In diesem Kapitel starten wir damit, die verschiedenen Arten von Zeitreihen und die zugehörigen Analysemethoden kennenzulernen. Sobald du die Grundkonzepte verstanden hast, lernst du, Zeitreihen-Daten für univariate und multivariate Visualisierungen neu zu formatieren.


Einführung in Zeitreihen

Klassifikation von Zeitreihen

Datums- und Zeitformatierung in Tableau

Umformatieren mit datename

Partitionierung mit DATEPART

Datumstransformationen und Visualisierungen

Wissenscheck zu Datum und Uhrzeit

Datumsangaben in Tableau neu formatieren

Datumsangaben kürzen

Dauern aus Datums-Zeitstempeln berechnen

Zeitreihendaten klassifizieren

Analyse des Fahrverhaltens

Einführung in die Zeitreihenanalyse in Tableau

Alle wollen Daten analysieren, aber wichtig ist, dass die Daten sauber sind. In diesem Kapitel lernen wir, Zeitreihen-Daten mit den eingebauten Datumsfunktionen von Tableau zu bereinigen. Dabei formen wir Daten um, teilen sie auf und fügen sie wieder zusammen – je nach dem Zeitkontext, der uns interessiert. Außerdem tauchen wir in die Konzepte Saisonalität, Trendanalyse und Anomalieerkennung ein!

Datumszeichenfolgen bearbeiten und umwandeln

Gültig oder nicht?

Datumsangaben in der Praxis umformen

Datum parsen

Wöchentliche Trunkierungen

Saisonalität und Anomalien in Zeitreihendaten

Techniken für Anomalien

Saisonalität und Perzentile visualisieren

Die Jahreszeiten wechseln

Trends sind wichtig

Saisonale Streuung mit Boxplots

Abweichungen in Avocado-Preisen analysieren

Datenaufbereitung für die Zeitreihenanalyse

In diesem letzten Kapitel lernst du die Stärken von Window-Funktionen und statistischen Techniken wie Z-Werten kennen. Du erstellst eigene Anomalie-Klassifizierer, um optimale Pricing-Arbitrage-Chancen für ein Handelsunternehmen zu identifizieren! Im zweiten Teil dieses Kapitels vergleichen wir mehrere Verfahren zur Anomalieerkennung, sodass du mit einem breiten Methodenspektrum zur Behandlung und Analyse von Zeitreihen ausgestattet bist! 

Window-Funktionen in Tableau

Window-Funktionen verstehen

Berechnungen mit Window-Funktionen

Daten mit gleitenden Durchschnitten glätten

Gleitende Durchschnittsfenster auswählen

Beziehungen mit Fensterkorrelationen erkennen

Anomalieerkennung mit Window-Funktionen

Optionen

Wahr

Falsch

Muscle Memory mit Z-Scores und Standardabweichung

Tiefer Einblick in Fensterberechnungen

Volatilität aufschlüsseln

Obere Grenzwerte festlegen

Anomalieerkennung mit Z-Scores

Glückwunsch!

Window-Funktionen und gleitende Durchschnitte in Tableau

Workbooks and Datasources

Zeitreihen sind überall – von deinen Posts auf Twitter bis zu den täglichen Schwankungen der Finanzmärkte. All das sind Beispiele für Zeitreihen-Datenpunkte, die analysiert werden müssen. In diesem Kurs lernst du, Zeitreihen zu klassifizieren, aufzubereiten und zu analysieren – ein absolutes Muss, wenn du als Analytics-Profi den nächsten Schritt machen willst.

Zeitreihen sind überall um uns herum: Von deinem Post auf Twitter bis hin zu den täglichen Schwankungen an den Finanzmärkten – das sind alles Beispiele für Zeitreihendatenpunkte, die analysiert werden müssen. In diesem Kurs lernst du, Zeitreihen zu klassifizieren, zu bearbeiten und zu analysieren – ein absolutes Muss, wenn du ernsthaft vorhast, dich als Analytiker weiterzuentwickeln.

<h2>Entdecke die Kraft von Zeitreihen</h2>
Du fängst mit den Grundlagen an, wo du die verschiedenen Arten von Zeitreihen kennenlernst, die es gibt, sowie die Methoden, um diese zu analysieren. Sobald du die Grundlagen verstanden hast, lernst du, wie du Zeitreihendaten neu formatieren kannst, um sie für univariate und multivariate Visualisierungen vorzubereiten.

<h2>Datenaufbereitung &amp; Zeitreihen</h2>
Jeder will Daten analysieren, aber es ist wichtig, dass wir sie auch bereinigen. Wir zeigen dir, wie du Zeitreihendaten mit den Datumsfunktionen von Tableau aufräumen kannst. Dabei passen wir unsere Daten an den jeweiligen Zeitkontext an, der uns interessiert. Außerdem zeigen wir dir, wie du mit LODs diese Berechnungen automatisch machen kannst!

<h2>Zeitreihendaten darstellen</h2>
Im letzten Teil dieses Kurses lernst du statistische Techniken wie Z-Werte kennen, mit denen du deine eigenen Felder zur Anomalieerkennung in Tableau erstellen kannst, um optimale Arbitrage-Möglichkeiten für ein Handelsunternehmen zu finden! Du hättest gelernt, was Zeitreihen sind, wie man sie behandelt und vor allem, wie man mit statistischen Messungen eine aussagekräftige Geschichte erzählt. Lass uns loslegen!

Calculations in Tableau

In diesem Kurs lernen Sie, Zeitreihen zu analysieren – ein Muss für angehende Analytics-Profis.

Zeitreihenanalyse in Tableau

Der Z-Score misst die relative Position eines Datenpunkts als Anzahl von Standardabweichungen, die Standardabweichung quantifiziert die Streuung des Datensatzes

Der Z-Score misst die Streuung der Datenpunkte um den Mittelwert, während die Standardabweichung den durchschnittlichen Abstand vom Median darstellt

Der Z-Score berechnet den durchschnittlichen Abstand zwischen Datenpunkten, während die Standardabweichung die Wahrscheinlichkeit extremer Werte bestimmt

Der Z-Score gibt den Anteil der Datenpunkte innerhalb eines bestimmten Bereichs an, während die Standardabweichung die Schiefe des Datensatzes bestimmt

Muscle Memory mit Z-Scores und Standardabweichung

Interaktive praktische Übung