Détecter des anomalies dans des séries temporelles

Visualiser les tendances globales dans le temps est idéal pour repérer des motifs récurrents comme des comportements inhabituels. En les analysant plus finement, vous pouvez expliquer pourquoi ces motifs apparaissent.

Dans cet exercice, vous allez enquêter sur une baisse inhabituelle du nombre de nouveaux hôtes AirBnB. Vous commencerez avec la détection d’anomalies de Power BI, puis vous approfondirez manuellement.

Si vous avez perdu votre progression, fermez tout rapport ouvert et chargez 2_3_anomalies.pbix depuis le 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+

2353 reviews

Commencer le cours gratuitement

Dans ce chapitre, vous vous familiariserez avec les variables temporelles et les différentes façons d’extraire d’autres variables via l’EDA pour l’analyse — comme le jour de la semaine et la différence de temps. Vous passerez à la pratique dans Power BI en construisant des graphiques en courbes pour calculer de nouveaux indicateurs et mettre au jour les tendances cachées dans vos données — notamment les variations période à période et les moyennes mobiles.

Exercise 1: Premiers pas avec l’exploration des séries temporelles Exercise 2: Affirmations sur l’analyse des séries temporelles Exercise 3: Explorer les séries temporelles d’Airbnb Exercise 4: Générer une nouvelle variable de date Exercise 5: Analyser les tendances par jour de la semaine Exercise 6: Calcul du changement d’une année sur l’autre

Exercise 1: Run chart de séries temporelles Exercise 2: Cycle vs. saisonnalité Exercise 3: Analyser les avis Glassdoor dans le temps Exercise 4: Créez votre premier graphique de série temporelle Exercise 5: Calculer des moyennes mobiles Exercise 6: Détecter des anomalies dans des séries temporelles

Exercice en cours

L’une des fonctions les plus puissantes de l’EDA dans Power BI est de pouvoir identifier quelles variables influencent le plus votre résultat cible. Un outil de visualisation natif de Power BI qui le permet est l’arbre de décomposition. Vous apprendrez ce qu’est un arbre de décomposition, comment le construire puis l’interpréter afin d’expliquer un résultat cible à partir d’autres variables.

Exercise 1: Introduction aux arbres de décomposition Exercise 2: Énoncés sur les arbres de décomposition Exercise 3: Utiliser les arbres de décomposition dans Power BI Exercise 4: Premiers pas avec les arborescences de décomposition Exercise 5: Approfondir les arbres de décomposition Exercise 6: Décomposer les taux d’attrition

Dans ce chapitre, vous créerez un autre visuel natif de Power BI, le visuel Key Influencers. Il vous aide à comprendre dans quelle mesure un résultat cible varie en fonction de certaines variables et de segments d’observations.

Exercise 1: Introduction aux indicateurs clés d’influence Exercise 2: Arbres de décomposition vs. Key Influencers Exercise 3: Utiliser les influenceurs clés dans Power BI Exercise 4: Influenceurs clés pour le prix moyen des annonces Exercise 5: Segments issus des principaux facteurs d’influence Exercise 6: Facteurs clés pour les superhosts Exercise 7: Félicitations !