Grundlagen der Zeitreihentransformation

Zeitreihenanalyse in Power BI

Kevin Barlow

Data Analytics Professional

Kontext und Bedeutung

Zeitreihendaten sind in allen Branchen immer häufiger.
Unterschiedliche Systeme haben eigene Anforderungen und Formate.

Mockup Datenarchitektur

ISO als internationaler Standard

ISO 8601

Internationaler Standard für Datums- und Zeitangaben
Erlaubt die Umwandlung von Daten in verschiedene Formate
Unterstützt Lokalisierung und Personalisierung
Manipuliere dein Datumsfeld mit FORMAT()

Beispieldatum:

var date = January 1st 2022 
# US-Standard (MM DD YYYY)

var date2 = FORMAT(date, "DD MM YYYY")
# UK-Standard
# 1 January 2022

var date3 = FORMAT(date, "YYYY MM DD")
# ISO-Standard
# 2022 January 01

¹ https://en.wikipedia.org/wiki/ISO_8601#Combined_date_and_time_representations

UNIX für hochpräzise Zeitstempel

UNIX Time

Auch „Epoch Time" genannt
Anzahl der Sekunden seit der Epoch-Zeit (1. Januar 1970, 00:00:00 UTC)
Wird typischerweise in Computersystemen verwendet
Stellt einen Zeitstempel (Datum und Uhrzeit) dar

Beispieldaten und -zeiten

January 1st, 2022 06:00:00 UTC

1641016800

January 1st, 2022 18:00:00 UTC

1641060000

¹ https://en.wikipedia.org/wiki/Unix_time

Datumswerte in Power BI manipulieren

DATEADD()

Ermöglicht, eine bestimmte Anzahl von Zeitintervallen von einem Referenzdatum zu verschieben.

DATEADD(<dates>,<number_of_intervals>,<interval>)

Beispiele:

DATEADD('date', 30, DAY)

var timestamp_PST = 
    DATEADD('timestamp_EST', -3, HOUR)

DATEDIFF()

Berechnet die Anzahl der Zeitintervalle zwischen zwei Datumsobjekten.

DATEDIFF(<Date1>, <Date2>, <Interval>)

Beispiele:

DATEDIFF(DATE(2019,2,1),
        DATE(2020,4,30),
        MONTH)

Result: 14

Daten mit DAX zusammenfassen

Zeitreihen liegen nicht immer in festen Intervallen vor; das hängt von der Datenerhebung ab. Das kann problematisch sein:

Algorithmen und Formeln erwarten konstante Intervalle
Zwischen Punkten können wichtige Änderungen passieren

SUMMARIZE() deine Tabelle, um den Datensatz zu „glätten". Durch Aggregation erkennen wir weiterhin Trends, auch wenn Daten fehlen oder unregelmäßig sind.

Beispiel:

SUMMARIZE('<table>', 
    [group_column(s)], 
    [new aggregated column(s)])

SUMMARIZE('sales', 
    sales[Quarter], 
    sales[Region], 
    "Total Sales", SUM(sales[revenue]))

Mit fehlenden Daten umgehen

Imputation – sinnvoll, wenn du viel Kontext hast, was der fehlende Wert sein sollte; erfolgt oft in Power Query.

Beispiel: Imputation

Daten verwerfen – nutzbar, wenn eine Zeile oder Spalte stark unvollständig ist; nur verwenden, wenn es die Analyse deutlich verbessert

Beispiel: Daten verwerfen

Superstore-Datensatz

In den folgenden Übungen arbeitest du mit dem Datensatz Superstore. Er enthält Point-of-Sale-(PoS)-Daten von Superstore-Filialen in den USA. Du wirst Datumsangaben für die weitere Analyse korrekt formatieren.

Superstore-Daten

Lass uns üben!

Zeitreihenanalyse in Power BI