Voorbeeld - Wat-als-analyse met de Qlik Predict analytics connector

In dit voorbeeld configureert u een wat-als-analyse om te simuleren hoe voorspelde waarden veranderen wanneer verschillende variabelen worden aangepast. Het voorbeeld omvat het trainen en implementeren van een binair classificatiemodel in Qlik Predict, en het gebruik ervan om voorspellingen te maken met de Qlik Predict analytics connector.

Resultaat van wat-als-analyse — Wat-als-analyse applicatie

Voordat u begint

Voorbeeldmateriaal downloaden

Download de voorbeeldbronnen hier:

WhatIfAnalysisExample.zip

Het materiaal bestaat uit:

Een trainingsgegevensset—data-turnover-employees.xlsx. Deze gegevensset wordt gebruikt voor zowel de training als de voorspellingen voor het voorbeeld.
Een applicatie—What-If Analysis.qvf. De applicatie kan niet worden gebruikt om voorspellingen te genereren zonder eerst een model te trainen en te implementeren.

Vereisten

Voordat u begint, moet u ervoor zorgen dat:

Uw Qlik Cloud-abonnement realtime voorspellingen kan uitvoeren. Raadpleeg het volgende of neem contact op met de eigenaar van het tenant-serviceaccount.
- Qlik-prijzen
- Qlik Cloud®-abonnementen
Uw tenant-beheerder machine learning-eindpunten heeft ingeschakeld.

ML-eindpunten inschakelen in Qlik Cloud
U de vereiste machtigingen hebt gekregen van een tenant-beheerder:
- De machtiging Gegevensverbindingen is ingesteld op Toegestaan.
  
  Machtigingen toewijzen aan gebruikers om met gegevensverbindingen te werken
- Machtigingen voor het werken met experimenten.
  
  Gebruikerstoegang tot ML-experimenten
- Machtigingen voor het werken met implementaties en het werken met de Qlik Predict analytics connector.
  
  Gebruikerstoegang tot ML-implementaties en voorspellingen

Deel 1: De gegevensset uploaden

Doe het volgende:

Ga naar de pagina Maken van het Analyse activiteitencentrum en selecteer Gegevensset.
Klik op Gegevensbestand uploaden.
Sleep het gegevensbestand data-turnover-employees.xlsx naar het dialoogvenster Bestand toevoegen.
Selecteer een doelruimte voor het bestand. Dit kan uw persoonlijke ruimte of een gedeelde ruimte zijn. Gebruik dezelfde ruimte voor alle bedrijfsmiddelen van de tutorial.
Klik op Uploaden.

Deel 2: Het experiment trainen

Maak, configureer en voer een experiment uit om een binair classificatiemodel te trainen. Alle beschikbare functies worden standaard opgenomen.

Doe het volgende:

Ga naar de pagina Maken van het Analyse activiteitencentrum en selecteer ML-experiment.
Voer een naam in voor uw experiment, bijvoorbeeld Employee turnover analysis.
Kies een ruimte voor het experiment (gebruik dezelfde ruimte die u hebt gebruikt in Deel 1: De gegevensset uploaden).
Klik op Maken.
Selecteer het trainingsgegevensbestand data-turnover-employees.xlsx.
Selecteer de kolom left als het doel. Dit is een kolom die aangeeft of een werknemer het bedrijf heeft verlaten of niet.
Klik op Experiment uitvoeren.

Deel 3: Het best presterende model implementeren en activeren

Implementatie

Nadat de training van het experiment is voltooid, komt u op het tabblad Modellen. Implementeer het best presterende model als een ML-implementatie.

Doe het volgende:

Klik op naast het model met een -pictogram ernaast.
Klik op Implementeren.
Selecteer de optie om het model te implementeren naar Een nieuwe implementatie.
Typ een naam voor uw implementatie, zoals Employee Turnover Predictions.
Pas indien nodig de ruimte, beschrijving en tags aan.
Schakel Realtime API-toegang inschakelen in. Dit is vereist voor het uitvoeren van voorspellingen met de Qlik Predict analytics connector.
Klik op Maken.

Activering

Open de nieuw gemaakte implementatie.

Bovenaan de interface van de ML-implementatie geeft een banner aan dat een modelgoedkeurder het standaardmodel moet activeren om voorspellingen te doen.

Doe het volgende:

Klik in de banner bovenaan de ML-implementatie op Model activeren.
Klik in het dialoogvenster dat wordt geopend op Model activeren om te bevestigen.

Deel 4: Een verbinding maken met de Qlik Predict analytics connector

Maak vervolgens een verbinding met de Qlik Predict analytics connector. Hiermee kunt u direct voorspellingen genereren binnen de analytics-applicatie.

Doe het volgende:

Ga naar de pagina Maken van het Analyse activiteitencentrum en selecteer Gegevensverbinding.
Selecteer onder Ruimte dezelfde ruimte die u hebt gebruikt in Deel 1: De gegevensset uploaden.
Selecteer de Qlik Predict connector.
Selecteer de ML-implementatie die u hebt gemaakt in Deel 3: Het best presterende model implementeren en activeren.
Voer de volgende Naam in: MLModel.
Klik op Maken.

Deel 5: De analytics-applicatie uploaden

Upload de analytics-applicatie die u hebt gedownload in Voorbeeldmateriaal downloaden.

Doe het volgende:

Ga naar de pagina Maken van het Analyse activiteitencentrum.
Selecteer onder Gegevens en uploaden de optie Uploaden.
Sleep de applicatie What-If Analysis.qvf naar het dialoogvenster.
Selecteer onder Ruimte dezelfde ruimte die u hebt gebruikt in Deel 1: De gegevensset uploaden en Deel 4: Een verbinding maken met de Qlik Predict analytics connector.
Klik op Uploaden.

Na het uploaden van de applicatie opent u deze en opent u vervolgens het werkblad What-If Analysis.

De applicatie is vooraf geconfigureerd, dus u hoeft geen werkbladen en uitdrukkingen toe te voegen. Elke stap wordt echter gedetailleerd beschreven in De applicatie begrijpen.

De resultaten verkennen

U hebt nu het werkblad What-If Analysis geopend in de applicatie.

Doe het volgende:

Selecteer een enkele werknemerswaarde in het veld employee_number. Er verschijnt een waarde in de KPI Risk of Turnover.
Pas de schuifregelaars onder de KPI aan. Bij elke aanpassing wordt een simulatie uitgevoerd om het risico op verloop van werknemers te voorspellen.

De applicatie begrijpen

Geladen gegevens

De trainingsgegevensset die is gebruikt in Deel 2: Het experiment trainen wordt gebruikt als de applicatiegegevens. In scenario's in de echte wereld is dit mogelijk niet altijd het geval.

Werkbladvariabelen

De volgende variabelen zijn gemaakt, elk met een lege standaarddefinitie. De definitie is leeg gelaten omdat de variabele waarden in plaats daarvan direct tijdens de analyse worden bijgewerkt.

Variabelen voor wat-als-analyse
Variabelenaam	Modelfunctie die het vertegenwoordigt	Standaarddefinitie van variabele
vSatisfactionLevel	satisfaction_level	-
vTimeSpent	time_spend_company	-
vNumberOfProjects	number_project	-
vAvgMonthlyHoursWorked	average_monthly_hours	-

KPI en uitdrukking

Er is een KPI toegevoegd aan het werkblad. De volgende diagramuitdrukking wordt gebruikt:

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)

De berekening vertegenwoordigt het risico op verloop voor de geselecteerde werknemer.

De onderstaande secties schetsen hoe deze uitdrukking de syntaxis van server-side extensions gebruikt om de Machine Learning API aan te roepen voor realtime voorspellingen.

De uitdrukking uitsplitsen

De uitdrukking gebruikt de syntaxis van server-side extensions (SSE) om direct voorspellingen te genereren.

Het voorvoegsel endpoints.ScriptEvalStr geeft aan dat er server-side extensions worden gebruikt. In het bijzonder wordt de functie ScriptEvalStr gebruikt. Met deze functie kunt u de verbindingsnaam, het doel en de functies opgeven zonder typen expliciet te declareren. Met andere woorden, de API leidt functietypen automatisch af wanneer deze functie wordt gebruikt.

SSE-syntax

Dit segment roept verder server-side extensions aan door op te geven dat het verzoek is om toegang te krijgen tot een specifiek eindpunt.

SSE-syntax

Het segment "endpoint":{"connectionname":"MLModel" geeft de naam aan van de verbinding die moet worden gebruikt. Dit moet overeenkomen met de verbindingsnaam die is opgegeven in Deel 4: Een verbinding maken met de Qlik Predict analytics connector. De verbinding bevat ook een voorvoegsel : om aan te geven dat de te gebruiken verbinding zich in dezelfde ruimte bevindt als de applicatie.

Het segment column":"left_yes" geeft aan dat we de kolom left als doel willen gebruiken. Het achtervoegsel _yes geeft aan dat we op zoek zijn naar een waarschijnlijkheid van de uitkomst yes. Met andere woorden, we vragen niet specifiek om een voorspelde waarde, maar in plaats daarvan om de waarschijnlijkheid dat een positieve waarde wordt voorspeld.

Na het opgeven van de doelkolom moeten we de functies in het model opgeven. De modelfuncties kunnen worden verkregen door de ML-implementatie te openen (gemaakt in Deel 3: Het best presterende model implementeren en activeren) en vervolgens Implementatie-overzicht te openen. Dit opent het modelschema: de lijst met functies en hun functietypen.

Modelschema in Implementatie-overzicht voor een ML-implementatie. — Implementatie-overzicht in een ML-implementatie, met het Modelschema

Vanaf hier kan de lijst met functies worden samengesteld als een door komma's gescheiden lijst. Variabele vervangingen—met behulp van het trefwoord "as"—geven aan dat de huidige waarden van variabelen moeten worden gebruikt als functiegegevens, in plaats van de applicatiegegevens zelf. Deze variabele vervangingen maken de interactieve "wat-als"-simulatie mogelijk die in dit voorbeeld wordt gedemonstreerd.

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

De functielijst in de uitdrukking moet alle functies in het modelschema bevatten. Anders mislukken de voorspellingen. Ook als er functies in de uitdrukking staan die niet in het modelschema voorkomen, zullen de voorspellingen eveneens mislukken. Als u een model hebt getraind dat niet exact dezelfde set functies heeft als de functies die in de bovenstaande uitdrukkingen worden vermeld, moet u uw uitdrukking bewerken om functies op te nemen of te verwijderen, indien van toepassing.

Variabele invoerobjecten

Er zijn vier variabele invoerbesturingselementen toegevoegd aan het werkblad—één voor elke variabele. De volgende configuraties zijn uitgevoerd:

De te gebruiken variabele is geselecteerd.
Het type invoer is geselecteerd als Schuifregelaar.
Minimum- en maximumbereiken voor elke variabele zijn geconfigureerd, op basis van waarden die redelijkerwijs zouden kunnen voorkomen volgens de oorspronkelijke gegevens.

Voor meer informatie over variabele invoerobjecten, zie Besturingselementen voor variabeleninvoer maken.

Filtervak

Er is een filtervak toegevoegd om de werknemer waarop u zich wilt concentreren eenvoudig te kunnen selecteren.

Tabel met de oorspronkelijke gegevens

Er is ook een rechte tabel toegevoegd onder aan het werkblad, om de oorspronkelijke gegevens gemakkelijk te kunnen bekijken—voordat deze werden gewijzigd tijdens de wat-als-analyse.

SSE-syntax

Gebruik van Qlik Predict verbindingen in visualisatie-uitdrukkingen

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een tikfout, een ontbrekende stap of een technische fout – laat het ons weten!

Geef hier uw feedback