Typy analiz funkcji Wnioski
Wnioski dostarczają wyniki, korzystając z szerokiego zakresu typów analiz. Te typy analiz zapewniają najlepsze praktyki wizualizacji do generowanych wykresów.
Różne typy analiz wykorzystywane są w zależności od pytań wejściowych oraz cech danych. Silnik Cognitive Engline Qlik określa najlepszy typ analizy dla pytania w zależności od dostępnych danych. Poniższa tabela zawiera opisy typów analiz. Nie wszystkie warunki dla każdego typu analiz ujęto na liście. W tabeli wymieniono również wykresy potencjalnie dostępne jako alternatywy podczas edytowania analizy funkcji Wnioski.
| Typ analizy | Opisu | Wymiary | Miary |
|---|---|---|---|
| Anomalia (skok) |
Identyfikuj anomalie skoków, analizując wzorce w danych historycznych. |
1 data/wymiar czasu | 1 |
| Anomalia (trend) |
Zidentyfikuj punkty zmian, analizując wzorce w danych historycznych. Wykrywanie punktów zmian identyfikuje momenty, w których proces bazowy generujący dane ulega znaczącym zmianom. Mogą to być nagłe zmiany wartości bazowej lub trendów w danych. Może to również obejmować zmiany wielkości rozkładu szumu w danych. Linie wykresu kombi umożliwiają śledzenie miary, a słupki wyświetlają możliwe anomalie punktów zmian. |
1 data/wymiar czasu | 1 |
| Rozbicie | Wyświetlaj zagnieżdżone wymiary danych, które zapewniają rozbicie na względne udziały w mierze. | 2–3 | 1 |
| Podział (geoprzestrzenny) | Grupuj dane według prostych i hierarchicznych podziałów geograficznych. | 1–2 | 1–2 |
| Miara obliczana (KPI) | Podsumuj wydajność w danym segmencie biznesowym lub wymiarze za pomocą wskaźnika KPI. | 0 | 1–2 |
| Klastrowanie (K-Means) |
Punkty danych algorytmu centroidów zagregowane według podobieństw z 2 miar w wymiarze przy użyciu algorytmu centroidów stosowanego w uczeniu maszynowym. |
1 | 2 |
| Porównanie | Porównaj dwie miary w wymiarze. | 1 | 2 |
| Korelacja |
Zidentyfikuj komplementarne i odwrotne relacje między dwiema wartościami danych. |
0–2 | 2 |
| Informacja wzajemna |
Utwórz miarę pewności między parami wartości za pomocą algorytmu uczenia maszynowego, który stosuje losowe rozkłady danych. Wskaźnik zależności waha się od 0% (brak zależności) do 100% (mocna zależność). W przypadku informacji wzajemnej wybiera się jedno pole (miarę lub wymiar) jako cel, a następnie 1–10 wymiarów lub miar jako czynniki wpływające. Wyniki tego typu analizy dla tych samych pól lub wyborów mogą się różnić w zależności od losowego wyboru danych. |
zmienna | zmienna |
| Przegląd |
Opisz, w jaki sposób zakresy danych odnoszą się do siebie w postaci miary bezwzględnej. |
1–2 | 1 |
| Zmiany okresowe |
Zbuduj arkusz z miarami, klasyfikacją i analizą porównawczą wymiarów w różnych okresach. Wymaga domyślnego okresu kalendarzowego ustawionego dla grupy zawierającej miarę w modelu logicznym. |
1–2 | 1 |
| Zmiany w okresie (szczegółowe) |
Utwórz arkusz z miarami, klasyfikacją i analizą porównawczą dla hierarchii wymiarów w różnych okresach. Wymaga domyślnego okresu kalendarzowego ustawionego dla grupy zawierającej miarę w modelu logicznym. |
1 | 1 |
| Okres do okresu |
Porównaj wymiary z różnych okresów. Wymaga domyślnego okresu kalendarzowego ustawionego dla grupy zawierającej miarę w modelu logicznym. |
1 | 1 |
| Okres do okresu (wybrane) |
Porównaj wymiary z różnych okresów. Zawiera panel filtrowania do wybierania wartości wymiaru. Wymaga pola czasowego z polem pochodnym autoCalendar wybranym w ramach zapytania. |
1–3 | 1 |
| Kontrola procesu (średnia) | Monitoruj dane pod kątem oczekiwanych zakresów statystycznych w oparciu o wartości średnie. | 1 data/wymiar czasu | 1 |
| Kontrola procesu (średnia ruchoma) | Monitoruj dane pod kątem oczekiwanych zakresów statystycznych na podstawie pobliskich wartości. | 1 data/wymiar czasu | 1 |
| Klasyfikacja | Sklasyfikuj wartości wymiarów według względnej ważności przy użyciu miary. | 1–2 | 1 |
| Klasyfikacja (z grupowaniem) | Uporządkuj wartości wymiarów hierarchicznych według względnej ważności przy użyciu miary. | 1–2 | 1 |
| Znaczenie względne |
Pokaż rozmiar wartości wymiarów, które składają się na całość. Może również służyć do przeprowadzania analizy Pareto, czyli wkładu 80-20. |
1 | 1 |
| Dekompozycja szeregu czasowego | Rozłóż szereg czasowy na komponenty trendu, sezonowy i przypadkowy. | 1 data/wymiar czasu | 1 |
| Trend w czasie | Pokaż trend danych w czasie, opcjonalnie podzielony według wymiaru o niskiej liczebności. | 1 data/wymiar czasu i opcjonalnie 1 inny wymiar | 1–3 |
| Trend z prognozą | Pokaż trendy danych w czasie wraz z prognozowanymi wartościami dla przyszłych okresów. | 1 data/wymiar czasu | 1 |
| Wartości (tabela) | Pokaż dane uporządkowane w wierszach i kolumnach, które pokazują miary i wymiary. | 0–10 | 0–10 |
| Od początku roku |
Porównaj wymiary z tego samego okresu w poprzednim roku. |
1 | 1 |