Calcul des moyennes mobiles

L'utilisation directe de la date ou de la variable temporelle peut donner lieu à une série temporelle présentant de nombreuses variations. Le lissage peut être effectué à l'aide de moyennes glissantes (ex. Moyenne mobile sur 7 jours). Dans cet exercice, vous comparerez une période de 7 jours à une période de 10 jours. Moyenne mobile sur 28 jours pour voir ce qui donne une tendance lisse mais informative.

Si vous avez perdu votre progression, fermez les rapports ouverts et chargez 2_2_rolling_average.pbix à partir du dossier Workbooks sur le bureau.

Cet exercice fait partie du cours

Analyse des tendances dans Power BI

Afficher le cours

Exercice interactif pratique

Passez de la théorie à la pratique avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

Analyse des tendances dans Power BI

IntermédiaireNiveau de compétence

4.8+

1735 reviews

Commencer le cours gratuitement

Dans ce chapitre, vous vous familiariserez avec les variables temporelles et les multiples façons d'extraire d'autres variables à l'aide de EDA à des fins d'analyse, comme le jour de la semaine et le décalage horaire. Vous vous familiariserez avec Power BI en créant des graphiques linéaires pour calculer de nouvelles mesures et découvrir les tendances qui se cachent dans vos données, y compris les changements d'une période à l'autre et les moyennes glissantes.

Exercise 1: Commencer à explorer les données de séries temporelles Exercise 2: Déclarations sur l'analyse des séries temporelles Exercise 3: Explorer les séries temporelles d'AirBnB Exercise 4: Générer une nouvelle variable de date Exercise 5: Analyse des tendances par jour de la semaine Exercise 6: Calcul de l'évolution d'une année sur l'autre

Exercise 1: Diagramme d'exécution des séries temporelles Exercise 2: Cyclique vs. Saisonnier Exercise 3: Analyser les avis de Glassdoor dans le temps Exercise 4: Construire votre premier graphique de séries temporelles Exercise 5: Calcul des moyennes mobiles

Exercice en cours

Exercise 6: Recherche d'anomalies dans les données de séries temporelles

L'une des fonctions les plus puissantes de EDA dans Power BI est de pouvoir identifier les variables qui ont le plus d'influence sur votre résultat cible. Les arbres de décomposition sont un outil de visualisation natif de Power BI qui permet d'atteindre cet objectif. Vous apprendrez à connaître les arbres de décomposition, à les construire, puis à les interpréter afin d'expliquer un résultat cible par d'autres variables.

Exercise 1: Introduction aux arbres de décomposition Exercise 2: Déclarations sur les arbres de décomposition Exercise 3: Utiliser les arbres de décomposition dans Power BI Exercise 4: Commencer avec les arbres de décomposition Exercise 5: Approfondir l'étude des arbres de décomposition Exercise 6: Décomposition des taux d'attrition

Dans ce chapitre, vous allez créer un autre outil Power BI natif, le visuel des influenceurs clés. Il vous aide à comprendre dans quelle mesure un résultat cible change en fonction de variables spécifiques et de segments d'observations.

Exercise 1: Présentation des principaux influenceurs Exercise 2: Arbres de décomposition et influenceurs clés Exercise 3: Utiliser les influenceurs clés dans Power BI Exercise 4: Principaux facteurs d'influence du prix de vente moyen Exercise 5: Segments d'influenceurs clés Exercise 6: Influenceurs clés pour les super-hôtes Exercise 7: Félicitations!