---
title: "Ejecución del modelo con salida en cuadro de mando"
canonical: "https://onesaitplatform-es.refined.site/space/DOC/2216128594/Ejecuci%C3%B3n%20del%20modelo%20con%20salida%20en%20cuadro%20de%20mando"
format: markdown
---
La ejecución de un Notebook puede enviar su salida a un cuadro de mando (o dashboard) con sólo hacer una pequeña configuración. Este dashboard es el mismo para cualquier ejecución, pero tiene el parámetro “id_ejec” para mostrar los datos de una ejecución particular de la salida del modelo guardado en alguna ontología.

El primer paso es crear un cuaderno con un identificador de entrada por ejecución que pueda recibir este parámetro id_ejec. Para este ejemplo, vamos a desarrollar un cuaderno simple con dos param, centrado en entender el parámetro id_ejec:

- id_ejec → parámetro obligatorio con identificación y escritura de salida de la ontología. El servicio del modelo autogenera este parámetro por lo que nosotros sólo tenemos que usarlo.
- data → array de json con dos campos: name (string) y value (number).

![image](media://11ad97b6-67fb-404f-b3e0-d72355f75814)

Necesitamos una ontología de salida que conecte la salida del Notebook con la entrada del dashboard, por lo que necesitamos crear una nueva ontología con el campo id_ejec para la identificación de la ejecución:

![image](media://02a4c982-ea05-4e32-856c-4abb984df552)

Esa ontología será la salida de datos del cuaderno, así que creamos un cliente para esta ontología y empezamos a escribir el nuevo cuaderno.

Primero, creamos el párrafo de entrada:

|  |
| --- |
| ```
%python
id_ejec = z.input("id_ejec");
data = z.input("params");
``` |

Después, transformamos nuestros nuevos datos y añadimos el campo id_ejec con la misma estructura de la instancia de la ontología:

|  |
| --- |
| ```
%python
import json
jsondata = json.loads(json.loads(data)["data"])
arrayoutput = []
for inst in jsondata:
    inst["id_ejec"] = id_ejec
    arrayoutput.append({"dashboardOutput": inst})
data_id_ejec = json.dumps(arrayoutput)
print data_id_ejec
z.z.put("insert",data_id_ejec)
``` |

![image](media://b8b0fc16-e1f3-4b7e-8144-aa77d4818cba)

A continuación, sólo tenemos que iniciar la conexión e insertar los datos generados en la ontología.

```
%onesaitplatform
initConnection("client","tokenid")
```

```
%onesaitplatform
insert("dashboardOutput",z.get("insert"))
```

![image](media://4f871b9f-1c7e-42c7-bb53-134b53b62f03)

El segundo paso es crear el dashboard usando esta ontología y usando este id_ejec como un parámetro. Así que crearemos un simple diagrama de tarta usando los datos de este id_ejec.

Arrastramos el icono del gadget de la tarta y lo soltamos sobre el lienzo.

![image](media://3f48d848-4dd8-44f0-a0d5-ec747b8919b4)

Seleccionamos “Nuevo Gadget”.

![image](media://eeaf48ad-3e41-4d72-82f7-66dfa7efa9a2)

Introducimos toda la información: un nombre, la ontología que hemos creado antes y la consulta.

![image](media://305c0d5c-6271-4778-a10e-cce41567faff)

Ahora es necesario utilizar el nombre como eje X y el valor como eje Y, y pulsar en new para crearlo.

![image](media://c185adee-b667-4c71-a24c-a8f368ec3f80)

Con este gadget podemos añadir el nuevo parámetro especial “id_ejec” y vincularlo a este gadget al mismo campo. Así que vamos al menú params y lo añadimos.

![image](media://6dea2fd7-780c-430c-b037-130ef98001c7)

![image](media://4fca602b-3b52-4ff7-abf0-e8703f9d0e9a)

![image](media://d6ca9234-0872-4253-bf53-dc16196aea0b)

Por último, guardamos nuestro nuevo dashboard.

![image](media://e27e2d13-4b03-42f8-82c2-b9652ce7e02e)

Si abrimos este dashboard y añadimos el parámetro de consulta “id_ejec” a la url, podemos filtrar este dashboard con ello, mostrando el gadget para una ejecución.

Después de todo esto, podemos crear nuestro nuevo modelo vinculado con el dashboard. Definimos un nombre y una descripción, y seleccionamos nuestro cuaderno y el primer párrafo (el de entrada).

Tenemos que añadir el parámetro de datos. Para esto id_ejec está implícito.

![image](media://816ddf23-d4bc-4957-8030-9ce1ef28ef66)

En la fuente de salida, tenemos que seleccionar nuestro dashboard… y eso es todo.

![image](media://239a4e1d-fa49-4f56-9b6b-df70809bd3a3)

Podemos ejecutar este modelo con la API para ello, y cuando termine la ejecución, podemos ir al dashboard con el parámetro id_ejec (salida de la ejecución) como “query param” (parámetro de consulta) y ver todos los datos de esa ejecución.

![image](media://160b36e8-fd84-47db-81ae-ab24c31e0e4c)

![image](media://b7e273b3-f58e-4017-b22f-602971f71021)

![image](media://c4e92154-34b5-41ac-b26f-d1443fec3f47)