Lisser des données avec des moyennes mobiles

Avec les séries temporelles, on travaille souvent avec des données très bruyantes, comportant de multiples pics et creux.

Pour y remédier, les moyennes mobiles sont une technique utile pour lisser les données bruyantes tout en préservant la forme générale de la distribution.

Dans cet exercice, nous allons voir comment utiliser l'interface de Tableau pour créer une moyenne mobile sur 7 jours à l'aide des calculs de tableau afin de lisser des données de négoce de l'eau autrement bruyantes!

Cette activité fait partie du cours

Analyse des séries chronologiques dans Tableau

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Analyse des séries chronologiques dans Tableau

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce chapitre, nous amorcerons notre parcours en présentant les différents types de séries chronologiques qui existent, ainsi que les méthodes d'analyse pour les étudier. Une fois les concepts de base compris, vous verrez comment reformater des données temporelles en vue de visualisations univariées et multivariées.

Exercise 1: Introduction aux séries temporelles Exercise 2: Classification des séries chronologiques Exercise 3: Mise en forme des date-heure dans Tableau Exercise 4: Reformatage avec datename Exercise 5: Partitionnement avec datepart Exercise 6: Transformations et visualisations de dates Exercise 7: Vérification des connaissances sur les dates et heures Exercise 8: Reformater les dates dans Tableau Exercise 9: Tronquer des dates Exercise 10: Calculer des durées à partir d'horodatages Exercise 11: Classifier des données de séries chronologiques Exercise 12: Analyser le comportement des usagers

Tout le monde veut analyser des données, mais il est essentiel qu'elles soient propres. Dans ce chapitre, nous verrons comment nettoyer des séries chronologiques à l'aide des fonctions de date intégrées de Tableau, où nous remodelerons, découperons et rejoindrons les données selon le contexte temporel qui nous intéresse. Ensuite, nous approfondirons les notions de saisonnalité, d'analyse des tendances et de détection d'anomalies !

Exercise 1: Manipulation et reformatage de chaînes de date Exercise 2: Valide ou non?Exercise 3: Reformater des dates en pratique Exercise 4: Analyser la date Exercise 5: Tronquages hebdomadaires Exercise 6: Saisonnalité et anomalies dans les données de séries chronologiques Exercise 7: Techniques pour détecter les anomalies Exercise 8: Visualiser la saisonnalité et les centiles Exercise 9: Changer de saison Exercise 10: L'importance des tendances Exercise 11: Variance saisonnière avec des boîtes à moustaches Exercise 12: Analyse des écarts de prix des avocats

Dans ce dernier chapitre, vous découvrirez toute la puissance des fonctions de fenêtrage et des techniques statistiques comme les valeurs Z, grâce auxquelles vous créerez vos propres classificateurs d'anomalies pour repérer des occasions optimales d'arbitrage de prix pour une entreprise de négoce ! Dans la seconde partie du chapitre, nous comparerons plusieurs techniques de détection d'anomalies afin de vous outiller avec un large éventail d'approches pour traiter et analyser des séries chronologiques !

Exercise 1: Fonctions de fenêtrage dans Tableau Exercise 2: Comprendre les fonctions de fenêtrage Exercise 3: Calculs avec des fonctions de fenêtrage Exercise 4: Lisser des données avec des moyennes mobiles

Exercice en cours

Exercise 5: Choisir les fenêtres temporelles pour la moyenne mobile Exercise 6: Identifier les relations avec les corrélations fenêtrées Exercise 7: Détection d'anomalies avec les fonctions de fenêtrage Exercise 8: Automatiser ses réflexes avec les scores Z et l'écart type Exercise 9: Plongée approfondie dans les calculs de fenêtre Exercise 10: Décomposer la volatilité Exercise 11: Définir des limites supérieures Exercise 12: Détection d'anomalies avec les Z-scores Exercise 13: Félicitations !