Промо-акция шла только 2 дня (пт–сб). Хотите увидеть её эффект на заказах на графике time series. Какая granularity наиболее уместна?
AАгрегировать заказы по дням и строить дневную
time seriesBАгрегировать по месяцам
CАгрегировать по кварталам
DПоказать одно число без временной оси
Правильный ответ. Короткие изменения лучше смотреть на более мелкой
granularity.Разбор
Если агрегировать слишком крупно, эффект двух дней «растворится» в периоде. Дневная granularity покажет изменение именно там, где оно произошло.
Проверь себя · 1/3разбор после ответа
На
time series вы видите повторяющиеся провалы каждые 7 дней. Что это скорее всего означает?Ещё вопросы по теме «Временные ряды»
- Вы строите график выручки магазина как `time series` по дням. Какую агрегацию по дням выбрать для `revenue`?
- В ежедневной `time series` событий один день трекинг был сломан: данных нет, но пользователи были. Как корректнее отобразить этот день на графике?
- Сегодня среда. Вы делаете `WoW` (Week-over-Week — неделя к неделе) сравнение продаж 'эта неделя vs прошлая'. Чем опасно сравнивать неполную текущую неделю с полной прошлой, и что делать?
- Дневная метрика `DAU` (Daily Active Users) сильно шумит. Какой приём поможет показать тренд, не потеряв исходные значения?
- У метрики выраженная недельная `seasonality` (выходные ниже). Какое окно `rolling average` чаще всего логично, чтобы сгладить именно недельный цикл?
- Все вопросы по «Временные ряды» →