V této kapitole se blíže seznámíš s časovými proměnnými a různými způsoby, jak z nich pomocí EDA odvozovat další proměnné – například den v týdnu nebo časový rozdíl. Prakticky si vyzkoušíš Power BI: sestavíš spojnicové grafy, vypočítáš nové metriky a odhalíš trendy skryté v datech – včetně změn mezi obdobími a klouzavých průměrů.

Začínáme zkoumat data časových řad

Tvrzení o analýze časových řad

Průzkum časových řad AirBnB

Vytvoření nové datové proměnné

Analýza trendů podle dne v týdnu

Výpočet meziroční změny

Průzkum dat časových řad

Spojnicový graf časové řady

Cyklické vs. sezónní vzory

Analýza hodnocení na Glassdooru v čase

Vytvoření prvního grafu časové řady

Výpočet klouzavých průměrů

Hledání anomálií v datech časových řad

Analýza časových řad v Power BI

Jednou z nejsilnějších funkcí EDA v Power BI je schopnost identifikovat, které proměnné mají největší vliv na cílový výsledek. Nativním vizualizačním nástrojem Power BI, který to umožňuje, jsou rozkladové stromy. Naučíš se, co rozkladové stromy jsou, jak je sestavit a jak je interpretovat, abys dokázal/a vysvětlit cílový výsledek pomocí dalších proměnných.

Úvod do rozkladových stromů

Tvrzení o stromech rozkladu

Používání stromů rozkladu v Power BI

První kroky s rozkladovými stromy

Hlubší průzkum dekompozičních stromů

Analýza míry odchodů pomocí dekompozičního stromu

Rozkladové stromy

V této kapitole sestavíš další nativní nástroj Power BI – vizuál Klíčové faktory. Pomůže ti pochopit, jak moc se cílový výsledek mění v závislosti na konkrétních proměnných a skupinách pozorování.

Úvod do klíčových vlivů

Stromy rozkladu vs. klíčoví ovlivňovatelé

Použití klíčových faktorů vlivu v Power BI

Klíčoví influenceři pro průměrnou cenu nabídky

Segmenty z klíčových vlivů

Klíčoví influenceři pro superhosty

Gratulujeme!

Klíčové faktory

Exercises and Datasets

Course Glossary

DataCamp vs. Local Experience

V tomto kurzu se naučíš analyzovat časové řady, vizualizovat data a odhalovat trendy. Vytvoříš nové datové proměnné, seznámíš se s run charts a naučíš se počítat klouzavé průměry. Na závěr zjistíš, jak pomocí rozkladových stromů a klíčových faktorů v Power BI identifikovat proměnné s největším vlivem na cílovou proměnnou.

Glosář kurzu najdeš vpravo v sekci zdrojů.

Aby sis mohl/a získat kredity CPE, musíš kurz dokončit a dosáhnout skóre alespoň 70 % v závěrečném hodnocení. K hodnocení se dostaneš kliknutím na upozornění na kredity CPE vpravo.

<h2>Analyzujte časové řady dat</h2>
V tomto kurzu se naučíte, jak analyzovat časové řady, vizualizovat svá data a rozpoznávat trendy. Vytvoříte nové proměnné data, objevíte run charty a pustíte se do výpočtu klouzavých průměrů. 
<br><br>
<h2>Pochopte ovlivňující proměnné</h2>
Nakonec zjistíte, jak pomocí dekompozičních stromů a klíčových ovlivňujících faktorů v Power BI identifikovat, které proměnné mají na cílovou proměnnou největší vliv.


Exploratory Data Analysis in Power BI

Vylepšete své zprávy pomocí analýzy trendů jako časové řady, dekompoziční stromy a klíčoví vlivy.

Analýza trendů v Power BI

Vylepšete své reporty pomocí technik analýzy trendů, jako jsou časové řady, dekompoziční stromy a klíčoví ovlivňovatelé.

Datový analytik v Power BI

Analýza míry odchodů pomocí dekompozičního stromu

Analýza trendů v Power BI

Interaktivní praktické cvičení