Vai al contenuto principale Passa a contenuto complementare

Tutorial – Generazione e visualizzazione dei dati di previsione

Questo tutorial mostra come utilizzare Qlik AutoML per addestrare e distribuire un modello di machine learning per generare previsioni. Inoltre, mostra come è possibile visualizzare i dati di previsione in un'app Qlik Sense.

Prenderemo in considerazione lo scenario dell'abbandono del cliente, un classico esempio di problema di classificazione binaria. L'obiettivo è riuscire a prevedere in modo affidabile se un cliente cancellerà la propria sottoscrizione o rimarrà abbonato a un servizio. In questo tipo di problema ci sono solo due risultati: vero o falso (abbandono o non abbandono).

Per affrontare questo problema di machine learning, inizieremo con l'elaborazione di una serie di dati di cui conosciamo già il risultato, quindi applicheremo la modellazione statistica creata a partire da quei dati a nuovi dati di cui vorremmo prevedere i risultati.

Questo tutorial inizia con la creazione di un esperimento. Da lì, si perfezionerà e si distribuirà l'esperimento in un modello di machine learning. Questo modello verrà utilizzato per creare previsioni, che potranno essere mostrate sotto forma di visualizzazioni in un'app Qlik Sense.

Cosa si apprenderà

Una volta completato questo tutorial, si comprenderanno le diverse fasi di creazione e configurazione di un esperimento. Si imparerà anche a interpretare i punteggi dei modelli. Infine, si sarà in grado di distribuire un modello di machine learning e capire come i dati delle proprie previsioni possono essere utilizzati per generare visualizzazioni Qlik Sense accattivanti in Qlik Cloud Analytics.

Chi dovrebbe completare questo tutorial

Questo tutorial è stato ideato per gli utenti che desiderano un'introduzione al machine learning automatizzato e alla visualizzazione dei dati in Qlik Cloud Analytics. Per completarlo, può essere utile disporre di alcune conoscenze di base di machine learning e Qlik Sense, ma non sono richieste.

Per completare il tutorial, è necessario disporre dei seguenti ruoli:

Se non è possibile visualizzare o creare risorse di ML, probabilmente non si dispone dei ruoli, diritti o autorizzazioni richiesti. Per ulteriori informazioni, contattare l'amministratore del tenant.

Per ulteriori informazioni, vedere Utenti che possono utilizzare Qlik AutoML.

Cosa bisogna fare prima di iniziare

Scaricare questo pacchetto e decomprimerlo sul desktop:

Tutorial di AutoML

Il pacchetto contiene i seguenti elementi:

  • I due file di dati necessari per completare il tutorial.

  • Una copia di esempio dell'app Qlik Sense da creare durante il tutorial. Questa viene fornita nel caso in cui si desideri ottenere velocemente un'esperienza pratica con lo sviluppo di app predittive. Per ulteriori informazioni, vedere Flusso di lavoro alternativo: caricamento di un'app preconfigurata.

Il training set contiene informazioni sui clienti la cui scadenza per il rinnovo è trascorsa e che hanno deciso di annullare o di mantenere la sottoscrizione.

Il set di dati di applicazione contiene i dettagli di un nuovo gruppo di clienti la cui data di rinnovo non è ancora trascorsa. Non è ancora stato stabilito se questi clienti cancelleranno o meno la loro sottoscrizione. L'obiettivo, con questo tutorial, è prevedere cosa farà questo gruppo di clienti, con la speranza di poter diminuire le probabilità di abbandono.

  1. Aprire l'hub Qlik Cloud Analytics.

  2. Fare clic su Aggiungi nuovo > Set di dati, quindi selezionare Carica file di dati.

  3. Trascinare il file Customer churn data - training.csv nella finestra di dialogo di upload.

  4. Quindi, trascinare il file Customer churn data - apply.csv nella finestra di dialogo di upload.

  5. Selezionare uno spazio. Può essere uno spazio personale o uno spazio condiviso se si desidera che altri utenti possano accedere a questi dati.

  6. Fare clic su Carica.

Ora che i set di dati sono stati caricati, si può procedere alla creazione di un esperimento.

Lezioni in questo tutorial

Gli argomenti in questo tutorial sono stati progettati per essere completati in sequenza. Tuttavia, è possibile uscire e tornare in qualsiasi momento.

Ulteriori letture e risorse

La vostra opinione è importante

Apprezziamo il feedback dei nostri clienti. Utilizzate la sezione sottostante per inviarci le vostre impressioni.

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 – facci sapere come possiamo migliorare!