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! 

Windowfuncties in Tableau

Windowfuncties begrijpen

Berekeningen met windowfuncties

Gegevens gladstrijken met voortschrijdende gemiddelden

Tijdvensters voor voortschrijdend gemiddelde kiezen

Relaties identificeren met window-correlaties

Anomaliedetectie met windowfuncties

Options

True

False

Spiergeheugen met Z-scores en standaarddeviatie

Een deep dive in vensterberekeningen

Volatiliteit ontrafelen

Bovengrenzen instellen

Anomalieën detecteren met Z-scores

Gefeliciteerd!

Windowing Functions and Moving Averages in Tableau

Workbooks and Datasources

Tijdreeksen zijn overal om ons heen: van de posts die je op Twitter plaatst tot de dagelijkse schommelingen op de financiële markten — het zijn allemaal voorbeelden van tijdreeksgegevens die moeten worden geanalyseerd. In deze cursus leer je tijdreeksen classificeren, voorbereiden en analyseren; onmisbaar als je serieus werk wilt maken van je rol als analyticsprofessional.

Tijdreeksen zijn overal om ons heen; van je bericht op Twitter tot de dagelijkse schommelingen op de financiële markten – dit zijn allemaal voorbeelden van tijdreeksgegevens die moeten worden geanalyseerd. In deze cursus leer je tijdreeksen te classificeren, te behandelen en te analyseren; een absolute must als je serieus wilt doorgroeien als analytics-professional.

<h2>Ontdek de kracht van tijdreeksen</h2>
Je begint met de basis, waar je de verschillende soorten tijdreeksen leert kennen, en ook de manieren om deze te analyseren. Zodra je de basis onder de knie hebt, leer je hoe je tijdreeksgegevens opnieuw kunt formatteren ter voorbereiding op univariate en multivariate visualisaties.

<h2>Gegevensvoorbereiding en tijdreeksen</h2>
Iedereen wil data analyseren, maar het is belangrijk dat we deze ook opschonen. We gaan leren hoe we tijdreeksgegevens kunnen opschonen met de datumfuncties van Tableau, waarbij we onze gegevens aanpassen op basis van de verschillende tijdscontexten waarin we geïnteresseerd zijn. Bovendien leren we hoe we LOD's kunnen gebruiken om deze berekeningen voor ons te automatiseren!

<h2>Tijdreeksgegevens analyseren</h2>
In de laatste delen van deze cursus leer je over statistische technieken zoals Z-waarden, waarbij je je eigen velden voor anomaliedetectie in Tableau gebruikt om de beste arbitragemogelijkheden voor een handelsbedrijf te vinden! Je hebt geleerd wat tijdreeksen zijn, hoe je ermee omgaat en, nog belangrijker, hoe je statistische maatregelen kunt gebruiken om een krachtig verhaal te vertellen. Laten we beginnen!

Calculations in Tableau

In deze cursus leer je tijdreeksen classificeren, behandelen en analyseren; essentieel voor analisten.

Tijdreeksanalyse in Tableau

Z-score meet de relatieve positie van een datapunt als een aantal standaarddeviaties; de standaarddeviatie kwantificeert de spreiding van de gegevensset

Z-score meet de spreiding van datapunten vanaf het gemiddelde, terwijl de standaarddeviatie de gemiddelde afstand tot de mediaan weergeeft

Z-score berekent de gemiddelde afstand tussen datapunten, terwijl de standaarddeviatie de kans op extreme waarden bepaalt

Z-score staat voor het aandeel datapunten binnen een bepaald bereik, terwijl de standaarddeviatie de scheefheid van de gegevensset bepaalt

Spiergeheugen met Z-scores en standaarddeviatie

Tijdreeksanalyse in Tableau

Praktische interactieve oefening