Analysera påverkansanalys i Analyser

Senast uppdaterad: 2026-10-20

Påverkansanalys visar en framåtblickande, nedströmsvy av beroenden för en databas, resurser eller fält. Den svarar på frågor om vilka databaser, applikationer, filer, länkar, maskininlärningsinnehåll och annat innehåll som direkt eller indirekt skulle påverkas om värdet på ett fält ändras. För många innehållstyper kan du också söka nedåt till de specifika fält som påverkas av ändringen.

Qlik Cloud ger en aggregerad sammanfattning av nedströmspåverkan där du interaktivt kan undersöka direkta och indirekta beroenden för ett givet fält eller objekt.

Nedströms ursprung kallas konsekvensanalys eftersom den analyserar vilka objekt som påverkas av ändringar i dina data eller ditt analysinnehåll; dessa objekt är basnodens beroenden. Qlik Cloud tillhandahåller information och antal per typ av beroende objekt i en sammanfattningsvy.

Affärsanvändare som undersöker ett visst fält får en aggregerad sammanfattning av nedströmspåverkan som ger insikt om:

Vilka objekttyper skulle påverkas av en ändring av detta fält, inklusive databaser, fillagring, applikationer och länkar
Vilka Power BI-rapporter och instrumentpaneler skulle påverkas
Vilka Qlik NPrinting- eller Qlik Cloud-rapporter skulle påverkas
Vilka datamodeller för Power BI och Tableau skulle påverkas
Vilket är antalet direkta beroenden och indirekta beroenden efter typ
Vilka är ägarna till de element som påverkas om du gör en förändring
Vilka arbetsflöden för maskininlärning skulle påverkas

Visa dess ursprungsinformation för att se uppströmsurpsrung som indata, transformationer och annan historisk information som kan förklara var dina data kom ifrån och vilka operationer som har påverkat dessa. Se Analys av ursprung i Analyser.

För att använda konsekvensanalys behöver du även ha Visa ursprung inställt på Tillåtet via standardbehörigheterna eller en anpassad säkerhetsroll.

Sammanfattningsvy över påverkansanalys

Öppna påverkansanalys från ditt aktivitetscenter genom att välja Mer-ikon på ett objekt som stöds, och sedan välja Verktyg > Påverkansanalys. För vissa innehållstyper kan du också öppna en påverkansanalys när du har objektet öppet. Klicka på Mer och Påverkansanalys.

Välj Mer-ikon och välj sedan Ursprung eller Påverkansanalys (ny basnod) när du vill nå ursprung (uppströms) eller påverkansanalys (nedströms) för andra noder som visas i diagram.

I sammanfattningsvyn kan du filtrera på om du vill visa alla eller bara direkta beroenden. Ett exempel på ett direkt beroende är en applikation Applikation A som läser in en specifik datauppsättning Datafil B. I detta fall är Program A direkt beroende av Datafil B. Ett exempel på ett indirekt beroende är en QVD C.qvd som skapas av Program A, baserat på Datafil B. I detta fall är C.qvd ett direkt beroende av Datafil B.

Påverkansanalysgraf som visar beroende fält i en app — Sammanfattningsvyn för påverkansanalys visar beroende fält i en applikation

Basnoden som analyseras har konturfärg i blått. Beroendena listas i översikten till vänster med antal per typ. När den är i fokus och listad i huvudrutnätet visas typen i en grön ruta. Typer av beroenden inkluderar databaser, applikationer, fillagring, databaser och länkar. De listade beroende objekten för den typen listas i huvudrutnätet. Gå närmare dessa objekt genom att markera raden. Till exempel kommer en applikation att söka nedåt i tabellen och sedan på fältnivå.

Gå närmare basnoden för att visa, och välj fält för att fokusera på det fältet — Sök nedåt från basnodobjektet och välj ett intressefält för att se beroenden för det fältet när du vill undersöka effekten av en fältändring.

Välj på raden för det beroende objektet i fokus för att komma åt en meny med följande åtgärder:

För detaljer (se Noddetaljer)
Påverkansanalys (ny basnod)
Ursprung (för det objektet)
Öppna

Åtgärdsmeny i rutnät för beroenden — Åtgärder som kan vidtas på beroende objekt i sammanfattningsvyn för påverkansanalys

Få tillgång till påverkansanalys från en datauppsättning

Du kan också komma åt påverkansanalys från översikten av en datauppsättning genom att byta till fliken Påverkansanalys.

Påverkansanalys och rutnätskolumner

Välj kolumner av intresse med kolumnväljaren ikonen Kolumner högst upp till höger i rutnätet. Kolumnalternativen varierar beroende på vilken typ av resurs som visas. Kolumnalternativen kan inkludera följande rubriker:

Namn
Antal datauppsättningar | tabeller | fält
Typ
Utrymme
Ägare
Senaste inläsning
Senast ändrad
Öppna
Antal modeller
Antal konfigurationer
Antal versioner
ML-distribution

Rutnät för påverkansanalys — Sammanfattningsrutnät för påverkansanalys

När Ägare- och Utrymme-kolumnerna har flera värden visas ett verktygstips som med information om ägare och utrymmen.

Noddetaljer

Detaljerna begränsas av din åtkomst till det objektet. Detaljerna kan omfatta följande information:

Namn
Beskrivning
Taggar
Plats
Utrymme
Ägare
Skapad av
Senast ändrad

Detaljvy från påverkansanalys — Sammanfattningsrutnät för påverkansanalys

Påverkansanalys för maskininlärningsinnehåll

Med Påverkansanalys kan du identifiera nedströmsresurser för ditt maskininlärningsinnehåll. Du kan analysera ML-experiment, ML-distributioner och datauppsättningar i Påverkansanalys.

Du kanske t.ex. vill identifiera vilka prognosdatauppsättningar som påverkas om du uppdaterade en tillämpad datauppsättning. Du kan också se hur många utbildningsresurser som visas som nedströmsberoenden för annat innehåll, till exempel analysapplikationer.

Tillgångar för maskininlärning visas också i ursprunget för en omfattande analys av ursprunget till ditt prognosanalysinnehåll. Mer information finns i Analysera ursprung för maskininlärningsinnehåll.

Öppna Påverkansanalys för maskininlärningsinnehåll

Gör ett av följande:

I ditt aktivitetscenter klickar du på bredvid ett ML-experiment, en ML-distribution eller en datauppsättning, och väljer Verktyg > Påverkansanalys.
I ett ML-experiment eller en ML-distribution klickar du på i navigeringsstapeln och väljer Påverkansanalys.

Påverkansanalys och ML-experiment

När ett ML-experiment har angetts som basnod visas den i det övre vänstra hörnet under Basnod. Välj experiment för att gå vidare till experimentversioner Förgrening . En enda experimentversion kan sedan väljas ut för analys som basnod. Slutligen kan du gå vidare i versionen för att hitta en specifik modell ML-modell och ange den som basnod.

Nedströmsberoenden för experimentet, eller element inom det, inkluderar ML-distributioner, datauppsättningar och analysinnehåll som applikationer, skript och dataflöden.

Ett ML-experiment kan också visas i sammanfattningsvyn när uppströmsinnehåll (t.ex. en datauppsättning) väljs som basnod. När du har valt ett experiment under Beroenden från basnod i den vänstra panelen kan du öka detaljnivån i experimentet för att visa mer information i rutnätet. Ett experiment ML-experiment kan delas upp i en eller flera versioner Tabell . En experimentversion Tabell kan delas upp i en eller flera modeller fält .

Påverkansanalys och ML-distributioner

När en ML-distribution har angetts som basnod visas den i det övre vänstra hörnet under Basnod. Välj distribution för att gå in på distribuerade modeller. En enda modell ML-modell kan sedan väljas ut för analys som basnod. Slutligen kan du gå in på mer detaljer i modellen för att hitta en nod för prognosutdata. När utgångsnoden är inställd som basnod kan du använda rutnätet för beroenden för att visa en lista över genererade prognosdatauppsättningar.

Beroenden nedströms för distributionen, eller element inom det, inkluderar datauppsättningar och analysinnehåll som applikationer, skript och dataflöden.

En ML-distribution kan också visas i sammanfattningsvyn för påverknasanalysen när uppströmsinnehåll (t.ex. ett ML-experiment) väljs som basnod. När du har valt en distribution under Beroenden från basnod i den vänstra panelen kan du öka detaljnivån i distributionen för att visa mer information i rutnätet. En distribution ML-distribution kan delas upp i en eller flera modeller Tabell . En modell Tabell består av ett eller flera konfigurationsobjekt fält , där varje objekt representerar en genererad prognosdatauppsättning. Dessa datauppsättningar kan analyseras individuellt genom att de anges som en basnod.

Påverkansanalys och ML-datauppsättningar

ML-datauppsättningar är datauppsättningar som används i eller skapas av ML-experiment och ML-distributioner. Dessa inkluderar:

Träningsdatauppsättningar
Datauppsättningar som exporterats från inbäddade analyser i ett ML-experiment (flikarna Jämför och Analyera )
Datauppsättningar för tillämpning
Prognosdatauppsättningar

När en ML-datauppsättning har angetts som basnod visas den i det övre vänstra hörnet under Basnod. Välj datauppsättningen för att gå in på enskilda fält.

En ML-datauppsättning kan också visas i sammanfattningsvyn för påverknasanalysen när uppströmsinnehåll (t.ex. ett ML-experiment eller en ML-distrubution) väljs som basnod. När du har valt en datauppsättning i rutnätet kan du gå in på mer detaljer i datauppsättningen för att visa information på fältnivå.

Behörigheter

Information om behörigheter finns i Behörigheter.

Exempel-scenario

För ett exempel på ett scenario, se Exempel: Påverkan av att ändra en datauppsättning som används för prognoser.

Behörigheter

Behörigheter för analys av beroenden

Användare utan visningsbehörighet kommer inte kunna visa beroende resursnamn, Senast laddade-kolumnen för beroende applikationer eller Senast ändrade-kolumnen för övriga resurstyper. Användare utan visningsbehörighet kommer inte heller att kunna visa Mer-ikon -snabbmenyn eller alternativ för att söka nedåt för resursen.

Behörigheter när ett objekt är basnoden

Du måste kunna visa ett objekt för att öppna Påverkansanalys från ditt aktivitetscenter, samt för att ställa in objektet som basnod på andra sätt. Som framgår av Behörigheter för analys av beroenden visas beroende resurser med begränsad information om du inte har tillgång till resurserna.

Exempel på användningsfall för analys av påverkansanalys

Exempel: förstå effekten av att göra en ändring av en datauppsättning

En genomgång av ett liknande följande exempel finns här:

Användningsfall för påverkansanalys

Som applikationsutvecklare är du ansvarig för en datakälla och överväger att göra en ändring av datauppsättningen Sales data.xlsx genom att ta bort fältet Pris. De frågor du har är: vad kommer att påverkas av att göra denna förändring? Vad behöver åtgärdas? Vem ska jag meddela? Du börjar undersökningen genom att välja Mer-ikon på datauppsättningsbrickan och väljerPåverkansanalys.

Visa nedströmsberoenden för program och datauppsättningar med sammanfattningsvyn för påverkansanalys — Sammanfattningsvy för påverkansanalys för datauppsättningen Sales data.xlsx

Exempel: Påverkan av att ändra en datauppsättning som används för prognoser

Anta att du är en bidragsgivare för maskininlärning som har ställt in schemalagda prognoser från en ML-distribution. Du vill bedöma vilka arbetsflöden som skulle påverkas om du ändrar beräkningslogiken för en kolumn i en av dina tillämpade datauppsättningar.

När du öppnar den tillämpade datauppsättningen i påverkansanalysen kan du identifiera att följande innehåll skulle påverkas:

En analysapplikation
En ML-distribution, inom vilken det finns en modell som använder den tillämpade datauppsättningen
Flera utdatauppsättningar som har genererats från ML-distributionen på schemalagd basis

Med den här kunskapen kan du fatta ett mer välgrundat beslut om huruvida du ska fortsätta med uppdateringen eller skapa ett nytt arbetsflöde för maskininlärning.

Visa nedströmsberoenden för en tillämpad datauppsättning som används för att generera prognoser — Påverkansanalys för en tillämpad datauppsättning för maskininlärning, analys av de specifika prognosdatauppsättningar som skulle påverkas av ändringar i den tillämpade datauppsättningen.

Raderat innehåll

Om ett objekt tas bort kan det fortfarande visas i sammanfattningsvyn för Påverkansanalys när andra noder analyseras.

Påverkansanalys i Dataintegrering

Påverkansanalysen finns också tillgänglig på Dataintegrering. Mer information finns i Analysera påverkansanalys i Dataintegrering.

Var den här sidan till hjälp för dig?

Om du stöter på några problem med den här sidan eller innehållet på den, t.ex. ett stavfel, ett saknat steg eller ett tekniskt fel – meddela oss!

Lämna din feedback här