Grundlagen von Zeitreihendaten

Zeitreihenanalyse in Power BI

Kevin Barlow

Data Analytics Professional

Kursvoraussetzungen

Dieser Kurs verwendet in den Übungen fortgeschrittene DAX-Funktionen, darunter:

CALCULATE()
IF()
SUMMARIZE()

Warum ist das wichtig?

Jeder Datensatz hat Zeit als Dimension! Aus Analysen über die Zeit erkennen wir spannende Trends – dafür brauchen wir ein starkes Toolkit.

Wie hat sich mein Data über die Zeit verändert?
Was sollte meine Data basierend auf der Historie zeigen?
Was wird meine Data in Zukunft zeigen?

Warum sind Zeitreihendaten wichtig

Zeitreihendaten definieren

Zeitreihendaten sind Beobachtungen (also Datenpunkte), die über denselben Gegenstand über einen Zeitraum hinweg gesammelt wurden.

Zwei Schlüsselelemente

Spanne: der gesamte Zeitraum, für den wir Daten haben
Intervall: die Zeit zwischen zwei Beobachtungen

Komponenten der Zeitreihe

Veränderungen über die Zeit verfolgen

Säkularer Trend

Saisonschwankung

Zyklische Schwankung

Zufällige (irreguläre) Schwankung

Beispiel für zufällige Schwankung

Kurzfristige Zeitreihenanalyse

Kurzfristig umfasst in der Regel weniger als ein Jahr. Hier wollen wir verstehen, was unsere Daten gerade zeigen.

Typische Analysen

Letzte x Perioden (z. B. letzte 90 Tage, letzte 2 Quartale)
Periode bis heute (z. B. Year to Date, Month to Date)

Beispiel

Kurzfristige Analysen

Langfristige Zeitreihenanalyse

Langfristige Analysen umfassen einen Zeitraum von mehr als einem Jahr. Wir wollen historische Daten und ihren Bezug zu aktuellen Daten verstehen.

Typische Analysen:

Year over Year
Month over Month
Gleiche Periode im Vorjahr

Beispiel Berechnung der Year over Year (YoY)-Verkaufsleistung für den Januar.

YoY-Analyse

Die Zukunft prognostizieren

Zukünftige Analysen wie Forecasting betrachten historische Daten und projizieren sie in die Zukunft. So können wir unseren Kurs vorhersagen und darauf basierend entscheiden.

Typische Analysen

Regressionen (z. B. linear)
Zeitpunkt-Schätzungen
Machine Learning

Beispiel

Prognose des gehandelten Aktienvolumens für mehrere Monate im Voraus.

Forecasting-Beispiel

Lass uns üben!

Zeitreihenanalyse in Power BI