Premiers pas avec les arborescences de décomposition

Reprenons le jeu de données Glassdoor. Les exercices précédents ont mis en évidence des relations entre MonthlyIncome et d’autres variables du jeu de données, notamment JobRole, JobLevel et CareerStage. Celles-ci peuvent être utilisées dans une arborescence de décomposition pour analyser plus rapidement comment les valeurs de chaque variable influencent la valeur de MonthlyIncome.

Dans cet exercice, vous allez justement explorer cela pour comprendre comment la moyenne de MonthlyIncome est influencée par différentes valeurs de plusieurs variables « Explain by ».

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+

2351 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

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

Exercice en cours

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 !