Ana içeriğe geç Tamamlayıcı içeriğe geç

Bir Qlik Sense uygulamasında tahmin verilerini görselleştirme

Bu işlemdeki son adım, oluşturduğunuz tahmin verilerini görselleştirmek için bir Qlik Sense analiz uygulaması kullanmaktır.

Alternatif iş akışı: Önceden yapılandırılmış uygulamayı yükleme

Bu konu başlığındaki kalan adımları takip etmek yerine, bu öğreticinin başında indirdiğiniz Customer churn predictions.qvf uygulamasını Analiz etkinlik merkezine yükleyebilirsiniz.

Bu sayfadaki kalan bölümler size benzer bir uygulamanın oluşturulması konusunda rehberlik yapar. Uygulamadaki tahmin verileri ile kendi tahmin verileriniz arasında bazı farklılıklar olacaktır.

İndirilen uygulamada, tek seferde bir müşteri hesabının ayrıntılı bir şekilde analiz edilmesini teşvik etmek için koşullu ifadeler kullanan, Individual Customer Analysis başlıklı ek bir sayfa bulunur.

Başlarken

Analiz etkinlik merkezinden Oluştur sayfasına gidin ve Analizler uygulaması'na tıklayın. Uygulama için bir alanı seçin ve Müşteri kaybı tahminleri olarak adlandırın.

Oluştur'a tıklayın.

Bilgi notuUygulamanızla etkileşim kurma biçiminiz, dokunmatik ekran cihazı kullanırken veya dokunma desteği etkinleştirilmişse farklılık gösterir. Daha fazla bilgi için bkz. Dokunmatik cihazlardaki uzun basma menüsü.

Veri modelini oluşturma

Verilerinizi seçme

Zorunlu verileri uygulamaya eklemeniz gerekir. Bu, uygulama veri setini (öğreticinin başında yüklenen) ve tahminden üretilen iki veri setini içerir.

  1. Yeni uygulamada, Veri katalog'undan veri eklemek için ilgili seçeneğe tıklayın.

  2. Veri kataloğunda aşağıdaki üç veri setinin yanındaki onay kutularına tıklayın:

    • Uygulama veri kümesiAutoML Tutorial - Churn data - apply.csv veya AutoML Tutorial - Churn data - apply.qvd

    • Tahmin veri kümesi: AutoML Tutorial - Churn data - apply_Prediction.csv

    • Koordinat SHAP veri kümesi: AutoML Tutorial - Churn data - apply_Prediction_Coordinate_SHAP.csv

  3. İleri'ye tıklayın.

  4. Bir özet paneli açılır. Yüklenecek mevcut alanları genişletmek için AutoML Tutorial - Churn data - apply.csv veri setine tıklayın.

  5. Model eğitimi sırasında seçimi kaldırılan özelliklerin yanındaki Çarpı işareti simgesine tıklayın. Bu, DaysSinceLastService ve model üzerindeki düşük etkisi nedeniyle seçimini kaldırdığınız özellikler olmalıdır.

  6. Uygulamaya yükle'ye tıklayın.

Verileri ilişkilendirme

Bu noktada verileri uygulamaya eklediniz ancak siz veri setlerini birbiriyle ilişkilendirene kadar bağlantılı bir veri modeli oluşturulmaz. Bu durumda, AccountID alanı veri setlerini birbirine bağlayan dizin olacaktır.

Uygulamanızda Veri yöneticisi açıktır. Üç veri seti göreceksiniz ancak bunlar, bağlı olmayan ayrı varlıklar olarak gösterilir.

  1. Uygulamanızda Veri yöneticisi açıktır. Üç veri seti göreceksiniz ancak bunlar, bağlı olmayan ayrı varlıklar olarak gösterilir.

  2. Veri yöneticisi'nin sağındaki bölmede AccountID ilişkilendirme önerisini bulun.

  3. Uygula'ya tıklayın. Tablolar artık birbirlerine bağlı olmalıdır.

  4. Veri yükle'ye tıklayın.

Veri modeli görüntüleyicisi içinde ilişkilendirmelerinizi kontrol etme

Uygulamada görselleştirme oluşturmadan önce verilerin uygun şekilde ilişkilendirildiğini doğrulamalısınız.

  1. Arayüzün üst kısmındaki gezinti çubuğunda, uygulama gezinti menüsünü açın ve Veri modeli görüntüleyicisi öğesini seçin.

  2. Üç veri setinin düzgün şekilde bağlandığından emin olun. AccountID alanı, üç veri setinin hepsinde bir anahtar görevi görmelidir. Uygulamanın veri modeli aşağıda yer alan görseldeki gibi görünmelidir.

    Tahminler uygulamasının veri modelini gösteren Veri modeli görüntüleyicisi

    Yeni oluşturulan tahminler uygulamamızın veri modelinin doğru şekilde yapılandırıldığını kontrol etme.

Artık analiz içeriğinizi oluşturmaya başlamaya hazırsınız. Gezinme çubuğundaki Analiz sekmesindeki Sayfa'ya tıklayın.

Birinci sayfa: Birleştirilmiş tahminler panosu

Birinci sayfa, birleştirilmiş biçimdeki tahminlerin analizine odaklanacaktır.

  1. Şimdi sayfa düzenleme modunda olmanız gerekir. Gelişmiş seçenekler'e tıklayın.

  2. Silmek için sayfada mevcut görselleştirmelere sağ tıklayın. Bu grafik önerisi özelliğini bu öğreticide kullanmayacağız.

  3. Sayfa için bir başlık (ör. Birleştirilmiş Tahminler) belirleyin. Bunu yapmak üzere arayüzün sağ tarafında Sayfa özellikleri'ni açmak için boş sayfada herhangi bir yere tıklayın. Başlık kısmında sayfa için bir ad yazın.

Pasta grafik

Bir pasta grafiği, verilerinizin oransal dökümünü kolayca görselleştirmenize izin verir. Bu durumda, verilerin dökümünü tahmin edilen sonuçlara (yes veya no) göre oluşturmak mantıklıdır.

  1. Bir pasta grafiği sayfaya sürükleyin.

  2. Boyut olarak Churned_predicted öğesini ekleyin.

  3. Hesaplama olarak Count(AccountID) öğesini ekleyin.

  4. İsterseniz özellikler panelinde GörünümSunum altında Boyut etiketi'ni kapatın.

  5. Özellikler panelinde  Veri altında boyutu genişletin ve boyut Etiketini Kaybedilmesi Beklenen olarak değiştirin.

    Etiket, göstergede güncellenir.

Filtre bölmesi

Bu gösterge paneli, bütün veri modelinin kapsamlı analizi içindir. Ancak çok yüksek ihtimalle belirli toplulukları analiz etmek için çeşitli boyutlarda verileri hızlıca filtreleyebilmek önemli olacaktır.

Birden fazla liste kutusuyla bir filtre bölmesi oluşturun. Her bir liste kutusu, tek bir boyut içinde değer seçimine izin verir.

  1. Filtre bölmesini sayfaya sürükleyin.

  2. Filtre bölmesine alan ekleyin. Bunlar, tahmin edilen sonuçlar için önemli olmasını beklediğiniz boyutlar olabilir.

  3. Özellikler panelinde Veri altındaki alana tıklayarak her bir liste kutusunu ihtiyaç duyduğunuz şekilde değiştirin. Bu, Liste kutusu özellikleri'ni açar.

    Örneğin, alan etiketini değiştirmek ve Liste kutusunu daralt seçeneğini Her zaman olarak ayarlayıp sayfa alanını kaydetmek isteyebilirsiniz.

Filtre bölmesini, sayfanın bir tarafında panel olarak görünecek şekilde yeniden boyutlandırın.

KPI nesneleri

KPI'lar, verilerinizin özellikle önemli analizi için tek bir değer göstermenin harika bir yoludur. Burada, üç KPI grafiği oluşturacağız.

  1. Boş bir KPI grafiği oluşturun. Aşağıdaki hesaplamayı ekleyin:

    =Count(Churned_predicted)

    Bu, kayıp tahminleri oluşturduğumuz toplam müşteri sayısını hesaplayacaktır.

  2. Hesaplamayı Toplam Müşteri Sayısı olarak etiketleyin.

  3. Sayı Biçimlendirmesi'ni Sayı olarak ayarlayın ve değerleri 1.000 biçiminde (ondalıklar veya yüzde değerleri olmadan) sunun.

  4. Başka bir boş KPI grafiği oluşturun. Aşağıdaki hesaplamayı ekleyin:

    =Count({<Churned_predicted={"yes"}>}(Churned_predicted))

    Bu, yes değerinin Churned_predicted alanında kaç kez gösterildiğini hesaplayan bir küme ifadesidir.

  5. Hesaplamayı Kaybedilmesi Beklenen olarak etiketleyin.

  6. Grafiğin sayı biçimlendirmesini ilk KPI ile aynı ayarlarla yapılandırın.

  7. Üçüncü bir boş KPI grafiği oluşturun. Aşağıdaki hesaplamayı ekleyin:

    =Count({<Churned_predicted={"no"}>}(Churned_predicted))

    Bu, no değerinin Churned_predicted alanında kaç kez gösterildiğini hesaplar.

  8. Hesaplamayı Kalması Beklenen olarak etiketleyin.

Histogram

Tahmin olasılığı değerlerinin dağıtımını bir histogram ile görselleştirebilirsiniz.

Bir histogramı sayfaya sürükleyerek başlık verin. Churned_yes öğesini boyut olarak ekleyin.

Yığın sütun grafikler

Plan türü gibi kategorisel bir alana göre tahminleri analiz etmek için birbirinin üzerine yığılmış ayrı küme analizleri ile bir sütun grafik oluşturabilirsiniz.

  1. Sayfaya bir sütun grafik sürükleyin ve Plan Türüne göre Kaybetme Tahminleri olarak başlık verin.

  2. Boyut olarak PlanType öğesini ekleyin. Plan Türü olarak etiketleyin.

  3. Aşağıdaki hesaplamayı ekleyin:

    =Count({<Churned_predicted={"no"}>}(Churned_predicted))

    Hesaplamayı Kalması Beklenen olarak etiketleyin.

  4. Aşağıdaki hesaplamayı ekleyin:

    =Count({<Churned_predicted={"yes"}>}(Churned_predicted))

    Hesaplamayı Kaybedilmesi Beklenen olarak etiketleyin.

  5. GörünüşSunum bölümünde, düzeni Gruplandırılmış'tan Yığın'a değiştirin.

  6. Kaydırma çubuğunu kaldırın ve Değer etiketleri'ni Açık olarak ayarlayın.

  7. Segment etiketleri ve Toplam etiketler öğelerini Otomatik olarak yapılandırın.

Bittiğinde aynı iki hesaplama ancak NumberOfPenalties gibi farklı bir kategorik boyutla benzer bir sütun grafik oluşturabilirsiniz.

Ayrı sayısal alan değerlerini analiz etmek için dağıtım çizimi

Çeşitli sayısal değerlere sahip bir hesaplamayla tahmin verilerini sunmak için bir dağılım çizimi kullanılabilir. Bu bölümde, müşterinin hizmet puanlaması için farklı gruplamalarla taban ücrete göre müşteri kaybı tahminlerini görüntülemek üzere bir grafik oluşturacaksınız.

  1. Sayfaya bir dağıtım çizimi sürükleyin ve Taban Ücret ve Hizmet Puanlamasına Göre Kayıp Tahminleri olarak başlık verin.

  2. Noktalar için boyut olarak AccountID ekleyin.

  3. Aşağıdaki hesaplamayı x eksenine ekleyin:

    =Avg(BaseFee)

  4. Aşağıdaki hesaplanan boyutu y eksenine ekleyin:

    =Round(ServiceRating,2)

    Bu, yaklaşık ServiceRating değerleri için y ekseni boyunca gruplamalar oluşturur. Değer ne kadar yüksekse müşteri hizmetin kalitesine o kadar yüksek puan vermiştir.

  5. GörünüşSunum bölümünde, Kabarcık boyutu'nu 20'ye düşürün ve Titreştirme noktaları'nı etkinleştirin.

  6. Renkler ve gösterge bölümünde Renkler'i Özel olarak ayarlayın.

  7. Verileri aşağıdaki boyuta göre renklendirme seçeneğini belirleyin:

    =Churned_predicted

    Bu, Churned_predicted alanındaki her bir değer için bir renk atar. Bu durumda, iki renk görünecektir.

  8. Boyut ve hesaplamaya etiket ekleyin ve aşağıdaki etiketi özel renk ayarına ekleyin: Kaybedilmesi Beklenen.

Farklı sayısal alanların analizleri için, BaseFee hesaplaması yerine başka alan toplamaları kullanılarak benzer grafikler oluşturulabilir.

Sayfadaki görselleştirmeleri aşağıdaki görsele benzeyecek şekilde yapılandırın.

Tahminler analizi sayfası

Tahmin verilerini analiz etmek için grafik nesneleri içeren tahmin panosu.

İkinci sayfa: Birleştirilmiş SHAP gösterge paneli

Ardından, birleştirilmiş SHAP değerlerini analiz etmeye ayrılmış bir sayfa oluşturun.

  1. Yeni bir sayfa oluşturun ve gelişmiş düzenleme modunu açın.

  2. Sayfa için bir başlık (ör. Birleştirilmiş SHAP) belirleyin.

SHAP importance sıralaması

Bu grafik türü, deney sürümlerinizi yapılandırırken görmüş olabileceğiniz otomatik oluşturulmuş grafik türüne benzer. Burada, tahmin edilen veri kümesi için bir tane oluşturacağız.

Bu tür grafiklerin amacı, Churned sütununda görülen sonuca en çok katkıda bulunan özellikleri göstermektir. Mutlak değerler kullanacağımız için SHAP sonuçlarının pozitif (yes değeri) veya negatif (no değeri) olabileceğinin farkında olmamız gerekir. İsterseniz mutlak değeri hesaplamayan bir ifade de kullanabilirsiniz.

  1. Bir sütun grafiği boş sayfaya sürükleyin.

  2. Grafiğe Özelliğe göre SHAP Importance başlığını verin.

  3. automl_feature öğesini boyut olarak ekleyin ve Özellik olarak etiketleyin.

    Bu, toplanan verileri dahil edilen tüm özelliklerde sunmanıza olanak tanır.

  4. Aşağıdaki ölçülen hesaplamayı ekleyin:

    =fabs(Avg(SHAP_value))

  5. Etiket bölümünde Average Absolute SHAP yazın.

  6. Özellikler panelindeki Görünüş > Sunum bölümünde, varsa kaydırma çubuğunu kaldırın ve grafik yönlendirmesini Dikey'den Yatay'a değiştirin.

  7. Sıralama bölümünde, henüz yapılmamışsa hesaplamayı boyutun üzerine sürükleyin. Her alanın sıralamasını Otomatik olarak bırakın.

    Bu, grafiği hesaplama değerlerinin azalan düzende gösterileceği şekilde sıralar.

Trellis container/Kafes türü kapsayıcı

Bir boyut içindeki belirli alan değerleri için verileri filtrelemek üzere bir Trellis container/Kafes türü kapsayıcı yapabilirsiniz. Bu durumda, müşterilere sunulan dört plan türünün her biri için SHAP değerlerini özetleyebiliriz.

Trellis/Kafes nesnesi oluşturmak için bir boyut ve ana görselleştirme belirtmeniz gerekir. Yeni oluşturduğumuz SHAP importance sıralamasını bir ana görselleştirmeye dönüştürürüz.

  1. Sayfada Average Absolute SHAP grafiğine sağ tıklayın ve ardından Bağlantılı Nesne Ana öğelere ekle'yi seçin.
  2. Varsayılan adı koruyun ve Ekle'ye tıklayın.
  3. Varlık panelindeki Özel nesneler > Qlik Görselleştirme Paketi bölümünde, bir Trellis container/Kafes türü kapsayıcı öğesini sayfaya sürükleyin.

  4. Boyut olarak PlanType öğesini ekleyin.

  5. Grafiğin içinde Ana görselleştirme ekle'ye tıklayın ve ardından Average Absolute SHAP grafiğini ekleyin.

  6. Özellikler panelindeki GörünüşGenel bölümünde, Başlıkları göster'i açın ve Plan Türüne göre SHAP Importance grafiğine başlık verin.

  7. Trellis container/Kafes türü kapsayıcı öğesini, grafiklerdeki özelliklerin adlarını göstermek için yeterli büyüklüğe sahip olacak şekilde yeniden boyutlandırın. Tüm etiketler görünmüyorsa tarayıcı penceresinde yakınlaştırmayı düzenleyin.

Alternatif olarak, analiz etmek istediğiniz her bir boyut değeri için ayarlanmış ifadelerle ayrı grafikler oluşturarak bu verileri görüntüleyebilirsiniz. Bu durumda, dört plan türünün her biri için ayrı bir grafik oluşturabilirsiniz.

Filtre bölmesini yeniden kullanma

Birinci sayfada oluşturduğunuz filtre bölmesi bu sayfada yeniden kullanılabilir. Gelişmiş düzenleme modunda filtre bölmesine sağ tıklayarak kopyalayın. Birleştirilmiş SHAP sayfasına yapıştırın.

Ağaç haritası

SHAP değerlerinin dökümünü bir ağaç haritasıyla da görselleştirebilirsiniz. Bir ağaç haritasını sayfaya sürükleyin ve SHAP Importance sıralamasında kullandığınız boyut ve hesaplamayı ekleyin.

Sayfadaki görselleştirmeleri aşağıdaki görsele benzeyecek şekilde yapılandırın.

Analiz modunda Birleştirilmiş SHAP sayfası

Çeşitli SHAP tabanlı görselleştirmeleri gösteren tüketim modunda tam sayfa.

Uygulamayı kullanma

Uygulamayı oluşturmayı bitirdiğinizde veri analizi için kullanılmaya hazırdır.

Analiz moduna geçmek için Sayfayı düzenle'ye tıklayın. Bu görünümde verilerin alt kümelerine ilişkin belirli analizlere yönelik olarak verileri filtrelemek için seçimler (filtre bölmesinde veya sayfadaki başka bir yerde) yapabilirsiniz. Örneğin, belirli bir müşteri planı türünü veya bölgeyi analiz etmek ve bulgularınızı diğer veri alt kümeleriyle karşılaştırmak isteyebilirsiniz.

Teşekkürler!

Bu eğitimin sonuna ulaştınız. Yararlı bilgiler edindiğinizi ve otomatik makine öğreniminin, tahmine dayalı modeller oluşturmanın hızlı ve kolay bir yolu olduğunu öğrendiğinizi umuyoruz. Qlik Sense, tahmin verilerinizi görselleştirmenizi kolaylaştıran ve verilerinize ilişkin anlamlı içgörüler sağlayan güçlü bir araçtır.

Bu sayfa size yardımcı oldu mu?

Bu sayfa veya içeriği ile ilgili bir sorun; bir yazım hatası, eksik bir adım veya teknik bir hata bulursanız, bize bildirin, düzeltelim!