Impactanalyse analyseren in Analyse

Een impactanalyse toont de toekomstgerichte, downstreamweergave van afhankelijkheden voor een een database, resource of veld. Het geeft antwoord op vragen over welke databases, apps, bestanden, koppelingen, machine learning-inhoud en andere inhoud direct of indirect worden beïnvloed als de waarde van een specifiek veld wordt gewijzigd. Bij veel inhoudstypen kunt u ook inzoomen op specifieke velden die zijn beïnvloed door de wijziging.

Qlik Cloud biedt een samengevoegd overzicht van de downstream invloed waarbij u op interactieve wijze directe en indirecte afhankelijkheden van een specifiek veld of object kunt onderzoeken.

Downstreamherkomst wordt impactanalyse genoemd omdat er wordt geanalyseerd welke objecten worden getroffen door wijzigingen binnen uw gegevens of analyse-inhoud; deze objecten zijn afhankelijkheden van het basisknooppunt. Qlik Cloud biedt informatie en toont het aantal per type van afhankelijke objecten in een overzichtsweergave.

Zakelijke gebruikers die een specifiek veld onderzoeken, krijgen een samengevoegd overzicht van de downstream invloed die inzichten biedt in:

Welke objecttypen worden getroffen door een wijziging van dit veld, inclusief databases, bestandsopslag, apps en koppelingen.
Welke Power Bi-rapporten en dashboards worden getroffen
Welke Qlik NPrinting. of Qlik Cloud-rapporten worden getroffen
Welke gegevensmodellen voor Power BI en Tableau worden getroffen
Wat het aantal directe afhankelijkheden en indirecte afhankelijkheden per type is.
Wie de eigenaars van de items zijn die worden getroffen als u een wijziging maakt.
Welke machine learning-workflows worden getroffen

Bekijk de herkomst als u informatie over upstreamherkomsten zoals invoer, transformaties en andere historische gegevens wilt bekijken die uitleg kunnen bieden over waar uw gegevens vandaan komen en welke bewerkingen zijn uitgevoerd. Zie: Herkomst analyseren in Analyse.

Overzichtsweergave van impactanalyse

De overzichtsweergave van impactanalyse

Open de impactanalyse vanuit uw activiteitencentrum door Pictogram Meer te selecteren van een ondersteund item en vervolgens Impactanalyse te selecteren. Voor sommige inhoudstypen kunt u de impactanalyse ook openen wanneer u het item geopend hebt. Klik Meer en Impactanalyse.

U kunt een herkomst (upstream) of impactanalyse (downstream) openen voor andere knooppunten die in de grafieken verschijnen door Pictogram Meer en Herkomst of Impactanalyse (nieuw basisknooppunt) te selecteren.

In de overzichtsweergave kunt u een filter toepassen om alle of alleen directe afhankelijkheden weer te geven. Een voorbeeld van een directe afhankelijkheid is een app Toepassing A die een specifieke gegevensverzameling Gegevensbestand B laadt. In dit geval is Toepassing A direct afhankelijk van Gegevensbestand B. Een voorbeeld van een indirecte afhankelijkheid is een QVD C.qvd die is gemaakt door Toepassing A op basis van Gegevensbestand B. In dit geval is C.qvd een indirecte afhankelijkheid van Gegevensbestand B.

Grafiek van een impactanalyse die de afhankelijke velden in een app toont — Overzichtsweergave van een impactanalyse die de afhankelijke velden in een app toont

Het basisknooppunt dat wordt geanalyseerd krijgt een blauwe omranding. De afhankelijkheden worden weergegeven in het linkeroverzicht met daarbij het aantal per type. Wanneer deze in focus is en wordt weergegeven in het hoofdraster, wordt het type gemarkeerd in een groen vak. Typen afhankelijkheden zijn databases, apps, bestandsopslag en koppelingen. De weergegeven objecten voor dat type worden in het hoofdraster weergegeven. Zoom in op deze objecten door de rij te selecteren. Bijvoorbeeld: een app zoomt in op een tabel en vervolgens op veldniveau.

Zoom in op het basisknooppunt om het veld te bekijken en te selecteren en op dat veld te focussen — Als u de invloed van een veldwijziging wilt onderzoeken, zoomt u in op het basisknooppuntobject en selecteert u een interessegebied om afhankelijkheden voor dat veld te bekijken.

Selecteer in de rij van het afhankelijke object dat in focus is om een menu met de volgende acties te openen:

Details (zie Knooppuntdetails)
Impactanalyse (nieuw basisknooppunt)
Herkomst (voor dat object)
Openen

Menu Acties in het raster voor afhankelijkheden — Acties die uitgevoerd kunnen worden voor afhankelijke objecten in de overzichtsweergave van impactanalyse

Impactanalyse van een gegevensverzameling openen

U kunt ook een gecomprimeerde versie van de overzichtsweergave van een impactanalyse openen vanuit het overzicht van een gegevensverzameling door naar het tabblad Impactanalyse te gaan.

Rasterkolommen impactanalyse

Selecteert de gewenste kolommen met de kolomkiezer pictogram Kolommen rechtsboven in het raster. Kolomopties kunnen variëren afhankelijk van het type bron dat wordt bekeken. De kolomopties kunnen de volgende kopteksten bevatten:

Naam
Aantal gegevensverzamelingen | tabellen | velden
Type
Ruimte
Eigenaar
Laatste lading
Laatst gewijzigd
Openen
Aantal modellen
Aantal configuraties
Aantal versies
ML-implementatie

Raster impactanalyse — Raster overzicht impactanalyse

Als de kolommen Eigenaar en Ruimte verschillende waarden hebben, verschijnt er een knopinfo met een lijst van de eigenaren en ruimten.

Knooppuntdetails

De details die u kunt zien zijn afhankelijk van uw toegang tot dat object. Details kunnen de volgende informatie tonen:

Naam
Beschrijving
Extra info
Locatie
Ruimte
Eigenaar
Maker
Laatst gewijzigd

Detailweergave van de impactanalyse — Raster overzicht impactanalyse

Impactanalyse voor inhoud van machine learning

Met Impactanalyse kunt u downstream bronnen voor uw inhoud van machine learning identificeren. U kunt ML‑experimenten, ML-implementaties en gegevensverzamelingen in Impactanalyse analyseren.

U wilt mogelijk kunnen identificeren welke voorspellingsgegevensverzamelingen beïnvloed zouden worden als u een toegepaste gegevensverzameling zou bijwerken. U kunt ook zien hoeveel leermiddelen worden weergegeven als downstream afhankelijkheden voor andere inhoud, zoals analyse-apps.

Bedrijfsmiddelen voor machine learning worden ook weergegeven in Herkomst voor een uitgebreide analyse van de oorsprong van uw inhoud voor voorspellende analyses. Ga voor meer informatie naar Herkomst analyseren inhoud van machine learning.

Impactanalyse voor inhoud van machine learning openen

Voer een van de volgende handelingen uit:

Klik in uw activiteitencentrum op naast een ML-experiment, ML-implementatie of gegevensverzameling en selecteer Impactanalyse.
Klik in een ML-experiment of ML-implementatie op in de navigatiebalk en selecteer Impactanalyse.

Impactanalyse en ML‑experimenten

In Impactanalyse kunnen ML‑experimenten op een van de volgende manieren verschijnen:

Als basisknooppunt van de impactanalyse.
Als upstreamknooppunten van andere processen, zoals voorspellingen of voorspellende apps.

Als een ML-experiment als basisknooppunt is ingesteld, verschijnt het in de linkerbovenhoek onder Basisknooppunt. Selecteer het experiment om naar de experimentversies Fork te gaan. Eén experimentversie Fork kan dan als basisknooppunt voor analyse worden geselecteerd. Tot slot kunt u binnen de versie Fork een specifiek model ML-model opzoeken en dit als basisknooppunt instellen.

Downstream afhankelijkheden voor het experiment, of elementen daarin, omvatten ML-implementaties, gegevensverzamelingen en analyse-inhoud zoals apps, scripts en gegevensstromen.

Een ML-experiment kan ook in de overzichtsweergave verschijnen wanneer upstream inhoud (bijvoorbeeld een gegevensverzameling) als basisknooppunt is geselecteerd. Wanneer u een experiment hebt geselecteerd onder Afhankelijkheden van basisknooppunt in het linkervenser, kunt u binnen het experiment inzoomen om meer informatie in het raster weer te geven. Een experiment ML-experiment zoomt in op een of meer versies Tabel . Een experimentversie Tabel zoomt in op een of meer modellen veld .

Impactanalyse en ML-implementaties

In Impactanalyse kunnen ML‑implementaties op een van de volgende manieren verschijnen:

Als basisknooppunt van de impactanalyse.
Als upstreamknooppunten van andere processen, zoals voorspellingen of voorspellende apps.

Als een ML-implementatie als basisknooppunt is ingesteld, verschijnt het in de linkerbovenhoek onder Basisknooppunt. Selecteer de implementatie om in te zoomen op geïmplementeerde modellen. Eén model ML-model kan dan als basisknooppunt voor analyse worden geselecteerd. Ten slotte kunt u in het model inzoomen om een uitvoerknooppunt voor de voorspelling te vinden. Met het uitvoerknooppunt ingesteld als basisknooppunt, kunt u het afhankelijkheidsraster gebruiken om een lijst van gegenereerde voorspellingsgegevensverzamelingen te bekijken.

Downstream afhankelijkheden voor de implementatie, of elementen daarin, omvatten gegevensverzamelingen en analyse-inhoud zoals apps, scripts en gegevensstromen.

Een ML implementatie kan ook in de overzichtsweergave van de impactanalyse verschijnen wanneer upstream inhoud (bijvoorbeeld een ML-experiment) als basisknooppunt is geselecteerd. Wanneer u een implementatie hebt geselecteerd onder Afhankelijkheden van basisknooppunt in het linkervenser, kunt u binnen de implementatie inzoomen om meer informatie in het raster weer te geven. Een implementatie ML-implementatie zoomt in op een of meer modellen Tabel . Een model Tabel zoomt in op een of meer Configuratie-items veld , waarbij elk item een gegenereerde voorspellingsgegevensverzameling vertegenwoordigt. Deze gegevensverzamelingen kunnen afzonderlijk worden geanalyseerd door ze als basisknooppunt in te stellen.

Impactanalyse en ML-gegevensverzamelingen

ML‑gegevensverzamelingen zijn gegevensverzamelingen die worden gebruikt in of gemaakt door ML-experimenten en ML-implementaties. Hiertoe behoren:

Trainingsgegevensverzamelingen
Gegevensverzamelingen die zijn geëxporteerd van ingesloten analyses in een ML-experiment (tabbladen Vergelijken en Analyseren)
Toegepaste gegevensverzameling
Voorspellingsgegevensverzamelingen

Als een ML-gegevensverzameling als basisknooppunt is ingesteld, verschijnt deze in de linkerbovenhoek onder Basisknooppunt. Selecteer de gegevensverzameling om in te zoomen op afzonderlijke velden.

Een ML gegevensverzameling kan ook in de overzichtsweergave van de impactanalyse verschijnen wanneer upstream inhoud (bijvoorbeeld een ML-experiment of ML-implementatie) als basisknooppunt is geselecteerd. Wanneer u een gegevensverzameling in het raster hebt geselecteerd, kunt u binnen de gegevensverzamelingen inzoomen om informatie op veldniveau weer te geven.

Verwijderde inhoud

Als een ML-experiment, ML-implementatie of gegevensverzameling wordt verwijderd die in machine learning-processen is gebruikt, wordt deze nog steeds weergegeven in de overzichtsweergave van de impactanalyse bij het analyseren van andere knooppunten.

Machtigingen

Zie Machtigingen voor meer informatie over machtigingen.

Voorbeeldscenario

Zie Voorbeeld: effect van het wijzigen van een gegevensverzameling die voor voorspellingen wordt gebruikt voor een voorbeeldscenario.

Machtigingen

Machtigingen voor afhankelijkheidsanalyse

Gebruikers zonder leesrechten kunnen afzonderlijke bronnamen, de kolom Laatste lading voor afhankelijke apps of de kolom Laatst gewijzigd voor andere brontypen niet bekijken. Gebruikers zonder leesrechten kunnen ook het contextmenu Pictogram Meer of andere zoomopties voor de bron niet zien.

Machtigingen wanneer een app, script, gegevensstroom of gegevensstroom het basisknooppunt is

U moet een app, script, gegevensstroom of gegevensverzameling kunnen bekijken om de impactanalyse voor het item vanuit uw activiteitencentrum te openen en om het item op andere manieren als basisknooppunt in te stellen. Zoals vermeld op Machtigingen voor afhankelijkheidsanalyse worden afhankelijke bronnen met beperkte informatie weergegeven als u geen kijktoegang tot de bronnen hebt.

Machtigingen voor ML‑experimenten en ML‑implementaties

Als u het volgende hebt, kunt u Impactanalyse direct openen vanuit het ML-experiment of de ML-implementatie, uw activiteitencentrum, en het ook op andere manieren als basisknooppunt instellen:

Professional- of Full User-recht
De beveiligingsrol Automl Experiment Contributor of Automl Deployment Contributor
Voor ML‑experimenten of ML‑implementaties in gedeelde ruimten, hebt u een van de volgende ruimterollen nodig in de gedeelde ruimte:
- Eigenaar (van de ruimte)
- Kan beheren
- Kan bewerken
- Kan bekijken
Voor ML‑experimenten of ML‑implementaties in beheerde ruimten, hebt u een van de volgende ruimterollen nodig in de beheerde ruimte:
- Eigenaar (van de ruimte)
- Kan beheren
- Kan bijdragen
- Kan bekijken
- Kan uitvoeren

Zonder de bovenstaande vereisten kan het experiment of de implementatie niet als basisknooppunt worden ingesteld en wordt het met beperkte informatie weergegeven wanneer het verschijnt tijdens de analyse van andere inhoud.

Voorbeeld gebruiksscenario voor het analyseren van impactanalyse

Voorbeeld: de invloed begrijpen van een wijziging van een gegevensverzameling

Een stapsgewijze toelichting bij een vergelijkbaar voorbeeld, gaat u naar:

Gebruikscases voor impactanalyse

Als app-ontwikkelaar bent u verantwoordelijk voor een gegevensbron en u overweegt om een wijziging door te voeren voor een gegevensverzameling Sales data.xlsx door het veld Price te verwijderen. U kunt de volgende vragen stellen: Wat wordt beïnvloedt door deze wijziging? Wat moet er gebeuren? Wie moet ik op de hoogte stellen? U begint het onderzoek door Pictogram Meer te selecteren in de tegel van de gegevensverzameling en vervolgens Impactanalyse te selecteren.

Downstreamafhankelijkheden voor apps en gegevensverzamelingen bekijken met behulp van de overzichtsweergave van impactanalyse — Overzichtsweergave van impactanalyse voor de gegevensverzameling Sales data.xlsx

Voorbeeld: effect van het wijzigen van een gegevensverzameling die voor voorspellingen wordt gebruikt

Stel dat u een bijdrager aan machine learning bent die geplande voorspellingen van een ML-implementatie heeft ingesteld. U wilt beoordelen welke workflows beïnvloed zouden worden als u de berekeningslogica voor een kolom in een van uw toegepaste gegevensverzamelingen wijzigt.

Als u de togepaste gegevensverzameling opent in Impactanalyse, kunt u zien dat de volgende inhoud beïnvloed zou worden:

Een analyse-app
Een ML-implementatie, waarbinnen zich één model bevindt dat de toegepaste gegevensverzameling gebruikt
Verschillende uitvoer van een gegevensverzameling, die op geplande basis is gegenereerd vanuit de ML-implementatie

Met deze kennis kunt u een beter geïnformeerde beslissing nemen of u doorgaat met de update of een nieuwe machine learning-workflow aanmaakt.

Bekijk downstream afhankelijkheden voor een toegepaste gegevensverzameling die wordt gebruikt voor het genereren van voorspellingen — Impactanalyse voor een toegepaste gegevensverzameling voor machine learning, waarbij de specifieke voorspellingsgegevensverzamelingen worden geanalyseerd die beïnvloed zouden worden door veranderingen in de toegepaste gegevensverzameling.

Impactanalyse in Gegevensintegratie

Impactanalyse is ook beschikbaar in Gegevensintegratie. Ga voor meer informatie naar Impactanalyse analyseren in Gegevensintegratie.

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een typfout, een ontbrekende stap of een technische fout – laat het ons weten zodat we dit kunnen verbeteren!

Geef hier uw feedback