Berechnung der Veränderung im Vergleich zum Vorjahr

Nach der Analyse von Trends in einer Zielvariablen nach verschiedenen Datumsgruppen und Kontexten ist es oft wichtig, den Unterschied über ähnliche Zeiträume hinweg zu quantifizieren. Ein Beispiel dafür wäre eine Veränderung in Prozent gegenüber dem Vorjahr. In dieser Übung erstellst du eine neue Schnellkennzahl, um die jährliche Veränderung für neue Gastgeber auf der AirBnB-Plattform zu berechnen.

Falls dein bisheriger Fortschritt nicht mehr vorhanden ist, schließe alle offenen Berichte und lade 1_3_yoy_change.pbix aus dem Ordner „Workbooks“ auf dem Desktop.

Diese Übung ist Teil des Kurses

Trendanalyse in Power BI

Kurs anzeigen

Interaktive Übung zum Anfassen

Setzen Sie die Theorie mit einer unserer interaktiven Übungen in die Tat um

Beginnen Sie mit dem Training

Diese Übung ist Teil des Kurses

Trendanalyse in Power BI

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

751 reviews

Kurs kostenlos starten

In diesem Kapitel machst du dich mit zeitbasierten Variablen vertraut und lernst die verschiedenen Möglichkeiten kennen, wie du mit EDA weitere Variablen für die Analyse extrahieren kannst, z. B. den Wochentag und die Zeitdifferenz. Du lernst Power BI in der Praxis kennen, indem du Liniendiagramme erstellst, um neue Kennzahlen zu berechnen und in deinen Daten verborgene Trends aufzudecken, z. B. Veränderungen im Vergleich zu anderen Zeiträumen oder gleitende Durchschnitte.

Exercise 1: Beginn der Erforschung von Zeitreihendaten Exercise 2: Aussagen zur Zeitreihenanalyse Exercise 3: Erforschung der AirBnB-Zeitreihen Exercise 4: Erzeugen einer neuen Datumsvariable Exercise 5: Analyse der Trends nach Wochentag Exercise 6: Berechnung der Veränderung im Vergleich zum Vorjahr

Aktuelle Übung

Exercise 1: Zeitreihenlaufdiagramm Exercise 2: Zyklisch vs. Saisonale Exercise 3: Analyse der Glassdoor-Bewertungen im Laufe der Zeit Exercise 4: Dein erstes Zeitreihendiagramm erstellen Exercise 5: Berechnung der gleitenden Durchschnitte Exercise 6: Auffinden von Anomalien in Zeitreihendaten

Eine der leistungsfähigsten Funktionen von EDA in Power BI ist es, herauszufinden, welche Variablen den größten Einfluss auf dein Zielergebnis haben. Ein Power BI-eigenes Visualisierungstool, das dies ermöglicht, ist Decomposition Trees. Du lernst etwas über Dekompositionsbäume, wie man sie konstruiert und dann interpretiert, um ein Zielergebnis durch andere Variablen zu erklären.

Exercise 1: Einführung in die Zersetzungsbäume Exercise 2: Aussagen über Zersetzungsbäume Exercise 3: Dekompositionsbäume in Power BI verwenden Exercise 4: Erste Schritte mit Zersetzungsbäumen Exercise 5: Tiefer in die Zersetzungsbäume eintauchen Exercise 6: Zerlegung der Fluktuationsraten

In diesem Kapitel baust du ein weiteres natives Power BI-Tool auf, das Key Influencers Visual. Sie hilft dir zu verstehen, wie sehr sich ein Zielergebnis auf der Grundlage bestimmter Variablen und Beobachtungssegmente verändert.

Exercise 1: Einführung in die wichtigsten Einflussnehmer Exercise 2: Dekompositionsbäume vs. Key Influencer Exercise 3: Wichtige Einflussfaktoren in Power BI nutzen Exercise 4: Wichtige Einflussfaktoren für den durchschnittlichen Angebotspreis Exercise 5: Segmente von wichtigen Einflussnehmern Exercise 6: Wichtige Einflussfaktoren für Superhosts Exercise 7: Glückwunsch!