TrackAbout встроил аналитику аренды в сам продукт: дашборды и вопросы на естественном языке

Отчёт по заявке вместо ответа на вопрос

Для дистрибьюторов технических и сварочных газов аренда баллонов и ёмкостей — значимая доля выручки, но данные для управления этими активами лежали в разрозненных системах и были доступны только через ИТ-службу. Внятной картины по загрузке парка, эффективности ставок и собираемости платежей такие отчёты не давали.

Клиенты TrackAbout — продукта Datacor для учёта баллонов и контейнеров в цепочке поставок — запрашивали у поддержки отчёты SSRS (SQL Server Reporting Services) или выгрузки сырых данных и ждали доставки днями, а иногда неделями. На выходе они получали статичный файл, отвечавший только на исходный вопрос, и любой следующий вопрос запускал цикл заново.

Дороже всего обходилась невозможность итерации: спросить, что будет при повышении ставок на ацетилен на пять процентов, и получить ответ в тот же день не получалось, поэтому решения о ставках, прямо влияющих на возврат выручки, принимались на неполных данных. Готовые отчёты проблему не решали: дистрибьюторы различаются размером парка, составом продукции, географией и структурой биллинга, так что единого стандартного отчёта для всех не существует.

Масштаб, на котором это заметно, Datacor описывает так: клиенты TrackAbout вместе управляют 27,5 млн активов и проводят более 725 000 счетов в месяц.

Дашборды и вопрос на естественном языке внутри приложения

Datacor интегрировал в TrackAbout Amazon Quick Sight — встроенную аналитику в составе Amazon Quick. В продукте появились интерактивные дашборды и строка поиска на естественном языке, поэтому бизнес-пользователь сам исследует данные об аренде, не заводя заявку в ИТ.

Ядро этого опыта — генеративный BI (Amazon Q in Quick Sight). Вопросы задаются обычным языком: «Show me rental revenue by product type last quarter», «Which customers have the most unreturned cylinders this month?», «What is the average rental rate by asset class across my top 20 accounts?», «How many cylinders have been out for more than 90 days?».

Помимо свободных вопросов есть готовые контекстные дашборды с ключевыми метриками: загрузка парка, сводка биллинговых исключений, динамика возврата выручки и старение активов по клиентам. Формат рассчитан на бизнес-пользователя, а не на аналитика данных.

Как устроен конвейер данных

Операционные данные TrackAbout лежат в Azure SQL. Конвейер Azure Data Factory выгружает исходные таблицы файлами Apache Parquet в Amazon S3, поддерживая и полную, и инкрементальную загрузку: на инкрементальных прогонах change tracking переносит только изменённые строки.

Появление новых данных в Amazon S3 запускает оркестрацию на AWS Lambda, AWS Glue и Amazon DynamoDB: она распределяет задания по таблицам и обеспечивает упорядоченное однопоточное выполнение.

Задания AWS Glue вливают инкрементальные обновления в таблицы Apache Iceberg на Amazon S3, а workflow AWS Step Functions проверяет количество строк и собирает финальные таблицы, готовые для BI. После успешного прогона Datacor обновляет наборы данных SPICE в Amazon Quick Sight, чтобы дашборды показывали свежие операционные данные.

Изоляция клиентов на уровне строк

TrackAbout — многоклиентское SaaS-приложение, поэтому в аналитическом слое используется row-level security (RLS) Amazon Quick Sight. Каждый набор данных SPICE связан с RLS-набором, который сопоставляет пользователей с идентификаторами клиентов и применяется автоматически в момент запроса — и к встроенным дашбордам, и к запросам на естественном языке.

Практический эффект перечислен прямо: при подключении нового клиента определения дашбордов менять не нужно, решение масштабируется на сотни клиентов без дублирования наборов данных и дашбордов, а управление доступом сосредоточено в конфигурации RLS.

Встраивание выполнено через Amazon Quick Sight Embedding SDK: сервер приложения по запросу пользователя генерирует короткоживущий подписанный embed URL, ограниченный его личностью. Для естественного языка настроены темы генеративного BI, связывающие бизнес-терминологию с полями наборов данных, а словарь проверяли вместе с экспертами по газовой и сварочной отрасли — на таких понятиях, как время оборота, потерянные баллоны, простои и цикл наполнения.

Внедрение шло фазами

Первую фазу Datacor начал в июле 2025 года и посвятил конвейеру данных: кросс-облачная загрузка, проверка качества и заливка исторических записей в SPICE. Она шла параллельно с прежним окружением SSRS, чтобы сверить точность результата до отказа от легаси-отчётов.

Вторая фаза в сентябре 2025 года вывела встроенные дашборды на пилотную группу из 6–7 клиентов. После доработки по обратной связи решение в ноябре 2025 года стало доступно клиентам TrackAbout, пользующимся функциональностью аренды.

Отдельная задача — подключение новых клиентов: нужно создать пользователя Amazon Quick Sight, настроить права RLS и связать клиента с нужными наборами данных SPICE, и вручную это занимало от 15 до 30 минут на клиента. Автоматизация встроена в TrackAbout: при первом входе приложение само создаёт личность Quick Sight из текущей роли пользователя, добавляет идентификатор клиента в конфигурацию RLS и назначает набор дашбордов по уровню подписки.

Что получилось

Datacor включил функцию более чем для 50 организаций-клиентов, и более 60 бизнес-пользователей активно работают с дашбордами. Ответы приходят за минуты вместо дней, а подключение аналитики для новых клиентов идёт без ручной настройки.

Chief AI Officer Datacor Sundar Kuppuswamy описывает приоритеты так: «The interesting part wasn't the AI—it was the unglamorous work underneath it: cross-cloud ingestion, row-count validation, a tenant-isolation model we could actually audit. That's what earned us the right to put natural language querying in front of a customer's revenue data».

Он же формулирует критерий возврата инвестиций и осторожность в применении: «We measure the return on that investment by one thing: whether it puts a decision back in the customer's hands», добавляя, что уверенный неверный ответ про выручку клиента хуже, чем отсутствие ответа.

Возврат выручки — отдельный сюжет. Дашборды Rental Summary и Rental Revenue Generator показывают количество невозвращённых активов и расхождения в биллинге, которые раньше терялись в статичных отчётах или всплывали только на годовых аудитах, а по старению активов видно контейнеры, месяцами не приносящие арендную выручку.

Расширение и планы

Первый релиз закрывал только аренду — модуль TrackAbout, которым пользуется часть клиентов. На той же архитектуре Datacor построил три новых набора дашбордов: Customer Overview, Inventory Insights и Process Inconsistencies. Их выпустили пилотной группе в мае 2026 года, а общую доступность планируют на сентябрь 2026 года.

Новая инфраструктура для этого не понадобилась: добавились наборы данных, но они идут через тот же кросс-облачный конвейер, ту же модель row-level security и тот же подход к встраиванию.

В планах — предиктивная аналитика для планирования парка по историческим данным сканирования штрихкодов и RFID и сезонности спроса, включение в тот же контур баллонов большой ёмкости и специального оборудования, новые темы естественного языка для финансовой аналитики и интеграция с ERP-системами клиентов.

Чему учит кейс и где границы

Четыре вывода Datacor формулирует как уроки: начинать с бизнес-вопроса, а не с данных; вкладываться в качество данных до визуализаций; проектировать RLS заранее; встраивать аналитику прямо в рабочий интерфейс.

Слой валидации на AWS Glue, сверяющий количество строк от источника к цели, назван условием доверия пользователей: цифры на дашборде должны совпадать с тем, что они видят в операционной системе. Модель RLS построена на уже существующем идентификаторе клиента — имени клиентской базы данных в конвейере — и задокументирована как формальная политика доступа.

Границы у этого материала тоже есть: это рассказ AWS и Datacor о собственном проекте, где и архитектура, и метрики приводятся самими участниками. Данные об активах, счетах, числе организаций и пользователей — заявленные, независимого подтверждения в публикации нет, а сроки новой общей доступности указаны как план.