Datacor将Amazon Quick Sight嵌入TrackAbout，让燃气分销商自助查询租赁数据
TrackAbout客户合计管理 2750 万件资产、每月处理超 72.5 万张账单；过去租赁分析依赖IT生成SSRS报告，等待数天到数周。Datacor用跨云管道、多租户行级安全和自然语言查询把分析搬进应用内，2025 年 11 月正式发布。
AI解读：这条新闻的核心不是“用了AI”，而是把长期锁在IT手里的租赁账单数据变成业务人员自己能查的东西。TrackAbout此前要分析气缸、散装罐的租赁收入，得通过Datacor支持团队提交定制SSRS报告或原始数据导出，等几天甚至几周，拿到的是只回答最初那个问题的静态结果。
真正被影响的是燃气和焊接分销商里管定价、管资产回收的人。Datacor称其TrackAbout客户合计管理 2750 万件资产、每月超过 72.5 万张账单，但因为各分销商车队规模、产品组合、地域和计费结构不同，没有一份标准报告能通用，手动流程也无法逐个客户扩展。
实施路径比较克制：2025 年 7 月先做跨云数据管道并与旧SSRS环境并行验证，9 月向 6 至 7 家试点客户开放嵌入式仪表板，11 月正式发布。Datacor首席AI官Sundar Kuppuswamy说，衡量回报的标准只有一个——是否把决策交回客户手里，比如分销商在同一个会议里问“乙炔费率涨 5% 会怎样”并得到答案。
对多租户SaaS来说，关键工程在“不好看”的部分：Azure SQL到S3的Parquet管道、Iceberg表合并、行数校验、以及按租户隔离的Quick Sight行级安全。Datacor的说法是，这些工作才让它有资格把自然语言查询放到客户的收入数据前面。
普通读者不需要现在做什么，但如果你的团队正在做嵌入式分析，可以参考它的约束：先围绕具体业务问题设计主题覆盖，而不是映射整个schema；先投入数据质量，再投入可视化；行级安全要提前和已有租户标识对齐。至于预测性车队规划、纳入散装罐、对接ERP这些，属于路线图，尚无公开效果数据。
一个细节值得注意：Datacor表示新客户开通分析原本每人需要 15 到 30 分钟，扩展到首批 50 家客户之后无法手动支撑，于是把身份创建、行级安全配置和仪表板分配全部自动化。截至发布后，已有超过 50 家客户组织启用该功能，60 多名业务用户活跃使用，且无需Datacor手动开通。
Datacor把Amazon Quick Sight嵌入其TrackAbout解决方案，为燃气和焊接分销商提供自助式租赁分析。TrackAbout客户合计管理 2750 万件资产，每月处理超过 72.5 万张账单。此前，这些客户要分析气缸、散装罐等资产的租赁计费数据，需要向Datacor支持团队提交定制SSRS报告或原始数据导出请求，等待数天甚至数周，拿到的静态结果只回答最初提出的那个问题。
新方案在TrackAbout应用内提供交互式仪表板和自然语言搜索栏。业务用户可以用日常语言提问，例如“显示上季度按产品类型划分的租赁收入”“本月哪些客户有最多未归还的气缸”“我前 20 大账户中按资产类别的平均租赁费率是多少”“有多少气缸已经在外超过 90 天”。
底层是一条自动化跨云管道：TrackAbout运营数据存放在Azure SQL数据库，Azure Data Factory将源表抽取为Apache Parquet文件并流入Amazon S3，支持全量和增量加载；新数据到达S3后触发由AWS Lambda、AWS Glue和Amazon DynamoDB组成的编排层，按表分派任务并强制有序单线程执行；Glue作业把增量更新合并进S3上的Apache Iceberg表，AWS Step Functions工作流校验行数并构建BI就绪表，随后刷新Quick Sight的SPICE数据集。
多租户隔离通过Amazon Quick Sight行级安全实现。每个SPICE数据集关联一个RLS数据集，把用户身份映射到租户标识，在查询时自动应用；Datacor称该设计在新增租户时无需修改仪表板定义，可扩展到数百个租户而不复制数据集或仪表板，并同时作用于嵌入式仪表板和自然语言查询。
发布时间线：第一阶段于 2025 年 7 月开始，聚焦数据管道、跨云摄取、数据质量验证，并向SPICE加载历史记录，与现有SSRS报告环境并行运行以验证输出准确性。第二阶段于 2025 年 9 月向 6 至 7 家试点客户推出嵌入式仪表板体验。2025 年 11 月向使用租赁功能的TrackAbout客户正式发布。
两个仪表板各自回答什么
Rental Summary仪表板面向高管和经理，展示租赁健康状况和趋势，客户可自定义视图，使同一仪表板服务不同报告需求的分销商；其关键增强是集成自然语言查询，业务用户用平实英语提问即可立即获得可视化洞察，发现收入趋势和异常，不再需要Datacor支持团队介入。
Rental Revenue Generator仪表板提供what-if分析，让分销商建模定价场景，例如探索“乙炔费率提高 5% 会怎样”并立即看到详细收入影响，从而在年中主动调整租赁费率，而不是一年反应一次。
已报告的使用与扩展数据
Datacor称该租赁分析功能自 2025 年 11 月发布以来，已为超过 50 家客户组织启用，60 多名业务用户活跃使用仪表板。由于Quick Sight身份在首次访问时自动开通，这一采用过程不需要Datacor投入开通人力。
Datacor表示，解决方案推出前绝大多数租赁分析请求都经过IT；现在用户可在Quick Sight中自助完成同类分析，新客户分析开通完全自动化，回答“哪些客户现在有最多气缸在外”之类问题不需要懂SQL或协调开发者。
在收入恢复方面，Datacor称Rental Summary和Rental Revenue Generator帮助用户识别此前不可见的收入恢复机会：通过让未归还资产数量和计费差异在交互式仪表板中可见，暴露过去藏在静态报告里或只在年度审计时才发现的问题；利用资产账龄视图，用户可识别客户现场数月未产生租赁收入的容器，然后发起定向外联，让资产回到流通或启动计费更正。
多租户开通与自然语言配置
Datacor表示，开通一个新客户原本需要配置Quick Sight用户身份、设置RLS权限并将租户关联到正确的SPICE数据集，若无自动化每人需 15 至 30 分钟，无法从最初 50 家客户扩展到更广的TrackAbout客户群。Datacor在TrackAbout内完全自动化了该流程：用户首次访问时，应用从其现有角色创建Quick Sight身份，将租户标识加入RLS配置，并按订阅层级分配仪表板集，无需手动设置。
自然语言配置要求Datacor产品团队与TrackAbout领域专家密切协作。双方验证助手能理解燃气和焊接行业词汇，例如“周转时间”“丢失气缸”“滞期费”“加注周期”；Datacor为每个数据集列定义友好字段名和同义词，把平均租赁时长、收入回收率等计算指标配置为预置度量，并用真实客户问题库测试主题覆盖。其结果是助手能讲租赁业务语言，用户无需了解底层数据模型就能获得答案。
业务扩展与路线图（未公开效果数据）
初始发布聚焦租赁分析，这是TrackAbout中只有部分客户使用的模块。Datacor随后将同一架构应用于面向全部客户群的分析，构建了三套新仪表板：Customer Overview、Inventory Insights和Process Inconsistencies，于 2026 年 5 月向试点组发布，计划 2026 年 9 月全面可用。Datacor称该扩展不需要新基础设施，只按主题领域新增数据集，仍走同一跨云管道、行级安全模型和嵌入方式。
规划中的增强包括：利用历史条码和RFID扫描数据及季节性需求模式，按地点预测容器需求，用于车队规划的预测性分析；把散装罐和专用工业设备纳入与气缸相同的分析框架；增加覆盖财务分析用例的自然语言主题配置，包括按客户细分的利润率分析和合同绩效跟踪；与客户ERP系统集成，打通租赁分析发现与财务记录更新之间的闭环。这些尚属于路线图，来源未给出效果数据。
Datacor自述的经验
Datacor总结的经验包括：采用率最高的仪表板始于具体业务问题——例如“哪些客户最可能因费率分配不当而收入流失”——再反推所需数据；自然语言助手围绕用户实际提出的问题设计主题覆盖，回答准确性高于映射完整schema。
数据质量应先于可视化投入。团队把数据质量工作前置，AWS Glue校验层检查源到目标行数并标记差异，Datacor称这对建立用户信任至关重要，仪表板数字必须与用户在运营系统中看到的一致。
多租户RLS功能强大但需要提前规划：把RLS模型与管道中已有的租户标识（客户端数据库名称）对齐，使团队能跨数据集统一应用规则；将其记录为正式数据访问策略，使系统更易于审计和扩展。
Datacor还称，把仪表板直接嵌入TrackAbout界面而非独立门户提升了采用率，因为体验感觉原生；低开通摩擦、就地仪表板选择器和旁边的自然语言搜索栏帮助用户在无培训情况下采用分析功能。