Grunderna i tidsseriedata

Tidsserieanalys i Power BI

Kevin Barlow

Data Analytics Professional

Förkunskaper

Kursen förutsätter kunskaper i DAX-funktioner på mellannivå, bland annat:

CALCULATE()
IF()
SUMMARIZE()

Varför är det viktigt?

Tid är en dimension i alla datamängder! Tidsanalys ger värdefulla insikter, men kräver rätt verktyg.

Hur har mina data förändrats över tid?
Vad borde mina data visa baserat på historiken?
Vad kommer mina data att visa i framtiden?

Varför är tidsseriedata viktigt

Vad är tidsseriedata?

Tidsseriedata är en samling observationer (dvs. datapunkter) om samma ämne insamlade under en tidsperiod.

Två nyckelkomponenter

Spann: den totala tidsperiod vi har data för
Intervall: tidsavståndet mellan varje observation.

Tidsseriekomponenter

Att spåra förändringar över tid

Sekulär variation

Säsongsvariation

Cyklisk variation

Slumpmässig (oregelbunden) variation

Exempel på slumpmässig variation

Kortsiktig tidsserieanalys

Ett kortsiktigt tidsspann omfattar vanligtvis mindre än ett år. Fokus ligger på att förstå vad data visar just nu.

Vanliga analyser

Senaste x perioder (t.ex. senaste 90 dagarna, senaste 2 kvartalen)
Period hittills (t.ex. år hittills, månad hittills)

Exempel

Kortsiktiga analyser

Långsiktig tidsserieanalys

Långsiktiga analyser omfattar ett tidsspann på mer än ett år. Målet är att förstå historiska data och deras relation till aktuella data.

Vanliga analyser:

År över år
Månad över månad
Samma period föregående år

Exempel Beräkning av år-över-år (YoY) försäljningsutveckling för januari.

YoY-analys

Att förutse framtiden

Framtidsinriktade analyser, som prognoser, utgår från historiska data och projicerar dem framåt. De gör det möjligt att förutse framtida utfall och fatta beslut utifrån dem.

Vanliga analyser

Regressioner (t.ex. linjär)
Punktskattningar
Maskininlärning

Exempel

Prognos för aktiehandelsvolym flera månader framåt.

Prognosexempel

Nu kör vi en övning!

Tidsserieanalys i Power BI