Example - What-if analysis with the Qlik Predict analytics connector
W tym przykładzie skonfigurujesz analizę warunkową (what-if), aby zasymulować, jak zmieniają się przewidywane wartości po dostosowaniu różnych zmiennych. Przykład obejmuje trenowanie i wdrożenie modelu klasyfikacji binarnej w Qlik Predict oraz użycie go do tworzenia predykcji za pomocą łącznika analitycznego Qlik Predict.
Aplikacja do analizy warunkowej (what-if)
Zanim zaczniesz
Pobieranie materiałów przykładowych
Pobierz przykładowe zasoby tutaj:
Materiały składają się z:
-
Zestawu danych treningowych — data-turnover-employees.xlsx. Ten zestaw danych jest używany zarówno do trenowania, jak i predykcji w tym przykładzie.
-
Aplikacji — What-If Analysis.qvf. Aplikacja nie może być używana do generowania predykcji bez uprzedniego wytrenowania i wdrożenia modelu.
Wymagania wstępne
Zanim zaczniesz, upewnij się, że:
-
Twoja subskrypcja Qlik Cloud umożliwia uruchamianie predykcji w czasie rzeczywistym. Zapoznaj się z poniższymi informacjami lub skontaktuj się z właścicielem konta usługi dzierżawy.
-
Administrator dzierżawy włączył punkty końcowe uczenia maszynowego.
Włączanie punktów końcowych uczenia maszynowego w Qlik Cloud
-
Masz wymagane uprawnienia przypisane przez administratora dzierżawy:
-
Uprawnienie Połączenia danych ustawione na Dozwolone.
Przypisywanie użytkownikom uprawnień do pracy z połączeniami danych
-
Uprawnienia do pracy z eksperymentami.
-
Uprawnienia do pracy z wdrożeniami i pracy z łącznikiem analitycznym Qlik Predict.
Dostęp użytkownika do wdrożeń uczenia maszynowego i predykcji
-
Część 1: Przesyłanie zestawu danych
Wykonaj następujące czynności:
-
Przejdź na stronę Tworzenie w centrum aktywności Analytics i wybierz Zestaw danych.
-
Kliknij Prześlij plik danych.
-
Przeciągnij i upuść plik danych data-turnover-employees.xlsx w oknie dialogowym Dodaj plik.
-
Wybierz przestrzeń docelową dla pliku. Może to być Twoja przestrzeń prywatna lub przestrzeń udostępniona. Użyj tej samej przestrzeni dla wszystkich zasobów samouczka.
-
Kliknij Prześlij.
Część 2: Trenowanie eksperymentu
Utwórz, skonfiguruj i uruchom eksperyment, aby wytrenować model klasyfikacji binarnej. Wszystkie dostępne cechy zostaną domyślnie uwzględnione.
Wykonaj następujące czynności:
-
Przejdź na stronę Tworzenie w centrum aktywności Analytics i wybierz Eksperyment ML.
-
Wprowadź nazwę eksperymentu, na przykład Employee turnover analysis.
-
Wybierz przestrzeń dla eksperymentu (użyj tej samej przestrzeni, której użyto w sekcji Część 1: Przesyłanie zestawu danych).
-
Kliknij Utwórz.
-
Wybierz plik zestawu danych treningowych data-turnover-employees.xlsx.
-
Wybierz kolumnę left jako cel. Jest to kolumna wskazująca, czy pracownik odszedł z firmy.
-
Kliknij Uruchom eksperyment.
Część 3: Wdrożenie i aktywacja najlepiej działającego modelu
Wdrożenie
Po zakończeniu trenowania eksperymentu przejdziesz na kartę Modele. Wdróż najlepiej działający model jako wdrożenie ML.
Wykonaj następujące czynności:
-
Kliknij
obok modelu, przy którym znajduje się ikona 
. -
Kliknij
Wdróż. -
Wybierz opcję wdrożenia modelu w Nowe wdrożenie.
-
Wpisz nazwę dla swojego wdrożenia, na przykład Employee Turnover Predictions.
-
W razie potrzeby dostosuj przestrzeń, opis i tagi.
-
Włącz Włącz dostęp do API w czasie rzeczywistym. Jest to wymagane do uruchamiania predykcji za pomocą łącznika analitycznego Qlik Predict.
-
Kliknij Utwórz.
Aktywacja
Otwórz nowo utworzone wdrożenie.
Na górze interfejsu wdrożenia ML baner informuje, że osoba zatwierdzająca model musi aktywować domyślny model w celu dokonywania predykcji.
Wykonaj następujące czynności:
-
W banerze na górze wdrożenia ML kliknij Aktywuj model.
-
W oknie dialogowym, które zostanie otwarte, kliknij Aktywuj model, aby potwierdzić.
Część 4: Tworzenie połączenia z łącznikiem analitycznym Qlik Predict
Następnie utwórz połączenie z łącznikiem analitycznym Qlik Predict. Pozwoli to na generowanie predykcji w locie w aplikacji analitycznej.
Wykonaj następujące czynności:
-
Przejdź na stronę Tworzenie w centrum aktywności Analytics i wybierz Połączenie danych.
-
W sekcji Przestrzeń wybierz tę samą przestrzeń, której użyto w sekcji Część 1: Przesyłanie zestawu danych.
-
Wybierz łącznik Qlik Predict.
-
Wybierz Wdrożenie ML utworzone w sekcji Część 3: Wdrożenie i aktywacja najlepiej działającego modelu.
-
Wprowadź następującą wartość w polu Nazwa: MLModel.
-
Kliknij Utwórz.
Część 5: Przesyłanie aplikacji analitycznej
Prześlij aplikację analityczną pobraną w sekcji Pobieranie materiałów przykładowych.
Wykonaj następujące czynności:
-
Przejdź na stronę Tworzenie w centrum aktywności Analytics.
-
W sekcji Dane i przesyłanie wybierz Prześlij.
-
Upuść aplikację What-If Analysis.qvf w oknie dialogowym.
-
W sekcji Przestrzeń wybierz tę samą przestrzeń, której użyto w sekcji Część 1: Przesyłanie zestawu danych oraz Część 4: Tworzenie połączenia z łącznikiem analitycznym Qlik Predict.
-
Kliknij Prześlij.
Po przesłaniu aplikacji otwórz ją, a następnie otwórz arkusz What-If Analysis.
Eksploracja wyników
Masz teraz otwarty arkusz What-If Analysis w aplikacji.
Wykonaj następujące czynności:
-
Wybierz wartość pojedynczego pracownika w polu employee_number. Wartość pojawi się we wskaźniku KPI Risk of Turnover.
-
Dostosuj suwaki poniżej wskaźnika KPI. Przy każdej zmianie wykonywana jest symulacja w celu przewidzenia ryzyka odejścia pracownika.
Analiza warunkowa (what-if) z wybranym pojedynczym pracownikiem i dostosowanymi zmiennymi.
Zrozumienie aplikacji
Załadowane dane
Zestaw danych treningowych użyty w sekcji Część 2: Trenowanie eksperymentu jest używany jako dane aplikacji. W rzeczywistych scenariuszach nie zawsze tak jest.
Zmienne arkusza
Utworzono następujące zmienne, każdą z pustą definicją domyślną. Definicja pozostaje pusta, ponieważ wartości zmiennych są aktualizowane w locie podczas analizy.
| Nazwa zmiennej | Cecha modelu, którą reprezentuje | Domyślna definicja zmiennej |
|---|---|---|
| vSatisfactionLevel | satisfaction_level | - |
| vTimeSpent | time_spend_company | - |
| vNumberOfProjects | number_project | - |
| vAvgMonthlyHoursWorked | average_monthly_hours | - |
Wskaźnik KPI i wyrażenie
Do arkusza dodano wskaźnik KPI. Używane jest następujące wyrażenie wykresu:
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)Obliczenie reprezentuje ryzyko odejścia dla wybranego pracownika.
Poniższe sekcje opisują, w jaki sposób to wyrażenie używa składni rozszerzeń po stronie serwera do wywoływania API uczenia maszynowego w celu uzyskania predykcji w czasie rzeczywistym.
Rozbicie wyrażenia
Wyrażenie używa składni rozszerzeń po stronie serwera (SSE) do generowania predykcji w locie.
Po określeniu kolumny docelowej musimy określić cechy w modelu. Cechy modelu można uzyskać, otwierając wdrożenie ML (utworzone w sekcji Część 3: Wdrożenie i aktywacja najlepiej działającego modelu), a następnie otwierając Przegląd wdrożenia. Spowoduje to otwarcie schematu modelu: listy cech i ich typów.
Przegląd wdrożenia we wdrożeniu ML, pokazujący Schemat modelu
Z tego miejsca listę cech można skonstruować jako listę oddzieloną przecinkami. Podstawienia zmiennych — przy użyciu słowa kluczowego „as” — wskazują, że bieżące wartości zmiennych mają być używane jako dane cech, a nie same dane aplikacji. Te podstawienia zmiennych umożliwiają interaktywną symulację warunkową (what-if), która została zademonstrowana w tym przykładzie.
vSatisfactionLevel as satisfaction_level,
vTimeSpent as time_spend_company,
last_evaluation,
vNumberOfProjects as number_project,
vAvgMonthlyHoursWorked as average_monthly_hours)Obiekty wprowadzania zmiennych
Do arkusza dodano cztery kontrolki wprowadzania zmiennych — po jednej dla każdej zmiennej. Wykonano następujące konfiguracje:
-
Wybrano zmienną do użycia.
-
Jako typ wprowadzania wybrano Suwak.
-
Skonfigurowano minimalne i maksymalne zakresy dla każdej zmiennej na podstawie wartości, które mogłyby racjonalnie wystąpić zgodnie z oryginalnymi danymi.
Więcej informacji o obiektach wprowadzania zmiennych można znaleźć w sekcji Tworzenie elementów sterujących do wprowadzania zmiennych.
Panel filtrowania
Dodano panel filtrowania, aby umożliwić łatwy wybór pracownika, na którym należy się skupić.
Tabela z oryginalnymi danymi
Na dole arkusza dodano również tabelę prostą, aby ułatwić przeglądanie oryginalnych danych — zanim zostały one zmienione podczas analizy warunkowej (what-if).