Excel - Les graphiques de relation entre propriétés disponibles Vidéo

Découvrez comment créer des graphiques de relation entre propriétés dans Microsoft 365 en utilisant des données réelles.
Cette vidéo présente les nuages de points et les Bubble charts pour mettre en évidence les relations entre deux ou plusieurs propriétés et identifier les valeurs extrêmes.
Obtenez des conseils pratiques pour ajouter des catégories et personnaliser les couleurs pour mieux comprendre vos données.
Cette ressource est utile pour tous les professionnels souhaitant améliorer leur compréhension de la datavisualisation dans Microsoft 365. Suivez cette formation pour créer facilement des graphiques de relation professionnels et mieux comprendre vos données.

05:40
776 vues

Objectifs :

L'objectif de cette vidéo est d'explorer l'utilisation de graphiques moins courants dans la visualisation des données, en particulier dans Excel, en se concentrant sur le nuage de points et le nuage de bulles. Ces graphiques permettent de mettre en évidence les relations entre différentes propriétés et d'identifier des valeurs extrêmes.

Chapitres :

Introduction aux Graphiques de Visualisation
Dans le domaine de la visualisation des données, certains graphiques sont sous-utilisés, notamment le nuage de points et le nuage de bulles. Ces graphiques sont particulièrement utiles pour illustrer les relations entre deux ou plusieurs variables, ainsi que pour identifier des valeurs extrêmes qui se démarquent des autres observations.
Le Nuage de Points
Le nuage de points est un graphique qui représente des observations sous forme de points sur un plan cartésien. Chaque point correspond à un item, tel qu'un produit, et est associé à des métriques. Par exemple, on peut représenter le poids d'un produit en grammes sur l'axe des abscisses et les frais d'expédition en euros sur l'axe des ordonnées. - **Exemple** : Un produit pesant 155 grammes avec des frais d'expédition de 2 euros sera représenté par un point sur le graphique. - **Analyse** : En traçant tous les points, on peut observer des patterns, comme une corrélation entre le poids et les frais d'expédition. Si les points sont dispersés sans tendance claire, cela indique l'absence de corrélation. - **Singularités** : Le nuage de points permet également d'identifier des valeurs extrêmes qui pourraient nécessiter une vérification des données.
Ajout de Catégories par Couleurs
Il est possible d'ajouter une dimension supplémentaire au nuage de points en utilisant des couleurs pour représenter différentes catégories de produits. Par exemple : - Rouge : High Tech - Vert : Joaillerie - Bleu : Articles de Sport Cette approche permet d'ajouter une information catégorielle à la visualisation.
Le Nuage de Bulles
Le nuage de bulles est similaire au nuage de points, mais il permet d'ajouter une troisième dimension grâce à la taille des bulles. Cette taille peut représenter une métrique supplémentaire, comme le prix du produit. - **Exemple** : Dans un graphique où le poids est sur l'axe des abscisses et le prix sur l'axe des ordonnées, la taille de la bulle peut indiquer le coût du produit. Plus la bulle est grande, plus le prix est élevé. - **Précautions** : Il est important de ne pas surcharger le graphique avec trop de valeurs, car cela peut rendre la lecture difficile. Une légende pour la taille des bulles est également essentielle pour la compréhension.
Conclusion et Application Pratique
Les graphiques de nuage de points et de bulles sont des outils puissants pour visualiser des relations complexes entre plusieurs variables. En utilisant des couleurs et des tailles de bulles, on peut enrichir l'analyse des données. Dans la prochaine section, nous allons nous entraîner à créer ces graphiques dans Excel, en appliquant les concepts discutés.

FAQ :

Qu'est-ce qu'un nuage de points et comment l'utiliser ?

Un nuage de points est un graphique qui montre la relation entre deux variables en utilisant des points. Il est utilisé pour identifier des corrélations, des tendances ou des anomalies dans les données.

Comment interpréter une corrélation dans un nuage de points ?

Une corrélation positive signifie que lorsque l'une des variables augmente, l'autre augmente également. Une corrélation négative indique que lorsque l'une augmente, l'autre diminue. L'absence de corrélation se manifeste par des points dispersés sans tendance claire.

Qu'est-ce qu'un Bubble chart et en quoi est-il différent d'un nuage de points ?

Un Bubble chart est similaire à un nuage de points, mais il ajoute une troisième dimension en utilisant la taille des bulles pour représenter une variable supplémentaire. Cela permet de visualiser plus d'informations dans le même graphique.

Comment identifier des singularités dans mes données ?

Les singularités peuvent être identifiées en observant des points qui se situent loin des autres dans un graphique. Cela peut indiquer des erreurs de données ou des observations intéressantes qui méritent d'être examinées de plus près.

Pourquoi est-il important d'utiliser des légendes dans mes graphiques ?

Les légendes aident à clarifier les informations présentées dans un graphique, en expliquant les couleurs, symboles ou tailles utilisés. Cela améliore la compréhension et l'interprétation des données.

Quelques cas d'usages :

Analyse des coûts d'expédition

Utiliser un nuage de points pour analyser la relation entre le poids des produits et les frais d'expédition, permettant d'identifier des tendances et d'optimiser les coûts.

Évaluation des performances des produits

Appliquer un Bubble chart pour visualiser la relation entre le coût d'un produit, sa marge bénéficiaire et son poids, facilitant ainsi la prise de décision sur les produits à promouvoir.

Identification des anomalies dans les ventes

Utiliser des singularités dans un nuage de points pour détecter des ventes anormales ou des erreurs de données, permettant d'améliorer la qualité des données et la prise de décision.

Segmentation de marché

Utiliser des couleurs dans un Bubble chart pour représenter différentes catégories de produits, facilitant ainsi l'analyse des performances par segment de marché.

Optimisation des stocks

Analyser les relations entre le poids des produits et les ventes à l'aide d'un nuage de points pour ajuster les niveaux de stock et améliorer la gestion des inventaires.

Glossaire :

Nuage de points

Un graphique qui représente des observations sous forme de points sur un plan cartésien, permettant de visualiser la relation entre deux variables.

Corrélation

Une relation entre deux variables où un changement dans l'une est associé à un changement dans l'autre. Cela peut être positif (les deux augmentent) ou négatif (l'un augmente pendant que l'autre diminue).

Singularités

Des valeurs qui se démarquent des autres dans un ensemble de données, souvent considérées comme des anomalies ou des points extrêmes.

Bubble chart

Un type de graphique similaire au nuage de points, mais qui utilise des bulles de tailles différentes pour représenter une troisième variable, ajoutant ainsi une dimension supplémentaire à la visualisation.

Métriques

Des mesures quantitatives utilisées pour évaluer des performances ou des caractéristiques, comme le poids, le prix, ou le chiffre d'affaires.

Légende

Un élément graphique qui explique les symboles, couleurs ou tailles utilisés dans un graphique, facilitant ainsi la compréhension des données présentées.

00:00:01

qui selon moi ne sont pas assez

00:00:03

utilisés d'une manière générale

00:00:05

dans la data visualisation,

00:00:07

et plus particulièrement sur Excel,

00:00:08

c'est peut être parce que c'est

00:00:10

un petit peu moins visuel,

00:00:12

en tout cas pour le nuage de points,

00:00:14

donc c'est tout ce qui va concerner la

00:00:16

mise en évidence de relation entre

00:00:19

deux ou plusieurs propriétés et aussi de

00:00:21

pouvoir se rendre compte de potentielles

00:00:23

valeurs qui sont un petit peu extrêmes

00:00:26

ou en tout cas qui sortent un petit

00:00:28

peu du lot par rapport

00:00:31

aux autres observations.

00:00:32

Le premier graphique dont on va parler,

00:00:35

c'est le nuage de points.

00:00:36

Donc ça de quelle manière ça fonctionne ?

00:00:39

Vous allez avoir ce qu'on

00:00:40

appelle des observations,

00:00:41

donc en gros

00:00:42

des items donc ça peut

00:00:44

être une liste de produits,

00:00:46

ça peut être des jours dans

00:00:48

une année donnée, et cetera,

00:00:50

et des métriques, donc des caractéristiques

00:00:51

vont lui être associées. Donc

00:00:53

typiquement pour les produits, ça

00:00:54

peut être le chiffre d'affaires,

00:00:56

le poids du produit,

00:00:57

si c'est sur un site

00:00:59

e-commerce par exemple,

00:01:00

ça pourrait être essayer de mettre en

00:01:02

relation le poids du produit

00:01:04

avec les frais d'expédition.

00:01:07

Et donc par rapport à ça,

00:01:09

vous allez avoir donc... partons sur ce cas là,

00:01:12

typiquement on va avoir par exemple

00:01:14

ici le poids du produit en gramme,

00:01:17

mais ici, les frais d'expédition en euro.

00:01:19

Donc imaginons qu'on ait ce produit là,

00:01:22

donc chaque point représente un

00:01:24

produit et typiquement celui-ci

00:01:25

qui va être autour de 155,

00:01:27

allez,

00:01:28

on va se dire ça, donc 155 grammes

00:01:31

va coûter 2€ en frais d'expédition.

00:01:34

Et celui-là, qui est à 190,

00:01:36

va coûter également 2€ en

00:01:37

frais d'expédition, et cetera, et cetera.

00:01:39

À partir de là,

00:01:40

du coup on va mettre tous les points

00:01:42

sur notre graphique et donc ça peut

00:01:45

potentiellement tracer un

00:01:46

pattern justement, un tracé sur

00:01:49

le graphique, ça peut potentiellement

00:01:50

mettre en évidence une corrélation,

00:01:52

c'est à dire on voit que plus une valeur

00:01:54

cette valeur en abscisse augmente et

00:01:57

plus la valeur en ordonnée peut baisser.

00:01:59

Là c'est un petit peu ce qui se passe ici.

00:02:04

Et autres cas,

00:02:05

on peut aussi mettre en avant

00:02:06

l'absence de corrélation,

00:02:07

c'est à dire que là rien n'est dessiné,

00:02:09

c'est à dire,

00:02:10

il n'y a pas de

00:02:12

corrélation descendante ou montante

00:02:13

et on va simplement avoir des

00:02:15

points qui vont être complètement

00:02:16

dispatchés partout et auquel cas

00:02:17

c'est aussi une information.

00:02:19

On peut aussi se dire mais est ce que ces deux

00:02:20

éléments ne sont pas liés, eh bien

00:02:22

en le testant on se rend compte

00:02:24

que non et on peut potentiellement

00:02:26

aussi en conclure des choses.

00:02:28

Ça peut permettre également de mettre en

00:02:29

avant ce qu'on appelle des singularités,

00:02:31

donc là typiquement sur ce graphique

00:02:33

là, on pourrait se dire,

00:02:34

eh bien ce point là, il est un peu

00:02:36

extrême par rapport aux autres,

00:02:37

il est vraiment écarté du

00:02:39

standard là de la courbe

00:02:40

qu'on aurait tendance à

00:02:41

tracer ici avec l'œil,

00:02:42

donc ça peut être une information aussi,

00:02:44

en soi se dire : dans

00:02:45

mon jeu de données, j'ai une des

00:02:47

valeurs qui est un peu extrême,

00:02:49

est ce que les données sont

00:02:50

bonnes et si elles sont bonnes

00:02:51

qu'est ce qui s'est passé ?

00:02:53

Quelle est la particularité

00:02:55

de cet item ?

00:02:57

Dernier élément à avoir en tête,

00:02:59

c'est qu'on peut ajouter des catégories

00:03:00

sur les points via des couleurs,

00:03:02

donc typiquement ici,

00:03:03

comme je vous le disais,

00:03:05

ce sont des produits avec frais

00:03:07

d'expédition plus poids et on

00:03:08

pourrait tout à fait rajouter une

00:03:10

couleur qui irait dire eh bien quand

00:03:12

le point est rouge,

00:03:14

c'est du high tech, quand le point est vert,

00:03:16

c'est de la joaillerie et quand le

00:03:18

point est bleu, ce sont des articles de

00:03:20

sport. Et donc à partir de là, on

00:03:22

pourra avoir une troisième information

00:03:24

plus orientée catégorie,

00:03:25

du coup, et non métrique

00:03:26

qui pourrait venir s'ajouter.

00:03:28

Le deuxième graphique dont on va

00:03:30

parler est très proche en terme de logique,

00:03:33

c'est le Bubble chart,

00:03:35

donc le nuage de bulles.

00:03:39

Et donc ici,

00:03:40

on va toujours avoir ce système

00:03:41

de croisement de deux valeurs.

00:03:43

D'ailleurs,

00:03:44

ce sont les mêmes données qui sont ici

00:03:46

aussi. La seule différence,

00:03:48

c'est que nous, là, on va pouvoir ajouter

00:03:50

sur ce Bubble chart une troisième valeur numérique,

00:03:54

dans le graphique,

00:03:55

qui sera la taille de la bulle.

00:03:57

Donc là j'ai toujours mon poids en grammes,

00:03:59

mon prix et du coup cette taille-là,

00:04:01

donc ça peut potentiellement

00:04:03

être le prix du produit typiquement

00:04:05

et donc plus la bulle est grosse

00:04:07

et plus le prix du produit sera

00:04:09

élevé. Donc l'avantage de ce

00:04:11

graphique-là c'est que ça permet

00:04:13

d'avoir effectivement trois métriques

00:04:14

dans un même graphique ; on pourra

00:04:16

même potentiellement rajouter

00:04:17

la notion de couleur pour les

00:04:19

catégories comme avant mais ça

00:04:21

commence à faire beaucoup. Attention

00:04:22

à ne pas avoir effectivement

00:04:24

trop de valeurs parce que vu

00:04:25

que là les bulles sont plus

00:04:27

grosses que les points,

00:04:29

si vous avez beaucoup de valeurs,

00:04:31

ça va être une grosse soupe de

00:04:33

de points et on ne pourra plus

00:04:35

forcément les distinguer.

00:04:36

Et évidemment aussi pensez à rajouter

00:04:38

une légende pour la taille des bulles.

00:04:41

Parce que ça

00:04:42

commence à rajouter beaucoup

00:04:43

d'informations et potentiellement

00:04:44

aussi pour la taille des bulles,

00:04:46

n'hésitez pas faire des paliers,

00:04:48

parce que là typiquement entre celle-ci

00:04:50

et celle-ci,

00:04:50

on ne voit pas forcément trop la

00:04:53

différence et pourtant il y en a

00:04:55

une donc pourquoi pas se dire :

00:04:57

de 0 à 100 €, ça sera une

00:04:59

petite bulle, de 100 à 200,

00:05:01

ça serait une moyenne bulle et de 200

00:05:04

à 300 ça sera une grande bulle.

00:05:07

Et donc effectivement,

00:05:08

en type de données qu'on pourrait

00:05:10

utiliser pour ce type de graphique,

00:05:12

vous auriez par exemple la relation

00:05:14

entre le coût d'un produit et

00:05:16

la marge réalisée.

00:05:17

Donc voilà,

00:05:18

on est à peu près dans ce

00:05:20

registre-là et en fonction du type

00:05:23

de produit, donc là typiquement

00:05:24

on pourrait utiliser les couleurs,

00:05:26

les couleurs différentes pour

00:05:27

les points ou en fonction du CA,

00:05:30

du chiffre d'affaires généré eh

00:05:31

bien ça pourrait être la taille

00:05:34

de la bulle avec plutôt du coup

00:05:36

un graphique en Bubble chart.

00:05:38

Et on va maintenant s'entraîner à les créer.

00:00:01

которых, на мой взгляд, недостаточно

00:00:03

Используется в целом

00:00:05

в визуализации данных,

00:00:07

и, в частности, в Excel,

00:00:08

Может быть, это потому, что это

00:00:10

чуть менее наглядный,

00:00:12

по крайней мере, для облака точек,

00:00:14

Так что это все, что будет касаться

00:00:16

Доказательства взаимосвязи между

00:00:19

два или более объектов недвижимости, а также

00:00:21

уметь реализовывать потенциал

00:00:23

Значения, которые немного экстремальны

00:00:26

или хотя бы кто вынимает маленький

00:00:28

Мало по сравнению с

00:00:31

к другим комментариям.

00:00:32

Первый график, о котором мы поговорим,

00:00:35

Это облако точек.

00:00:36

Так как же это работает?

00:00:39

Вы получите то, что мы

00:00:40

призывает к комментариям,

00:00:41

Итак, в основном

00:00:42

предметов, чтобы он мог

00:00:44

быть списком продуктов,

00:00:46

Это могут быть дни в

00:00:48

в данном году и т.д.,

00:00:50

и метрики, следовательно, характеристики

00:00:51

будет ассоциироваться с ним. Следовательно

00:00:53

Как правило, для продуктов это

00:00:54

может быть оборот,

00:00:56

вес изделия,

00:00:57

Если он есть на сайте

00:00:59

Например, электронная коммерция,

00:01:00

Это может быть попытка поставить на место

00:01:02

Отношение к весу продукта

00:01:04

со стоимостью доставки.

00:01:07

И поэтому в связи с этим,

00:01:09

Так что у вас будет... Начнем с этого дела,

00:01:12

Как правило, у нас будет, например:

00:01:14

здесь вес продукта в граммах,

00:01:17

Но здесь стоимость доставки в евро.

00:01:19

Итак, давайте представим, что у нас там есть этот продукт,

00:01:22

Таким образом, каждая точка представляет собой

00:01:24

производится и, как правило, этот

00:01:25

что составит около 155,

00:01:27

Давай

00:01:28

Мы собираемся сказать, что 155 граммов

00:01:31

будет стоить 2 € в стоимости доставки.

00:01:34

А этот, который на 190,

00:01:36

также будет стоить 2 € в

00:01:37

судоходство и так далее, и так далее.

00:01:39

Оттуда

00:01:40

Итак, мы расставим все точки

00:01:42

на нашем графике и так может

00:01:45

Потенциальная трассировка

00:01:46

Узор точно, сюжет на

00:01:49

График потенциально может

00:01:50

выделите корреляцию,

00:01:52

т.е. мы видим, что больше ценность

00:01:54

Это значение на абсцисс увеличивается и

00:01:57

Чем ниже значение по оси Y.

00:01:59

Вот что здесь происходит.

00:02:04

И другие случаи,

00:02:05

Мы также можем выделить

00:02:06

отсутствие корреляции,

00:02:07

то есть там ничего не нарисовано,

00:02:09

То есть

00:02:10

Нет

00:02:12

Нисходящая или восходящая корреляция

00:02:13

И у нас просто будет

00:02:15

точки, которые будут полностью

00:02:16

Отправляют везде и в случае чего

00:02:17

Это тоже информация.

00:02:19

Мы также можем сказать, но являются ли эти два

00:02:20

Элементы не связаны, ну

00:02:22

Тестируя его, мы понимаем:

00:02:24

что нет, и мы потенциально можем

00:02:26

Также делайте выводы.

00:02:28

Это также может сделать возможным введение

00:02:29

до так называемых сингулярностей,

00:02:31

Так что обычно на этом графике

00:02:33

Там, можно сказать,

00:02:34

Ну, этот момент, это немного

00:02:36

экстремальный по сравнению с другими,

00:02:37

Это действительно удалено от

00:02:39

Стандартная там кривая

00:02:40

что мы будем стремиться

00:02:41

проследить здесь глазом,

00:02:42

Так что это тоже может быть информация,

00:02:44

Само по себе сказать: в

00:02:45

Мой набор данных, у меня есть один из

00:02:47

значения, которые немного экстремальны,

00:02:49

Есть ли данные

00:02:50

хорошие и если они хорошие

00:02:51

Что случилось?

00:02:53

Что особенного в

00:02:55

этого предмета?

00:02:57

Последний элемент, о котором следует помнить,

00:02:59

заключается в том, что мы можем добавлять категории

00:03:00

на точках через цвета,

00:03:02

Итак, как правило, здесь,

00:03:03

Как я уже сказал,

00:03:05

Это свежие продукты

00:03:07

Доставка плюс вес и далее

00:03:08

вполне мог бы добавить

00:03:10

цвет, который хорошо сказался бы, когда

00:03:12

точка красная,

00:03:14

это высокие технологии, когда точка зеленая,

00:03:16

Это ювелирные украшения и когда

00:03:18

точка синяя, это статьи

00:03:20

спорт. Итак, оттуда мы

00:03:22

Может быть третья часть информации

00:03:24

более ориентированный на категории,

00:03:25

Значит, не метрическая

00:03:26

которые можно было бы добавить.

00:03:28

На втором графике мы будем

00:03:30

Разговор очень близок с точки зрения логики,

00:03:33

это пузырьковая диаграмма,

00:03:35

Итак, пузырьковое облако.

00:03:39

И так вот,

00:03:40

У нас всегда будет эта система

00:03:41

пересечение двух значений.

00:03:43

Кстати

00:03:44

Это те же данные, что и здесь

00:03:46

тоже. Единственное отличие,

00:03:48

разве что мы, там, сможем добавить

00:03:50

на этой пузырьковой диаграмме третье числовое значение,

00:03:54

на графике,

00:03:55

который будет размером с пузырь.

00:03:57

Так что там у меня всегда свой вес в граммах,

00:03:59

моя цена и вдруг этот размер,

00:04:01

Так что потенциально может

00:04:03

быть ценой продукта, как правило,

00:04:05

и, следовательно, чем больше пузырь

00:04:07

И тем больше будет цена товара

00:04:09

высокий. Так что преимущество этого

00:04:11

График есть в том, что он позволяет

00:04:13

на самом деле иметь три метрики

00:04:14

на том же графике; Мы сможем:

00:04:16

даже потенциально добавить

00:04:17

Понятие цвета для

00:04:19

категории, как и раньше, но это

00:04:21

начинает многое делать. Осторожный

00:04:22

на самом деле не имея

00:04:24

Слишком много ценностей, потому что видно

00:04:25

что там пузырей больше

00:04:27

большие, как точки,

00:04:29

Если у вас много ценностей,

00:04:31

Это будет большой суп из

00:04:33

очков и мы не сможем

00:04:35

Обязательно различают их.

00:04:36

И, очевидно, также подумайте о добавлении

00:04:38

Легенда о размере пузыря.

00:04:41

Потому что это

00:04:42

начинает много прибавлять

00:04:43

Информация и потенциально

00:04:44

также по размеру пузырьков,

00:04:46

не стесняясь делать посадки,

00:04:48

Потому что там обычно входит этот

00:04:50

И этот,

00:04:50

Мы не обязательно видим слишком много

00:04:53

Разница и все же есть

00:04:55

Один, так почему бы не сказать:

00:04:57

от 0 до 100 €, это будет

00:04:59

маленький пузырь, от 100 до 200,

00:05:01

Это был бы средний пузырь и 200

00:05:04

На 300 это будет большой пузырь.

00:05:07

И действительно,

00:05:08

в типе данных, которые могут быть

00:05:10

использовать для этого типа диаграммы,

00:05:12

У вас были бы, например, отношения

00:05:14

между стоимостью продукта и

00:05:16

Маржа реализована.

00:05:17

Итак, вот оно,

00:05:18

Мы в значительной степени в этом

00:05:20

зарегистрироваться там и по типу

00:05:23

продукта, так что обычно есть

00:05:24

Мы могли бы использовать цвета,

00:05:26

Разные цвета для

00:05:27

баллов или в зависимости от оборота,

00:05:30

генерируемого оборота

00:05:31

ну, это может быть размер

00:05:34

пузыря с довольно неожиданно

00:05:36

пузырьковая диаграмма.

00:05:38

И теперь мы будем тренироваться их создавать.

00:00:01

which I think are not enough

00:00:03

used in general

00:00:05

in data visualization,

00:00:07

and more particularly on Excel,

00:00:08

Maybe it's because it's

00:00:10

a little less visual,

00:00:12

at least for the point cloud,

00:00:14

So that's all that's going to concern the

00:00:16

Evidence of relationship between

00:00:19

two or more properties and also

00:00:21

be able to realize potential

00:00:23

values that are a little extreme

00:00:26

or at least who take out a small

00:00:28

Little of the lot compared to

00:00:31

to other comments.

00:00:32

The first graph we're going to talk about,

00:00:35

This is the point cloud.

00:00:36

So how does it work?

00:00:39

You're going to get what we

00:00:40

calls for comments,

00:00:41

So basically

00:00:42

items so it can

00:00:44

be a list of products,

00:00:46

It can be days in

00:00:48

in a given year, et cetera,

00:00:50

and metrics, therefore characteristics

00:00:51

will be associated with it. Therefore

00:00:53

typically for products, it

00:00:54

can be the turnover,

00:00:56

the weight of the product,

00:00:57

if it's on a site

00:00:59

e-commerce for example,

00:01:00

It could be trying to put in place

00:01:02

Relation to the weight of the product

00:01:04

with shipping costs.

00:01:07

And so in relation to that,

00:01:09

So you're going to have... Let's start on this case,

00:01:12

Typically we will have for example

00:01:14

here the weight of the product in grams,

00:01:17

but here, shipping costs in euros.

00:01:19

So let's imagine that we have this product there,

00:01:22

So each point represents a

00:01:24

produced and typically this one

00:01:25

which will be around 155,

00:01:27

Come on

00:01:28

We're going to say that, so 155 grams

00:01:31

will cost 2€ in shipping costs.

00:01:34

And this one, which is at 190,

00:01:36

will also cost 2€ in

00:01:37

shipping, et cetera, et cetera.

00:01:39

From there,

00:01:40

So we will put all the points

00:01:42

on our chart and so it can

00:01:45

potentially trace a

00:01:46

pattern precisely, a plot on

00:01:49

The graph can potentially

00:01:50

highlight a correlation,

00:01:52

i.e. we see that more a value

00:01:54

this value on the abscissa increases and

00:01:57

The lower the value on the y-axis.

00:01:59

That's kind of what's happening here.

00:02:04

And other cases,

00:02:05

We can also highlight

00:02:06

the absence of correlation,

00:02:07

that is to say that there nothing is drawn,

00:02:09

that is,

00:02:10

There is no

00:02:12

Downward or upward correlation

00:02:13

and we're just going to have

00:02:15

points that are going to be completely

00:02:16

dispatched everywhere and in which case

00:02:17

It is also information.

00:02:19

We can also say but is these two

00:02:20

elements are not linked, well

00:02:22

By testing it we realize

00:02:24

that no and we can potentially

00:02:26

also conclude things.

00:02:28

It can also make it possible to put in

00:02:29

before so-called singularities,

00:02:31

So there typically on this chart

00:02:33

There, one could say,

00:02:34

Well this point, it is a little

00:02:36

extreme compared to others,

00:02:37

It is really removed from the

00:02:39

standard there of the curve

00:02:40

that we would tend to

00:02:41

trace here with the eye,

00:02:42

So it can be information too,

00:02:44

In itself to say: in

00:02:45

My dataset, I have one of the

00:02:47

values that is a bit extreme,

00:02:49

Is the data

00:02:50

good and if they are good

00:02:51

What happened?

00:02:53

What's special about

00:02:55

of this item?

00:02:57

Last element to keep in mind,

00:02:59

is that we can add categories

00:03:00

on dots via colors,

00:03:02

So typically here,

00:03:03

As I said,

00:03:05

These are fresh products

00:03:07

shipping plus weight and on

00:03:08

could quite add a

00:03:10

color that would say well when

00:03:12

the dot is red,

00:03:14

it's high tech, when the dot is green,

00:03:16

It's jewelry and when the

00:03:18

dot is blue, these are articles of

00:03:20

sport. And so from there, we

00:03:22

may have a third piece of information

00:03:24

more category-oriented,

00:03:25

So, not metric

00:03:26

which could be added.

00:03:28

The second graph we will

00:03:30

Talking is very close in terms of logic,

00:03:33

it's the Bubble chart,

00:03:35

So the bubble cloud.

00:03:39

And so here,

00:03:40

We're always going to have this system

00:03:41

crossing two values.

00:03:43

By the way

00:03:44

It is the same data that is here

00:03:46

also. The only difference,

00:03:48

is that we, there, we will be able to add

00:03:50

on this Bubble chart a third numerical value,

00:03:54

in the graph,

00:03:55

which will be the size of the bubble.

00:03:57

So there I always have my weight in grams,

00:03:59

my price and suddenly this size,

00:04:01

So it can potentially

00:04:03

be the price of the product typically

00:04:05

and therefore the bigger the bubble

00:04:07

and the more the price of the product will be

00:04:09

high. So the advantage of this

00:04:11

Graph there is that it allows

00:04:13

to actually have three metrics

00:04:14

in the same chart; We will be able to

00:04:16

even potentially add

00:04:17

The concept of colour for

00:04:19

categories as before but it

00:04:21

is starting to do a lot. Careful

00:04:22

not actually having

00:04:24

too many values because seen

00:04:25

that there the bubbles are more

00:04:27

big as the points,

00:04:29

if you have a lot of values,

00:04:31

It's going to be a big soup of

00:04:33

points and we will not be able to

00:04:35

necessarily distinguish them.

00:04:36

And obviously also think about adding

00:04:38

A legend for bubble size.

00:04:41

Because that

00:04:42

begins to add a lot

00:04:43

information and potentially

00:04:44

also for the size of the bubbles,

00:04:46

do not hesitate to make landings,

00:04:48

Because there typically enters this one

00:04:50

and this one,

00:04:50

We do not necessarily see too much of the

00:04:53

difference and yet there are

00:04:55

One so why not say:

00:04:57

from 0 to 100 €, it will be a

00:04:59

small bubble, from 100 to 200,

00:05:01

That would be an average bubble and 200

00:05:04

At 300 it will be a big bubble.

00:05:07

And so indeed,

00:05:08

in the type of data that could be

00:05:10

use for this type of chart,

00:05:12

You would have for example the relationship

00:05:14

between the cost of a product and

00:05:16

the margin realized.

00:05:17

So there you have it,

00:05:18

We are pretty much in this

00:05:20

register there and according to the type

00:05:23

of product, so there typically

00:05:24

we could use colors,

00:05:26

different colors for

00:05:27

points or depending on the turnover,

00:05:30

of the turnover generated

00:05:31

well it could be the size

00:05:34

of the bubble with rather suddenly

00:05:36

a Bubble chart chart.

00:05:38

And now we're going to train to create them.

00:00:01

que creo que no son suficientes

00:00:03

utilizado en general

00:00:05

en la visualización de datos,

00:00:07

y más particularmente en Excel,

00:00:08

Tal vez sea porque es

00:00:10

un poco menos visual,

00:00:12

al menos para la nube de puntos,

00:00:14

Así que eso es todo lo que va a preocupar al

00:00:16

Evidencia de relación entre

00:00:19

dos o más propiedades y también

00:00:21

ser capaz de realizar el potencial

00:00:23

Valores que son un poco extremos

00:00:26

o al menos que sacan un pequeño

00:00:28

Poco del lote comparado con

00:00:31

a otros comentarios.

00:00:32

El primer gráfico del que vamos a hablar,

00:00:35

Esta es la nube de puntos.

00:00:36

Entonces, ¿cómo funciona?

00:00:39

Vas a conseguir lo que nosotros

00:00:40

pide comentarios,

00:00:41

Así que básicamente

00:00:42

artículos para que pueda

00:00:44

ser una lista de productos,

00:00:46

Pueden ser días en

00:00:48

en un año determinado, etcétera,

00:00:50

y métricas, por lo tanto características

00:00:51

se asociará con él. Por lo tanto

00:00:53

Típicamente para los productos,

00:00:54

puede ser el volumen de negocios,

00:00:56

el peso del producto,

00:00:57

si está en un sitio

00:00:59

comercio electrónico, por ejemplo,

00:01:00

Podría estar tratando de poner en marcha

00:01:02

Relación con el peso del producto

00:01:04

con gastos de envío.

00:01:07

Y entonces, en relación con eso,

00:01:09

Así que vas a tener... Comencemos con este caso,

00:01:12

Normalmente tendremos por ejemplo

00:01:14

aquí el peso del producto en gramos,

00:01:17

Pero aquí, los gastos de envío en euros.

00:01:19

Así que imaginemos que tenemos este producto allí,

00:01:22

Así que cada punto representa un

00:01:24

producido y típicamente este

00:01:25

que serán alrededor de 155,

00:01:27

Vamos

00:01:28

Vamos a decir eso, así que 155 gramos

00:01:31

tendrá un coste de 2€ en gastos de envío.

00:01:34

Y este, que está en 190,

00:01:36

también costará 2 € en

00:01:37

envío, etcétera, etcétera.

00:01:39

A partir de ahí,

00:01:40

Así que pondremos todos los puntos

00:01:42

en nuestro gráfico y así puede

00:01:45

potencialmente rastrear un

00:01:46

patrón precisamente, una gráfica en

00:01:49

El gráfico puede potencialmente

00:01:50

resaltar una correlación,

00:01:52

es decir, vemos que más un valor

00:01:54

Este valor en la abscisa aumenta y

00:01:57

Cuanto menor sea el valor en el eje y.

00:01:59

Eso es más o menos lo que está sucediendo aquí.

00:02:04

Y otros casos,

00:02:05

También podemos destacar

00:02:06

la ausencia de correlación,

00:02:07

es decir, que no se dibuja nada,

00:02:09

Es decir

00:02:10

No hay

00:02:12

Correlación descendente o ascendente

00:02:13

y vamos a tener

00:02:15

puntos que van a ser completamente

00:02:16

despachado a todas partes y en cuyo caso

00:02:17

También es información.

00:02:19

También podemos decir pero son estos dos

00:02:20

Los elementos no están vinculados, bueno

00:02:22

Al probarlo nos damos cuenta

00:02:24

que no y potencialmente podemos

00:02:26

También concluyen las cosas.

00:02:28

También puede hacer posible poner en

00:02:29

antes de las llamadas singularidades,

00:02:31

Así que normalmente hay en este gráfico

00:02:33

Allí, se podría decir,

00:02:34

Bueno este punto, es un poco

00:02:36

extremo en comparación con otros,

00:02:37

Realmente está eliminado de la

00:02:39

estándar allí de la curva

00:02:40

que tendríamos a

00:02:41

traza aquí con el ojo,

00:02:42

Así que también puede ser información,

00:02:44

En sí mismo decir: en

00:02:45

Mi conjunto de datos, tengo uno de los

00:02:47

valores que son un poco extremos,

00:02:49

Son los datos

00:02:50

bueno y si son buenos

00:02:51

¿¿Qué pasó??

00:02:53

¿Qué tiene de especial?

00:02:55

de este artículo?

00:02:57

Último elemento a tener en cuenta,

00:02:59

es que podemos añadir categorías

00:03:00

en puntos a través de colores,

00:03:02

Así que típicamente aquí,

00:03:03

Como dije,

00:03:05

Estos son productos frescos

00:03:07

Envío más peso y en

00:03:08

podría agregar un

00:03:10

color que diría bien cuando

00:03:12

el punto es rojo,

00:03:14

es alta tecnología, cuando el punto es verde,

00:03:16

Es joyería y cuando el

00:03:18

punto es azul, estos son artículos de

00:03:20

deporte. Y así, a partir de ahí,

00:03:22

puede tener una tercera pieza de información

00:03:24

más orientado a la categoría,

00:03:25

Por lo tanto, no métrico

00:03:26

que podría añadirse.

00:03:28

El segundo gráfico lo haremos

00:03:30

Hablar es muy cercano en términos de lógica,

00:03:33

es el gráfico de burbujas,

00:03:35

Así que la nube de burbujas.

00:03:39

Y así aquí,

00:03:40

Siempre vamos a tener este sistema

00:03:41

cruzando dos valores.

00:03:43

A propósito

00:03:44

Son los mismos datos que están aquí

00:03:46

Además. La única diferencia,

00:03:48

es que nosotros, allí, podremos agregar

00:03:50

en este gráfico de burbujas un tercer valor numérico,

00:03:54

En el gráfico,

00:03:55

que será del tamaño de la burbuja.

00:03:57

Así que ahí siempre tengo mi peso en gramos,

00:03:59

mi precio y de repente este tamaño,

00:04:01

Por lo tanto, potencialmente puede

00:04:03

ser el precio del producto típicamente

00:04:05

y, por lo tanto, cuanto más grande es la burbuja

00:04:07

y cuanto mayor sea el precio del producto

00:04:09

Alto. Así que la ventaja de esto

00:04:11

Grafo hay que permite

00:04:13

para tener realmente tres métricas

00:04:14

en el mismo gráfico; Podremos

00:04:16

incluso potencialmente agregar

00:04:17

El concepto de color para

00:04:19

categorías como antes pero que

00:04:21

está empezando a hacer mucho. Cuidadoso

00:04:22

en realidad no tener

00:04:24

Demasiados valores porque se ven

00:04:25

que ahí las burbujas son más

00:04:27

grande como los puntos,

00:04:29

Si tienes muchos valores,

00:04:31

Va a ser una gran sopa de

00:04:33

puntos y no podremos

00:04:35

necesariamente distinguirlos.

00:04:36

Y obviamente también piensa en agregar

00:04:38

Una leyenda para el tamaño de la burbuja.

00:04:41

Porque eso

00:04:42

comienza a sumar mucho

00:04:43

información y potencialmente

00:04:44

también por el tamaño de las burbujas,

00:04:46

no dude en hacer aterrizajes,

00:04:48

Porque normalmente entra este

00:04:50

y este,

00:04:50

No necesariamente vemos demasiado de la

00:04:53

diferencia y, sin embargo, hay

00:04:55

Uno, así que ¿por qué no decir:

00:04:57

de 0 a 100 €, será un

00:04:59

burbuja pequeña, de 100 a 200,

00:05:01

Eso sería una burbuja promedio y 200

00:05:04

A los 300 será una gran burbuja.

00:05:07

Y así, de hecho,

00:05:08

en el tipo de datos que podrían ser

00:05:10

utilizar para este tipo de gráfico,

00:05:12

Tendrías por ejemplo la relación

00:05:14

entre el costo de un producto y

00:05:16

el margen realizado.

00:05:17

Así que ahí lo tienes,

00:05:18

Estamos más o menos en esto

00:05:20

Regístrese allí y según el tipo

00:05:23

de producto, por lo que normalmente hay

00:05:24

podríamos usar colores,

00:05:26

diferentes colores para

00:05:27

puntos o dependiendo del volumen de negocios,

00:05:30

del volumen de negocios generado

00:05:31

bueno podría ser el tamaño

00:05:34

de la burbuja con bastante repentinamente

00:05:36

un gráfico de burbujas.

00:05:38

Y ahora vamos a entrenarnos para crearlos.

00:00:01

die meiner Meinung nach nicht ausreichen

00:00:03

Verwendung im Allgemeinen

00:00:05

in der Datenvisualisierung,

00:00:07

und insbesondere auf Excel,

00:00:08

Vielleicht liegt es daran, dass es

00:00:10

etwas weniger visuell,

00:00:12

zumindest für die Punktwolke,

00:00:14

Das ist also alles, was die

00:00:16

Nachweis eines Zusammenhangs zwischen

00:00:19

zwei oder mehr Eigenschaften und auch

00:00:21

Potenziale ausschöpfen können

00:00:23

Werte, die ein wenig extrem sind

00:00:26

oder wenigstens eine kleine

00:00:28

Wenig von der Menge im Vergleich zu

00:00:31

zu anderen Kommentaren.

00:00:32

Die erste Grafik, über die wir sprechen werden,

00:00:35

Dies ist die Punktwolke.

00:00:36

Wie funktioniert das?

00:00:39

Du wirst bekommen, was wir bekommen

00:00:40

Aufrufe zur Stellungnahme,

00:00:41

Also im Grunde

00:00:42

Artikel, damit es

00:00:44

eine Liste von Produkten sein,

00:00:46

Es kann Tage dauern

00:00:48

in einem bestimmten Jahr, et cetera,

00:00:50

und Metriken, also Merkmale

00:00:51

wird damit in Verbindung gebracht. Deshalb

00:00:53

Typisch für Produkte ist es

00:00:54

kann der Umsatz sein,

00:00:56

das Gewicht des Produkts,

00:00:57

wenn es sich um eine Website handelt

00:00:59

E-Commerce zum Beispiel,

00:01:00

Es könnte versuchen,

00:01:02

Verhältnis zum Gewicht des Produkts

00:01:04

mit Versandkosten.

00:01:07

Und in diesem Zusammenhang,

00:01:09

Sie werden also ... Beginnen wir mit diesem Fall,

00:01:12

In der Regel haben wir zum Beispiel:

00:01:14

hier das Gewicht des Produktes in Gramm,

00:01:17

Aber hier Versandkosten in Euro.

00:01:19

Stellen wir uns also vor, dass wir dieses Produkt dort haben,

00:01:22

Jeder Punkt stellt also eine

00:01:24

produziert und in der Regel diese

00:01:25

das werden etwa 155 sein,

00:01:27

Komm schon

00:01:28

Wir werden das sagen, also 155 Gramm

00:01:31

kostet 2€ an Versandkosten.

00:01:34

Und dieser, der bei 190 liegt,

00:01:36

kostet auch 2€ in

00:01:37

Versand, et cetera, et cetera.

00:01:39

Daher

00:01:40

Also werden wir alle Punkte setzen

00:01:42

auf unserem Chart und so kann es

00:01:45

Verfolgen Sie möglicherweise eine

00:01:46

Schema, ein Plot auf

00:01:49

Das Diagramm kann potenziell

00:01:50

eine Korrelation hervorheben,

00:01:52

d.h. wir sehen das eher als einen Wert

00:01:54

Dieser Wert an der Abszisse erhöht sich und

00:01:57

Je niedriger der Wert auf der y-Achse.

00:01:59

Das ist in etwa das, was hier passiert.

00:02:04

Und andere Fälle,

00:02:05

Wir können auch hervorheben

00:02:06

das Fehlen von Korrelationen,

00:02:07

das heißt, dass dort nichts gezeichnet wird,

00:02:09

Das heißt

00:02:10

Es gibt keine

00:02:12

Korrelation nach unten oder oben

00:02:13

und wir werden einfach haben

00:02:15

Punkte, die vollständig

00:02:16

überall hin versandt werden und in welchem Fall

00:02:17

Es ist auch Information.

00:02:19

Wir können auch sagen, aber sind diese beiden

00:02:20

Elemente sind nicht verknüpft, nun ja

00:02:22

Durch das Testen stellen wir fest, dass

00:02:24

dass nein, und wir können potenziell

00:02:26

auch die Dinge abschließen.

00:02:28

Es kann auch möglich sein,

00:02:29

vor sogenannten Singularitäten,

00:02:31

Es gibt also typischerweise auf diesem Diagramm

00:02:33

Da könnte man sagen:

00:02:34

Nun, in diesem Punkt ist es ein wenig

00:02:36

extrem im Vergleich zu anderen,

00:02:37

Es ist wirklich von der

00:02:39

Standard der Kurve

00:02:40

die wir tendenziell

00:02:41

Zeichne hier mit dem Auge,

00:02:42

So kann es auch Information sein,

00:02:44

An sich zu sagen: in

00:02:45

Mein Datensatz, ich habe einen der

00:02:47

Werte, die etwas extrem sind,

00:02:49

Ist die Daten?

00:02:50

gut und wenn sie gut sind

00:02:51

Was ist passiert?

00:02:53

Das Besondere an

00:02:55

dieses Artikels?

00:02:57

Letztes Element, das Sie im Auge behalten sollten,

00:02:59

ist, dass wir Kategorien hinzufügen können

00:03:00

auf Punkten über Farben,

00:03:02

So typisch hier,

00:03:03

Wie gesagt,

00:03:05

Das sind frische Produkte

00:03:07

Versand zzgl. Gewicht und weiter

00:03:08

könnte durchaus eine

00:03:10

Farbe, die gut sagen würde, wenn

00:03:12

der Punkt ist rot,

00:03:14

es ist High-Tech, wenn der Punkt grün ist,

00:03:16

Es ist Schmuck und wenn die

00:03:18

Punkt ist blau, das sind Artikel von

00:03:20

Sport. Und so haben wir von dort aus

00:03:22

kann eine dritte Information enthalten

00:03:24

kategorieorientierter,

00:03:25

Also nicht metrisch

00:03:26

die hinzugefügt werden könnten.

00:03:28

In der zweiten Grafik werden wir

00:03:30

Das Reden ist logisch sehr nah,

00:03:33

es ist das Blasendiagramm,

00:03:35

Also die Blasenwolke.

00:03:39

Und so hier,

00:03:40

Wir werden dieses System immer haben

00:03:41

Überschreiten von zwei Werten.

00:03:43

Übrigens

00:03:44

Es sind die gleichen Daten, die hier sind

00:03:46

auch. Der einzige Unterschied,

00:03:48

ist, dass wir dort in der Lage sein werden,

00:03:50

in diesem Blasendiagramm ein dritter Zahlenwert,

00:03:54

in der Grafik,

00:03:55

was die Größe der Blase sein wird.

00:03:57

Da habe ich also immer mein Gewicht in Gramm,

00:03:59

mein Preis und plötzlich diese Größe,

00:04:01

Es kann also potenziell

00:04:03

in der Regel der Preis des Produkts

00:04:05

und desto größer ist die Blase

00:04:07

und desto höher wird der Preis des Produkts sein

00:04:09

Hoch. Der Vorteil davon ist also

00:04:11

Graph gibt es, dass es erlaubt

00:04:13

tatsächlich drei Metriken haben

00:04:14

im selben Diagramm; Wir werden in der Lage sein,

00:04:16

potenziell sogar

00:04:17

Das Konzept der Farbe für

00:04:19

Kategorien wie bisher, aber es

00:04:21

fängt an, viel zu tun. Vorsichtig

00:04:22

nicht wirklich zu haben

00:04:24

zu viele Werte, weil gesehen

00:04:25

dass dort die Blasen mehr sind

00:04:27

Groß wie die Punkte,

00:04:29

Wenn Sie viele Werte haben,

00:04:31

Es wird eine große Suppe von

00:04:33

und wir werden nicht in der Lage sein,

00:04:35

notwendigerweise unterscheiden.

00:04:36

Und denken Sie natürlich auch darüber nach,

00:04:38

Eine Legende für die Blasengröße.

00:04:41

Denn das

00:04:42

fängt an, viel hinzuzufügen

00:04:43

Informationen und potenziell

00:04:44

auch für die Größe der Blasen,

00:04:46

Zögern Sie nicht, Landungen zu machen,

00:04:48

Denn in der Regel gibt es diesen

00:04:50

und dieser,

00:04:50

Wir sehen nicht unbedingt zu viel von der

00:04:53

und doch gibt es

00:04:55

Warum also nicht sagen:

00:04:57

von 0 bis 100 €, wird es ein

00:04:59

kleine Blase, von 100 bis 200,

00:05:01

Das wäre eine durchschnittliche Blase und 200

00:05:04

Bei 300 wird es eine große Blase sein.

00:05:07

Und so ist es in der Tat,

00:05:08

in der Art der Daten, die

00:05:10

für diese Art von Diagramm verwenden,

00:05:12

Sie hätten zum Beispiel die Beziehung

00:05:14

zwischen den Kosten eines Produkts und

00:05:16

die realisierte Marge.

00:05:17

Da haben Sie es also,

00:05:18

Wir befinden uns so ziemlich in dieser Situation

00:05:20

Registrieren Sie sich dort und nach dem Typ

00:05:23

des Produkts, so dass es in der Regel

00:05:24

wir könnten Farben verwenden,

00:05:26

verschiedene Farben für

00:05:27

oder je nach Umsatz,

00:05:30

des erzielten Umsatzes

00:05:31

nun, es könnte die Größe sein

00:05:34

der Blase mit ziemlich plötzlich

00:05:36

ein Blasendiagramm.

00:05:38

Und jetzt werden wir trainieren, um sie zu erstellen.

00:00:01

que eu acho que não são suficientes

00:00:03

usados em geral

00:00:05

na visualização de dados,

00:00:07

e mais particularmente no Excel,

00:00:08

Talvez seja porque é

00:00:10

um pouco menos visual,

00:00:12

pelo menos para a nuvem de pontos,

00:00:14

Então isso é tudo o que vai preocupar o

00:00:16

Evidência de relação entre

00:00:19

duas ou mais propriedades e também

00:00:21

ser capaz de realizar o potencial

00:00:23

valores um pouco extremos

00:00:26

ou pelo menos quem tira um pequeno

00:00:28

Pouco do lote em comparação com

00:00:31

a outros comentários.

00:00:32

O primeiro gráfico sobre o qual vamos falar,

00:00:35

Esta é a nuvem de pontos.

00:00:36

Então, como funciona?

00:00:39

Você vai conseguir o que nós

00:00:40

solicita comentários,

00:00:41

Então, basicamente

00:00:42

itens para que ele possa

00:00:44

ser uma lista de produtos,

00:00:46

Pode ser dias em

00:00:48

num determinado ano, et cetera,

00:00:50

e métricas, portanto, características

00:00:51

será associado a ele. Portanto

00:00:53

tipicamente para produtos, ele

00:00:54

pode ser o volume de negócios,

00:00:56

o peso do produto,

00:00:57

se estiver em um site

00:00:59

e-commerce, por exemplo,

00:01:00

Poderia estar tentando colocar em prática

00:01:02

Relação com o peso do produto

00:01:04

com custos de envio.

00:01:07

E assim, em relação a isso,

00:01:09

Então você vai ter... Comecemos por este caso,

00:01:12

Normalmente, teremos, por exemplo:

00:01:14

aqui o peso do produto em gramas,

00:01:17

Mas aqui, os custos de envio em euros.

00:01:19

Então vamos imaginar que temos esse produto lá,

00:01:22

Assim, cada ponto representa um

00:01:24

produzido e tipicamente este

00:01:25

que serão cerca de 155,

00:01:27

Sem essa

00:01:28

Vamos dizer isso, então 155 gramas

00:01:31

custará 2€ em custos de envio.

00:01:34

E este, que está em 190,

00:01:36

também custará 2€ em

00:01:37

navegação, et cetera, et cetera.

00:01:39

A partir daí,

00:01:40

Então vamos colocar todos os pontos

00:01:42

no nosso gráfico e assim pode

00:01:45

potencialmente rastrear um

00:01:46

padrão precisamente, um enredo em

00:01:49

O gráfico pode potencialmente

00:01:50

destacar uma correlação,

00:01:52

ou seja, vemos que mais um valor

00:01:54

este valor na abscissa aumenta e

00:01:57

Quanto menor o valor no eixo y.

00:01:59

É mais ou menos isso que está acontecendo aqui.

00:02:04

E outros casos,

00:02:05

Podemos destacar também

00:02:06

a ausência de correlação,

00:02:07

isto é, que não há nada desenhado,

00:02:09

Isto é

00:02:10

Não há

00:02:12

Correlação para baixo ou para cima

00:02:13

e nós só vamos ter

00:02:15

pontos que serão completamente

00:02:16

despachado para todo o lado e nesse caso

00:02:17

É também informação.

00:02:19

Também podemos dizer, mas são esses dois

00:02:20

elementos não estão ligados, bem

00:02:22

Ao testá-lo percebemos

00:02:24

que não e nós podemos potencialmente

00:02:26

também concluem as coisas.

00:02:28

Também pode tornar possível colocar em

00:02:29

diante das chamadas singularidades,

00:02:31

Então, normalmente há neste gráfico

00:02:33

Lá, pode-se dizer:

00:02:34

Bem, este ponto, é um pouco

00:02:36

extrema em comparação com outras,

00:02:37

Ele é realmente removido do

00:02:39

padrão lá da curva

00:02:40

que tenderíamos a

00:02:41

traçar aqui com o olho,

00:02:42

Então pode ser informação também,

00:02:44

Em si mesmo para dizer: em

00:02:45

Meu conjunto de dados, eu tenho um dos

00:02:47

valores que são um pouco extremos,

00:02:49

São os dados

00:02:50

bom e se eles são bons

00:02:51

O que aconteceu?

00:02:53

O que há de especial em

00:02:55

deste item?

00:02:57

Último elemento a ter em mente,

00:02:59

é que podemos adicionar categorias

00:03:00

em pontos através de cores,

00:03:02

Então, normalmente, aqui,

00:03:03

Como eu disse,

00:03:05

São produtos frescos

00:03:07

envio mais peso e em

00:03:08

poderia bastante adicionar um

00:03:10

cor que diria bem quando

00:03:12

o ponto é vermelho,

00:03:14

é alta tecnologia, quando o ponto é verde,

00:03:16

É joia e quando o

00:03:18

ponto é azul, estes são artigos de

00:03:20

desporto. E assim, a partir daí, nós

00:03:22

pode ter uma terceira informação

00:03:24

mais orientado para a categoria,

00:03:25

Então, não métrica

00:03:26

que poderia ser acrescentado.

00:03:28

O segundo gráfico vamos

00:03:30

Falar é muito próximo em termos de lógica,

00:03:33

é o gráfico de bolhas,

00:03:35

Então, a nuvem de bolha.

00:03:39

E por aqui,

00:03:40

Sempre vamos ter esse sistema

00:03:41

cruzando dois valores.

00:03:43

A propósito

00:03:44

São os mesmos dados que estão aqui

00:03:46

também. A única diferença,

00:03:48

é que nós, aí, vamos poder somar

00:03:50

neste gráfico de bolhas um terceiro valor numérico,

00:03:54

no gráfico,

00:03:55

que será do tamanho da bolha.

00:03:57

Então lá eu sempre tenho meu peso em gramas,

00:03:59

meu preço e de repente este tamanho,

00:04:01

Então pode potencialmente

00:04:03

ser o preço do produto tipicamente

00:04:05

e, portanto, quanto maior a bolha

00:04:07

e quanto mais o preço do produto for

00:04:09

alto. Então, a vantagem disso

00:04:11

Gráfico lá é que permite

00:04:13

para realmente ter três métricas

00:04:14

no mesmo gráfico; Seremos capazes de

00:04:16

mesmo potencialmente adicionar

00:04:17

O conceito de cor para

00:04:19

categorias como antes, mas ele

00:04:21

está começando a fazer muita coisa. Cuidadoso

00:04:22

não ter de fato

00:04:24

muitos valores porque visto

00:04:25

que lá as bolhas são mais

00:04:27

grandes como os pontos,

00:04:29

se você tem muitos valores,

00:04:31

Vai ser uma grande sopa de

00:04:33

pontos e não poderemos

00:04:35

necessariamente distingui-los.

00:04:36

E obviamente também pensar em adicionar

00:04:38

Uma lenda para o tamanho da bolha.

00:04:41

Porque isso

00:04:42

começa a agregar muito

00:04:43

informações e potencial

00:04:44

também para o tamanho das bolhas,

00:04:46

não hesite em fazer desembarques,

00:04:48

Porque normalmente entra este

00:04:50

e este,

00:04:50

Não vemos necessariamente muito do

00:04:53

diferença e ainda há

00:04:55

Um, então, por que não dizer:

00:04:57

de 0 a 100 €, será um

00:04:59

pequena bolha, de 100 a 200,

00:05:01

Seria uma bolha média e 200

00:05:04

Aos 300 será uma grande bolha.

00:05:07

E assim, de fato,

00:05:08

no tipo de dados que podem ser

00:05:10

usar para este tipo de gráfico,

00:05:12

Você teria, por exemplo, o relacionamento

00:05:14

entre o custo de um produto e

00:05:16

a margem realizada.

00:05:17

Então aí está,

00:05:18

Estamos praticamente nisso

00:05:20

cadastre-se lá e de acordo com o tipo

00:05:23

de produto, então normalmente não há

00:05:24

poderíamos usar cores,

00:05:26

cores diferentes para

00:05:27

pontos ou dependendo do volume de negócios,

00:05:30

do volume de negócios gerado

00:05:31

bem poderia ser o tamanho

00:05:34

da bolha com bastante subitamente

00:05:36

um gráfico de gráfico de bolhas.

00:05:38

E agora vamos treinar para criá-los.

00:00:01

die volgens mij niet genoeg zijn

00:00:03

gebruikt in het algemeen

00:00:05

in datavisualisatie,

00:00:07

en meer in het bijzonder op Excel,

00:00:08

Misschien komt het omdat het

00:00:10

iets minder visueel,

00:00:12

althans voor de puntenwolk,

00:00:14

Dus dat is alles wat de

00:00:16

Bewijs van verband tussen

00:00:19

twee of meer eigenschappen en ook

00:00:21

in staat zijn om potentieel te realiseren

00:00:23

waarden die een beetje extreem zijn

00:00:26

of in ieder geval die een kleintje afsluiten

00:00:28

Weinig van de partij in vergelijking met

00:00:31

naar andere opmerkingen.

00:00:32

De eerste grafiek waar we het over gaan hebben,

00:00:35

Dit is de puntenwolk.

00:00:36

Dus hoe werkt het?

00:00:39

Je krijgt wat we krijgen

00:00:40

roept om commentaar,

00:00:41

Dus eigenlijk

00:00:42

items zodat het kan

00:00:44

een lijst van producten zijn,

00:00:46

Het kan dagen in

00:00:48

in een bepaald jaar, et cetera,

00:00:50

en metrics, dus kenmerken

00:00:51

zal ermee geassocieerd worden. Daarom

00:00:53

Typisch voor producten, IT

00:00:54

kan de omzet zijn,

00:00:56

het gewicht van het product,

00:00:57

als het op een site staat

00:00:59

e-commerce bijvoorbeeld,

00:01:00

Het zou kunnen zijn dat het probeert in te voeren

00:01:02

Verhouding tot het gewicht van het product

00:01:04

met verzendkosten.

00:01:07

En dus in verband daarmee,

00:01:09

Dus je gaat hebben... Laten we beginnen met deze zaak,

00:01:12

Meestal hebben we bijvoorbeeld

00:01:14

hier het gewicht van het product in grammen,

00:01:17

Maar hier, verzendkosten in euro's.

00:01:19

Dus laten we ons voorstellen dat we dit product daar hebben,

00:01:22

Elk punt vertegenwoordigt dus een

00:01:24

geproduceerd en meestal deze

00:01:25

dat zullen er ongeveer 155 zijn,

00:01:27

Kom nou

00:01:28

Dat gaan we zeggen, dus 155 gram

00:01:31

kost 2€ aan verzendkosten.

00:01:34

En deze, die op 190 staat,

00:01:36

kost ook 2 € in

00:01:37

verzending, et cetera, et cetera.

00:01:39

Daarvandaan

00:01:40

Dus we zullen alle punten op een rijtje zetten

00:01:42

op onze kaart en zo kan het

00:01:45

mogelijk een

00:01:46

patroon precies, een plot op

00:01:49

De grafiek kan potentieel

00:01:50

markeer een correlatie,

00:01:52

d.w.z. we zien dat meer een waarde

00:01:54

deze waarde op de abscis neemt toe en

00:01:57

Hoe lager de waarde op de y-as.

00:01:59

Dat is een beetje wat hier gebeurt.

00:02:04

En andere gevallen,

00:02:05

We kunnen ook benadrukken

00:02:06

de afwezigheid van correlatie,

00:02:07

dat wil zeggen dat er niets wordt getrokken,

00:02:09

dat wil zeggen

00:02:10

Er is geen

00:02:12

Neerwaartse of opwaartse correlatie

00:02:13

En we gaan gewoon hebben

00:02:15

punten die helemaal gaan worden

00:02:16

overal verzonden en in welk geval

00:02:17

Het is ook informatie.

00:02:19

We kunnen ook zeggen maar is deze twee

00:02:20

elementen zijn niet gekoppeld, tja

00:02:22

Door het te testen realiseren we ons

00:02:24

dat nee en dat kunnen we potentieel

00:02:26

Sluit ook dingen af.

00:02:28

Het kan het ook mogelijk maken om in te zetten

00:02:29

vóór zogenaamde singulariteiten,

00:02:31

Dus er meestal op deze grafiek

00:02:33

Daar zou je kunnen zeggen:

00:02:34

Nou dit punt, het is een beetje

00:02:36

extreem in vergelijking met anderen,

00:02:37

Het is echt verwijderd van de

00:02:39

standaard daar van de curve

00:02:40

dat we geneigd zouden zijn

00:02:41

traceer hier met het oog,

00:02:42

Het kan dus ook informatie zijn,

00:02:44

Op zich om te zeggen: in

00:02:45

Mijn dataset, ik heb een van de

00:02:47

waarden die een beetje extreem zijn,

00:02:49

Zijn de gegevens

00:02:50

goed en als ze goed zijn

00:02:51

Wat is er gebeurd?

00:02:53

Wat is er bijzonder aan

00:02:55

van dit item?

00:02:57

Laatste element om in gedachten te houden,

00:02:59

is dat we categorieën kunnen toevoegen

00:03:00

op stippen via kleuren,

00:03:02

Dus typisch hier,

00:03:03

Zoals ik al zei,

00:03:05

Dit zijn verse producten

00:03:07

Verzending plus gewicht en op

00:03:08

zou heel wat een

00:03:10

kleur die goed zou zeggen wanneer

00:03:12

de stip is rood,

00:03:14

het is hightech, als de stip groen is,

00:03:16

Het zijn sieraden en wanneer de

00:03:18

punt is blauw, dit zijn artikelen van

00:03:20

sport. En van daaruit hebben we

00:03:22

kan een derde stukje informatie hebben

00:03:24

meer categoriegericht,

00:03:25

Dus niet metrisch

00:03:26

die zou kunnen worden toegevoegd.

00:03:28

De tweede grafiek zullen we

00:03:30

Praten is heel dichtbij in termen van logica,

00:03:33

het is het bellendiagram,

00:03:35

De bubbelwolk dus.

00:03:39

En dus hier,

00:03:40

We zullen dit systeem altijd hebben

00:03:41

het kruisen van twee waarden.

00:03:43

Trouwens

00:03:44

Het zijn dezelfde gegevens die hier zijn

00:03:46

ook. Het enige verschil,

00:03:48

is dat wij, daar, we in staat zullen zijn om toe te voegen

00:03:50

op dit bellendiagram een derde numerieke waarde,

00:03:54

in de grafiek,

00:03:55

dat zal de grootte van de bubbel zijn.

00:03:57

Dus daar heb ik altijd mijn gewicht in grammen,

00:03:59

mijn prijs en ineens deze maat,

00:04:01

Het kan dus potentieel

00:04:03

de prijs van het product zijn

00:04:05

en dus hoe groter de bubbel

00:04:07

en hoe meer de prijs van het product zal zijn

00:04:09

hoog. Dus het voordeel hiervan

00:04:11

Grafiek daar is dat het toestaat

00:04:13

om daadwerkelijk drie statistieken te hebben

00:04:14

in dezelfde grafiek; We zullen in staat zijn om

00:04:16

zelfs potentieel toevoegen

00:04:17

Het concept van kleur voor

00:04:19

categorieën zoals voorheen, maar het

00:04:21

begint veel te doen. Voorzichtig

00:04:22

niet echt hebben

00:04:24

Te veel waarden omdat gezien

00:04:25

dat daar de bubbels meer zijn

00:04:27

groot als de punten,

00:04:29

als je veel waarden hebt,

00:04:31

Het wordt een grote soep van

00:04:33

punten en we zullen niet in staat zijn om

00:04:35

noodzakelijkerwijs onderscheid maken.

00:04:36

En denk natuurlijk ook aan het toevoegen

00:04:38

Een legende voor bubbelgrootte.

00:04:41

Want dat

00:04:42

begint veel toe te voegen

00:04:43

informatie en eventueel

00:04:44

ook voor de grootte van de bubbels,

00:04:46

aarzel niet om landingen te maken,

00:04:48

Omdat er meestal deze binnenkomt

00:04:50

en deze,

00:04:50

We zien niet per se te veel van de

00:04:53

verschil en toch zijn er

00:04:55

Een dus waarom niet zeggen:

00:04:57

van 0 tot 100 €, het zal een

00:04:59

kleine bubbel, van 100 tot 200,

00:05:01

Dat zou een gemiddelde bubbel zijn en 200

00:05:04

Bij 300 wordt het een grote bubbel.

00:05:07

En zo inderdaad,

00:05:08

in het type gegevens dat zou kunnen zijn

00:05:10

gebruik voor dit type grafiek,

00:05:12

Je zou bijvoorbeeld de relatie hebben

00:05:14

tussen de kosten van een product en

00:05:16

de marge gerealiseerd.

00:05:17

Dus daar heb je het,

00:05:18

We zitten hier zo'n beetje in

00:05:20

Registreer daar en volgens het type

00:05:23

van product, dus er zijn meestal

00:05:24

we konden kleuren gebruiken,

00:05:26

verschillende kleuren voor

00:05:27

punten of afhankelijk van de omzet,

00:05:30

van de gegenereerde omzet

00:05:31

nou ja, het zou de grootte kunnen zijn

00:05:34

van de bubbel met vrij plotseling

00:05:36

een bellendiagram.

00:05:38

En nu gaan we trainen om ze te maken.

00:00:01

che secondo me non bastano

00:00:03

utilizzato in generale

00:00:05

nella visualizzazione dei dati,

00:00:07

e più in particolare su Excel,

00:00:08

Forse è perché è

00:00:10

un po 'meno visivo,

00:00:12

almeno per la nuvola di punti,

00:00:14

Quindi questo è tutto ciò che riguarderà il

00:00:16

Prova della relazione tra

00:00:19

due o più proprietà e anche

00:00:21

essere in grado di realizzare il potenziale

00:00:23

valori un po' estremi

00:00:26

o almeno chi tira fuori un piccolo

00:00:28

Poco del lotto rispetto a

00:00:31

ad altri commenti.

00:00:32

Il primo grafico di cui parleremo,

00:00:35

Questa è la nuvola di punti.

00:00:36

Quindi, come funziona?

00:00:39

Otterrai quello che noi

00:00:40

invita a presentare osservazioni,

00:00:41

Quindi fondamentalmente

00:00:42

articoli in modo che possa

00:00:44

essere un elenco di prodotti,

00:00:46

Può essere giorni in

00:00:48

in un dato anno, eccetera,

00:00:50

e metriche, quindi caratteristiche

00:00:51

sarà associato ad esso. Pertanto

00:00:53

tipicamente per i prodotti, IT

00:00:54

può essere il fatturato,

00:00:56

il peso del prodotto,

00:00:57

se si trova su un sito

00:00:59

e-commerce, ad esempio,

00:01:00

Potrebbe essere il tentativo di mettere in atto

00:01:02

Relazione con il peso del prodotto

00:01:04

con spese di spedizione.

00:01:07

E quindi, in relazione a questo,

00:01:09

Quindi avrai ... Iniziamo da questo caso,

00:01:12

In genere avremo ad esempio

00:01:14

qui il peso del prodotto in grammi,

00:01:17

Ma qui, i costi di spedizione in euro.

00:01:19

Quindi immaginiamo di avere questo prodotto lì,

00:01:22

Quindi ogni punto rappresenta un

00:01:24

prodotto e tipicamente questo

00:01:25

che saranno circa 155,

00:01:27

Dai

00:01:28

Lo diremo, quindi 155 grammi

00:01:31

avrà un costo di 2€ in spese di spedizione.

00:01:34

E questa, che è a 190,

00:01:36

costerà anche 2€ in

00:01:37

spedizione, eccetera, eccetera.

00:01:39

Quindi

00:01:40

Quindi metteremo tutti i punti

00:01:42

sul nostro grafico e così può

00:01:45

Potenzialmente traccia di un

00:01:46

modello appunto, una trama su

00:01:49

Il grafico può potenzialmente

00:01:50

evidenziare una correlazione,

00:01:52

cioè vediamo che più un valore

00:01:54

questo valore sulle ascisse aumenta e

00:01:57

Più basso è il valore sull'asse y.

00:01:59

Questo è un po' quello che sta succedendo qui.

00:02:04

E altri casi,

00:02:05

Possiamo anche evidenziare

00:02:06

l'assenza di correlazione,

00:02:07

vale a dire che non viene disegnato nulla,

00:02:09

Cioè

00:02:10

Non c'è

00:02:12

Correlazione verso il basso o verso l'alto

00:02:13

e avremo solo

00:02:15

punti che saranno completamente

00:02:16

spedito ovunque e nel qual caso

00:02:17

È anche informazione.

00:02:19

Possiamo anche dire ma sono questi due

00:02:20

gli elementi non sono collegati, bene

00:02:22

Testandolo ci rendiamo conto

00:02:24

che no e possiamo potenzialmente

00:02:26

anche concludere le cose.

00:02:28

Può anche consentire di mettere in

00:02:29

prima delle cosiddette singolarità,

00:02:31

Quindi in genere c'è su questo grafico

00:02:33

Lì, si potrebbe dire,

00:02:34

Bene, questo punto, è un po '

00:02:36

estremo rispetto ad altri,

00:02:37

È davvero rimosso dal

00:02:39

standard lì della curva

00:02:40

che tenderemmo a

00:02:41

traccia qui con l'occhio,

00:02:42

Quindi può essere anche informazione,

00:02:44

Di per sé dire: in

00:02:45

Il mio set di dati, ho uno dei

00:02:47

valori un po 'estremi,

00:02:49

Sono i dati

00:02:50

buono e se sono buoni

00:02:51

Cos'è successo?

00:02:53

Cosa c'è di speciale

00:02:55

di questo articolo?

00:02:57

Ultimo elemento da tenere a mente,

00:02:59

è che possiamo aggiungere categorie

00:03:00

sui punti tramite i colori,

00:03:02

Quindi tipicamente qui,

00:03:03

Come ho detto,

00:03:05

Questi sono prodotti freschi

00:03:07

spedizione più peso e via

00:03:08

potrebbe abbastanza aggiungere un

00:03:10

colore che direbbe bene quando

00:03:12

il punto è rosso,

00:03:14

è high tech, quando il punto è verde,

00:03:16

È gioielli e quando il

00:03:18

il punto è blu, questi sono articoli di

00:03:20

sport. E così da lì, noi

00:03:22

può avere una terza informazione

00:03:24

più orientato alle categorie,

00:03:25

Quindi, non metrica

00:03:26

che potrebbe essere aggiunto.

00:03:28

Il secondo grafico lo faremo

00:03:30

Parlare è molto vicino in termini di logica,

00:03:33

è il grafico a bolle,

00:03:35

Quindi la nuvola di bolle.

00:03:39

E così qui,

00:03:40

Avremo sempre questo sistema

00:03:41

incrociando due valori.

00:03:43

A proposito

00:03:44

Sono gli stessi dati che sono qui

00:03:46

anche. L'unica differenza,

00:03:48

è che noi, lì, saremo in grado di aggiungere

00:03:50

su questo grafico a bolle un terzo valore numerico,

00:03:54

nel grafico,

00:03:55

che sarà la dimensione della bolla.

00:03:57

Quindi lì ho sempre il mio peso in grammi,

00:03:59

il mio prezzo e improvvisamente questa dimensione,

00:04:01

Quindi può potenzialmente

00:04:03

essere il prezzo del prodotto tipicamente

00:04:05

e quindi più grande è la bolla

00:04:07

e più il prezzo del prodotto sarà

00:04:09

alto. Quindi il vantaggio di questo

00:04:11

Grafico c'è che permette

00:04:13

per avere effettivamente tre metriche

00:04:14

nello stesso grafico; Saremo in grado di

00:04:16

anche potenzialmente aggiungere

00:04:17

Il concetto di colore per

00:04:19

categorie come prima ma

00:04:21

sta iniziando a fare molto. Attento

00:04:22

non avendo effettivamente

00:04:24

troppi valori perché visti

00:04:25

che lì le bolle sono più

00:04:27

grandi come i punti,

00:04:29

se hai molti valori,

00:04:31

Sarà una grande zuppa di

00:04:33

punti e non saremo in grado di

00:04:35

necessariamente distinguerli.

00:04:36

E ovviamente pensa anche ad aggiungere

00:04:38

Una legenda per le dimensioni delle bolle.

00:04:41

Perché questo

00:04:42

inizia ad aggiungere molto

00:04:43

informazioni e potenzialmente

00:04:44

anche per la dimensione delle bolle,

00:04:46

non esitate a fare sbarchi,

00:04:48

Perché in genere entra questo

00:04:50

e questa,

00:04:50

Non vediamo necessariamente troppo del

00:04:53

differenza eppure ci sono

00:04:55

Uno quindi perché non dire:

00:04:57

da 0 a 100 €, sarà un

00:04:59

piccola bolla, da 100 a 200,

00:05:01

Sarebbe una bolla media e 200

00:05:04

A 300 sarà una grande bolla.

00:05:07

E così, in effetti,

00:05:08

nel tipo di dati che potrebbero essere

00:05:10

utilizzare per questo tipo di grafico,

00:05:12

Avresti ad esempio la relazione

00:05:14

tra il costo di un prodotto e

00:05:16

il margine realizzato.

00:05:17

Quindi il gioco è fatto,

00:05:18

Siamo praticamente in questo

00:05:20

Registrati lì e secondo il tipo

00:05:23

di prodotto, quindi c'è in genere

00:05:24

potremmo usare i colori,

00:05:26

colori diversi per

00:05:27

punti o a seconda del fatturato,

00:05:30

del fatturato generato

00:05:31

beh, potrebbe essere la dimensione

00:05:34

della bolla con piuttosto improvvisamente

00:05:36

un grafico a bolle.

00:05:38

E ora ci alleneremo per crearli.

00:00:01

التي أعتقد أنها ليست كافية

00:00:03

تستخدم بشكل عام

00:00:05

في تصور البيانات ،

00:00:07

وبشكل أكثر تحديدا على Excel ،

00:00:08

ربما لأنه

00:00:10

أقل بصرية قليلا ،

00:00:12

على الأقل بالنسبة للسحابة النقطية ،

00:00:14

لذلك هذا كل ما يهم

00:00:16

دليل على العلاقة بين

00:00:19

اثنين أو أكثر من الخصائص وأيضا

00:00:21

تكون قادرة على تحقيق الإمكانات

00:00:23

القيم المتطرفة قليلا

00:00:26

أو على الأقل الذين يخرجون صغيرة

00:00:28

القليل من الكثير مقارنة ب

00:00:31

إلى تعليقات أخرى.

00:00:32

التمثيل البياني الأول الذي سنتحدث عنه،

00:00:35

هذه هي سحابة النقاط.

00:00:36

فكيف يعمل؟

00:00:39

ستحصل على ما نحن

00:00:40

يدعو للتعليق،

00:00:41

لذلك في الأساس

00:00:42

العناصر حتى تتمكن من

00:00:44

تكون قائمة من المنتجات ،

00:00:46

يمكن أن يكون أياما في

00:00:48

في سنة معينة ، وما إلى ذلك ،

00:00:50

والمقاييس ، وبالتالي الخصائص

00:00:51

سوف ترتبط به. لذلك

00:00:53

عادة بالنسبة للمنتجات ، فإنه

00:00:54

يمكن أن يكون دوران ،

00:00:56

وزن المنتج ،

00:00:57

إذا كان على موقع

00:00:59

التجارة الإلكترونية على سبيل المثال ،

00:01:00

يمكن أن يكون يحاول وضع في مكانه

00:01:02

العلاقة بوزن المنتج

00:01:04

مع تكاليف الشحن.

00:01:07

وهكذا فيما يتعلق بذلك ،

00:01:09

لذلك سيكون لديك ... لنبدأ في هذه الحالة ،

00:01:12

عادة سيكون لدينا على سبيل المثال

00:01:14

هنا وزن المنتج بالجرام ،

00:01:17

ولكن هنا ، تكاليف الشحن باليورو.

00:01:19

لذلك دعونا نتخيل أن لدينا هذا المنتج هناك ،

00:01:22

إذن، كل نقطة تمثل

00:01:24

أنتجت وعادة هذا واحد

00:01:25

والتي ستكون حوالي 155 ،

00:01:27

هيا

00:01:28

سنقول ذلك، إذن 155 جراما

00:01:31

سيكلف 2 يورو في تكاليف الشحن.

00:01:34

وهذا ، وهو في 190 ،

00:01:36

سيكلف أيضا 2 يورو في

00:01:37

الشحن ، وما إلى ذلك ، وما إلى ذلك.

00:01:39

من هناك،

00:01:40

لذلك سنضع كل النقاط

00:01:42

على الرسم البياني الخاص بنا وهكذا يمكن

00:01:45

يحتمل تتبع أ

00:01:46

نمط على وجه التحديد ، مؤامرة على

00:01:49

يمكن أن يكون الرسم البياني

00:01:50

تسليط الضوء على الارتباط ،

00:01:52

أي أننا نرى أن أكثر قيمة

00:01:54

تزداد هذه القيمة على الإحداثيات و

00:01:57

كلما انخفضت القيمة على المحور ص.

00:01:59

هذا نوع ما يحدث هنا.

00:02:04

وحالات أخرى،

00:02:05

يمكننا أيضا تسليط الضوء على

00:02:06

عدم وجود ارتباط ،

00:02:07

وهذا يعني أنه لا يوجد شيء يتم رسمه ،

00:02:09

إنه

00:02:10

لا يوجد

00:02:12

ارتباط هبوطي أو تصاعدي

00:02:13

وسنحصل فقط على

00:02:15

النقاط التي ستكون كاملة

00:02:16

إرسالها في كل مكان وفي هذه الحالة

00:02:17

إنها أيضا معلومات.

00:02:19

يمكننا أن نقول أيضا ولكن هل هذان هما

00:02:20

العناصر غير مرتبطة ، حسنا

00:02:22

من خلال اختباره ندرك

00:02:24

هذا لا ويمكننا أن يحتمل

00:02:26

أيضا اختتام الأشياء.

00:02:28

يمكن أن يجعل من الممكن أيضا وضعه

00:02:29

قبل ما يسمى التفردات ،

00:02:31

لذلك عادة ما يكون هناك على هذا الرسم البياني

00:02:33

هناك ، يمكن للمرء أن يقول ،

00:02:34

حسنا هذه النقطة ، إنها قليلة

00:02:36

المتطرفة مقارنة بالآخرين ،

00:02:37

يتم إزالته حقا من

00:02:39

معيار هناك من المنحنى

00:02:40

التي نميل إليها

00:02:41

تتبع هنا بالعين ،

00:02:42

لذلك يمكن أن تكون معلومات أيضا ،

00:02:44

في حد ذاته أن أقول: في

00:02:45

مجموعة البيانات الخاصة بي ، لدي واحدة من

00:02:47

القيم المتطرفة بعض الشيء ،

00:02:49

هي البيانات

00:02:50

جيد وإذا كانت جيدة

00:02:51

ماذا حدث؟

00:02:53

ما الذي يميز

00:02:55

من هذا البند؟

00:02:57

العنصر الأخير الذي يجب أخذه في الاعتبار ،

00:02:59

هو أنه يمكننا إضافة فئات

00:03:00

على النقاط عبر الألوان ،

00:03:02

لذلك عادة هنا ،

00:03:03

كما قلت،

00:03:05

هذه منتجات طازجة

00:03:07

الشحن بالإضافة إلى الوزن وما بعده

00:03:08

يمكن أن تضيف تماما

00:03:10

اللون الذي من شأنه أن يقول جيدا عندما

00:03:12

النقطة حمراء ،

00:03:14

إنها تقنية عالية ، عندما تكون النقطة خضراء ،

00:03:16

انها المجوهرات وعندما

00:03:18

النقطة زرقاء ، هذه مقالات من

00:03:20

رياضة. ومن هناك ، نحن

00:03:22

قد يكون لديه معلومة ثالثة

00:03:24

أكثر توجها نحو الفئة ،

00:03:25

لذلك ، ليس متري

00:03:26

التي يمكن إضافتها.

00:03:28

الرسم البياني الثاني سنقوم به

00:03:30

الحديث قريب جدا من حيث المنطق ،

00:03:33

إنه مخطط الفقاعات ،

00:03:35

لذا فإن سحابة الفقاعة.

00:03:39

وهكذا هنا،

00:03:40

سيكون لدينا دائما هذا النظام

00:03:41

عبور قيمتين.

00:03:43

بالمناسبة

00:03:44

إنها نفس البيانات الموجودة هنا

00:03:46

أيضًا. الفرق الوحيد ،

00:03:48

هو أننا ، هناك ، سنكون قادرين على إضافة

00:03:50

على هذا المخطط الفقاعي قيمة عددية ثالثة ،

00:03:54

في التمثيل البياني،

00:03:55

الذي سيكون حجم الفقاعة.

00:03:57

لذلك هناك دائما وزني بالجرام ،

00:03:59

سعري وفجأة هذا الحجم ،

00:04:01

لذلك يمكن أن يحتمل

00:04:03

يكون سعر المنتج عادة

00:04:05

وبالتالي كلما كبرت الفقاعة

00:04:07

وكلما زاد سعر المنتج

00:04:09

عال. لذا فإن ميزة هذا

00:04:11

الرسم البياني هناك أنه يسمح

00:04:13

أن يكون لديك بالفعل ثلاثة مقاييس

00:04:14

في نفس الرسم البياني ؛ سنكون قادرين على

00:04:16

حتى يحتمل إضافة

00:04:17

مفهوم اللون ل

00:04:19

الفئات كما كان من قبل ولكن ذلك

00:04:21

بدأت تفعل الكثير. ورع

00:04:22

عدم وجود في الواقع

00:04:24

الكثير من القيم بسبب المشاهدة

00:04:25

أن هناك فقاعات أكثر

00:04:27

كبيرة مثل النقاط ،

00:04:29

إذا كان لديك الكثير من القيم ،

00:04:31

سيكون حساء كبير من

00:04:33

نقاط ولن نتمكن من ذلك

00:04:35

تميزهم بالضرورة.

00:04:36

ومن الواضح أيضا التفكير في إضافة

00:04:38

أسطورة لحجم الفقاعة.

00:04:41

لأن ذلك

00:04:42

يبدأ في إضافة الكثير

00:04:43

المعلومات والمحتملة

00:04:44

أيضا لحجم الفقاعات ،

00:04:46

لا تتردد في الهبوط ،

00:04:48

لأن هناك عادة يدخل هذا واحد

00:04:50

وهذا واحد،

00:04:50

نحن لا نرى بالضرورة الكثير من

00:04:53

الفرق ومع ذلك هناك

00:04:55

فلماذا لا نقول:

00:04:57

من 0 إلى 100 يورو ، سيكون ملف

00:04:59

فقاعة صغيرة ، من 100 إلى 200 ،

00:05:01

سيكون ذلك فقاعة متوسطة و 200

00:05:04

في 300 ستكون فقاعة كبيرة.

00:05:07

وهكذا بالفعل،

00:05:08

في نوع البيانات التي يمكن أن تكون

00:05:10

استخدام لهذا النوع من الرسوم البيانية ،

00:05:12

سيكون لديك على سبيل المثال العلاقة

00:05:14

بين تكلفة المنتج و

00:05:16

الهامش المحقق.

00:05:17

لذلك هناك لديك ،

00:05:18

نحن إلى حد كبير في هذا

00:05:20

سجل هناك وحسب النوع

00:05:23

من المنتج ، لذلك عادة ما يكون هناك

00:05:24

يمكننا استخدام الألوان ،

00:05:26

ألوان مختلفة ل

00:05:27

نقاط أو اعتمادا على دوران ،

00:05:30

من معدل الدوران المتولد

00:05:31

حسنا ، يمكن أن يكون الحجم

00:05:34

من الفقاعة مع فجأة إلى حد ما

00:05:36

(أ) مخطط بياني فقاعي.

00:05:38

والآن سنتدرب على إنشائها.

00:00:01

ki bence yeterli değil

00:00:03

genel olarak kullanılır

00:00:05

veri görselleştirmede,

00:00:07

ve özellikle Excel'de,

00:00:08

Belki de bunun nedeni

00:00:10

biraz daha az görsel,

00:00:12

en azından nokta bulutu için,

00:00:14

Yani ilgilenecek olan tek şey bu

00:00:16

Aralarındaki ilişkinin kanıtı

00:00:19

iki veya daha fazla özellik ve ayrıca

00:00:21

Potansiyeli gerçekleştirebilme

00:00:23

biraz aşırı olan değerler

00:00:26

ya da en azından küçük bir tane çıkaran

00:00:28

Ile karşılaştırıldığında çok az

00:00:31

diğer yorumlara.

00:00:32

Bahsedeceğimiz ilk grafik,

00:00:35

Bu nokta bulutudur.

00:00:36

Peki nasıl çalışıyor?

00:00:39

Bizim aldığımızı sen alacaksın

00:00:40

yorum çağrıları,

00:00:41

Yani temelde

00:00:42

öğeleri böylece yapabilir

00:00:44

ürün listesi olmak,

00:00:46

İçinde günler olabilir

00:00:48

belirli bir yılda, vb.

00:00:50

ve metrikler, dolayısıyla özellikler

00:00:51

onunla ilişkilendirilecektir. Bu yüzden

00:00:53

tipik olarak ürünler için,

00:00:54

ciro olabilir,

00:00:56

ürünün ağırlığı,

00:00:57

bir sitedeyse

00:00:59

Örneğin e-ticaret,

00:01:00

Yerine koymaya çalışıyor olabilir

00:01:02

Ürünün ağırlığı ile ilişkisi

00:01:04

nakliye masrafları ile.

00:01:07

Ve bununla ilgili olarak,

00:01:09

Yani sahip olacaksınız ... Bu davadan başlayalım,

00:01:12

Tipik olarak, örneğin;

00:01:14

burada ürünün gram cinsinden ağırlığı,

00:01:17

ama burada, Euro cinsinden nakliye maliyetleri.

00:01:19

Öyleyse orada bu ürüne sahip olduğumuzu düşünelim,

00:01:22

Yani her nokta bir

00:01:24

üretilen ve tipik olarak bu

00:01:25

155 civarında olacak,

00:01:27

Hadi

00:01:28

Bunu söyleyeceğiz, yani 155 gram

00:01:31

nakliye masraflarında 2 € 'ya mal olacak.

00:01:34

Ve 190'da olan bu,

00:01:36

Ayrıca 2 € 'ya mal olacak

00:01:37

nakliye, vb.

00:01:39

Oradan,

00:01:40

Bu yüzden tüm noktaları koyacağız

00:01:42

grafiğimizde ve böylece olabilir

00:01:45

potansiyel olarak bir

00:01:46

desen tam olarak, üzerinde bir arsa

00:01:49

Grafik potansiyel olarak

00:01:50

bir korelasyonu vurgulamak,

00:01:52

yani daha çok bir değer olduğunu görüyoruz

00:01:54

apsisteki bu değer artar ve

00:01:57

Y eksenindeki değer ne kadar düşükse.

00:01:59

Burada olan şey budur.

00:02:04

Ve diğer durumlarda,

00:02:05

Ayrıca şunu da vurgulayabiliriz

00:02:06

korelasyon yokluğu,

00:02:07

yani hiçbir şey çizilmemiş,

00:02:09

Yani

00:02:10

Yoktur

00:02:12

Aşağı veya yukarı korelasyon

00:02:13

ve biz sadece sahip olacağız

00:02:15

tamamen olacak noktalar

00:02:16

her yere gönderilir ve bu durumda

00:02:17

Aynı zamanda bilgidir.

00:02:19

Diyebiliriz ama bu ikisi

00:02:20

elemanlar birbirine bağlı değil, iyi

00:02:22

Test ederek fark ederiz

00:02:24

Bu hayır ve potansiyel olarak yapabiliriz

00:02:26

ayrıca bazı şeyleri sonuçlandırır.

00:02:28

Ayrıca koymayı da mümkün kılabilir.

00:02:29

sözde tekilliklerden önce,

00:02:31

Yani tipik olarak bu grafikte var

00:02:33

Orada, denilebilir ki,

00:02:34

Peki bu nokta, biraz

00:02:36

diğerlerine göre aşırı,

00:02:37

Gerçekten kaldırıldı

00:02:39

eğrinin orada standardı

00:02:40

eğilim göstereceğimiz

00:02:41

burada gözle iz,

00:02:42

Yani bilgi de olabilir,

00:02:44

Kendi içinde söylemek gerekirse: içinde

00:02:45

Veri kümemde,

00:02:47

biraz aşırı olan değerler,

00:02:49

Veriler mi?

00:02:50

iyi ve eğer iyilerse

00:02:51

Ne oldu?

00:02:53

Özel olan nedir?

00:02:55

Bu öğenin?

00:02:57

Akılda tutulması gereken son unsur,

00:02:59

kategori ekleyebilmemizdir

00:03:00

renkler aracılığıyla noktalar üzerinde,

00:03:02

Yani tipik olarak burada,

00:03:03

Dediğim gibi,

00:03:05

Bunlar taze ürünler

00:03:07

nakliye artı ağırlık ve üzerinde

00:03:08

oldukça bir ekleyebilir

00:03:10

Ne zaman iyi diyeceği renk

00:03:12

nokta kırmızı,

00:03:14

nokta yeşil olduğunda, yüksek teknolojidir,

00:03:16

Bu mücevher ve ne zaman

00:03:18

nokta mavidir, bunlar makaleler

00:03:20

spor. Ve böylece oradan, biz

00:03:22

üçüncü bir bilgiye sahip olabilir

00:03:24

daha kategori odaklı,

00:03:25

Yani, metrik değil

00:03:26

eklenebilir.

00:03:28

İkinci grafikte yapacağız

00:03:30

Konuşmak mantık açısından çok yakındır,

00:03:33

bu Kabarcık grafiği,

00:03:35

Yani kabarcık bulutu.

00:03:39

Ve işte burada,

00:03:40

Her zaman bu sisteme sahip olacağız

00:03:41

iki değeri geçmek.

00:03:43

Bu arada

00:03:44

Burada bulunan aynı veridir

00:03:46

de. Tek fark,

00:03:48

biz, orada, ekleyebileceğimiz

00:03:50

Bu Kabarcık grafiğinde üçüncü bir sayısal değer,

00:03:54

grafikte,

00:03:55

bu balonun büyüklüğü olacak.

00:03:57

Bu yüzden orada her zaman gram cinsinden ağırlığım var,

00:03:59

benim fiyatım ve aniden bu boyutta,

00:04:01

Yani potansiyel olarak

00:04:03

tipik olarak ürünün fiyatı olmalıdır

00:04:05

ve bu nedenle baloncuk ne kadar büyükse

00:04:07

ve ürünün fiyatı ne kadar fazla olursa o kadar fazla olacaktır

00:04:09

yüksek. Yani bunun avantajı

00:04:11

Grafik orada izin veriyor

00:04:13

aslında üç metriğe sahip olmak

00:04:14

aynı grafikte; Şunları yapabileceğiz:

00:04:16

hatta potansiyel olarak eklemek

00:04:17

Renk kavramı

00:04:19

kategoriler daha önce olduğu gibi ama o

00:04:21

çok şey yapmaya başlıyor. Dikkatli

00:04:22

aslında sahip olmamak

00:04:24

çok fazla değer görüldüğü için

00:04:25

orada kabarcıklar daha fazla

00:04:27

puanlar kadar büyük,

00:04:29

Çok fazla değeriniz varsa,

00:04:31

Büyük bir çorba olacak

00:04:33

puan ve biz yapamayacağız

00:04:35

mutlaka onları ayırt edin.

00:04:36

Ve açıkçası eklemeyi de düşünün

00:04:38

Kabarcık boyutu için bir gösterge.

00:04:41

Çünkü bu

00:04:42

çok şey eklemeye başlar

00:04:43

bilgi ve potansiyel olarak

00:04:44

ayrıca kabarcıkların büyüklüğü için,

00:04:46

iniş yapmaktan çekinmeyin,

00:04:48

Çünkü tipik olarak buna girer

00:04:50

ve bu,

00:04:50

Mutlaka çok fazla görmüyoruz

00:04:53

fark ve yine de var

00:04:55

Öyleyse neden söylemiyorsunuz:

00:04:57

0 ila 100 € arasında, bir

00:04:59

100 ila 200 arasında küçük kabarcık,

00:05:01

Bu ortalama bir baloncuk ve 200 olurdu

00:05:04

300'de büyük bir balon olacak.

00:05:07

Ve gerçekten de,

00:05:08

olabilecek veri türünde

00:05:10

bu grafik türü için kullanın,

00:05:12

Örneğin, ilişkiye sahip olursunuz

00:05:14

Bir ürünün maliyeti ile

00:05:16

marj gerçekleşti.

00:05:17

İşte burada,

00:05:18

Biz hemen hemen bu işin içindeyiz

00:05:20

oraya ve türüne göre kayıt olun

00:05:23

ürününün, yani tipik olarak orada

00:05:24

renkleri kullanabiliriz,

00:05:26

için farklı renkler

00:05:27

puan veya ciroya bağlı olarak,

00:05:30

üretilen cironun

00:05:31

iyi boyut olabilir

00:05:34

aniden kabarcık ile

00:05:36

Kabarcık grafiği grafiği.

00:05:38

Ve şimdi onları yaratmak için eğitim alacağız.

00:00:01

które moim zdaniem nie wystarczą

00:00:03

używane ogólnie

00:00:05

w wizualizacji danych,

00:00:07

a w szczególności w programie Excel,

00:00:08

Może dlatego, że tak jest

00:00:10

trochę mniej wizualny,

00:00:12

przynajmniej dla chmury punktów,

00:00:14

To wszystko, co będzie dotyczyło

00:00:16

Dowody na związek między

00:00:19

dwie lub więcej właściwości, a także

00:00:21

być w stanie wykorzystać potencjał

00:00:23

wartości, które są trochę ekstremalne

00:00:26

A przynajmniej którzy wyjmują mały

00:00:28

Niewiele z partii w porównaniu do

00:00:31

do innych komentarzy.

00:00:32

Pierwszy wykres, o którym będziemy mówić,

00:00:35

To jest chmura punktów.

00:00:36

Jak to działa?

00:00:39

Dostaniesz to, co my

00:00:40

wzywa do zgłaszania uwag,

00:00:41

Więc w zasadzie

00:00:42

przedmiotów, aby mógł

00:00:44

być listą produktów,

00:00:46

To może być kilka dni w

00:00:48

w danym roku i tak dalej,

00:00:50

i metryki, a zatem cechy charakterystyczne

00:00:51

będzie z nim powiązany. Więc

00:00:53

Typowo dla produktów, IT

00:00:54

może być obrotem,

00:00:56

wagę produktu,

00:00:57

Jeśli znajduje się na stronie

00:00:59

na przykład handel elektroniczny,

00:01:00

Może to być próba wprowadzenia

00:01:02

Stosunek do masy produktu

00:01:04

z kosztami wysyłki.

00:01:07

A więc w związku z tym,

00:01:09

Więc będziesz miał... Zacznijmy od tej sprawy,

00:01:12

Zazwyczaj będziemy mieli na przykład

00:01:14

tutaj waga produktu w gramach,

00:01:17

Ale tutaj koszty wysyłki w euro.

00:01:19

Wyobraźmy sobie więc, że mamy tam ten produkt,

00:01:22

Tak więc każdy punkt reprezentuje

00:01:24

wyprodukowany i typowo ten

00:01:25

która będzie około 155,

00:01:27

Daj spokój

00:01:28

Powiemy tak, więc 155 gramów

00:01:31

będzie kosztować 2 € w kosztach wysyłki.

00:01:34

A ten, który jest na 190,

00:01:36

będzie również kosztować 2 € w

00:01:37

Żegluga, et cetera, et cetera.

00:01:39

Stamtąd

00:01:40

Więc przedstawimy wszystkie punkty

00:01:42

na naszym wykresie i tak może

00:01:45

potencjalnie śledzić

00:01:46

wzór precyzyjnie, wykres na

00:01:49

Wykres może potencjalnie

00:01:50

podkreśl korelację,

00:01:52

tzn. widzimy, że bardziej wartość

00:01:54

ta wartość odciętych wzrasta i

00:01:57

Im niższa wartość na osi y.

00:01:59

To właśnie dzieje się tutaj.

00:02:04

I inne przypadki,

00:02:05

Możemy również wyróżnić

00:02:06

brak korelacji,

00:02:07

to znaczy, że nic nie jest narysowane,

00:02:09

Czyli

00:02:10

Nie ma

00:02:12

Korelacja w dół lub w górę

00:02:13

i po prostu będziemy mieli

00:02:15

punkty, które będą całkowicie

00:02:16

wysyłane wszędzie i w takim przypadku

00:02:17

To także informacja.

00:02:19

Możemy też powiedzieć, ale czy te dwa

00:02:20

Elementy nie są połączone, no cóż

00:02:22

Testując go, realizujemy

00:02:24

że nie i możemy potencjalnie

00:02:26

Również podsumowuj rzeczy.

00:02:28

Może również umożliwić wprowadzenie

00:02:29

przed tak zwanymi osobliwościami,

00:02:31

Więc zazwyczaj na tym wykresie

00:02:33

Tam można powiedzieć:

00:02:34

Cóż, ten punkt, to jest trochę

00:02:36

ekstremalne w porównaniu do innych,

00:02:37

To jest naprawdę usunięte z

00:02:39

standard tam krzywej

00:02:40

że będziemy dążyć do

00:02:41

ślad tutaj okiem,

00:02:42

Więc może to być również informacja,

00:02:44

Sam w sobie powiedzieć: w

00:02:45

Mój zestaw danych, mam jeden z

00:02:47

wartości, które są nieco ekstremalne,

00:02:49

Czy dane

00:02:50

dobre i jeśli są dobre

00:02:51

Co się stało?

00:02:53

Co jest specjalnego

00:02:55

tego przedmiotu?

00:02:57

Ostatni element, o którym należy pamiętać,

00:02:59

jest to, że możemy dodawać kategorie

00:03:00

na kropkach za pomocą kolorów,

00:03:02

Więc typowo tutaj,

00:03:03

Jak już powiedziałem,

00:03:05

Są to świeże produkty

00:03:07

Wysyłka plus waga i na

00:03:08

mógłby całkiem dodać

00:03:10

kolor, który powiedziałby dobrze, kiedy

00:03:12

kropka jest czerwona,

00:03:14

to zaawansowana technologia, gdy kropka jest zielona,

00:03:16

To biżuteria, a kiedy

00:03:18

kropka jest niebieska, są to artykuły

00:03:20

sport. I tak stamtąd

00:03:22

może mieć trzecią informację;

00:03:24

bardziej zorientowane na kategorię,

00:03:25

A więc nie metryka

00:03:26

które można dodać.

00:03:28

Drugi wykres będziemy

00:03:30

Rozmowa jest bardzo bliska pod względem logiki,

00:03:33

to wykres bąbelkowy,

00:03:35

A więc chmura bąbelkowa.

00:03:39

I tak tutaj,

00:03:40

Zawsze będziemy mieć ten system

00:03:41

przekroczenie dwóch wartości.

00:03:43

Przy okazji

00:03:44

To te same dane, które są tutaj

00:03:46

też. Jedyna różnica,

00:03:48

jest to, że my, tam, będziemy mogli dodać

00:03:50

na tym wykresie bąbelkowym trzecia wartość liczbowa,

00:03:54

na wykresie,

00:03:55

który będzie wielkości bańki.

00:03:57

Więc tam zawsze mam swoją wagę w gramach,

00:03:59

moja cena i nagle ten rozmiar,

00:04:01

Więc może potencjalnie

00:04:03

być ceną produktu typowo

00:04:05

a zatem im większa bańka

00:04:07

i tym bardziej cena produktu będzie

00:04:09

wysoki. Więc zaleta tego

00:04:11

Wykres jest taki, że pozwala

00:04:13

mieć trzy metryki

00:04:14

na tym samym wykresie; Będziemy mogli

00:04:16

nawet potencjalnie dodać

00:04:17

Pojęcie koloru dla

00:04:19

kategorie jak poprzednio, ale to

00:04:21

zaczyna dużo robić. Ostrożny

00:04:22

nie mając

00:04:24

Zbyt wiele wartości, ponieważ widziany

00:04:25

że tam bąbelków jest więcej

00:04:27

duże jak punkty,

00:04:29

jeśli masz wiele wartości,

00:04:31

To będzie wielka zupa

00:04:33

punktów i nie będziemy w stanie

00:04:35

koniecznie je odróżnić.

00:04:36

I oczywiście pomyśl też o dodaniu

00:04:38

Legenda o rozmiarze bąbelków.

00:04:41

Bo to

00:04:42

zaczyna dużo dodawać

00:04:43

informacje i potencjalne

00:04:44

również dla wielkości pęcherzyków,

00:04:46

nie wahaj się lądować,

00:04:48

Bo tam zazwyczaj wchodzi ten

00:04:50

i ten,

00:04:50

Niekoniecznie widzimy zbyt wiele z

00:04:53

różnica, a jednak są

00:04:55

Dlaczego więc nie powiedzieć:

00:04:57

od 0 do 100 €, będzie to

00:04:59

mała bańka, od 100 do 200,

00:05:01

To byłaby średnia bańka i 200

00:05:04

Na 300 będzie to wielka bańka.

00:05:07

I rzeczywiście,

00:05:08

w typie danych, które mogą być

00:05:10

wykorzystanie do tego typu wykresu,

00:05:12

Miałbyś na przykład związek

00:05:14

między kosztem produktu a

00:05:16

marża zrealizowana.

00:05:17

Tak więc masz to,

00:05:18

Jesteśmy w tym prawie w tym

00:05:20

zarejestrować się tam i zgodnie z typem

00:05:23

produktu, więc zazwyczaj

00:05:24

moglibyśmy użyć kolorów,

00:05:26

różne kolory dla

00:05:27

punktów lub w zależności od obrotu,

00:05:30

wygenerowanego obrotu

00:05:31

Cóż, może to być rozmiar

00:05:34

bańki z dość nagle

00:05:36

wykres bąbelkowy.

00:05:38

A teraz będziemy trenować, aby je stworzyć.

00:00:01

जो मुझे लगता है कि पर्याप्त नहीं हैं

00:00:03

सामान्य रूप से उपयोग किया जाता है

00:00:05

डेटा विज़ुअलाइज़ेशन में,

00:00:07

और विशेष रूप से एक्सेल पर,

00:00:08

शायद ऐसा इसलिए है क्योंकि यह है

00:00:10

थोड़ा कम दृश्य,

00:00:12

कम से कम बिंदु बादल के लिए,

00:00:14

तो यही वह सब है जो चिंता का विषय बनने जा रहा है

00:00:16

दोनों के बीच संबंधों के प्रमाण

00:00:19

दो या दो से अधिक गुण और यह भी

00:00:21

क्षमता का एहसास करने में सक्षम होना

00:00:23

मूल्य जो थोड़ा चरम हैं

00:00:26

या कम से कम जो एक छोटा सा निकालते हैं

00:00:28

इसकी तुलना में बहुत कम

00:00:31

अन्य टिप्पणियों के लिए.

00:00:32

पहला ग्राफ जिसके बारे में हम बात करने जा रहे हैं,

00:00:35

यह बिंदु बादल है।

00:00:36

तो यह कैसे काम करता है?

00:00:39

आपको वह मिलेगा जो हम प्राप्त करेंगे

00:00:40

टिप्पणियों के लिए कॉल,

00:00:41

तो मूल रूप से

00:00:42

आइटम ताकि यह कर सके

00:00:44

उत्पादों की एक सूची बनें,

00:00:46

यह दिन हो सकता है

00:00:48

किसी दिए गए वर्ष में, वगैरह,

00:00:50

और मैट्रिक्स, इसलिए विशेषताएं

00:00:51

इसके साथ जुड़े रहेंगे। इसलिए

00:00:53

आमतौर पर उत्पादों के लिए, यह

00:00:54

टर्नओवर हो सकता है,

00:00:56

उत्पाद का वजन,

00:00:57

अगर यह किसी साइट पर है

00:00:59

उदाहरण के लिए, ई-कॉमर्स,

00:01:00

यह जगह बनाने की कोशिश की जा सकती है

00:01:02

उत्पाद के वजन से संबंध

00:01:04

शिपिंग लागत के साथ।

00:01:07

और इसलिए उस संबंध में,

00:01:09

तो आप ऐसा करने जा रहे हैं ... चलो इस मामले पर शुरू करते हैं,

00:01:12

आमतौर पर हमारे पास उदाहरण के लिए होगा

00:01:14

यहां ग्राम में उत्पाद का वजन,

00:01:17

लेकिन यहां, यूरो में शिपिंग लागत।

00:01:19

तो चलो कल्पना करते हैं कि हमारे पास यह उत्पाद है,

00:01:22

तो प्रत्येक बिंदु एक का प्रतिनिधित्व करता है

00:01:24

उत्पादित और आमतौर पर यह एक

00:01:25

जो लगभग 155 होगा,

00:01:27

चलो भी

00:01:28

हम ऐसा कहने जा रहे हैं, इसलिए 155 ग्राम

00:01:31

शिपिंग लागत में 2 € खर्च होगा।

00:01:34

और यह, जो 190 पर है,

00:01:36

इसकी कीमत भी 2 € होगी

00:01:37

शिपिंग, एट सीटेरा, वगैरह।

00:01:39

वहाँ से

00:01:40

इसलिए हम सभी बिंदु रखेंगे।

00:01:42

हमारे चार्ट पर और इसलिए यह कर सकता है

00:01:45

संभावित रूप से एक का पता लगाएं

00:01:46

पैटर्न ठीक है, एक प्लॉट पर

00:01:49

ग्राफ संभावित रूप से हो सकता है

00:01:50

एक सहसंबंध को उजागर करें,

00:01:52

यानी हम देखते हैं कि अधिक मूल्य

00:01:54

एब्सिसा पर यह मान बढ़ जाता है और

00:01:57

y-अक्ष पर मान उतना ही कम होगा।

00:01:59

यहां ऐसा ही हो रहा है।

00:02:04

और अन्य मामलों में,

00:02:05

हम भी हाइलाइट कर सकते हैं

00:02:06

सहसंबंध की अनुपस्थिति,

00:02:07

कहने का मतलब यह है कि कुछ भी तैयार नहीं किया गया है,

00:02:09

यह है

00:02:10

कोई नहीं है

00:02:12

नीचे या ऊपर की ओर सहसंबंध

00:02:13

और हम बस होने जा रहे हैं

00:02:15

बिंदु जो पूरी तरह से होने जा रहे हैं

00:02:16

हर जगह और किस मामले में भेजा गया

00:02:17

यह भी जानकारी है।

00:02:19

हम यह भी कह सकते हैं लेकिन क्या ये दो हैं?

00:02:20

तत्व जुड़े नहीं हैं, अच्छी तरह से

00:02:22

इसका परीक्षण करके हम महसूस करते हैं

00:02:24

कि नहीं और हम संभावित रूप से कर सकते हैं

00:02:26

चीजों का निष्कर्ष भी निकालें।

00:02:28

यह भी डालना संभव बना सकता है

00:02:29

तथाकथित विलक्षणताओं से पहले,

00:02:31

तो आमतौर पर इस चार्ट पर

00:02:33

वहां, कोई कह सकता है,

00:02:34

खैर यह बात, यह थोड़ा सा है

00:02:36

दूसरों की तुलना में चरम,

00:02:37

यह वास्तव में इससे हटा दिया गया है

00:02:39

वक्र का मानक

00:02:40

कि हम ऐसा करेंगे

00:02:41

आंखों से यहां पता लगाएं,

00:02:42

तो यह जानकारी भी हो सकती है,

00:02:44

अपने आप में कहने के लिए:

00:02:45

मेरा डेटासेट, मेरे पास उनमें से एक है

00:02:47

मूल्य जो थोड़ा चरम है,

00:02:49

क्या डेटा है?

00:02:50

अच्छा है और अगर वे अच्छे हैं

00:02:51

क्या हुआ?

00:02:53

क्या है खास

00:02:55

इस आइटम के बारे में?

00:02:57

ध्यान रखने के लिए अंतिम तत्व,

00:02:59

यह है कि हम श्रेणियां जोड़ सकते हैं

00:03:00

रंगों के माध्यम से डॉट्स पर,

00:03:02

तो आमतौर पर यहाँ,

00:03:03

जैसा कि मैंने कहा,

00:03:05

ये ताजा उत्पाद हैं

00:03:07

शिपिंग प्लस वजन और पर

00:03:08

काफी हद तक एक जोड़ सकता है

00:03:10

रंग जो अच्छा कहेगा जब

00:03:12

बिंदु लाल है,

00:03:14

यह उच्च तकनीक है, जब बिंदु हरा है,

00:03:16

यह गहने हैं और कब

00:03:18

डॉट नीला है, ये किसके लेख हैं?

00:03:20

खेल। और इसलिए वहां से, हम

00:03:22

जानकारी का तीसरा टुकड़ा हो सकता है

00:03:24

अधिक श्रेणी-उन्मुख,

00:03:25

तो, मीट्रिक नहीं

00:03:26

जिसे जोड़ा जा सकता है।

00:03:28

दूसरा ग्राफ हम करेंगे

00:03:30

तर्क के मामले में बात करना बहुत करीब है,

00:03:33

यह बुलबुला चार्ट है,

00:03:35

तो बुलबुला बादल।

00:03:39

और इसलिए यहाँ,

00:03:40

हमारे पास हमेशा यह प्रणाली होगी।

00:03:41

दो मूल्यों को पार करना।

00:03:43

वैसे तो

00:03:44

यह वही डेटा है जो यहां है

00:03:46

भी। एकमात्र अंतर,

00:03:48

यह है कि हम, वहां, हम जोड़ने में सक्षम होंगे

00:03:50

इस बबल चार्ट पर एक तीसरा संख्यात्मक मान,

00:03:54

ग्राफ में,

00:03:55

जो बुलबुले का आकार होगा।

00:03:57

तो वहां मेरा वजन हमेशा ग्राम में होता है,

00:03:59

मेरी कीमत और अचानक यह आकार,

00:04:01

तो यह संभावित रूप से कर सकता है

00:04:03

आम तौर पर उत्पाद की कीमत होनी चाहिए

00:04:05

और इसलिए बुलबुला जितना बड़ा होगा

00:04:07

और उत्पाद की कीमत जितनी अधिक होगी

00:04:09

उच्च। तो इसका फायदा

00:04:11

ग्राफ वहां है कि यह अनुमति देता है

00:04:13

वास्तव में तीन मैट्रिक्स हैं

00:04:14

एक ही चार्ट में; हम कर पाएंगे

00:04:16

यहां तक कि संभावित रूप से जोड़ें

00:04:17

रंग की अवधारणा

00:04:19

पहले की तरह श्रेणियां लेकिन यह

00:04:21

बहुत कुछ करना शुरू कर दिया है। सावधान

00:04:22

वास्तव में नहीं है

00:04:24

बहुत सारे मूल्य क्योंकि देखा गया

00:04:25

कि वहां बुलबुले अधिक हैं

00:04:27

बिंदुओं के रूप में बड़ा,

00:04:29

यदि आपके पास बहुत सारे मूल्य हैं,

00:04:31

यह एक बड़ा सूप होने जा रहा है

00:04:33

अंक और हम नहीं कर पाएंगे

00:04:35

आवश्यक रूप से उन्हें अलग करें।

00:04:36

और जाहिर है कि जोड़ने के बारे में भी सोचें

00:04:38

बुलबुला आकार के लिए एक किंवदंती।

00:04:41

क्योंकि वह

00:04:42

बहुत कुछ जोड़ना शुरू कर देता है

00:04:43

जानकारी और संभावित रूप से

00:04:44

बुलबुले के आकार के लिए भी,

00:04:46

लैंडिंग करने में संकोच न करें,

00:04:48

क्योंकि वहाँ आम तौर पर इस एक में प्रवेश करता है

00:04:50

और यह एक,

00:04:50

जरूरी नहीं कि हम बहुत अधिक देखें।

00:04:53

अंतर और फिर भी वहाँ हैं

00:04:55

तो क्यों न कहें:

00:04:57

0 से 100 €तक, यह एक होगा

00:04:59

छोटा बुलबुला, 100 से 200 तक,

00:05:01

यह एक औसत बुलबुला और 200 होगा

00:05:04

300 पर यह एक बड़ा बुलबुला होगा।

00:05:07

और वास्तव में,

00:05:08

डेटा के प्रकार में जो हो सकता है

00:05:10

इस प्रकार के चार्ट के लिए उपयोग करें,

00:05:12

उदाहरण के लिए आपके पास संबंध होगा

00:05:14

एक उत्पाद की लागत के बीच और

00:05:16

मार्जिन का एहसास हुआ।

00:05:17

तो वहाँ तुम्हारे पास है,

00:05:18

हम इसमें काफी हद तक हैं

00:05:20

वहां रजिस्टर करें और प्रकार के अनुसार

00:05:23

उत्पाद की संख्या, इसलिए आमतौर पर

00:05:24

हम रंगों का उपयोग कर सकते हैं,

00:05:26

के लिए अलग-अलग रंग

00:05:27

अंक या टर्नओवर के आधार पर,

00:05:30

उत्पन्न कारोबार की संख्या

00:05:31

खैर यह आकार हो सकता है

00:05:34

बुलबुले को अचानक से बदलना

00:05:36

एक बुलबुला चार्ट चार्ट.

00:05:38

और अब हम उन्हें बनाने के लिए प्रशिक्षित करने जा रहे हैं।

00:00:01

yang menurut saya tidak cukup

00:00:03

digunakan secara umum

00:00:05

dalam visualisasi data,

00:00:07

dan lebih khusus lagi di Excel,

00:00:08

Mungkin karena itu

00:00:10

sedikit kurang visual,

00:00:12

setidaknya untuk point cloud,

00:00:14

Jadi hanya itu yang akan menjadi perhatian

00:00:16

Bukti hubungan antara

00:00:19

dua atau lebih properti dan juga

00:00:21

mampu mewujudkan potensi

00:00:23

Nilai yang sedikit ekstrim

00:00:26

atau setidaknya yang mengambil kecil

00:00:28

Sedikit dari banyak dibandingkan dengan

00:00:31

ke komentar lainnya.

00:00:32

Grafik pertama yang akan kita bicarakan,

00:00:35

Ini adalah point cloud.

00:00:36

Jadi bagaimana cara kerjanya?

00:00:39

Anda akan mendapatkan apa yang kami dapatkan

00:00:40

panggilan untuk komentar,

00:00:41

Jadi pada dasarnya

00:00:42

item sehingga bisa

00:00:44

menjadi daftar produk,

00:00:46

Ini bisa berhari-hari

00:00:48

pada tahun tertentu, dan sebagainya,

00:00:50

dan metrik, oleh karena itu karakteristik

00:00:51

akan dikaitkan dengannya. Jadi

00:00:53

Biasanya untuk produk, itu

00:00:54

bisa menjadi omset,

00:00:56

berat produk,

00:00:57

Jika ada di situs

00:00:59

e-commerce misalnya,

00:01:00

Itu bisa mencoba untuk menempatkan di tempat

00:01:02

Hubungan dengan berat produk

00:01:04

dengan biaya pengiriman.

00:01:07

Dan sehubungan dengan itu,

00:01:09

Jadi Anda akan memiliki... Mari kita mulai dari kasus ini,

00:01:12

Biasanya kita akan memiliki, misalnya:

00:01:14

di sini berat produk dalam gram,

00:01:17

Tapi di sini, biaya pengiriman dalam euro.

00:01:19

Jadi mari kita bayangkan bahwa kita memiliki produk ini di sana,

00:01:22

Jadi setiap titik mewakili a

00:01:24

diproduksi dan biasanya yang ini

00:01:25

yang akan menjadi sekitar 155,

00:01:27

Ayolah

00:01:28

Kami akan mengatakan itu, jadi 155 gram

00:01:31

akan dikenakan biaya 2 € dalam biaya pengiriman.

00:01:34

Dan yang ini, yaitu pada 190,

00:01:36

juga akan dikenakan biaya 2 € di

00:01:37

pengiriman, dan sebagainya, dan sebagainya.

00:01:39

Dari sana,

00:01:40

Jadi kami akan menempatkan semua poin

00:01:42

di bagan kami dan karenanya dapat

00:01:45

berpotensi melacak

00:01:46

pola tepatnya, plot pada

00:01:49

Grafik berpotensi

00:01:50

sorot korelasi,

00:01:52

yaitu kita melihat bahwa lebih banyak nilai

00:01:54

Nilai ini pada absis meningkat dan

00:01:57

Semakin rendah nilai pada sumbu y.

00:01:59

Itulah yang terjadi di sini.

00:02:04

Dan kasus lainnya,

00:02:05

Kami juga dapat menyoroti

00:02:06

tidak adanya korelasi,

00:02:07

artinya tidak ada yang ditarik,

00:02:09

Yaitu

00:02:10

Tidak ada

00:02:12

Korelasi ke bawah atau ke atas

00:02:13

Dan kita hanya akan memiliki

00:02:15

poin yang akan sepenuhnya

00:02:16

dikirim ke mana-mana dan dalam hal apa

00:02:17

Itu juga informasi.

00:02:19

Kita juga dapat mengatakan tetapi apakah keduanya

00:02:20

elemen tidak terhubung, yah

00:02:22

Dengan mengujinya kita menyadari:

00:02:24

bahwa tidak dan kita bisa berpotensi

00:02:26

Juga menyimpulkan banyak hal.

00:02:28

Itu juga dapat memungkinkan untuk dimasukkan

00:02:29

sebelum apa yang disebut singularitas,

00:02:31

Jadi biasanya ada di bagan ini

00:02:33

Di sana, bisa dikatakan,

00:02:34

Nah poin ini, sedikit

00:02:36

ekstrim dibandingkan dengan yang lain,

00:02:37

Itu benar-benar dihapus dari

00:02:39

standar di sana dari kurva

00:02:40

bahwa kita akan cenderung

00:02:41

lacak di sini dengan mata,

00:02:42

Jadi bisa informasi juga,

00:02:44

Dalam dirinya sendiri untuk mengatakan: dalam

00:02:45

Himpunan data saya, saya memiliki salah satu

00:02:47

nilai yang agak ekstrim,

00:02:49

Apakah datanya

00:02:50

baik dan jika mereka baik

00:02:51

Apa yang terjadi?

00:02:53

Apa yang spesial dari

00:02:55

dari item ini?

00:02:57

Elemen terakhir yang perlu diingat,

00:02:59

adalah kita dapat menambahkan kategori

00:03:00

pada titik-titik melalui warna,

00:03:02

Jadi biasanya di sini,

00:03:03

Seperti yang saya katakan,

00:03:05

Ini adalah produk segar

00:03:07

pengiriman plus berat dan seterusnya

00:03:08

cukup bisa menambahkan

00:03:10

warna yang akan mengatakan dengan baik ketika

00:03:12

titiknya merah,

00:03:14

itu berteknologi tinggi, ketika titik berwarna hijau,

00:03:16

Ini perhiasan dan ketika

00:03:18

titik berwarna biru, ini adalah artikel dari

00:03:20

olahraga. Dan dari sana, kami

00:03:22

mungkin memiliki informasi ketiga

00:03:24

lebih berorientasi kategori,

00:03:25

Jadi, bukan metrik

00:03:26

yang bisa ditambahkan.

00:03:28

Grafik kedua kita akan

00:03:30

Berbicara sangat dekat dalam hal logika,

00:03:33

itu adalah bagan Gelembung,

00:03:35

Jadi awan gelembung.

00:03:39

Dan di sini,

00:03:40

Kami akan selalu memiliki sistem ini

00:03:41

melintasi dua nilai.

00:03:43

Omong-omong

00:03:44

Ini adalah data yang sama yang ada di sini

00:03:46

juga. Satu-satunya perbedaan,

00:03:48

adalah bahwa kita, di sana, kita akan dapat menambahkan

00:03:50

pada bagan Gelembung ini nilai numerik ketiga,

00:03:54

dalam grafik,

00:03:55

yang akan menjadi ukuran gelembung.

00:03:57

Jadi di sana saya selalu memiliki berat badan saya dalam gram,

00:03:59

harga saya dan tiba-tiba ukuran ini,

00:04:01

Sehingga berpotensi

00:04:03

menjadi harga produk biasanya

00:04:05

dan karena itu semakin besar gelembungnya

00:04:07

Dan semakin banyak harga produk

00:04:09

tinggi. Jadi keuntungan dari ini

00:04:11

Grafik ada yang memungkinkan

00:04:13

untuk benar-benar memiliki tiga metrik

00:04:14

dalam bagan yang sama; Kami akan dapat

00:04:16

bahkan berpotensi menambah

00:04:17

Konsep warna untuk

00:04:19

kategori seperti sebelumnya tetapi itu

00:04:21

mulai melakukan banyak hal. Cermat

00:04:22

tidak benar-benar memiliki

00:04:24

Terlalu banyak nilai karena dilihat

00:04:25

bahwa di sana gelembungnya lebih banyak

00:04:27

sebesar poinnya,

00:04:29

jika Anda memiliki banyak nilai,

00:04:31

Ini akan menjadi sup besar

00:04:33

poin dan kami tidak akan bisa

00:04:35

tentu membedakan mereka.

00:04:36

Dan jelas juga berpikir untuk menambahkan

00:04:38

Legenda untuk ukuran gelembung.

00:04:41

Karena itu

00:04:42

mulai menambahkan banyak

00:04:43

informasi dan potensi

00:04:44

juga untuk ukuran gelembung,

00:04:46

jangan ragu untuk melakukan pendaratan,

00:04:48

Karena di sana biasanya masuk yang satu ini

00:04:50

dan yang ini,

00:04:50

Kita tidak perlu melihat terlalu banyak

00:04:53

perbedaan namun ada

00:04:55

Satu jadi mengapa tidak mengatakan:

00:04:57

dari 0 hingga 100 €, itu akan menjadi

00:04:59

gelembung kecil, dari 100 hingga 200,

00:05:01

Itu akan menjadi gelembung rata-rata dan 200

00:05:04

Pada 300 itu akan menjadi gelembung besar.

00:05:07

Dan memang,

00:05:08

dalam jenis data yang bisa

00:05:10

gunakan untuk jenis bagan ini,

00:05:12

Anda akan memiliki, misalnya, hubungan;

00:05:14

antara biaya suatu produk dan

00:05:16

margin terwujud.

00:05:17

Jadi begitulah,

00:05:18

Kami cukup banyak dalam hal ini

00:05:20

Daftar di sana dan sesuai dengan jenisnya

00:05:23

produk, jadi biasanya ada

00:05:24

kita bisa menggunakan warna,

00:05:26

warna berbeda untuk

00:05:27

poin atau tergantung pada omset,

00:05:30

dari omset yang dihasilkan

00:05:31

yah bisa jadi ukurannya

00:05:34

gelembung dengan agak tiba-tiba

00:05:36

bagan Bagan gelembung.

00:05:38

Dan sekarang kita akan berlatih untuk membuatnya.

00:00:01

que eu acho que não são suficientes

00:00:03

Geralmente usado

00:00:05

na visualização de dados,

00:00:07

e mais especificamente no Excel,

00:00:08

Talvez seja porque é

00:00:10

um pouco menos visual,

00:00:12

pelo menos para a nuvem de pontos,

00:00:14

Então isso é tudo o que vai ter a ver com o

00:00:16

Evidência da relação entre

00:00:19

duas ou mais propriedades e também de

00:00:21

para ser capaz de ver o potencial

00:00:23

valores um pouco extremos

00:00:26

ou pelo menos que saiam um pouco

00:00:28

pouco do lote em comparação com

00:00:31

a outras observações.

00:00:32

O primeiro gráfico sobre o qual vamos falar,

00:00:35

Este é o gráfico de dispersão.

00:00:36

Então, como funciona?

00:00:39

Você vai conseguir o que temos

00:00:40

solicita comentários,

00:00:41

Então, basicamente,

00:00:42

itens para que possa

00:00:44

ser uma lista de produtos,

00:00:46

Pode ser dias de manhã.

00:00:48

num determinado ano, et cetera,

00:00:50

e métricas, portanto, características

00:00:51

estará associado a ele. Por conseguinte,

00:00:53

tipicamente para produtos,

00:00:54

pode ser volume de negócios,

00:00:56

o peso do produto,

00:00:57

se estiver em um site

00:00:59

comércio eletrónico, por exemplo,

00:01:00

Poderia estar a tentar pôr em prática

00:01:02

Relação com o peso do produto

00:01:04

com custos de envio.

00:01:07

E assim, em relação a isso,

00:01:09

Então você vai ter... Comecemos por este caso,

00:01:12

Normalmente, vamos ter, por exemplo,

00:01:14

aqui o peso do produto em gramas,

00:01:17

Mas aqui, os custos de envio em euros.

00:01:19

Então vamos imaginar que temos esse produto lá,

00:01:22

Assim, cada ponto representa um

00:01:24

e tipicamente este

00:01:25

que vai ser em torno de 155,

00:01:27

Vá lá

00:01:28

Digamos que, então 155 gramas

00:01:31

vai custar 2 € em envio.

00:01:34

E este, que está em 190,

00:01:36

também vai custar 2 € em

00:01:37

custos de envio, et cetera, et cetera.

00:01:39

A partir daí,

00:01:40

Então vamos colocar todos os pontos

00:01:42

no nosso gráfico e assim pode

00:01:45

potencialmente rastreie um

00:01:46

padrão, um gráfico em

00:01:49

o gráfico, ele pode potencialmente

00:01:50

destacar uma correlação,

00:01:52

ou seja, vemos que quanto mais um valor

00:01:54

Este valor do eixo x aumenta e

00:01:57

quanto menor pode ser o valor y.

00:01:59

Isso é um pouco o que está acontecendo aqui.

00:02:04

E outros casos,

00:02:05

Podemos também destacar

00:02:06

a ausência de correlação,

00:02:07

ou seja, nada é desenhado,

00:02:09

ou seja,

00:02:10

Não existe

00:02:12

Correlação descendente ou ascendente

00:02:13

E nós vamos ter

00:02:15

pontos que vão ser completamente

00:02:16

expedidos para todo o lado e em que caso

00:02:17

É também informação.

00:02:19

Também podemos dizer a nós mesmos, mas são estes dois

00:02:20

elementos não estão relacionados, bem

00:02:22

Quando você testa, você percebe

00:02:24

e podemos potencialmente

00:02:26

também para concluir as coisas a partir dele.

00:02:28

Também pode ser utilizado para

00:02:29

diante do que se chama singularidades,

00:02:31

Então, normalmente há neste gráfico

00:02:33

Lá, poderíamos dizer a nós mesmos:

00:02:34

Bem, este ponto, é um pouco

00:02:36

extremo em comparação com outros,

00:02:37

Está realmente fora do caminho

00:02:39

Padrão lá da curva

00:02:40

que tenderíamos a

00:02:41

Trace aqui com o olho,

00:02:42

Então pode ser informação também,

00:02:44

em si mesmo dizer: em

00:02:45

meu conjunto de dados, eu tenho um dos

00:02:47

valores um pouco extremos,

00:02:49

São os dados

00:02:50

bom e se eles são bons

00:02:51

O que aconteceu?

00:02:53

O que há de tão especial nisso?

00:02:55

deste item?

00:02:57

Última coisa a ter em mente,

00:02:59

é que podemos adicionar categorias

00:03:00

nos pontos através de cores,

00:03:02

Então, tipicamente aqui,

00:03:03

Como eu estava dizendo,

00:03:05

Estes são produtos com fresco

00:03:07

envio mais peso e em

00:03:08

poderia muito bem adicionar um

00:03:10

cor que iria e diria bem quando

00:03:12

o ponto é vermelho,

00:03:14

É alta tecnologia, quando o ponto está verde,

00:03:16

É joalharia e quando o

00:03:18

ponto é azul, estes são itens de

00:03:20

desporto. E assim, a partir daí, nós

00:03:22

pode ter uma terceira informação

00:03:24

mais orientada para as categorias,

00:03:25

como resultado, e não métrico

00:03:26

isso poderia ser acrescentado.

00:03:28

O segundo gráfico que vamos fazer

00:03:30

Falar é muito semelhante em termos de lógica,

00:03:33

é o gráfico de bolhas,

00:03:35

Portanto, a nuvem de bolhas.

00:03:39

E assim aqui,

00:03:40

Teremos sempre este sistema

00:03:41

cruzando dois valores.

00:03:43

A propósito

00:03:44

São os mesmos dados que estão aqui

00:03:46

também. A única diferença é que

00:03:48

é que nós, lá, seremos capazes de acrescentar

00:03:50

neste gráfico de bolhas um terceiro valor numérico,

00:03:54

No gráfico,

00:03:55

qual será o tamanho da bolha.

00:03:57

Então agora eu ainda tenho meu peso em gramas,

00:03:59

meu preço e, portanto, este tamanho,

00:04:01

Portanto, pode potencialmente

00:04:03

ser o preço do produto tipicamente

00:04:05

e, portanto, maior a bolha

00:04:07

e quanto maior for o preço do produto

00:04:09

alto. Portanto, a vantagem disso

00:04:11

gráfico é que lhe permite

00:04:13

para realmente ter três métricas

00:04:14

no mesmo gráfico; Seremos capazes de:

00:04:16

mesmo potencialmente adicionar

00:04:17

A noção de cor para

00:04:19

categorias como antes, mas

00:04:21

está começando a fazer muito. Cuidado

00:04:22

não ser realmente

00:04:24

Demasiados valores porque vistos

00:04:25

que lá as bolhas são mais

00:04:27

tão grande quanto os pontos,

00:04:29

Se você tem muitos valores,

00:04:31

Vai ser uma grande sopa de

00:04:33

pontos e não conseguiremos mais fazê-lo

00:04:35

Claro que têm de ser distinguidos.

00:04:36

E, claro, não se esqueça de adicionar

00:04:38

Uma lenda para o tamanho das bolhas.

00:04:41

Porque é isso que

00:04:42

começa a adicionar muito

00:04:43

informação e potencialmente

00:04:44

também para o tamanho das bolhas,

00:04:46

Não hesite em dar passos,

00:04:48

porque normalmente há entre este

00:04:50

e este,

00:04:50

Não vemos necessariamente muito do

00:04:53

diferença e, no entanto, existem

00:04:55

Então, por que não dizer a si mesmo:

00:04:57

de 0€ a 100€, será um

00:04:59

pequena bolha, de 100 a 200,

00:05:01

Isso seria uma bolha média e 200

00:05:04

Aos 300 será uma grande bolha.

00:05:07

E assim, de fato,

00:05:08

no tipo de dados que podem ser

00:05:10

uso para este tipo de gráfico,

00:05:12

Por exemplo, você teria o relacionamento

00:05:14

entre o custo de um produto e

00:05:16

a margem alcançada.

00:05:17

Aí está,

00:05:18

Estamos praticamente nisto

00:05:20

registro e dependendo do tipo

00:05:23

produto, então normalmente há

00:05:24

nós poderíamos usar cores,

00:05:26

cores diferentes para

00:05:27

pontos ou em função do volume de negócios,

00:05:30

das receitas geradas pelo

00:05:31

Bem, poderia ser o tamanho

00:05:34

da bolha com um pouco de um golpe

00:05:36

um gráfico de bolhas.

00:05:38

E agora vamos praticar a sua criação.

Mandarine AI: CE QUI POURRAIT VOUS INTÉRESSER

LES COURS ASSOCIÉS Cette vidéo fait partie des cours suivants

Abonnés

2706 vues

E-learning Avancé

Formation Vidéo Microsoft Excel – Avancée

Grâces à nos tutoriels « avancés », découvrez et maitrisez le plein potentiel d’Excel grâce à l’utilisation de fonctions complexes, aux macr...

Cours E-learning

TOUS LES COURS