In this chapter, we’ll begin our journey by understanding the different types of time series that exist, as well as the analytical methodologies to analyze this. Once you’ve understood the fundamental concepts, you’ll learn how to reformat time series data in preparation for univariate and multivariate visualizations.


An introduction to time series

Time series classification

Date time formatting in Tableau

Reformatting with datename

Partitioning with datepart

Date transformations and visualizations

Date time knowledge check

Reformatting dates in Tableau

Truncating dates

Calculating durations from date timestamps

Classifying time series data

Analyzing ridership behaviour

Introduction to Time Series Analysis in Tableau

Everyone wants to analyze data, but it’s important the data is clean. In this chapter, we’ll learn how to clean up time series data using Tableau’s inbuilt date functions where we’ll reshape, split and rejoin our data based on the different time context we’re interested in. Beyond this, we’ll dive into the concepts of seasonality, trend analysis and anomaly detection!

Date string manipulation and reformation

Valid or not?

Reforming dates in practice

Parsing the date

Weekly truncations

Seasonality and anomalies in time series data

Anomalous techniques

Visualizing seasonality and percentiles

Changing the seasons

Trending matters

Seasonal variance with box plots

Analyzing avocado pricing discrepencies

Data Preparation for Time Series Analysis

In this final chapter, you’ll learn all about the powers of window functions and statistical techniques like Z-Values, where you’ll create your very own anomaly classifiers to identify optimal pricing arbitrage opportunities for a trading company! In the second part of this chapter, we’ll compare multiple anomaly detection techniques, equipping you with a broad range of approaches to treating and analyzing time series! 

Fungsi window di Tableau

Memahami window function

Perhitungan dengan fungsi window

Menghaluskan data dengan moving average

Memilih jendela waktu moving average

Mengidentifikasi hubungan dengan window correlation

Deteksi anomali dengan fungsi jendela

Options

True

False

Melatih ingatan dengan Z-score dan simpangan baku

Mengenal lebih dalam perhitungan window

Membedah volatilitas

Menetapkan batas atas

Deteksi anomali dengan Z-score

Selamat!

Windowing Functions and Moving Averages in Tableau

Workbooks and Datasources

Deret waktu ada di sekitar kita; dari unggahan yang Anda buat di Twitter hingga fluktuasi harian di pasar keuangan—semuanya adalah contoh titik data deret waktu yang perlu dianalisis. Dalam kursus ini, Anda akan belajar mengklasifikasikan, mengolah, dan menganalisis deret waktu; keterampilan yang mutlak diperlukan jika Anda serius ingin meningkatkan kemampuan sebagai profesional analitik.

Data deret waktu ada di sekitar kita; mulai dari postingan yang Anda buat di Twitter, hingga fluktuasi harian di pasar keuangan - semua ini adalah contoh titik data deret waktu yang perlu dianalisis. Dalam kursus ini, Anda akan belajar untuk mengklasifikasikan, menganalisis, dan mengolah data deret waktu; hal ini mutlak diperlukan jika Anda serius ingin menjadi profesional di bidang analitik.

<h2>Temukan kekuatan dari seri waktu</h2>
Anda akan memulai dengan dasar-dasar, di mana Anda akan mempelajari berbagai jenis rangkaian waktu yang ada, serta metode analitis untuk menganalisisnya. Setelah Anda menguasai dasar-dasarnya, Anda akan belajar cara memformat ulang data seri waktu sebagai persiapan untuk visualisasi univariat dan multivariat.

<h2>Persiapan Data &amp; Deret Waktu</h2>
Semua orang ingin menganalisis data, tetapi penting bagi kita untuk membersihkannya terlebih dahulu. Kita akan belajar cara membersihkan data time-series menggunakan fungsi tanggal Tableau, di mana kita akan mengubah bentuk data berdasarkan konteks waktu yang kita minati. Selain itu, kita akan mempelajari seluk-beluk penggunaan LODs untuk mengotomatisasi perhitungan ini bagi kita!

<h2>Analisis Data Seri Waktu</h2>
Pada bagian akhir kursus ini, Anda akan mempelajari teknik statistik seperti Z-Values, di mana Anda akan membuat bidang deteksi anomali Anda sendiri di Tableau untuk mengidentifikasi peluang arbitrase optimal bagi perusahaan perdagangan! Anda akan mempelajari apa itu deret waktu, cara mengolahnya, dan yang lebih penting, cara menggunakan ukuran statistik untuk menceritakan sebuah kisah yang bermakna. Ayo kita mulai!

Calculations in Tableau

Dalam kursus ini, Anda akan belajar mengklasifikasi, mengolah, dan menganalisis deret waktu.

Analisis Deret Waktu di Tableau

Z-score mengukur posisi relatif suatu titik data sebagai jumlah simpangan baku, sedangkan simpangan baku mengkuantifikasi sebaran himpunan data

Z-score mengukur penyebaran titik data dari mean, sementara simpangan baku merepresentasikan jarak rata-rata dari median

Z-score menghitung jarak rata-rata antar titik data, sementara simpangan baku menentukan kemungkinan terjadinya nilai ekstrem

Z-score merepresentasikan proporsi titik data dalam rentang tertentu, sementara simpangan baku menentukan kemencengan (skewness) himpunan data

Melatih ingatan dengan Z-score dan simpangan baku

Analisis Deret Waktu di Tableau

Latihan interaktif langsung