Exempel – Konsekvensanalys med analyskopplingen Qlik Predict
I det här exemplet konfigurerar du en konsekvensanalys för att simulera hur förutsagda värden ändras när olika variabler justeras. Exemplet omfattar att träna och distribuera en binär klassificeringsmodell i Qlik Predict, och använda den för att skapa förutsägelser med analyskopplingen Qlik Predict.
Applikation för konsekvensanalys
Innan du börjar
Hämta exempelmaterial
Hämta exempelresurserna här:
Materialet består av:
-
Ett träningsdataset – data-turnover-employees.xlsx. Det här datasetet används för både träningen och förutsägelserna i exemplet.
-
En applikation – What-If Analysis.qvf. Applikationen kan inte användas för att generera förutsägelser utan att först träna och distribuera en modell.
Förutsättningar
Innan du börjar ska du se till att:
-
Din Qlik Cloud-prenumeration kan köra förutsägelser i realtid. Se följande, eller kontakta ägaren av klientorganisationens tjänstekonto.
-
Din administratör för klientorganisationen har aktiverat maskininlärningsslutpunkter.
-
Du har de nödvändiga behörigheterna tilldelade till dig av en administratör för klientorganisationen:
-
Behörigheten Datakopplingar är inställd på Tillåten.
Tilldela behörigheter för användare att arbeta med datakopplingar
-
Behörigheter för att arbeta med experiment.
-
Behörigheter för att arbeta med distributioner och arbeta med analyskopplingen Qlik Predict.
-
Del 1: Ladda upp datasetet
Gör följande:
-
Gå till sidan Skapa i aktivitetscentret Analyser och välj Dataset.
-
Klicka på Ladda upp datafil.
-
Dra och släpp datafilen data-turnover-employees.xlsx i dialogrutan Lägg till fil.
-
Välj ett målutrymme för filen. Det kan vara ditt personliga utrymme eller ett delat utrymme. Använd samma utrymme för alla tillgångar i handledningen.
-
Klicka på Ladda upp.
Del 2: Träna experimentet
Skapa, konfigurera och kör ett experiment för att träna en binär klassificeringsmodell. Alla tillgängliga funktioner inkluderas som standard.
Gör följande:
-
Gå till sidan Skapa i aktivitetscentret Analyser och välj ML-experiment.
-
Ange ett namn för ditt experiment, till exempel Employee turnover analysis.
-
Välj ett utrymme för experimentet (använd samma utrymme som du använde i Del 1: Ladda upp datasetet).
-
Klicka på Skapa.
-
Välj träningsdatasetfilen data-turnover-employees.xlsx.
-
Välj kolumnen left som mål. Det här är en kolumn som anger om en anställd har slutat på företaget eller inte.
-
Klicka på Kör experiment.
Del 3: Distribuera och aktivera den bäst presterande modellen
Distribution
När experimentträningen är klar hamnar du på fliken Modeller. Distribuera den bäst presterande modellen som en ML-distribution.
Gör följande:
-
Klicka på
bredvid modellen som har en 
-ikon bredvid sig. -
Klicka på
Distribuera. -
Välj alternativet för att distribuera modellen till En ny distribution.
-
Skriv ett namn för din distribution, till exempel Employee Turnover Predictions.
-
Justera utrymmet, beskrivningen och taggarna vid behov.
-
Slå på Aktivera API-åtkomst i realtid. Detta krävs för att köra förutsägelser med analyskopplingen Qlik Predict.
-
Klicka på Skapa.
Aktivering
Öppna den nyligen skapade distributionen.
Längst upp i gränssnittet för ML-distributionen indikerar en banderoll att en modellgodkännare måste aktivera standardmodellen för att göra prediktioner.
Gör följande:
-
I banderollen längst upp i ML-distributionen klickar du på Aktivera modell.
-
I dialogrutan som öppnas klickar du på Aktivera modell för att bekräfta.
Del 4: Skapa en koppling till analyskopplingen Qlik Predict
Skapa sedan en koppling till analyskopplingen Qlik Predict. Detta gör att du kan generera förutsägelser i farten i analysapplikationen.
Gör följande:
-
Gå till sidan Skapa i aktivitetscentret Analyser och välj Datakoppling.
-
Under Utrymme väljer du samma utrymme som du använde i Del 1: Ladda upp datasetet.
-
Välj kopplingen Qlik Predict.
-
Välj den ML-distribution som du skapade i Del 3: Distribuera och aktivera den bäst presterande modellen.
-
Ange följande Namn: MLModel.
-
Klicka på Skapa.
Del 5: Ladda upp analysapplikationen
Ladda upp analysapplikationen som du hämtade i Hämta exempelmaterial.
Gör följande:
-
Gå till sidan Skapa i aktivitetscentret Analyser.
-
Under Data och uppladdning väljer du Ladda upp.
-
Släpp applikationen What-If Analysis.qvf i dialogrutan.
-
Under Utrymme väljer du samma utrymme som du använde i Del 1: Ladda upp datasetet och Del 4: Skapa en koppling till analyskopplingen Qlik Predict.
-
Klicka på Ladda upp.
När du har laddat upp applikationen öppnar du den och öppnar sedan arket What-If Analysis.
Utforska resultaten
Du har nu arket What-If Analysis öppet i applikationen.
Gör följande:
-
Välj ett enskilt anställd-värde i fältet employee_number. Ett värde visas i Risk of Turnover-KPI:n.
-
Justera reglagen under KPI:n. Vid varje justering utförs en simulering för att förutsäga risken för personalomsättning.
Konsekvensanalys med en enskild anställd vald och variabler justerade.
Förstå applikationen
Laddade data
Träningsdatasetet som användes i Del 2: Träna experimentet används som applikationsdata. I verkliga scenarier kanske detta inte alltid är fallet.
Arkvariabler
Följande variabler skapades, var och en med en tom standarddefinition. Definitionen lämnas tom eftersom variabelvärdena i stället uppdateras i farten under analysen.
| Variabelnamn | Modellfunktion som den representerar | Variabelns standarddefinition |
|---|---|---|
| vSatisfactionLevel | satisfaction_level | - |
| vTimeSpent | time_spend_company | - |
| vNumberOfProjects | number_project | - |
| vAvgMonthlyHoursWorked | average_monthly_hours | - |
KPI och uttryck
En KPI lades till i arket. Följande diagramuttryck används:
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)Beräkningen representerar risken för personalomsättning för den valda anställda.
Delavsnitten nedan beskriver hur det här uttrycket använder syntax för server-side extensions för att anropa API för maskininlärning för förutsägelser i realtid.
Bryta ner uttrycket
Uttrycket använder syntax för server-side extensions (SSE) för att generera förutsägelser i farten.
När vi har angett målkolumnen måste vi ange funktionerna i modellen. Modellfunktionerna kan hämtas genom att öppna ML-distributionen (skapad i Del 3: Distribuera och aktivera den bäst presterande modellen) och sedan öppna Distributionsöversikt. Detta öppnar modellschemat: listan över funktioner och deras funktionstyper.
Distributionsöversikt i en ML-distribution, som visar Modellschema
Härifrån kan listan över funktioner konstrueras som en kommaseparerad lista. Variabelersättningar – med nyckelordet "as" – anger att aktuella värden för variabler ska användas som funktionsdata, snarare än själva applikationsdata. Dessa variabelersättningar möjliggör den interaktiva konsekvenssimuleringen som demonstreras i det här exemplet.
vSatisfactionLevel as satisfaction_level,
vTimeSpent as time_spend_company,
last_evaluation,
vNumberOfProjects as number_project,
vAvgMonthlyHoursWorked as average_monthly_hours)Variabelinmatningsobjekt
Fyra variabelinmatningskontroller lades till i arket – en för varje variabel. Följande konfigurationer har gjorts:
-
Variabeln som ska användas valdes.
-
Typen av inmatning valdes som Reglage.
-
Minsta och högsta intervall för varje variabel konfigurerades, baserat på värden som rimligen kunde inträffa enligt ursprungsdata.
Mer information om variabelinmatningsobjekt finns i Skapa kontroller för variabelinmatning.
Filterruta
En filterruta lades till för att möjliggöra enkelt val av den anställda som ska fokuseras på.
Tabell med ursprungsdata
En rak tabell lades också till längst ner på arket, för att göra det enkelt att se ursprungsdata – innan de ändrades under konsekvensanalysen.