по счетам, статистикой по кредитам и предоплатам собраны в едином удобном инструменте.

Большинство BI-систем опираются на стандартные SQL-запросы — они линейны и предполагают, что вы уже знаете, что вы хотите получить от данных (иначе запрос не сформируется). Если в процессе исследования вы хотите посмотреть на новый срез этих же данных, вам нужно будет отправить новый запрос: получается довольно неудобный цикл «спроси, подожди, ответь». Каждый новый тип вопроса к данным имеет период ожидания.

При работе с линейными запросами, вы всегда будете ограничены результатами первоначального запроса. Захотите посмотреть на дополнительный срез — например, посмотреть данные по маркетингу — меняйте запрос и прописывайте связи с новыми источниками. А если этих связей вам не видно, или вы просто не знаете как их вообще можно связать? Вы можете даже не знать, что нужные вам данные существуют, просто не увидев их взаимосвязи с вашими данными.

В Qlik смогли решить эту проблему при помощи своего запатентованного инновационного механизма Associated Engine (Ассоциативный движок), разработанного специально для интерактивного исследования и анализа в свободной форме.

Между таблицами создаются умные взаимосвязи и формируется контекст — пользователи должны иметь возможность легко создавать аналитику без использования сложных запросов. К тому же, в Qlik можно загружать необработанные и неполные данные для анализа без необходимости заранее идеально моделировать таблицы.

Помимо технической стороны — моментальной связи и полноты всех имеющихся у вас данных — ассоциативная модель проявляется и в интерфейсе Qlik Sense. Один из ключевых моментов ассоциативной модели — это, разумеется, сам механизм ассоциации.

Наглядная иллюстрация ассоциаций на практике:

Пользователь, имея на входе набор измерений, которые используются как фильтры, может проследить взаимосвязи между данным, опираясь на три цвета:
зеленый – текущие выборки,
белый – связанные с выборкой данные,
светло-серый – альтернативная выборка (не попадает в текущий разрез данных, но этими данными можно дополнить текущую выборку без конфликта с остальными полями),
темно-серый – данные, находящиеся за пределами выборки.

Например, мы проводим анализ продаж в нашей сети. Ниже на иллюстрации видно, что наши три клиента (выбраны, находятся в зеленой области)

• покупают товары в нашей сети в городах, которые находятся в белой области,
• документы оформляют через менеджеров нашей сети, которые находятся в белой области,
• покупают бренды, группы и линейки товаров, которые находятся в белой области.
• При этом эти товары производятся в странах, которые также находятся в белой области и среди этих операций нет возвратов, только продажи,
• При этом есть альтернативная выборка (светло-серые значения) клиентов и поставщиков, которыми можно расширить текущий срез аналитики,
• Ну и плюс к этому – эти товары привозят два выбранных поставщика. Далее можно обогащать аналитику: добавлять средний чек, процент маржи, процент наценки и т.д., чтобы делать соответствующие выводы относительно развития сети, изменения ассортимента и номенклатуры.

Благодаря исследованию данных в ассоциативной модели, пользователь имеет доступ одновременно к множеству своих источников данных (даже из разных систем). Не нужно быть экспертом в данных и знать, как составлять запросы к ним, достаточно просто интуитивного выбора фильтров.

Механизм ассоциативных связей мгновенно перестроит модель согласно вашей выборке после каждого клика: зеленый (выбранный), белый (связанный), светло-серый (альтернативный), темно-серый (не связанный). А поскольку мы работаем постоянно в одном приложении (контексте), то мы не упускаем из поля анализа и исключенные значения, которые теряются при работе с инструментами на основе линейных запросов.