# 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.

Wat-als-analyse-applicatie

Wat-als-analyse-applicatie

Wat-als-analyse-applicatie ![Resultaat van wat-als-analyse](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Resources/Images/what-if-analysis.png)

## Voordat u begint

### Voorbeeldmateriaal downloaden

Download de voorbeeldbronnen hier:

[WhatIfAnalysisExample.zip](https://help.qlik.com/nl-NL/cloud-services/tutorials/WhatIfAnalysisExample.zip)

Het materiaal bestaat uit:

* Een trainingsdataset—data-turnover-employees.xlsx. Deze dataset 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

Zorg er, voordat u begint, voor 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](https://www.qlik.com/us/pricing)

  * [Qlik Cloud®-abonnementen](https://www.qlik.com/us/legal/product-terms)

* Uw tenant-beheerder machine learning-eindpunten heeft ingeschakeld.

  [ML-eindpunten inschakelen in Qlik Cloud](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/ac-qlik-automl-connector-overview.htm#EnableMLEndpoints)

* U de vereiste machtigingen hebt die aan u zijn toegewezen door een tenant-beheerder:

  * De machtiging Gegevensverbindingen is ingesteld op Toegestaan.

    [Machtigingen toewijzen aan gebruikers om met gegevensverbindingen te werken](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-administer-data-connections.htm#Permissions)

  * Machtigingen voor het werken met experimenten.

    [Gebruikerstoegang tot ML-experimenten](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/who-can-work-with-automl.htm#AccessExperiment)

  * Machtigingen voor het werken met implementaties en het werken met de Qlik Predict analytics-connector.

    [Gebruikerstoegang tot ML-implementaties en voorspellingen](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/who-can-work-with-automl.htm#AccessDeployment)

## Deel 1: De dataset uploaden

Doe het volgende:

1. Ga naar de pagina Maken van het Analyses-activiteitencentrum en selecteer Dataset.

2. Klik op Gegevensbestand uploaden.

3. Sleep het gegevensbestand data-turnover-employees.xlsx naar het dialoogvenster Bestand toevoegen.

4. Selecteer een doelruimte voor het bestand. Dit kan uw persoonlijke ruimte of een gedeelde ruimte zijn. Gebruik dezelfde ruimte voor alle bedrijfsmiddelen van de zelfstudie.

5. 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:

1. Ga naar de pagina Maken van het Analyses-activiteitencentrum en selecteer ML-experiment.

2. Voer een naam in voor uw experiment, bijvoorbeeld Employee turnover analysis.

3. Kies een ruimte voor het experiment (gebruik dezelfde ruimte als in [Deel 1: De dataset uploaden](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Upload)).

4. Klik op Maken.

5. Selecteer het trainingsdatasetbestand data-turnover-employees.xlsx.

6. Selecteer de kolom left als het doel. Dit is een kolom die aangeeft of een werknemer het bedrijf al dan niet heeft verlaten.

7. 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 terecht. Implementeer het best presterende model als een ML-implementatie.

Doe het volgende:

1. Klik the Menu met drie stippen icon naast het model met een the Trofee icon-pictogram ernaast.

2. Klik the Implementeren icon .

3. Selecteer de optie om het model te implementeren naar Een nieuwe implementatie.

4. Typ een naam voor uw implementatie, zoals Employee Turnover Predictions.

5. Pas indien nodig de ruimte, beschrijving en tags aan.

6. Schakel Realtime API-toegang inschakelen in. Dit is vereist voor het uitvoeren van voorspellingen met de Qlik Predict analytics-connector.

7. 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:

1. Klik in de banner bovenaan de ML-implementatie op Model activeren.

2. 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:

1. Ga naar de pagina Maken van het Analyses-activiteitencentrum en selecteer Gegevensverbinding.

2. Selecteer onder Ruimte dezelfde ruimte die u hebt gebruikt in [Deel 1: De dataset uploaden](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Upload).

3. Selecteer de Qlik Predict-connector.

4. Selecteer de ML-implementatie die u hebt gemaakt in [Deel 3: Het best presterende model implementeren en activeren](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Deploy).

5. Voer de volgende Naam in: MLModel.

6. Klik op Maken.

## Deel 5: De analytics-applicatie uploaden

Upload de analytics-applicatie die u hebt gedownload in [Voorbeeldmateriaal downloaden](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Download).

Doe het volgende:

1. Ga naar de pagina Maken van het Analyses-activiteitencentrum.

2. Selecteer onder Gegevens en uploaden de optie Uploaden.

3. Sleep de applicatie What-If Analysis.qvf naar het dialoogvenster.

4. Selecteer onder Ruimte dezelfde ruimte die u hebt gebruikt in [Deel 1: De dataset uploaden](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Upload) en [Deel 4: Een verbinding maken met de Qlik Predict analytics-connector](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Connection).

5. Klik op Uploaden.

Open de applicatie na het uploaden en open vervolgens het What-If Analysis-werkblad.

InformatieDe applicatie is vooraf geconfigureerd, dus u hoeft geen werkbladen en uitdrukkingen toe te voegen. Elke stap wordt echter gedetailleerd beschreven in [De applicatie begrijpen](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Understanding).

## De resultaten verkennen

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

Doe het volgende:

1. Selecteer een enkele werknemerswaarde in het veld employee\_number. Er verschijnt een waarde in de KPI Risk of Turnover.

2. Pas de schuifregelaars onder de KPI aan. Bij elke aanpassing wordt een simulatie uitgevoerd om het risico op verloop van werknemers te voorspellen.

Wat-als-analyse met een enkele geselecteerde werknemer en aangepaste variabelen.

Wat-als-analyse met een enkele geselecteerde werknemer en aangepaste variabelen.

Wat-als-analyse met een enkele geselecteerde werknemer en aangepaste variabelen. ![Resultaat van wat-als-analyse](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Resources/Images/what-if-analysis.png)

## De applicatie begrijpen

### Geladen gegevens

De trainingsdataset die is gebruikt in [Deel 2: Het experiment trainen](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Train) wordt gebruikt als de applicatiegegevens. In praktijkscenario's is dit misschien niet altijd het geval.

### Werkbladvariabelen

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

Variabelen voor wat-als-analyse

| Naam van variabele | Modelfunctie die deze 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 aan het werkblad toegevoegd. 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 beschrijven hoe deze uitdrukking de syntaxis van server-side uitbreidingen gebruikt om de Machine Learning API aan te roepen voor realtime voorspellingen.

#### De uitdrukking ontleden

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

[](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm)

#### endpoints.ScriptEvalStr

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

[SSE-syntax](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/sse-syntax.htm)

[](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm)

#### ('{"RequestType":"endpoint",

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

[SSE-syntax](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/sse-syntax.htm)

[](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm)

#### De verbindingsnaam opgeven

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](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Connection). De verbinding bevat ook een voorvoegsel : om aan te geven dat de te gebruiken verbinding zich in dezelfde ruimte bevindt als de applicatie.

[](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm)

#### Het doel opgeven en waarschijnlijkheid aanvragen

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 de 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.

[](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm)

#### De functies en variabelen opgeven

Naast 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](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/example-what-if-analysis.htm#Deploy)) en vervolgens Implementatieoverzicht te openen. Hiermee wordt het modelschema geopend: de lijst met functies en hun functietypen.

Implementatieoverzicht in een ML-implementatie, waarin het Modelschema wordt getoond

Implementatieoverzicht in een ML-implementatie, waarin het Modelschema wordt getoond

ImplementatieoverzichtImplementatieoverzicht in een ML-implementatie, waarin het ModelschemaModelschema wordt getoond ![Modelschema in Implementatieoverzicht voor een ML-implementatie.](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Resources/Images/what-if-analysis-model-schema.png)

Vanaf hier kan de lijst met functies worden opgebouwd 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)
```

InformatieDe functielijst in de uitdrukking moet alle functies in het modelschema bevatten. Anders mislukken de voorspellingen. Als er functies in de uitdrukking worden vermeld die niet in het modelschema voorkomen, mislukken de voorspellingen eveneens. 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 toe te voegen of te verwijderen, indien van toepassing.

### Invoerobjecten voor variabelen

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

* De te gebruiken variabele is geselecteerd.

* Het type invoer is geselecteerd als Schuifregelaar.

* Minimale en maximale bereiken voor elke variabele zijn geconfigureerd, op basis van waarden die redelijkerwijs zouden kunnen voorkomen volgens de oorspronkelijke gegevens.

Zie [Besturingselementen voor variabeleninvoer maken](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/Visualizations/DashboardBundle/creating-variable-input.htm) voor meer informatie over invoerobjecten voor variabelen.

### Filtervak

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

### Tabel met de oorspronkelijke gegevens

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

[SSE-syntax](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/sse-syntax.htm)

[Gebruik van Qlik Predict verbindingen in visualisatie-uitdrukkingen](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/ac-qlik-automl-connector-use.htm)