Zu Hauptinhalt springen Zu ergänzendem Inhalt springen

Visualisieren der Vorhersagedaten in einer Qlik Sense App

Der abschließende Schritt im Prozess besteht darin, eine Qlik Sense Analyse-App zu erstellen, um die erstellten Vorhersagedaten zu visualisieren.

Alternativer Workflow: Vorkonfigurierte App hochladen

Statt die verbleibenden Schritte in diesem Thema zu befolgen, können Sie die Customer churn predictions.qvf App, die Sie zu Beginn dieses Tutorials heruntergeladen haben, in das Aktivitätscenter Analysen hochladen.

In den restlichen Abschnitten auf dieser Seite werden Sie durch die Erstellung einer ähnlichen App geführt. Zwischen den Vorhersagedaten in der App und Ihren eigenen Vorhersagedaten sind einige Unterschiede zu erwarten.

Die herunterladbare App enthalt ein zusätzliches Arbeitsblatt mit dem Titel Individual Customer Analysis, das bedingte Formeln enthält, mit denen einzelne Kundenkonten im Detail analysiert werden können.

Erste Schritte

Gehen Sie im Aktivitätscenter Analysen zur Seite „Erstellen“ und klicken Sie auf Analyse-App. Wählen Sie einen Bereich für die App aus und nennen Sie sie Vorhersagen zur Kundenabwanderung.

Klicken Sie auf Erstellen.

InformationshinweisDie Interaktion mit Ihrer App verläuft anders, wenn Sie ein Touchscreen-Gerät verwenden oder wenn die Touch-Unterstützung aktiviert ist. Weitere Informationen finden Sie unter Langes Berühren des Menüs auf Touch-Geräten.

Erstellung des Datenmodells

Auswählen Ihrer Daten

Sie müssen Ihrer App die erforderlichen Daten hinzufügen. Dabei handelt es sich um den Anwendungsdatensatz (bei Beginn des Tutorials hochgeladen) und die beiden anhand der Vorhersage generierten Datensätze.

  1. Klicken Sie in der neuen App, um Daten aus Datenkatalog hinzuzufügen.

  2. Aktivieren Sie in Datenkatalog die Kontrollkästchen neben den folgenden drei Datensätzen:

    • AnwendungsdatensatzAutoML Tutorial - Churn data - apply.csv oder AutoML Tutorial - Churn data - apply.qvd

    • Vorhersagedatensatz:AutoML Tutorial - Churn data - apply_Prediction.csv

    • „SHAP koordinieren“-Datensatz: AutoML Tutorial - Churn data - apply_Prediction_Coordinate_SHAP.csv

  3. Klicken Sie auf Weiter.

  4. Ein Übersichtsfenster wird angezeigt. Klicken Sie auf den Datensatz AutoML Tutorial - Churn data - apply.csv, um die zu ladenden verfügbaren Felder zu erweitern.

  5. Klicken Sie auf das Symbol Kreuzmarkierung neben Features, die während des Modelltrainings abgewählt wurden. Das sollte DaysSinceLastService sein, sowie alle Features, die Sie aufgrund des geringen Einflusses auf das Modell abgewählt haben.

  6. Klicken Sie auf In App laden.

Verknüpfen der Daten

Zu diesem Zeitpunkt haben Sie der App Daten hinzugefügt, aber ein verbundenes Datenmodell wird erst dann erstellt, wenn Sie die Datensätze miteinander verknüpfen. In diesem Fall ist das Feld AccountID der Index, der die Datensätze miteinander verknüpft.

In Ihrer App ist jetzt Datenmanager geöffnet. Es werden drei Datensätze angezeigt, aber als getrennte, nicht miteinander verbundene Elemente.

  1. In Ihrer App ist jetzt Datenmanager geöffnet. Es werden drei Datensätze angezeigt, aber als getrennte, nicht miteinander verbundene Elemente.

  2. Suchen Sie im rechten Bereich von Datenmanager nach dem Verknüpfungsvorschlag AccountID.

  3. Klicken Sie auf Übernehmen. Die Tabellen sind jetzt miteinander verbunden.

  4. Klicken Sie auf Daten laden.

Prüfen der Verknüpfungen in der Datenmodellansicht

Bevor Sie Visualisierungen in der App erstellen, prüfen Sie, ob die Daten ordnungsgemäß verknüpft wurden.

  1. Öffnen Sie in der Navigationsleiste am oberen Rand der Benutzeroberfläche das App-Navigationsmenü und wählen Sie Datenmodellansicht aus.

  2. Prüfen Sie, ob die drei Datensätze ordnungsgemäß verbunden wurden. Das Feld AccountID sollte sich wie ein Schlüssel über alle drei Datensätze hinweg verhalten. Das Datenmodell der App sollte wie das Modell in der folgenden Abbildung aussehen.

    Datenmodellansicht zeigt das Datenmodell der Vorhersage-App

    Es wird geprüft, ob das Datenmodell unserer neu erstellten Vorhersage-App korrekt konfiguriert wurde.

Sie sind nun bereit, mit der Erstellung von Analyseinhalten zu beginnen. Klicken Sie in der Navigationsleiste auf der Registerkarte Analysieren auf Arbeitsblatt.

Erstes Arbeitsblatt: Dashboard „Aggregiertes Vorhersagen“

Im ersten Arbeitsblatt liegt der Schwerpunkt auf der Analyse der Vorhersagen in aggregierter Form.

  1. Sie befinden sich jetzt im Arbeitsblatt-Bearbeitungsmodus. Klicken Sie auf Erweiterte Optionen.

  2. Wenn eine vorhandene Visualisierung im Arbeitsblatt vorhanden ist, klicken Sie mit der rechten Maustaste darauf und löschen Sie diese. Dies ist eine Diagrammvorschlagsfunktion, die in diesem Tutorial nicht verwendet wird.

  3. Geben Sie dem Arbeitsblatt einen Titel, z. B. Aggregated Predictions (Aggregierte Vorhersagen). Klicken Sie hierzu auf eine beliebige Stelle in dem leeren Arbeitsblatt, um rechts auf dem Bildschirm Eigenschaften des Arbeitsblatts zu öffnen. Geben Sie unter Titel einen Namen für das Arbeitsblatt ein.

Kreisdiagramm

Anhand eines Kreisdiagramms können Sie leicht die proportionale Aufschlüsselung Ihrer Daten visualisieren. In diesem Fall ist es sinnvoll, die Daten nach vorhergesagten Ergebnissen aufzuschlüsseln (yes oder no).

  1. Ziehen Sie ein Kreisdiagramm auf das Arbeitsblatt.

  2. Fügen Sie Churned_predicted als Dimension hinzu.

  3. Fügen Sie Count(AccountID) als Kennzahl hinzu.

  4. Deaktivieren Sie bei Bedarf im Eigenschaftsfenster die Option Dimensionsbezeichnung unter DarstellungPräsentation.

  5. Erweitern Sie die Dimension im Eigenschaftsfenster unter  Daten und ändern Sie die Bezeichnung für die Dimension in Predicted to Churn (Abwanderung vorhergesagt).

    Die Bezeichnung wird in der Legende aktualisiert.

Filterfenster

Dieses Dashboard wird für die allgemeine Analyse des ganzen Datenmodells verwendet. Sehr wahrscheinlich müssen Sie aber in der Lage sein, die Daten über verschiedene Dimensionen hinweg rasch zu filtern, um bestimmte Kohorten zu analysieren.

Erstellen Sie ein Filterfenster mit mehreren Listenfeldern. In jedem Listenfeld können Werte innerhalb einer einzelnen Dimension ausgewählt werden.

  1. Ziehen Sie ein Filterfenster auf das Arbeitsblatt.

  2. Fügen Sie dem Filterfenster Felder hinzu. Das können Dimensionen sein, die Sie für die vorhergesagten Ergebnisse für signifikant halten.

  3. Ändern Sie jedes Listenfeld wie gewünscht, indem Sie im Eigenschaftsfenster unter Daten auf das Feld klicken. Damit werden die Listenfeldeigenschaften geöffnet.

    Beispiel: Sie möchten die Feldbezeichnung ändern und Listenfeld reduzieren auf Immer festlegen, um auf dem Arbeitsblatt Platz zu sparen.

Ändern Sie die Größe des Filterfensters, damit es auf einer Seite des Arbeitsblatts als Bereich angezeigt wird.

KPI-Objekte

KPIs sind eine sehr gute Möglichkeit, einen einzelnen Wert für eine besonders wichtige Analyse Ihrer Daten anzuzeigen. Hier erstellen wir drei KPI-Diagramme.

  1. Erstellen Sie ein leeres KPI-Diagramm. Fügen Sie die folgende Kennzahl hinzu:

    =Count(Churned_predicted)

    Damit wird die Gesamtzahl der Kunden berechnet, für die Abwanderungsvorhersagen generiert wurden.

  2. Nennen Sie die Kennzahl Total # of Customers (Gesamtzahl Kunden).

  3. Legen Sie Zahlenformat auf Zahl fest und stellen Sie die Werte im Format 1,000 dar (ohne Dezimalstellen oder Prozentwerte).

  4. Erstellen Sie ein weiteres leeres KPI-Diagramm. Fügen Sie die folgende Kennzahl hinzu:

    =Count({<Churned_predicted={"yes"}>}(Churned_predicted))

    Dies ist eine Auswahlformel, die die Anzahl der Male berechnet, die der Wert yes im Feld Churned_predicted angezeigt wurde.

  5. Nennen Sie die Kennzahl Abwanderung vorhergesagt.

  6. Konfigurieren Sie das Zahlenformat des Diagramms mit den gleichen Einstellungen wie für den ersten KPI.

  7. Erstellen Sie ein drittes leeres KPI-Diagramm. Fügen Sie die folgende Kennzahl hinzu:

    =Count({<Churned_predicted={"no"}>}(Churned_predicted))

    Damit wird die Anzahl der Male berechnet, die der Wert no im Feld Churned_predicted angezeigt wurde.

  8. Geben Sie der Kennzahl die Bezeichnung Predicted to Stay (Bleiben vorhergesagt).

Histogramm

Sie können die Verteilung der Werte für die Vorhersagewahrscheinlichkeit als Histogramm visualisieren.

Ziehen Sie ein Histogramm auf das Arbeitsblatt und geben Sie ihm einen Titel. Fügen Sie Churned_yes als Dimension hinzu.

Gestapelte Balkendiagramme

Um Vorhersagen nach einem kategorialen Feld wie einem Plantyp zu analysieren, können Sie ein Balkendiagramm mit einzelnen Aggregierungen nach Auswahlformel erstellen, die übereinander gestapelt sind.

  1. Ziehen Sie ein Balkendiagramm auf das Arbeitsblatt und geben Sie ihm den Titel Churn Predictions by Plan Type (Kündigungsvorhersagen nach Plantyp).

  2. Fügen Sie PlanType als Dimension hinzu. Geben Sie ihm die Bezeichnung Plan Type (Plantyp).

  3. Fügen Sie die folgende Kennzahl hinzu:

    =Count({<Churned_predicted={"no"}>}(Churned_predicted))

    Geben Sie der Kennzahl die Bezeichnung Predicted to Stay (Bleiben vorhergesagt).

  4. Fügen Sie die folgende Kennzahl hinzu:

    =Count({<Churned_predicted={"yes"}>}(Churned_predicted))

    Nennen Sie die Kennzahl Abwanderung vorhergesagt.

  5. Ändern Sie unter DarstellungPräsentation das Layout von Gruppiert zu Gestapelt.

  6. Entfernen Sie die Scroll-Leiste und legen Sie Wertebezeichnungen auf Ein fest.

  7. Konfigurieren Sie Segmentbezeichnungen und Gesamtwerte-Bezeichnung als Automatisch.

Dann können Sie ein ähnliches Balkendiagramm mit den gleichen zwei Kennzahlen erstellen, aber mit einer anderen kategorialen Dimension, z. B. NumberOfPenalties.

Verteilungsplot zum Analysieren einzelner numerischer Feldwerte

Ein Verteilungsplot kann verwendet werden, um Vorhersagedaten nach einer Kennzahl mit verschiedenen numerischen Werten zu präsentieren. In diesem Abschnitt erstellen Sie ein Diagramm zum Darstellen von Kündigungsvorhersagen nach Grundgebühr mit verschiedenen Gruppierungen für Servicebewertungen der Kunden.

  1. Ziehen Sie einen Verteilungsplot auf das Arbeitsblatt und geben Sie ihm den Titel Churn Predictions by Base Fee and Service Rating (Kündigungsvorhersagen nach Grundgebühr und Verweildauer).

  2. Fügen Sie AccountID als Dimension für die Punkte hinzu.

  3. Fügen Sie die folgende Kennzahl auf der x-Achse hinzu:

    =Avg(BaseFee)

  4. Fügen Sie die folgende dynamische Dimension auf der y-Achse hinzu:

    =Round(ServiceRating,2)

    Damit werden Gruppierungen entlang der y-Achse für ungefähre ServiceRating-Werte erstellt. Je höher der Wert, desto höher hat der Kunde die Qualität seines Services bewertet.

  5. Reduzieren Sie unter DarstellungPräsentation die Blasengröße auf 20 und aktivieren Sie Jitter-Punkte.

  6. Legen Sie in Farben und Legende die Option Farben auf Benutzerdefiniert fest.

  7. Wählen Sie die Option zum Einfärben der Daten nach der folgenden Dimension aus:

    =Churned_predicted

    Damit wird jedem Wert im Feld Churned_predicted eine Farbe zugewiesen. In diesem Fall werden zwei Farben angezeigt.

  8. Fügen Sie der Dimension und der Kennzahl Bezeichnungen hinzu, und fügen Sie der benutzerdefinierten Farbeinstellung die folgende Bezeichnung hinzu: Abwanderung vorhergesagt.

Ähnliche Diagramme können für Analysen verschiedener numerischer Felder erstellt werden, indem die Kennzahl BaseFee durch andere Feldaggregierungen ersetzt wird.

Konfigurieren Sie die Visualisierungen auf dem Arbeitsblatt so, dass sie der Abbildung unten gleichen.

Vorhersageanalysen-Arbeitsblatt

Vorhersagen-Dashboard mit Diagrammobjekten zum Analysieren von Vorhersagedaten.

Zweites Arbeitsblatt: Dashboard „Aggregierte SHAP“

Erstellen Sie dann ein Arbeitsblatt für die Analyse der aggregierten SHAP-Werte.

  1. Erstellen Sie ein neues Arbeitsblatt und öffnen Sie es im erweiterten Bearbeitungsmodus.

  2. Geben Sie dem Arbeitsblatt einen Titel, z. B. Aggregated SHAP (Aggregierter SHAP).

SHAP Importance-Rangfolge

Dieser Diagrammtyp ähnelt dem automatisch generierten Typ, der Ihnen möglicherweise beim Konfigurieren Ihrer Experimentversionen angezeigt wurde. Hier erstellen wir einen Diagrammtyp für den vorhergesagten Datensatz.

Der Zweck dieser Art Diagramm besteht darin, die Features zu zeigen, die am meisten zum Ergebnis beitragen, das in der Spalte Churned zu sehen ist. Wir müssen uns bewusst sein, dass wir absolute Werte verwenden. Daher könnten die SHAP-Ergebnisse entweder positiv (Wert yes) oder negativ (Wert no) sein. Auf Wunsch können Sie auch eine Formel verwenden, die den absoluten Wert nicht berechnet.

  1. Ziehen Sie ein Balkendiagramm auf das leere Arbeitsblatt.

  2. Geben Sie dem Diagramm den Titel SHAP Importance by Feature (SHAP Importance nach Feature).

  3. Fügen Sie automl_feature als Dimension hinzu und nennen Sie sie Feature.

    Damit können Sie die aggregierten Daten über alle eingeschlossenen Features hinweg präsentieren.

  4. Fügen Sie die folgende berechnete Kennzahl hinzu:

    =fabs(Avg(SHAP_value))

  5. Geben Sie unter Bezeichnung Average Absolute SHAP (Durchschnittlicher absoluter SHAP) ein.

  6. Entfernen Sie im Eigenschaftsfenster unter Darstellung > Präsentation die Scroll-Leiste und legen Sie die Diagrammausrichtung von Vertikal auf Horizontal fest.

  7. Ziehen Sie unter Sortieren die Kennzahl über die Dimension, falls noch nicht geschehen. Belassen Sie die Sortierung für jedes Feld bei Automatisch.

    Damit wird das Diagramm nach Kennzahlenwerten in absteigender Reihenfolge sortiert.

Gittercontainer

Sie können einen Gittercontainer erstellen, um Daten nach spezifischen Feldwerten innerhalb einer Dimension zu filtern. In diesem Fall können wir die SHAP-Werte für jeden der vier Plantypen aufschlüsseln, die den Kunden angeboten werden.

Um ein Gitterobjekt zu erstellen, müssen Sie eine Dimension und eine Master-Visualisierung angeben. Wir konvertieren die soeben erstellte SHAP Importance-Rangfolge in eine Master-Visualisierung.

  1. Klicken Sie mit der rechten Maustaste auf das Diagramm Average Absolute SHAP im Arbeitsblatt und wählen Sie dann Verknüpftes Objekt Zu Master-Elementen hinzufügen aus.
  2. Behalten Sie den Standardnamen bei und klicken Sie auf Hinzufügen.
  3. Ziehen Sie im Extras-Fenster unter Benutzerdefinierte Objekte > Qlik Visualization Bundle einen Gittercontainer auf das Arbeitsblatt.

  4. Fügen Sie PlanType als Dimension hinzu.

  5. Klicken Sie im Diagramm auf Master-Visualisierung hinzufügen und fügen Sie dann das Diagramm Average Absolute SHAP hinzu.

  6. Aktivieren Sie im Eigenschaftsfenster unter DarstellungAllgemein die Option Titel anzeigen und geben Sie dem Diagramm den Titel SHAP Importance by Plan Type.

  7. Ändern Sie die Größe des Gittercontainers, damit er breit genug ist, um die Namen der Features in den Diagrammen anzuzeigen. Wenn nicht alle Bezeichnungen angezeigt werden, passen Sie den Zoom im Browserfenster an.

Alternativ können Sie diese Daten anzeigen, indem Sie individuelle Diagramme mit Auswahlformeln für jeden Dimensionswert erstellen, den Sie analysieren möchten. In diesem Fall können Sie ein getrenntes Diagramm für jeden der vier Plantypen erstellen.

Wiederverwenden des Filterfensters

Das Filterfenster, das Sie auf dem ersten Arbeitsblatt erstellt haben, kann auf diesem Arbeitsblatt wiederverwendet werden. Klicken Sie im erweiterten Bearbeitungsmodus mit der rechten Maustaste auf das Filterfenster und kopieren Sie es. Fügen Sie es in das Arbeitsblatt Aggregated SHAP ein.

Baumkarte

Sie können auch die Aufschlüsselung der SHAP-Werte mit einem Baumkartendiagramm visualisieren. Ziehen Sie eine Baumkarte auf das Arbeitsblatt und fügen Sie dieselbe Dimension und Kennzahl hinzu, die Sie für die SHAP Importance-Rangfolge verwendet haben.

Konfigurieren Sie die Visualisierungen auf dem Arbeitsblatt so, dass sie der Abbildung unten gleichen.

Arbeitsblatt Aggregiertes SHAP im Analysemodus

Vollständiges Arbeitsblatt im Nutzungsmodus, das mehrere SHAP-basierte Visualisierungen zeigt.

Verwenden der App

Nachdem Sie die Erstellung der App abgeschlossen haben, kann diese für die Datenanalyse verwendet werden.

Klicken Sie auf Arbeitsblatt bearbeiten, um in den Analysemodus zu wechseln. In dieser Ansicht können Sie Auswahlen treffen (in den Filterfenstern oder an anderen Positionen des Arbeitsblatts), um die Daten für spezifische Analysen von Datenteilsätzen zu filtern. Beispiel: Sie möchten einen bestimmten Kundenplantyp oder eine Region analysieren und die Ergebnisse mit anderen Datenteilsätzen vergleichen.

Vielen Dank!

Sie haben das Ende dieses Tutorials erreicht. Wir hoffen, dass Sie einige Dinge gelernt haben und sich bewusst geworden sind, dass automatisches maschinelles Lernen eine schnelle und einfache Art der Generierung von Vorhersagemodellen ist. Qlik Sense ist ein leistungsstarkes Tool, das die Visualisierung Ihrer Vorhersagedaten vereinfacht und sinnvolle Einblicke in Ihre Daten gibt.

Hat diese Seite Ihnen geholfen?

Wenn Sie Probleme mit dieser Seite oder ihren Inhalten feststellen – einen Tippfehler, einen fehlenden Schritt oder einen technischen Fehler –, teilen Sie uns bitte mit, wie wir uns verbessern können!