Noções básicas de transformação de séries temporais

Análise de Séries Temporais no Power BI

Kevin Barlow

Data Analytics Professional

Contexto e importância

Dados de séries temporais estão cada vez mais comuns em todos os setores.
Sistemas diferentes têm requisitos e formatos distintos.

Arquitetura de dados simulada

ISO como padrão internacional

ISO 8601

Um padrão internacional para gerenciar dados de data e hora
Permite converter datas e horas em diferentes formatos
Oferece localização e personalização para necessidades individuais
Manipule seu campo de data com FORMAT()

Data de exemplo:

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 para timestamps de alta precisão

UNIX Time

Também chamado de Epoch time
É o número de segundos passados desde a Epoch (1º de janeiro de 1970, às 00:00:00 UTC)
Normalmente usado em sistemas computacionais
Representa um timestamp (data e hora)

Datas e horas de exemplo

January 1st, 2022 06:00:00 UTC

1641016800

January 1st, 2022 18:00:00 UTC

1641060000

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

Manipulando datas no Power BI

DATEADD()

Permite deslocar um número definido de intervalos de tempo a partir de uma data de referência.

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

Exemplos:

DATEADD('date', 30, DAY)

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

DATEDIFF()

Calcula o número de intervalos de tempo entre dois objetos de data.

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

Exemplos:

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

Result: 14

Resumindo dados com DAX

Séries temporais nem sempre vêm em intervalos regulares e dependem de como os dados são coletados. Isso pode ser um problema:

Algoritmos e fórmulas de tempo assumem intervalos consistentes
Mudanças relevantes podem ocorrer entre os pontos

Use SUMMARIZE() para "suavizar" o conjunto de dados. Ao agregar, ainda é possível extrair tendências, mesmo com dados ausentes ou irregulares.

Exemplo:

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

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

Tratando dados ausentes

Imputação — estratégia útil quando temos muito contexto sobre o valor ausente; isso é feito com frequência no Power Query.

Exemplo de imputação de dados

Remoção de dados — pode ser usada quando uma linha ou coluna tem muita falta de dados; evite a menos que traga grande benefício à análise

Exemplo de remoção de dados

Conjunto de dados Superstore

Nos próximos exercícios, você vai explorar o conjunto de dados Superstore. Ele representa dados de ponto de venda (PoS) de lojas Superstore nos Estados Unidos. Com ele, você vai formatar datas no padrão correto para análises posteriores.

Dados da Superstore

Vamos praticar!

Análise de Séries Temporais no Power BI