Yolcu davranışını analiz etme

Citibike'ta, yolcu davranışını anlamak bisikletlerimize güvenilir erişim sağlamak için kritik öneme sahiptir. Bu da farklı müşteri gruplarımız (günübirlik üyeler / yıllık üyeler) için yoğun ve yoğun olmayan dönemleri anlamamız gerektiği anlamına gelir.

Hafta içi yoğun saatlerde, ücretli üyelerimizin, günübirlik sürücülerin yoğun kullanımından şüphe edildiği için, her zaman bisikletlere erişemediğine dair söylentiler duyduk.

Hadi, bunu veri odaklı bir analizle doğrulayalım!

İlerlemeni kaybettiysen, Masaüstü'ndeki Exercises klasöründen 1_6_analyzing_ridership_behaviour.twbx çalışma kitabını yükle

Bu egzersiz

Tableau'da Zaman Serisi Analizi

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

İnteraktif egzersizlerimizden biriyle teoriyi pratiğe dökün

Egzersizi başlat

Bu egzersiz

Tableau'da Zaman Serisi Analizi

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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.

Exercise 1: Zaman serilerine giriş Exercise 2: Zaman serisi sınıflandırması Exercise 3: Tableau’de tarih-saat biçimlendirme Exercise 4: Datename ile yeniden biçimlendirme Exercise 5: Datepart ile bölümlendirme Exercise 6: Tarih dönüşümleri ve görselleştirmeler Exercise 7: Tarih-saat bilgisi kontrolü Exercise 8: Tableau'da tarihleri yeniden biçimlendirme Exercise 9: Tarihleri kesmek (truncate)Exercise 10: Zaman damgalarından süreleri hesaplama Exercise 11: Zaman serisi verilerini sınıflandırma Exercise 12: Yolcu davranışını analiz etme

Geçerli Egzersiz

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!

Exercise 1: Date string manipulation and reformation Exercise 2: Valid or not?Exercise 3: Reforming dates in practice Exercise 4: Parsing the date Exercise 5: Weekly truncations Exercise 6: Seasonality and anomalies in time series data Exercise 7: Anomalous techniques Exercise 8: Visualizing seasonality and percentiles Exercise 9: Changing the seasons Exercise 10: Trending matters Exercise 11: Seasonal variance with box plots Exercise 12: Analyzing avocado pricing discrepencies

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!

Exercise 1: Window functions in Tableau Exercise 2: Understanding window functions Exercise 3: Calculations with window functions Exercise 4: Smoothing data with moving averages Exercise 5: Selecting moving average time windows Exercise 6: Identifying relationships with window correlations Exercise 7: Anomaly detection with window functions Exercise 8: Muscle memory with Z-scores and standard deviation Exercise 9: A deep dive into window calculations Exercise 10: Unpacking volatility Exercise 11: Setting upper boundaries Exercise 12: Anomaly detection with Z-scores Exercise 13: Congratulations!