Herkomst analyseren in Analyse
Herkomst volgt gegevens en gegevenstransformaties terug naar de oorspronkelijke bron. Qlik Cloud biedt een gedetailleerde visuele weergave van de geschiedenis van deze stroom, waar u interactief de stroomopwaartse herkomst van analyse-inhoud kunt onderzoeken. Herkomst is beschikbaar voor inhoud zoals applicaties, scripts, gegevensstromen, tabelrecepten, ML-experimenten, ML-implementaties en gegevenssets.
Zakelijke gebruikers die een bepaald veld onderzoeken, hebben een weergave van de herkomst voor het veld die de belangrijkste afhankelijkheden samenvat:
- Velden die worden gebruikt om het af te leiden
- Directe koppelingen en afhankelijkheden, inclusief eigenaar en ruimte
- Oorspronkelijke bron (de eerste bekende bron)
Om stroomafwaartse of toekomstgerichte afhankelijkheden te bekijken, kunt u onderzoeken welke elementen zouden worden beïnvloed door een wijziging aan het object door Impactanalyse te bekijken. Zie Impactanalyse analyseren in Analyse.
Voor een visuele demo over het gebruik van herkomst, zie:
Om herkomst te gebruiken, moet Herkomst bekijken ook zijn ingesteld op Toegestaan via User Default of een aangepaste beveiligingsrol.
De herkomstgrafiek
De grafiek Herkomst toont de gegevensstroom door analyse-inhoud in een interactief, grafisch diagram. Een bron, tabel of veld wordt een knooppunt genoemd in een herkomstgrafiek. Wanneer een knooppunt het basisknooppunt is dat wordt onderzocht, wordt gezegd dat het in focus is en wordt het weergegeven als het laatste element in de grafiek. Op het meest gedetailleerde niveau tonen herkomstgrafieken op veldniveau de gegevensbronnen en transformaties waaruit een knooppunt afkomstig is of waarvan het afhankelijk is.
Herkomstgrafieken zijn nuttig voor:
-
Gegevensexperts die met de gegevens werken
-
Zakelijke specialisten die applicaties bouwen
-
Geavanceerde zakelijke gebruikers die applicaties consumeren
-
Gebruikers die met machine learning-modellen werken
Elk knooppunt vertegenwoordigt een stap in de herkomst van de geselecteerde inhoud. Deze herkomstinformatie wordt samengesteld telkens wanneer een analyse-bedrijfsmiddel de gegevens vernieuwt. Als uw applicatie, script, gegevensstroom of tabelrecept niet recent is vernieuwd, kan de herkomst onvolledig of onnauwkeurig zijn.
Herkomst is beschikbaar voor ondersteunde inhoudstypen vanaf de tegel of rij zoals ze in uw catalogus verschijnen. U kunt de herkomst analyseren voor de volgende analyse-inhoud:
-
Gegevensset: Gegevenssets zijn gegevensbronnen, zoals gegevens die zijn geladen vanuit connectors of gegevensbestanden. Gegevenssets kunnen tabellen in een database zijn, gegevens die zijn geüpload naar gegevensopslag of gegevens die zijn gegenereerd vanuit een applicatie, zoals een qvd-bestand. Gegevenssets hebben meestal elk één tabel, maar sommige, zoals Excel-bestanden, kunnen meerdere tabellen hebben.
Gegevenssets die zijn gepubliceerd vanuit Talend Studio worden aangegeven met
. U kunt naar de Talend Management Console-taak gaan die is gebruikt om de gegevensset te genereren door te klikken op TMC-taak openen in het menu ... van de gegevensset. Voor meer informatie, zie Gegevenssets en herkomst publiceren naar Qlik Cloud. -
App: Applicatieknooppunten vertegenwoordigen Qlik Sense-analyse-applicaties die de gegevensbronnen in de herkomst gebruiken. Applicatieknooppunten geven de applicatienaam en locatie van de applicatie weer als Qlik Sense.
-
Script: Scriptknooppunten vertegenwoordigen scripts die zijn gemaakt in de Script-interface.
-
Gegevensstroom: Gegevensstromen kunnen worden geïnspecteerd voor een beter begrip van de gegevensbronnen die ze gebruiken en transformeren.
-
Tabelrecept: Tabelrecepten kunnen worden geïnspecteerd voor een beter begrip van de gegevensbron die ze gebruiken en transformeren.
-
ML-experiment: U kunt de herkomst van een machine learning-experiment begrijpen, dat bestaat uit de gegevensbronnen die zijn samengekomen om de trainingsgegevens voor machine learning-modellen te produceren.
-
ML-implementatie: U kunt de herkomst van een ML-implementatie begrijpen en hoe deze wordt gebruikt in voorspellingen. Herkomst voor ML-implementaties bestaat doorgaans uit ML-experimenten, experimentversies, modellen en gegevenssets.
Typische invoerknooppunten omvatten gegevensbronnen die worden gebruikt door het basisknooppunt, of applicaties die gegevenssets produceren. Herkomst op veldniveau maakt gedetailleerd onderzoek mogelijk naar hoe velden zijn berekend en hun specifieke oorsprong in transformaties en applicaties.
De knooppunten die beschikbaar zijn in een herkomstgrafiek zijn de invoer voor uw geselecteerde inhoud. Selecteer een item om het aan te wijzen als het basisknooppunt. Invoerknooppunten zijn knooppunten die stroomopwaarts van het basisknooppunt liggen.
Herkomstgrafiek op veldniveau
De knooppunten die beschikbaar zijn in een herkomstgrafiek zijn de invoer voor uw geselecteerde basisknooppunt, met andere woorden het knooppunt in focus. Het basisknooppunt is het enige knooppunt waarvoor u de herkomst wilt ophalen; het kan bijvoorbeeld een applicatie, gegevensstroom, ML-experiment, gegevensset, bestand, tabel of veld zijn.
Het is het meest rechtse knooppunt op uw scherm en is blauw omlijnd. Het is de focus van uw onderzoek en alleen invoer voor dat basisknooppunt wordt gepresenteerd.
Terwijl u de herkomst verkent, kunt u het basisknooppunt interactief wijzigen in een andere tabel, applicatie, veld of ander item op het scherm om uw onderzoek te focussen.
Herkomstbasisknooppunt
De lijnen die de knooppunten verbinden, zijn randen. Randen vertegenwoordigen de relatie van een knooppunt met een ander knooppunt. Ze vertegenwoordigen relaties die koppelingen aangeven, zoals een gegevensset die door een applicatie wordt gebruikt. Ze kunnen ook gegevens vertegenwoordigen die als bijproduct van een applicatie worden geproduceerd. De verzameling knooppunten en randen vormen samen de herkomstgrafiek.
Herkomstranden vertegenwoordigen relaties
Knooppunten worden samengevouwen of uitgevouwen om hiërarchieniveaus te onthullen, van grove tot fijnere granulariteit, beginnend bij de gegevenssetgroep of applicatie op een hoger niveau tot het meest gedetailleerde niveau, namelijk het veldniveau.
In deze afbeelding van een knooppunt worden de volgende hiërarchieniveaus weergegeven, van hoogste (grofste) tot laagste (meest gedetailleerde): Gegevensbedrijfsmiddel (applicatie), bron (gegevensset), tabel en velden.
De herkomstgrafiek openen
Doe het volgende:
-
Open het activiteitencentrum Inzichten of Analyse.
-
Selecteer Tools > Herkomst in het contextmenu
op een item dat herkomst ondersteunt.
U kunt ook toegang krijgen tot de herkomstgrafiek van sommige inhoud wanneer u een item hebt geopend. Klik op en Herkomst.
Knooppuntdetails
Details worden beperkt door uw toegang tot dat object. Details kunnen de volgende informatie bieden:
-
Naam
-
Beschrijving
-
Tags
-
Locatie
-
Ruimte
-
Eigenaar
-
Maker
-
Laatst gewijzigd
Navigeren door de herkomstgrafiek
Klik en sleep de grafiek om te navigeren en de herkomstgrafiek te centreren. U kunt ook de navigatieknoppen gebruiken. Selecteer Start 
om de herkomstgrafiek op het basisknooppunt te centreren. Klik op terug en vooruit om door uw selecties te navigeren.
Navigatie in herkomstgrafiek
De grafiek Herkomst toont de stroomopwaartse afhankelijkheden voor uw analyse-inhoud, die wordt gepresenteerd als het standaardknooppunt wanneer u de grafiek ervoor opent. U kunt toegang krijgen tot herkomst (stroomopwaarts) of impactanalyse (stroomafwaarts) voor andere knooppunten die in de grafiek verschijnen door en Herkomst (nieuw basisknooppunt) of Impactanalyse te selecteren. Selecteer een knooppunt om het aan te wijzen als het basisknooppunt.
Vouw de knooppunten uit 
of vouw ze samen 
om groepen objecten op hetzelfde niveau uit te vouwen of samen te vouwen.
Menuoptie om verschillende knooppunten te analyseren
Herkomstsamenvattingsweergave in een applicatie
De herkomstsamenvattingsweergave in een applicatie kan zakelijke gebruikers een globaal overzicht geven van de stroomopwaartse afhankelijkheden in de applicatie. Voor meer informatie, zie De in-applicatie herkomstoverzichtsweergave.
Herkomst analyseren voor machine learning-inhoud
U kunt de grafiek Herkomst gebruiken om de oorsprong van machine learning-inhoud te analyseren, inclusief ML-experimenten, ML-implementaties en gegevenssets. Gebruik de grafiek voor een holistisch overzicht van hoe machine learning-modellen zijn gemaakt, de gegevens waarop ze zijn getraind en waarvoor ze worden gebruikt in productiescenario's.
Experimenten, implementaties en gegevenssets verschijnen ook als knooppunten bij het analyseren van andere inhoud in de grafiek Herkomst, zoals stroomafwaartse applicaties.
Machine learning-bedrijfsmiddelen worden ook weergegeven in Impactanalyse voor een uitgebreide analyse van stroomafwaartse inhoud. Voor meer informatie, zie Impactanalyse analyseren in Analyse.
Herkomst openen voor machine learning-inhoud
Voer een van de volgende handelingen uit:
-
Klik in uw activiteitencentrum op
naast een ML-experiment, ML-implementatie of gegevensset en selecteer Tools > Herkomst. -
Klik in een ML-experiment of ML-implementatie op
in de navigatiebalk en selecteer Herkomst.
Navigeren door Herkomst voor machine learning-inhoud
U verkent machine learning-knooppunten op dezelfde manieren als voor andere inhoud. Voor interface-overzichten, zie:
Machine learning-items herkennen in de grafiek Herkomst
De volgende tabel schetst veelvoorkomende items met betrekking tot machine learning die in de grafiek Herkomst verschijnen.
| Item | Pictogram(men) | Uitleg |
|---|---|---|
| Bestandsopslag |
|
Niet uniek voor machine learning-inhoud. Toont de locatie waar een gegevensset is opgeslagen (in de meeste gevallen in een ruimte). Relevant voor trainingsgegevensset, exports van ingesloten analyses in een experiment, toepassingsgegevenssets die worden gebruikt voor voorspellingen en voorspellingsuitvoergegevenssets. |
| Gegevensset | Vele (bijvoorbeeld  voor QVD) |
Niet uniek voor machine learning-inhoud. Wordt gebruikt om trainingsgegevenssets, exports van ingesloten analyses in een experiment, toepassingsgegevenssets en voorspellingsuitvoergegevenssets te vertegenwoordigen. |
| ML-experiment |
|
Een ML-experiment waarin modellen worden getraind. |
| ML-experimentversie |
|
De versie binnen het ML-experiment, waarin een of meer modellen zijn getraind. |
| ML-model |
|
Een ML-model dat is getraind binnen een experimentversie. Wordt gebruikt om getrainde modellen in een ML-experiment en geïmplementeerde modellen in een ML-implementatie te vertegenwoordigen. |
| ML-implementatie |
|
Een ML-implementatie die een of meer geïmplementeerde modellen bevat. |
| Geen pictogram | - | Voorspellingsuitvoerknooppunten binnen een ML-implementatie hebben geen pictogrammen. Velden die zijn opgenomen in een voorspellingsuitvoergegevensset hebben ook geen pictogrammen. |
Herkomst en ML-experimenten
ML-experimenten worden gepresenteerd in gegroepeerde opstellingen. Ze worden als volgt uitgevouwen:
-
Een ML-experiment wordt uitgevouwen tot een of meer experimentversies.
-
Een experimentversie wordt uitgevouwen tot een of meer ML-modellen.
Wanneer een model dat in een experiment is getraind, wordt geïmplementeerd in een ML-implementatie, verschijnt het in de herkomstgrafiek wanneer stroomafwaartse inhoud (bijvoorbeeld voorspellingen of ML-implementaties) is geselecteerd als het basisknooppunt.
Herkomst en ML-implementaties
ML-implementaties worden gepresenteerd in gegroepeerde opstellingen. Ze worden als volgt uitgevouwen:
-
Een ML-implementatie wordt uitgevouwen tot een of meer geïmplementeerde modellen.
-
Als een model in de implementatie is gebruikt in batchvoorspellingen, wordt het model uitgevouwen om elke batchvoorspellingsuitvoer weer te geven.
Herkomst op veldniveau is beschikbaar voor toepassingsgegevenssets en voorspellingsuitvoergegevenssets die betrekking hebben op een ML-implementatie.
Geïmplementeerde modellen die worden gebruikt voor voorspellingen, zijn teruggekoppeld naar het experiment waarin ze zijn getraind.
Voorbeeldscenario
Voor een voorbeeldscenario, zie Voorbeeld: Herkomst van machine learning-inhoud onderzoeken.
Beperkingen
De herkomstgrafiek heeft de volgende beperkingen:
-
Applicaties die niet opnieuw zijn geladen na de release van herkomst in Qlik Cloud hebben mogelijk pas volledige herkomstinformatie beschikbaar nadat ze opnieuw zijn geladen. Details voor sommige knooppunten kunnen beperkt zijn als ze niet zijn geladen nadat herkomst is ingeschakeld voor uw tenant.
-
Knooppuntdetails voor gegevenssets buiten uw tenant, zoals SQL Server- of Google Drive-verbindingen, zijn beperkt tot het type gegevensset en de naam. REST-verbindingen geven alleen weer dat het REST-gegevens zijn.
-
Als een item is verwijderd, kan het nog steeds worden weergegeven in Herkomst bij het analyseren van andere knooppunten.
Machtigingen
U moet een item kunnen bekijken om de herkomst ervan te bekijken vanuit uw activiteitencentra. Als u de herkomstgrafiek voor een basisknooppunt kunt zien, kunt u basisdetails en metagegevens voor de stroomopwaartse herkomstobjecten zien.
Beveiliging
-
Een gebruiker kan alleen wijzigen naar een basisknooppunt waartoe hij toegang heeft; anders is het contextmenu niet beschikbaar.
-
Als een gebruiker toegang heeft tot het basisknooppunt, heeft hij toegang om alle stroomopwaartse herkomst te zien.
Voorbeeldgebruiksscenario's voor het analyseren van herkomst
Voor een stapsgewijze uitleg van herkomstanalyse, zie Gebruiksscenario's voor herkomst op veldniveau.
Voorbeeld: Verkennen waar informatie vandaan komt met de herkomstsamenvattingsweergave
Als analyseconsument die naar een staafdiagram in een applicatie cars-data4-app kijkt, wilt u graag weten waar de informatie vandaan komt. Zorg ervoor dat Details weergeven en Expressies weergeven zijn ingeschakeld voor het diagram onder de sectie Uiterlijk > Algemeen van eigenschappen, en selecteer vervolgens overschakelen naar de werkblad-analysemodus. Klik met de rechtermuisknop op het diagram, of gebruik het menu , en selecteer Details weergeven om de herkomstconsumentenweergave te tonen. Klik op Afhankelijkheden weergeven.
U ziet dat de dimensie Car_ID afhankelijk is van het veld Car_ID dat wordt gevonden in drie vermelde CSV-bronnen. Selecteer het menu op de veldinvoer en selecteer Herkomst - Car_ID / Cars om een herkomstgrafiek te openen voor het veld Car_ID in de applicatie.
Selecteer een bron of veld om de herkomst voor dat object te bekijken
De herkomstgrafiek wordt van rechts naar links bekeken en toont dat veld Car_ID zich in de tabel Cars bevindt die in de applicatie cars-data4-app is geladen. Vouw de knooppunten uit terwijl u de veldgeschiedenis terugvolgt naar het oorspronkelijke bestand dat is geüpload naar Qlik Cloud. U ziet dat de eerste stap terug toont dat een CSV cars-data.csv met het veld Car_ID is geladen in de applicatie cars-data4-app. Het volgende knooppunt terug is een applicatie cars-data3-app waaruit de cars-data.csv is gegenereerd. Als u nog een stap teruggaat en het knooppunt uitvouwt, ziet u dat het oorspronkelijke bronbestand een CSV-bestand cars-data3.csv was en dat het het veld ID bevatte.
Door de tabellen uit te vouwen en velden te bekijken, kunt u het oorspronkelijke bronbestand, de tabel en het veld van de staafdiagramdimensie Car_id-ID identificeren.
Vouw de knooppunten uit om de geschiedenis van een veld terug te volgen naar het bronbestand
Voorbeeld: De oorsprong van een gegevensset onderzoeken en hoe deze is gemaakt
Als applicatieontwikkelaar overweegt u een bestaande gegevensset current_customers_analytics.xlsx te gebruiken voor uw applicatie. U onderzoekt de oorsprong van deze gegevensset zodat u kunt begrijpen waar de gegevens vandaan komen. Selecteer vanaf de gegevenssettegel of de rij Herkomst in het menu om de herkomstgrafiek te openen. Vanuit de herkomstgrafiek bekijkt u metagegevens voor de gegevensset door het menu op de XLSX current_customers_analytics.xlsx te selecteren en het overzicht te Openen.
Gegevenssetoverzicht openen vanuit de herkomstgrafiek
Bekijk tags, classificaties en andere technische metagegevens op het tabblad gegevenssetoverzicht
Gegevensprofiel is beschikbaar op het tabblad Profiel
Klik op de pijl terug in de browser om terug te keren naar de herkomstgrafiek om de herkomstgrafiek voor de gegevensset te verkennen. Vouw het knooppunt current_customers_analytics.xlsx uit en klik op Alles selecteren om de beschikbare velden te bekijken. Doe hetzelfde voor alle knooppunten. Merk op dat elk veld de optie biedt om het het basisknooppunt van focus te maken door Herkomst (nieuw basisknooppunt) te selecteren of selecteer Impactanalyse om voorwaartse herkomst en afhankelijke objecten te bekijken die worden beïnvloed door wijzigingen in de gegevensset.
Uitgevouwen grafiek Herkomst voor de gegevensset. Elk veld binnen elk knooppunt heeft opties om de applicatie of gegevens te openen, impactanalyse te bekijken of het knooppunt in focus te wijzigen
Als u de herkomst achterwaarts volgt en de knooppunten uitvouwt, kunt u zien dat deze XLSX-gegevensset de uitvoer is van de applicatie Prep Current Customers Sales - Analytics. Als u nog een stap teruggaat en het knooppunt Bestandsopslag uitvouwt, ziet u dat er een CSV-bestand in de verkoopanalyse-applicatie was geladen: rgb_customers.csv. Analyse op veldniveau onthult dat het veld Tags in het oorspronkelijke bronbestand is hernoemd naar rgb_customers.Tags in de verkoopanalyse-applicatie. Het oorspronkelijke CSV-bestand kan worden geopend in het overzicht om waardevolle metagegevens te onthullen, zoals de eigenaar, maker, gebruiksstatistieken, tags, classificaties, veldprofiel en impactanalyse.
Voorbeeld: Herkomst van machine learning-inhoud onderzoeken
Een gewone zakelijke gebruiker of machine learning-expert kan de grafiek Herkomst gebruiken om de oorsprong van bepaalde voorspelde waarden te inspecteren. Met het basisknooppunt ingesteld op de voorspellingsgegevensset, kan deze gebruiker het volgende zien:
-
De trainingsgegevens, inclusief de bronnen en transformaties ervan
-
Het experiment, de experimentversie en het model
-
Waar het model is geïmplementeerd en hoe het is gebruikt
Herkomstgrafiek met alle knooppunten uitgevouwen. De grafiek toont een end-to-end stroom van voorbereiding van trainingsgegevens tot een voorspellingsgegevensset.
De bovenstaande afbeelding toont het volgende proces:
-
Een gegevensstroom
laadt en transformeert gegevens uit een CSV-gegevensset 
die is opgeslagen in een persoonlijke ruimte . De uitvoer wordt opgeslagen in een Parquet-gegevensset 
in dezelfde ruimte. -
De Parquet-gegevensset
wordt gebruikt in versie 1 van een ML-experiment . Deze experimentversie traint een ML-model . -
Het ML-model
wordt geïmplementeerd in een ML-implementatie . -
Met behulp van een CSV-gegevensset
in een persoonlijke ruimte als de toepassingsgegevensset, genereert de ML-implementatie een voorspellingsgegevensset in Parquet-indeling .
Herkomst in Gegevensintegratie
De grafiek Herkomst is ook beschikbaar in Gegevensintegratie. Voor meer informatie, zie Herkomst analyseren in Gegevensintegratie.