Aufdecken der wichtigsten Einflüsse auf Ihre Daten mit der Haupttreiberanalyse

Mit der Haupttreiberanalyse können Sie die Quellen spezifischer Trends in Ihren Daten identifizieren und vergleichen. Eine Haupttreiberanalyse unterstützt Sie dabei, den Einfluss zu visualisieren und einzuordnen, den ein definierter Satz Faktoren auf die aktuellen Daten eines bestimmten Zielfeldes hat. Verwenden Sie die gewonnenen Einblicke, um die Analysen und Entscheidungsfindungsprozesse Ihrer Organisation zu verbessern und zu stärken.

Die Haupttreiberanalyse ist in einer Qlik Sense App verfügbar. Führen Sie eine Haupttreiberanalyse in der Arbeitsblatt-Ansicht im Analysemodus aus.

Was ist eine Haupttreiberanalyse?

Die Haupttreiberanalyse ist eine Form der statistischen Datenerkennung, mit deren Hilfe Sie identifizieren können, in welchem Grad sich verschiedene Faktoren auf das Ergebnis einer einzelnen Zielmetrik auswirken. Die Analyse wird sowohl für quantitative als auch für qualitative Daten ausgeführt. Die Absicht einer Haupttreiberanalyse besteht im Ermitteln, was genau einen bestimmten Trend in den Daten verursacht. Diese Einblicke können dann in direkten Maßnahmen umgesetzt werden oder dazu beitragen, dass dem Thema in der Organisation mehr Aufmerksamkeit geschenkt wird.

In Business Intelligence sind häufige Ziele, für die Sie Einflüsse auswerten möchten, Felder wie Sales, Customer Satisfaction, Margin, Churned und Cost of Sale. Beispiele für Faktoren (Haupttreiber) sind Product, Location, Store Number und Manager.

Die in einer Haupttreiberanalyse ausgewerteten Metriken sind je nach Organisation und Anwendungsfall unterschiedlich. Die Zielmetrik und die verschiedenen Faktoren, die deren Ergebnisse beeinflussen, hängen von dem zu lösenden Problem, den verfügbaren Daten und anderen Umständen ab.

Warum sollte eine Haupttreiberanalyse verwendet werden?

Eine Haupttreiberanalyse ist in Business Intelligence sinnvoll, weil sie auf verschiedene Arten dazu beitragen kann, Leistungskennzahlen zu verbessern. Sie können eine Haupttreiberanalyse beispielsweise verwenden, um Probleme zu lösen und Einblicke zu erzielen, die mit Produktinvestitionen, Umsatzsteigerung, Kostensenkung, Kundenzufriedenheit und vielen anderen Gesichtspunkten zusammenhängen.

In Qlik Sense ist die Haupttreiberanalyse in die App-Nutzererfahrung integriert. Dank der nativen Echtzeit-Analysefunktionen von Qlik Sense können Sie bei jeder Änderung der App-Daten eine neue Haupttreiberanalyse durchführen. So können Sie Ihre Daten fortlaufend auf Änderungen überwachen und aufkommende Trends rasch ermitteln, um bei Bedarf schnell und effektiv reagieren zu können.

So funktioniert es

Bei der Haupttreiberanalyse geht es im Wesentlichen um Einfluss. In Qlik Sense wertet die Haupttreiberanalyse den Einfluss aus, den bestimmte Felder (Features oder Haupttreiber) auf ein konkret interessierendes Feld (das Ziel) haben.

In der Analyse verwendete Daten

Bei einer Haupttreiberanalyse wird ein spezifischer Teilsatz Ihrer Daten untersucht. Beim Erstellen der Analyse wählen Sie bestimmte Felder als die Komponenten der Analyse aus.

Sie müssen die folgenden Bausteine für jede Analyse auswählen:

• Ziel

• Mehrere Features

Nachdem Sie diese Komponenten ausgewählt haben, wird ein spezifischer Datensatz aus Ihrem Datenmodell anhand des Ziels und der Features erstellt. Die Haupttreiberanalyse verwendet diesen Datensatz (nicht das ganze Datenmodell), um den Einfluss zu bestimmen, den die Features auf das Ziel haben. Felder, die Sie nicht in die Konfiguration einschließen, werden nicht analysiert.

Weitere Informationen zu den einzelnen Komponenten werden im Anschluss erläutert.

Berechnen des Einflusses

In Qlik Sense werden für die Haupttreiberanalyse die SHAP-Werte für den Datenwert jedes Features im Teilsatz der analysierten Daten berechnet. Diese SHAP-Werte werden aus einem von Qlik AutoML trainierten Modell generiert. Modelle verwenden den Random Forest-Algorithmus zum Generieren der SHAP-Werte.

Der SHAP-Wert ist eine Berechnung des Einflussgrads eines Datenwerts auf den betreffenden Zielwert im Zusammenhang mit den anderen Features im Datensatz, der eigens über Ihre Haupttreiberanalysenkonfiguration erstellt wurde. Wenn Sie die Ergebnisse einer Haupttreiberanalyse anzeigen, sehen Sie Aggregierungen der SHAP-Werte für alle oder einen bestimmten Teil der Dateneinträge im Datensatz.

Weitere Informationen zur SHAP Importance in Qlik AutoML finden Sie unter Verständnis der SHAP Importance im Experimenttraining.

Das Ziel

Das Ziel ist das Feld, für das Sie Haupttreiber analysieren möchten. Beispielsweise möchten Sie vergleichen, wie sich bestimmte Faktoren auf Ihren Umsatz auswirken. In diesem Fall wählen Sie eine Umsatzkennzahl als Ziel aus.

Bei der Auswahl des Ziels ist der Zeitpunkt der Datenverfügbarkeit wichtig, insbesondere im Zusammenhang mit den Features, die Sie in die Analyse einschließen möchten. Weitere Informationen über angemessene Zeitrahmen für die Datenerfassung für Ziel und Features finden Sie unter Features.

Die Anzahl der eindeutigen Werte und Datentypen im Ziel bestimmen den Problemtyp, der von der Analyse gelöst wird. Das wirkt sich wiederum darauf aus, welche Anforderungen Ihre Daten erfüllen müssen. Weitere Informationen finden Sie unter Datenanforderungen.

Die Haupttreiberanalyse unterstützt die folgenden Problemtypen:

• Regression

• Binäre Klassifizierung

Regressionsanalysen

Regressionsanalysen werden verwendet, wenn das Ziel eine große Anzahl eindeutiger numerischer Werte enthält. Wenn Sie eine numerische Berechnung (Kennzahl) als Ziel verwenden, interpretiert die Haupttreiberanalyse die Konfiguration wahrscheinlich als Regressionsproblem.

Wenn Sie eine Kennzahl als Ziel auswählen, können Sie eine grundlegende Aggregierung direkt auf das Feld in der Konfiguration anwenden, oder Sie können ein vorhandenes Master-Element auswählen, wenn Sie eine komplexere Formel verwenden möchten.

Binärklassifikationsanalysen

Wenn Ihr Ziel nur zwei eindeutige Werte umfasst (z. B. ja und nein), interpretiert die Haupttreiberanalyse die Konfiguration als Binärklassifikationsproblem. Binärklassifikationsanalysen werden erstellt, indem Sie eine binäre Dimension als Ziel auswählen.

Ein häufiges Beispiel ist ein Feld Churned (Kundenabwanderung) in der App, um zu verfolgen, welche Kunden einen bestimmten Dienst gekündigt haben. Hier könnten Sie das Feld Churned als Ziel auswählen, um zu ermitteln, welche Faktoren sich auf diese Kundenentscheidungen auswirken.

Features

Die Features sind Ihre Haupttreiber. Dies sind die Felder, die extrahierbare Informationen darüber enthalten, was die Trends in den Daten beeinflusst. Wenn Sie beispielsweise eine Haupttreiberanalyse erstellen, um die Einflüsse auf den Umsatz zu ermitteln, können Sie Dimensionen wie Location (Standort), Product Type (Produkttyp), Store Number (Geschäftsnummer) und Sales Representative (Vertriebsvertreter) als Features auswählen. Auch berechnete Kennzahlen können als Features verwendet werden.

Sie sollten nur Features mit Daten einschließen, die aufzeichnungsfähig sind und vor dem Zeitpunkt erfasst werden, zu dem Sie Ihre Zieldaten erfassen. Wenn Sie Features mit Daten einschließen, die Ihnen erst zum Zeitpunkt der Datenerfassung für das Ziel bekannt werden, wird die Analyse verzerrt und bietet keinen Analysewert mehr.

Wenn Ihr Ziel beispielsweise Sales ist, dürfen Sie keine Features einschließen, die direkt daraus abgeleitete Daten enthalten. Wenn Ihr Ziel ein Feld Churned mit einem binären Ergebnis (Ja oder Nein) ist, dürfen Sie kein Feature einschließen, das das Datum der Kundenabwanderung enthält.

Weitere Informationen zum Identifizieren ungültiger Analyseergebnisse finden Sie unter Identifizieren ungültiger Ergebnisse.

Ein Feature wird einem der beiden folgenden Typen zugewiesen:

• Kategoriales Feature: enthält Datenwerte basierend auf distinkten, wiederkehrenden Kategorien. Ein Beispiel für ein kategoriales Feature wäre ein Feld Continent, für das es nur eine Handvoll möglicher Werte gibt, die nicht als numerische Rohdaten, sondern als Text interpretiert werden. Zahlen können als Kategorien verwendet werden.

• Numerisches Feature: ein Feature, dessen Datenwerte rein numerische Daten sind und nicht zu Kategorien gehören.

Alle eingeschlossenen Features werden spezifisch analysiert, um zu bestimmen, wie viel Einfluss jedes auf die aktuellen Daten im Ziel hat.

Weitere Informationen zu den Anforderungen für das Ziel und eingeschlossene Features finden Sie unter Datenanforderungen.

App-Auswahlen

Die Auswahlen, die Sie in der App treffen, werden in der Haupttreiberanalyse verwendet. Beispiel: Sie möchten die Haupttreiber für den Umsatz ermitteln, aber wenn Sie die Dimension Store Number als Feature einschließen, möchten Sie nur den Einfluss von fünf bestimmten Geschäften in Ihrer Organisation analysieren. Hierfür können Sie die Werte in der App auswählen und dann die Haupttreiberanalyse konfigurieren.

Da es sich bei Auswahlen im Grund um auf das Datenmodell angewendete Filter handelt, muss beachtet werden, dass die Auswahlen in einem Feld sich darauf auswirken können, welche Daten für die Analyse verfügbar sind.

Überlegungen für das Mandantenabonnement

Die Haupttreiberanalyse stützt sich auf Qlik AutoML, um den Einfluss der Features auf das Ziel zu berechnen. Dabei werden ML-Modelle erstellt, die zum Berechnen von SHAP-Werten für die Datenpunkten verwendet werden, welche eingeschlossenen Features im ausgewählten Datenteilsatz entsprechen.

Bei der Erstellung einer Haupttreiberanalyse werden Dienste genutzt, die von Qlik AutoML gemessen werden. Bis zu einem gewissen Umfang ist die AutoML-Nutzung in den meisten Qlik Cloud Abonnements inbegriffen. Wenn weitere Kapazität benötigt wird, ist ein Upgrade auf eine kostenpflichtige Stufe von AutoML erforderlich.

Wenden Sie sich an Ihren Servicekontobesitzer und konsultieren Sie die Nutzungsbedingungen des von Ihnen genutzten Abonnements, um sich über Ihre Kapazitäten für die Verwendung der Haupttreiberanalyse zu informieren.

In den folgenden Ressourcen finden Sie weitere Einzelheiten:

• Einschränkungen und lizenzgesteuerte Kapazitäten von AutoML

• Produktbeschreibung für Qlik Cloud®-Abonnements

Datenanforderungen

Mindestanforderungen für Datenvolumen

Der anhand Ihres Ziels und der Features erstellte Datensatz muss mindestens 400 Zellen enthalten. Andernfalls kann die Analyse nicht ausgeführt werden.

Weitere Voraussetzungen

Die folgenden Anforderungen gelten für den Datensatz, der aus Ihrer Analysekonfiguration erstellt wurde:

• Das Ziel muss mindestens zwei eindeutige Werte enthalten.

• Wenn das Ziel zwei bis zehn eindeutige Werte enthält, muss jeder eindeutige Wert in mindestens zehn Datensätzen im Datensatz vorhanden sein.

Wenn beim Ausführen einer Haupttreiberanalyse Fehler auftreten, kann dies daran liegen, das die für die Analyse ausgewählten Daten nicht diesen Anforderungen entsprechen. Weitere Informationen zu anderen möglichen Problemen und eine Liste der möglichen Lösungen finden Sie unter Fehlerbehebung .

Verwenden der Haupttreiberanalyse in Qlik Sense

Das folgende Thema unterstützt Sie bei den ersten Schritten beim Erstellen und Interpretieren von Haupttreiberanalysen in Qlik Sense:

• Erstellen einer Haupttreiberanalyse in Qlik Sense

• Anzeigen und Interpretieren der Ergebnisse einer Haupttreiberanalyse

Einschränkungen

Eine Liste der Einschränkungen für die Haupttreiberanalyse ist im Folgenden aufgeführt:

• Felder, die die Datentypen „date“, „time“ oder „timestamp“ enthalten, werden nicht als Ziel oder als Features unterstützt.