Esempio - Analisi what-if con il connettore analitico Qlik Predict

In questo esempio, si configurerà un'analisi what-if per simulare come cambiano i valori previsti quando vengono regolate diverse variabili. L'esempio prevede l'addestramento e la distribuzione di un modello di classificazione binaria in Qlik Predict e il suo utilizzo per creare previsioni con il connettore analitico Qlik Predict.

Risultato dell'analisi what-if — Applicazione di analisi what-if

Prima di iniziare

Download dei materiali di esempio

Eseguire il download delle risorse di esempio qui:

WhatIfAnalysisExample.zip

I materiali sono costituiti da:

Un set di dati di addestramento: data-turnover-employees.xlsx. Questo set di dati viene utilizzato sia per l'addestramento che per le previsioni per l'esempio.
Un'applicazione: What-If Analysis.qvf. L'applicazione non può essere utilizzata per generare previsioni senza prima addestrare e distribuire un modello.

Requisiti preliminari

Prima di iniziare, assicurarsi che:

L'abbonamento a Qlik Cloud possa eseguire previsioni in tempo reale. Fare riferimento a quanto segue o contattare il proprietario dell'account del servizio del tenant.
- Prezzi di Qlik
- Abbonamenti a Qlik Cloud®
L'amministratore del tenant abbia abilitato gli endpoint di machine learning.

Abilitazione degli endpoint di ML in Qlik Cloud
Si disponga delle autorizzazioni richieste assegnate da un amministratore del tenant:
- L'autorizzazione Connessioni dati impostata su Consentito.
  
  Assegnazione delle autorizzazioni per gli utenti per utilizzare le connessioni dati
- Autorizzazioni per lavorare con gli esperimenti.
  
  Accesso utente agli esperimenti di ML
- Autorizzazioni per lavorare con le distribuzioni e con il connettore analitico Qlik Predict.
  
  Accesso utente alle distribuzioni e alle previsioni di ML

Parte 1: Caricare il set di dati

Procedere come indicato di seguito:

Andare alla pagina Crea del centro attività Analisi e selezionare Set di dati.
Fare clic su Carica file di dati.
Trascinare e rilasciare il file di dati data-turnover-employees.xlsx nella finestra di dialogo Aggiungi file.
Selezionare uno spazio di destinazione per il file. Può essere il proprio spazio personale o uno spazio condiviso. Utilizzare lo stesso spazio per tutte le risorse del tutorial.
Fare clic su Carica.

Parte 2: Addestrare l'esperimento

Creare, configurare ed eseguire un esperimento per addestrare un modello di classificazione binaria. Tutte le funzionalità disponibili saranno incluse per impostazione predefinita.

Procedere come indicato di seguito:

Andare alla pagina Crea del centro attività Analisi e selezionare Esperimento ML.
Inserire un nome per l'esperimento, ad esempio Employee turnover analysis.
Scegliere uno spazio per l'esperimento (utilizzare lo stesso spazio utilizzato in Parte 1: Caricare il set di dati).
Fare clic su Crea.
Selezionare il file del set di dati di addestramento data-turnover-employees.xlsx.
Selezionare la colonna left come destinazione. Questa è una colonna che indica se un dipendente ha lasciato o meno l'azienda.
Fare clic su Esegui esperimento.

Parte 3: Distribuire e attivare il modello con le prestazioni migliori

Distribuzione

Al termine dell'addestramento dell'esperimento, si atterra sulla scheda Modelli. Distribuire il modello con le prestazioni migliori come distribuzione ML.

Procedere come indicato di seguito:

Fare clic su accanto al modello che presenta un'icona accanto ad esso.
Fare clic su Distribuisci.
Selezionare l'opzione per distribuire il modello in Una nuova distribuzione.
Digitare un nome per la distribuzione, ad esempio Employee Turnover Predictions.
Se necessario, regolare lo spazio, la descrizione e i tag.
Attivare Abilita accesso API in tempo reale. Questo è necessario per eseguire previsioni con il connettore analitico Qlik Predict.
Fare clic su Crea.

Attivazione

Aprire la distribuzione appena creata.

Nella parte superiore dell'interfaccia della distribuzione ML, un banner indica che un approvatore del modello deve attivare il modello predefinito per effettuare previsioni.

Procedere come indicato di seguito:

Nel banner nella parte superiore della distribuzione ML, fare clic su Attiva modello.
Nella finestra di dialogo che si apre, fare clic su Attiva modello per confermare.

Parte 4: Creare una connessione al connettore analitico Qlik Predict

Successivamente, creare una connessione al connettore analitico Qlik Predict. Ciò consentirà di generare previsioni al volo all'interno dell'applicazione analitica.

Procedere come indicato di seguito:

Andare alla pagina Crea del centro attività Analisi e selezionare Connessione dati.
In Spazio, selezionare lo stesso spazio utilizzato in Parte 1: Caricare il set di dati.
Selezionare il connettore Qlik Predict.
Selezionare la Distribuzione ML creata in Parte 3: Distribuire e attivare il modello con le prestazioni migliori.
Inserire il seguente Nome: MLModel.
Fare clic su Crea.

Parte 5: Caricare l'applicazione analitica

Caricare l'applicazione analitica di cui si è eseguito il download in Download dei materiali di esempio.

Procedere come indicato di seguito:

Andare alla pagina Crea del centro attività Analisi.
In Dati e caricamento, selezionare Carica.
Rilasciare l'applicazione What-If Analysis.qvf nella finestra di dialogo.
In Spazio, selezionare lo stesso spazio utilizzato in Parte 1: Caricare il set di dati e Parte 4: Creare una connessione al connettore analitico Qlik Predict.
Fare clic su Carica.

Dopo aver caricato l'applicazione, aprirla, quindi aprire il foglio What-If Analysis.

L'applicazione è preconfigurata in modo da non dover aggiungere fogli ed espressioni. Tuttavia, ogni passaggio è descritto in dettaglio in Comprendere l'applicazione.

Esplorare i risultati

Ora si ha il foglio What-If Analysis aperto nell'applicazione.

Procedere come indicato di seguito:

Selezionare un singolo valore di dipendente nel campo employee_number. Un valore viene visualizzato nel KPI Risk of Turnover.
Regolare i dispositivi di scorrimento sotto il KPI. Ad ogni regolazione, viene eseguita una simulazione per prevedere il rischio di abbandono dei dipendenti.

Comprendere l'applicazione

Dati caricati

Il set di dati di addestramento utilizzato in Parte 2: Addestrare l'esperimento viene utilizzato come dati dell'applicazione. Negli scenari del mondo reale, questo potrebbe non essere sempre il caso.

Variabili del foglio

Sono state create le seguenti variabili, ciascuna con una definizione predefinita vuota. La definizione viene lasciata vuota perché i valori della variabile vengono invece aggiornati al volo durante l'analisi.

Variabili per l'analisi what-if
Nome della variabile	Funzionalità del modello che rappresenta	Definizione predefinita della variabile
vSatisfactionLevel	satisfaction_level	-
vTimeSpent	time_spend_company	-
vNumberOfProjects	number_project	-
vAvgMonthlyHoursWorked	average_monthly_hours	-

KPI ed espressione

Un KPI è stato aggiunto al foglio. Viene utilizzata la seguente espressione del grafico:

endpoints.ScriptEvalStr('{"RequestType":"endpoint", "endpoint":{"connectionname":":MLModel","column":"left_yes"}}',
	vSatisfactionLevel as satisfaction_level,
	vTimeSpent as time_spend_company,
	last_evaluation,
	vNumberOfProjects as number_project,
	vAvgMonthlyHoursWorked as average_monthly_hours)

Il calcolo rappresenta il rischio di turnover per il dipendente selezionato.

Le sezioni seguenti descrivono come questa espressione utilizza la sintassi delle estensioni lato server per chiamare l'API di machine learning per le previsioni in tempo reale.

Scomposizione dell'espressione

L'espressione utilizza la sintassi delle estensioni lato server (SSE) per generare previsioni al volo.

Il prefisso endpoints.ScriptEvalStr indica che vengono utilizzate le estensioni lato server. In particolare, viene utilizzata la funzione ScriptEvalStr. Questa funzione consente di specificare il nome di connessione, la destinazione e le funzionalità senza dichiarare esplicitamente i tipi. In altre parole, l'API deduce automaticamente i tipi di funzionalità quando viene utilizzata questa funzione.

Sintassi delle estensioni lato server

Questo segmento richiama ulteriormente le estensioni lato server specificando che la richiesta è di accedere a un endpoint specifico.

Sintassi delle estensioni lato server

Il segmento "endpoint":{"connectionname":"MLModel" indica il nome della connessione da utilizzare. Questo deve corrispondere al nome di connessione specificato in Parte 4: Creare una connessione al connettore analitico Qlik Predict. La connessione contiene anche un prefisso : per indicare che la connessione da utilizzare si trova nello stesso spazio dell'applicazione.

Il segmento column":"left_yes" indica che si desidera utilizzare la colonna left come destinazione. Il suffisso _yes indica che si sta cercando una probabilità del risultato yes. In altre parole, non si sta richiedendo un valore previsto in modo specifico, ma piuttosto la probabilità che venga previsto un valore positivo.

Dopo aver specificato la colonna di destinazione, è necessario specificare le funzionalità nel modello. Le funzionalità del modello possono essere ottenute aprendo la distribuzione ML (creata in Parte 3: Distribuire e attivare il modello con le prestazioni migliori), e quindi aprendo Panoramica della distribuzione. Questo apre lo schema del modello: l'elenco delle funzionalità e i relativi tipi di funzionalità.

Schema del modello nella Panoramica della distribuzione per una distribuzione ML. — Panoramica della distribuzione in una distribuzione ML, che mostra lo Schema del modello

Da qui, l'elenco delle funzionalità può essere costruito come un elenco separato da virgole. Le sostituzioni di variabili, utilizzando la parola chiave "as", indicano che i valori correnti delle variabili devono essere utilizzati come dati delle funzionalità, anziché come dati dell'applicazione stessa. Queste sostituzioni di variabili consentono la simulazione interattiva "what-if" dimostrata in questo esempio.

vSatisfactionLevel as satisfaction_level,
vTimeSpent as time_spend_company,
last_evaluation,
vNumberOfProjects as number_project,
vAvgMonthlyHoursWorked as average_monthly_hours)

L'elenco delle funzionalità nell'espressione deve includere tutte le funzionalità nello schema del modello. In caso contrario, le previsioni falliscono. Inoltre, se nell'espressione sono elencate funzionalità che non compaiono nello schema del modello, anche le previsioni falliranno. Se è stato addestrato un modello che non ha lo stesso set di funzionalità di quelle elencate nelle espressioni precedenti, sarà necessario modificare l'espressione per includere o rimuovere le funzionalità a seconda dei casi.

Oggetti di input variabile

Sono stati aggiunti quattro controlli di input variabile al foglio, uno per ogni variabile. Sono state eseguite le seguenti configurazioni:

È stata selezionata la variabile da utilizzare.
Il tipo di input è stato selezionato come Dispositivo di scorrimento.
Sono stati configurati gli intervalli minimo e massimo per ciascuna variabile, in base ai valori che potrebbero ragionevolmente verificarsi in base ai dati originali.

Per ulteriori informazioni sugli oggetti di input variabile, vedere Creazione di controlli di input variabili.

Casella di filtro

È stata aggiunta una casella di filtro per consentire una facile selezione del dipendente su cui concentrarsi.

Tabella con i dati originali

È stata aggiunta anche una tabella lineare nella parte inferiore del foglio, per facilitare la visualizzazione dei dati originali, prima che venissero alterati durante l'analisi what-if.

Sintassi delle estensioni lato server

Utilizzo delle connessioni Qlik Predict nelle espressioni di visualizzazione

Hai trovato utile questa pagina?

Se riscontri problemi con questa pagina o con il suo contenuto – un errore di battitura, un passaggio mancante o un errore tecnico – ti pregiamo di farcelo sapere!

Lascia qui il tuo feedback