Types d'analyse Insight Advisor
Insight Advisor fournit des résultats via une large gamme de types d'analyse. Ces types d'analyse fournissent des visualisations optimales pour les graphiques générés.
Des types d'analyse différents sont utilisés suivant les entrées de la recherche et les caractéristiques des données. Le Moteur cognitif Qlik détermine le meilleur type d'analyse pour votre recherche, en fonction des données disponibles. Le tableau suivant décrit les types d'analyse. Toutes les conditions de chaque type d'analyse ne sont pas répertoriées. Le tableau répertorie également les graphiques éventuellement disponibles comme alternatives lors de l'édition d'une analyse Insight Advisor.
| Type d'analyse | Description | Dimensions | Mesures |
|---|---|---|---|
| Anomalie (pic) |
Identifiez les pics anormaux en analysant les tendances des données historiques. |
1 dimension date/heure | 1 |
| Anomalie (tendances) |
Identifiez les points de changement en analysant les tendances des données historiques. La détection des points de changement identifie les moments où le processus sous-jacent générant les expériences de données change de manière significative. Cela peut inclure les changements soudains de la référence ou des tendances des données. Cela peut également inclure les changements de magnitude de la distribution du bruit dans les données. Les courbes du graphique combiné suivent la mesure et les barres affichent les anomalies éventuelles des points de changement. |
1 dimension date/heure | 1 |
| Répartition | Affichez les dimensions de données imbriquées qui fournissent une répartition des contributions relatives à une mesure. | 2-3 | 1 |
| Répartition (géospatiale) | Regroupez les données via des divisions géographiques simples et hiérarchiques. | 1-2 | 1-2 |
| Mesure calculée (ICP) | Synthétisez les performances d'une dimension ou d'un segment métier donné via un indicateur clé de performance (ICP). | 0 | 1-2 |
| Clustering (K-moyennes) |
Regroupez les points de données agrégés par similarités de deux mesures sur une dimension via un algorithme d'apprentissage machine k-moyennes. |
1 | 2 |
| Comparaison | Comparez deux mesures pour une dimension. | 1 | 2 |
| Corrélation |
Identifiez les relations complémentaires et contraires entre deux valeurs de données. |
0-2 | 2 |
| Informations mutuelles |
Créez une mesure de certitude entre des paires de valeurs via un algorithme d'apprentissage machine qui applique des distributions de données aléatoires. L'indicateur de dépendance varie entre 0 % (aucune dépendance) et 100 % (forte dépendance). Informations mutuelles sélectionne un champ (une mesure ou une dimension) comme cible, puis 1 à 10 dimensions ou mesures comme facteurs. Du fait de la sélection aléatoire des données, les résultats de ce type d'analyse peuvent varier pour les mêmes champs ou sélections. |
variable | variable |
| Vue d'ensemble |
Décrivez la relation entre des plages de données en fonction d'une mesure absolue. |
1-2 | 1 |
| Changements entre périodes |
Créez une feuille avec une analyse Mesures, Classement et Comparaison pour des dimensions sur différentes périodes. Nécessite une période de calendrier par défaut définie pour le groupe contenant la mesure dans le modèle logique. |
1-2 | 1 |
| Changements entre périodes (analyse détaillée) |
Créez une feuille avec une analyse Mesures, Classement et Comparaison pour une hiérarchie de dimensions sur différentes périodes. Nécessite une période de calendrier par défaut définie pour le groupe contenant la mesure dans le modèle logique. |
1 | 1 |
| Période par rapport à période |
Comparez des dimensions sur des périodes. Nécessite une période de calendrier par défaut définie pour le groupe contenant la mesure dans le modèle logique. |
1 | 1 |
| Période par rapport à période (sélectionné) |
Comparez des dimensions sur des périodes. Il inclut un volet de filtre permettant de sélectionner les valeurs de dimension. Nécessite un champ temporel avec un champ autoCalendar-derived sélectionné dans le cadre de la requête. |
1-3 | 1 |
| Contrôle des processus (par rapport à la moyenne) | Surveillez les données par rapport à des plages statistiques prévues basées sur des valeurs moyennes. | 1 dimension date/heure | 1 |
| Contrôle des processus (par rapport à la moyenne mobile) | Surveillez les données par rapport à des plages statistiques prévues basées sur des valeurs proches. | 1 dimension date/heure | 1 |
| Classement | Classez des valeurs de dimension en fonction de leur importance relative par rapport à une mesure. | 1-2 | 1 |
| Classement (par groupes) | Classez des valeurs de dimension hiérarchiques en fonction de leur importance relative par rapport à une mesure. | 1-2 | 1 |
| Importance relative |
Affichez la taille des valeurs de dimension qui contribuent à l'ensemble. Peut également être utilisé pour effectuer une analyse de contribution Pareto ou de loi 80-20. |
1 | 1 |
| Décomposition de série chronologique | Décomposez une série chronologique en composants Tendance, Saisonnier et Résiduel. | 1 dimension date/heure | 1 |
| Tendances au fil du temps | Affichez les tendances des données au fil du temps, éventuellement réparties en fonction d'une dimension de faible cardinalité. | 1 dimension date/heure et 1 autre dimension facultative | 1-3 |
| Tendances avec projection | Affichez les tendances des données au fil du temps, ainsi que les valeurs de projection des périodes temporelles futures. | 1 dimension date/heure | 1 |
| Valeurs (tableau) | Affichez les données organisées en lignes et en colonnes qui indiquent les mesures et les dimensions. | 0-10 | 0-10 |
| Année jusqu'à ce jour |
Comparez les dimensions sur la même période d'une année précédente. |
1 | 1 |