Auswirkungsanalyse in Analysen
Die Auswirkungsanalyse zeigt eine vorwärts gerichtete, nachgelagerte Ansicht von Abhängigkeiten einer Datenbank, einer Ressource oder eines Felds. Sie beantwortet Fragen dazu, welche Datenbanken, Apps, Dateien, Links, ML-Inhalte und andere Inhalte direkt oder indirekt betroffen sind, wenn sich der Wert eines Feldes ändert. Für viele Inhaltstypen können Sie auch ein Drilldown zu bestimmten Feldern durchführen, die von der Änderung betroffen sind.
Qlik Cloud bietet eine aggregierte Zusammenfassung der nachgelagerten Auswirkung, wodurch Sie interaktiv direkte und indirekte Abhängigkeiten eines bestimmten Felds oder Objekts prüfen können.

Die nachgelagerte Herkunft wird als Auswirkungsanalyse bezeichnet, weil sie analysiert, welche Objekte von Änderungen, die Sie an Ihren Daten oder Analyseinhalten vornehmen, betroffen sein werden. Diese Objekte sind die Abhängigkeiten des Basisknotens. Qlik Cloud stellt Informationen und Anzahlen nach Typ der abhängigen Objekte in einer Übersichtsansicht bereit.
Wenn Business-Anwender ein bestimmtes Feld prüfen, erhalten sie eine aggregierte Zusammenfassung der nachgelagerten Auswirkung und erhalten Einblicke wie die Folgenden:
- Welche Objekttypen sind von einer Änderung an diesem Feld betroffen, darunter Datenbanken, Dateispeicher, Apps und Links?
- Welche Power BI-Berichte und -Dashboards sind betroffen?
- Welche Qlik NPrinting- oder Qlik Cloud-Berichte sind betroffen?
- Welche Datenmodelle für Power BI und Tableau sind betroffen?
- Wie viele direkte und indirekte Abhängigkeiten nach Typ sind vorhanden?
- Wer sind die Besitzer der Elemente, die von einer Änderung betroffen sind?
- Welche ML-Arbeitsabläufe wären davon betroffen?
Um vorgelagerte Herkunftsinformationen wie Eingaben, Umwandlungen und andere Verlaufsinformationen zu sehen, die erklären, wo Ihre Daten herkommen und welche Vorgänge damit durchgeführt wurden, können Sie die Herkunft anzeigen. Weitere Informationen finden Sie unter Analysieren der Herkunft in Analysen.
Übersichtsansicht der Auswirkungsanalyse
Übersichtsansicht der Auswirkungsanalyse
Öffnen Sie die Auswirkungsanalyse von Ihrem Aktivitätscenter aus, indem Sie für ein unterstütztes Element und dann Auswirkungsanalyse auswählen. Bei einigen Inhaltstypen können Sie die Auswirkungsanalyse auch öffnen, wenn Sie das Element geöffnet haben. Klicken Sie auf
und auf Auswirkungsanalyse.
Sie können auf die Herkunft (vorgelagert) oder die Auswirkungsanalyse (nachgelagert) für weitere Knoten in Diagrammen zugreifen, indem Sie und dann Herkunft oder Auswirkungsanalyse (neuer Basisknoten) auswählen.
In der Übersichtsansicht können Sie filtern, ob Sie alle oder nur direkte Abhängigkeiten anzeigen möchten. Ein Beispiel einer direkten Abhängigkeit ist eine App Anwendung A, die einen bestimmten Datensatz Datendatei B lädt. In diesem Fall hängt Anwendung A direkt von Datendatei B ab. Ein Beispiel einer indirekten Abhängigkeit ist eine QVD C.qvd, die von Anwendung A basierend auf Datendatei B erstellt wird. In diesem Fall ist C.qvd eine indirekte Abhängigkeit von Datendatei B.
Übersichtsansicht der Auswirkungsanalyse zeigt abhängige Felder in einer App

Der analysierte Basisknoten wird blau umrahmt. Die Abhängigen werden in der Übersicht links mit Anzahlen pro Typ angezeigt. Wenn der Fokus auf dem Typ liegt und der Typ in der Haupttabelle aufgelistet ist, wird er mit einem grünen Feld hervorgehoben. Zu den Abhängigkeitstypen zählen Datenbanken, Apps, Dateispeicher, Datenbanken und Links. Die aufgelisteten abhängigen Objekte für diesen Typ werden in der Haupttabelle aufgelistet. Sie können ein Drilldown in diese Objekte durchführen, indem Sie die betreffende Zeile auswählen. Beispielsweise kann von einer App ein Drilldown zur Tabellenebene und dann zur Feldebene durchgeführt werden.
Um die Auswirkung einer Feldänderung zu prüfen, führen Sie ein Drilldown vom Basisknotenobjekt durch und wählen das gewünschte Feld aus, um dessen Abhängigkeiten anzuzeigen.

Klicken Sie auf in der Zeile des abhängigen Objekts im Fokus, um ein Menü mit den folgenden Aktionen zu öffnen:
Details (siehe Knotendetails)
Auswirkungsanalyse (neuer Basisknoten)
Herkunft (für dieses Objekt)
Öffnen
Aktionen, die für abhängige Objekte in der Übersichtsansicht der Auswirkungsanalyse durchgeführt werden können

Zugriff auf die Auswirkungsanalyse über einen Datensatz
Sie können auch auf eine Kurzversion der Übersichtsansicht einer Auswirkungsanalyse über die Übersicht eines Datensatzes zugreifen, indem Sie zur Registerkarte Auswirkungsanalyse wechseln.
Gitternetzspalten der Auswirkungsanalyse
Wählen Sie die gewünschten Spalten mit der Spaltenauswahl oben rechts im Gitternetz aus. Je nach Typ der angezeigten Ressource können die Spaltenoptionen variieren. Die Spaltenoptionen können die folgenden Überschriften umfassen:
Name
Anzahl der Datensätze | Tabellen | Felder
Typ
Bereich
Besitzer
Zuletzt geladen
Zuletzt geändert
Öffnen
Anzahl Modelle
Anzahl Konfigurationen
Anzahl Versionen
ML-Bereitstellung
Gitternetz der Auswirkungsanalysenübersicht

Knotendetails
Details werden durch Ihren Zugriff auf das Objekt beschränkt. Unter „Details“ finden Sie die folgenden Informationen:
Name
Beschreibung
Tags
Adresse
Bereich
Besitzer
Ersteller
Zuletzt geändert
Gitternetz der Auswirkungsanalysenübersicht

Auswirkungsanalyse für ML-Inhalte
Mit der Auswirkungsanalyse können Sie nachgelagerte Ressourcen für Ihre ML-Inhalte identifizieren. Sie können ML-Experimente, ML-Bereitstellungen und Datensätze in der Auswirkungsanalyse analysieren.
Sie könnten zum Beispiel herausfinden wollen, welche Vorhersagedatensätze betroffen wären, wenn Sie einen Anwendungsdatensatz aktualisieren. Sie können auch sehen, wie viele Lernressourcen als nachgelagerte Abhängigkeiten für andere Inhalte, wie z. B. Analyse-Apps, aufgeführt werden.
ML-Objekte werden auch in Herkunft angezeigt, wo Sie die Herkünfte Ihrer Vorhersagen-Analyseinhalte umfassend analysieren können. Weitere Informationen finden Sie unter Analysieren der Herkunft für ML-Inhalte.
Öffnen der Auswirkungsanalyse für ML-Inhalte
Gehen Sie folgendermaßen vor:
Klicken Sie in Ihrem Aktivitätscenter auf
neben einem ML-Experiment, einer ML-Bereitstellung oder einem Datensatz und wählen Sie Auswirkungsanalyse aus.
Klicken Sie in einem ML-Experiment oder einer ML-Bereitstellung in der Navigationsleiste auf
und wählen Sie Auswirkungsanalyse aus.
Auswirkungsanalyse und ML-Experimente
In Auswirkungsanalyse können ML-Experimente auf eine der folgenden Arten angezeigt werden:
Als Basisknoten der Auswirkungsanalyse.
Als vorgelagerte Knoten anderer Prozesse wie Vorhersagen oder prädiktive Apps.
Wenn ein ML-Experiment als Basisknoten festgelegt ist, wird es in der oberen linken Ecke unter Basisknoten angezeigt. Wählen Sie das Experiment aus, um ein Drilldown zu den Experimentversionen
durchzuführen. Eine einzelne Experimentversion
kann dann für die Analyse als Basisknoten ausgewählt werden. Schließlich können Sie innerhalb der Version
ein Drilldown zu einem bestimmten Modell
durchführen und es als Basisknoten festlegen.
Zu den nachgelagerten Abhängigkeiten für das Experiment oder darin enthaltene Elemente gehören ML-Bereitstellungen, Datensätze und Analyseinhalte wie Apps, Skripte und Datenflüsse.
Ein ML-Experiment kann auch in der Übersichtsansicht angezeigt werden, wenn ein vorgelagerter Inhalt (z. B. ein Datensatz) als Basisknoten ausgewählt wurde. Wenn Sie im linken Fensterbereich unter Abhängigkeiten von Basisknoten ein Experiment ausgewählt haben, können Sie innerhalb des Experiments ein Drilldown durchführen, um weitere Informationen im Gitternetz anzuzeigen. Für ein Experiment wird ein Drilldown zu einer oder mehreren Versionen
durchgeführt. Für eine Experimentversion
wird ein Drilldown zu einem oder mehreren Modellen
durchgeführt.
Auswirkungsanalyse und ML-Bereitstellungen
In Auswirkungsanalyse können ML-Bereitstellungen auf eine der folgenden Arten angezeigt werden:
Als Basisknoten der Auswirkungsanalyse.
Als vorgelagerte Knoten anderer Prozesse wie Vorhersagen oder prädiktive Apps.
Wenn eine ML-Bereitstellung als Basisknoten festgelegt ist, wird sie in der oberen linken Ecke unter Basisknoten angezeigt. Wählen Sie die Bereitstellung , um ein Drilldown zu den bereitgestellten Modellen durchzuführen. Ein einzelnes Modell
kann dann für die Analyse als Basisknoten ausgewählt werden. Schließlich können Sie innerhalb des Modells ein Drilldown durchführen, um einen Vorhersageausgabeknoten zu finden. Wenn der Ausgabeknoten als Basisknoten festgelegt ist, können Sie das Gitternetz für Abhängigkeiten verwenden, um eine Liste der generierten Vorhersagedatensätze anzuzeigen.
Zu den nachgelagerten Abhängigkeiten für die Bereitstellung oder darin enthaltene Elemente gehören Datensätze und Analyseinhalte wie Apps, Skripte und Datenflüsse.
Eine ML-Bereitstellung kann auch in der Übersichtsansicht der Auswirkungsanalyse angezeigt werden, wenn ein vorgelagerter Inhalt (z. B. ein ML-Experiment) als Basisknoten ausgewählt wurde. Wenn Sie im linken Fenster unter Abhängigkeiten von Basisknoten eine Bereitstellung ausgewählt haben, können Sie innerhalb der Bereitstellung ein Drilldown durchführen, um weitere Informationen im Gitternetz anzuzeigen. Für eine Bereitstellung wird ein Drilldown zu einem oder mehreren Modellen
durchgeführt. Für ein Modell
wird ein Drilldown zu einem oder mehreren Konfigurationselementen
durchgeführt, wobei jedes Element einen generierten Vorhersagedatensatz darstellt. Diese Datensätze können einzeln analysiert werden, indem Sie sie als Basisknoten festlegen.
Auswirkungsanalyse und ML-Datensätze
ML-Datensätze sind Datensätze, die in ML-Experimenten und ML-Bereitstellungen verwendet oder von diesen erstellt werden. Dazu zählen die Folgenden:
Trainingsdatensätze
Datensätze, die aus eingebetteten Analysen in ein ML-Experiment exportiert wurden (Registerkarten Vergleichen und Analysieren)
Anwendungsdatensätze
Vorhersagedatensätze
Wenn ein ML-Datensatz als Basisknoten festgelegt ist, wird er in der oberen linken Ecke unter Basisknoten angezeigt. Wählen Sie den Datensatz aus, um ein Drilldown zu einzelnen Feldern durchzuführen.
Ein ML-Datensatz kann auch in der Übersichtsansicht der Auswirkungsanalyse angezeigt werden, wenn ein vorgelagerter Inhalt (z. B. ein ML-Experiment oder eine ML-Bereitstellung) als Basisknoten ausgewählt wurde. Wenn Sie einen Datensatz im Gitternetz ausgewählt haben, können Sie innerhalb des Datensatzes ein Drilldown durchführen, um Informationen auf Feldebene anzuzeigen.
Gelöschter Inhalt
Beim Löschen eines ML-Experiments, einer ML-Bereitstellung oder eines Datensatzes, die in ML-Prozessen verwendet wurden, werden diese bei der Analyse anderer Knoten weiterhin in der Übersichtsansicht der Auswirkungsanalyse angezeigt.
Berechtigungen
Weitere Informationen zu Berechtigungen finden Sie unter Berechtigungen.
Beispielszenario
Ein Beispielszenario finden Sie unter Beispiel: Auswirkung der Änderung eines für Vorhersagen verwendeten Datensatzes.
Berechtigungen
Berechtigungen für die Abhängigkeitsanalyse
Benutzer ohne Anzeigeberechtigung können abhängige Ressourcennamen, die Spalte Zuletzt geladen für abhängige Apps oder die Spalte Zuletzt geändert für andere Ressourcentypen nicht anzeigen. Benutzer ohne Anzeigeberechtigungen können auch das -Kontextmenü oder Drill-In-Optionen für die Ressource nicht anzeigen.
Berechtigungen, wenn eine App, ein Skript, ein Datenfluss oder ein Datensatz der Basisknoten ist
Sie müssen in der Lage sein, eine App, ein Skript, einen Datenfluss oder einen Datensatz anzuzeigen, um die Auswirkungsanalyse für das Element in Ihrem Aktivitätscenter zu öffnen und um das Element anderweitig als Basisknoten festzulegen. Wie unter Berechtigungen für die Abhängigkeitsanalyse angegeben, werden abhängige Ressourcen mit eingeschränkten Informationen angezeigt, wenn Sie keine Anzeigeberechtigung für die Ressourcen haben.
Berechtigungen für ML-Experimente und ML-Bereitstellungen
Wenn Sie über Folgendes verfügen, können Sie die Auswirkungsanalyse direkt im ML-Experiment, der ML-Bereitstellung oder Ihrem Aktivitätscenter öffnen und diese auch anderweitig als Basisknoten festlegen:
Professional- oder Full User-Berechtigung
Sicherheitsrolle Automl Experiment Contributor oder Automl Deployment Contributor
Bei ML-Experimenten oder ML-Bereitstellungen in freigegebenen Bereichen eine der folgenden Bereichsrollen im freigegebenen Bereich:
Besitzer (des Bereichs)
Kann verwalten
Kann bearbeiten
Kann anzeigen
Bei ML-Experimenten oder ML-Bereitstellungen in verwalteten Bereichen eine der folgenden Bereichsrollen im verwalteten Bereich:
Besitzer (des Bereichs)
Kann verwalten
Kann beitragen
Kann anzeigen
Kann operieren
Ohne die oben genannten Anforderungen kann das Experiment oder die Bereitstellung nicht als Basisknoten festgelegt werden und wird bei der Analyse anderer Inhalte nur mit eingeschränkten Informationen angezeigt.
Beispielanwendungsfälle für die Analyse einer Auswirkungsanalyse
Beispiel: Verständnis der Auswirkung einer Änderung am Datensatz
Eine schrittweise Anleitung eines ähnlichen Beispiels finden Sie unter:
Anwendungsfälle für die AuswirkungsanalyseAls App-Entwickler sind Sie für eine Datenquelle verantwortlich und erwägen eine Änderung an einem Datensatz Sales data.xlsx durch Entfernen des Felds Price. Sie haben folgende Fragen: Was wird durch diese Änderung beeinflusst? Was muss in Angriff genommen werden? Wen soll ich darüber informieren? Sie beginnen die Untersuchung durch Auswahl von auf der Datensatz-Kachel und die anschließende Auswahl von Auswirkungsanalyse.
Übersichtsansicht der Auswirkungsanalyse für den Datensatz Sales data.xlsx

Beispiel: Auswirkung der Änderung eines für Vorhersagen verwendeten Datensatzes
Nehmen wir an, Sie sind ein ML-Mitwirkender, der geplante Vorhersagen aus einer ML-Bereitstellung bereitstellt. Sie möchten abschätzen, welche Workflows betroffen wären, wenn Sie die Berechnungslogik für eine Spalte in einem Ihrer Anwendungsdatensätze änderten.
Wenn Sie den Anwendungsdatensatz in Auswirkungsanalyse öffnen, können Sie feststellen, dass die folgenden Inhalte betroffen sind:
Eine Analyse-App
Eine ML-Bereitstellung, die ein Modell enthält, das den Anwendungsdatensatz verwendet
Verschiedene Datensatzausgaben, die von der ML-Bereitstellung planmäßig generiert wurden
Mit diesem Wissen können Sie eine fundiertere Entscheidung darüber treffen, ob Sie mit der Aktualisierung fortfahren oder einen neuen ML-Workflow erstellen sollten.
Auswirkungsanalyse für einen ML-Anwendungsdatensatz, bei der die spezifischen Vorhersagedatensätze analysiert werden, die von Änderungen am Anwendungsdatensatz betroffen wären.

Auswirkungsanalyse in Datenintegration
Die Auswirkungsanalyse ist auch in Datenintegration verfügbar. Weitere Informationen finden Sie unter Auswirkungsanalyse in Datenintegration.