Sprint: Dateneinblicke
Ziel
Neue Einblicke aus den IoTNumb3rs Daten gewinnen
Messbare Resultate
Jeder Nutzer erfasst 25 neue Infografiken.
Am Ende des Sprints sind insgesamt, d.h. über alle Nutzer zusammen, mindestens 100 neue Datensätze hinzugekommen.
Am Ende des Sprints ist die Datenqualität >95%
Die im Sprint Datenqualitätsoffensive erstellten Leistungsstatistiken sind mit neuen Daten des Sprints fortgeschrieben.
Die im Sprint Datenqualitätsoffensive erstellten Boxplot Diagramme erhalten ein Update mit neuen IoTNumb3rs Daten.
Es sind 4 neue Klassen von Boxplot-Diagramme erstellt, die in die Daten reinbohren, sog. Drill-Down.
Es sind 2 neue Diagramme zur Erfüllung von Prognosen und zum Prognosehorizont erstellt.
Für jeder Nutzer gibt es am Sprintende 1 Excelfile und 1 PDF File, in dem alle Diagramme enthalten sind.
Die Files sind benannt gemäß des Namenschemas
Die Files liegen auf Github unter https://github.com/cdeck3r/IoTNumb3rs/tree/master/Diagramme
Sprintdauer
Start: 19.12.2018 Ende: 08.01.2019
Fortschrittsverfolgung
Datenerfassung: stats.csv Datenqualität: dq.md
Vorgehen
Hinweise zur Anfertigung von Diagrammen
Ein Tabellenblatt (Reiter in Excel) enthält nur ein Diagramm.
Ein Tabellenblatt beginnt immer mit einer Überschrift, die beschreibt, welches Diagramm zu sehen ist. Die Beschreibung aus dem Sprint kann verwendet werden.
Der Reiter in Excel hat auch einen passenden Namen. Generische Namen wie "Tabelle 1" sind nicht zulässig-
Alle Diagramme sind ordentlich zu beschriften, d.h. alle Achsenbezeichnung müssen vorhanden sein
Leistungsstatistiken
Im Sprint "Datenqualitätsoffensive" wurden bereits Leistungsstatistiken erstellt. Im aktuellen Sprint soll die Daten fortgeschrieben werden.
Jeder Nutzer erfasst seine Projektleistung (optional: von allen Nutzern)
Anzahl der erfassten Infografiken über die Zeit; Datenquelle: stats.csv
Qualitätsindikator über die Zeit; Datenquelle: dq.md, #random channel Slack
Boxplot-Diagramme
Im Sprint "Datenqualitätsoffensive" wurden bereits Boxplot-Diagramme erstellen. Mit den neuen zur Verfügung gestellten IoTNumb3rs Daten erfahren diese Diagramme ein Update.
Datenquelle: Datenfile aus Slack
Drill-Down Boxplot-Diagramme
Hineinbohren oder Drill-Down in Daten bedeutet, dass aggregierte Merkmale auf detaillierte Werte, aus denen sie zusammengesetzt sind, heruntergebrochen werden. Es verhält sich wie ein „Hereinzoomen“ in die Daten.
Beispiel: Drill-Down erlaubt es, Daten wie die verschiedenen Geräteanzahlen für Prognosejahre detaillierter bzgl. den Autoren zu unterscheiden.
Die folgenden Boxplot-Diagramme sollen erstellt werden:
Drill-Down: device_count auf authorship_class
für jede Ausprägung des Attributs authorship_class, also Blogger, Consultant, etc., soll jeweils 1 Boxplot-Diagramm erstellt werden
x-Achse: prognosis_year
y-Achse: device_count
Drill-Down: market_volume auf authorship_class
für jede Ausprägung des Attributs authorship_class, also Blogger, Consultant, etc., soll jeweils 1 Boxplot-Diagramm erstellt werden
x-Achse: prognosis_year
y-Achse: market_volume
Drill-Down: device_count auf device_class
Fassen Sie die Ausprägungen des Attributs device_class auf höchsten 5 verschiedene Ausprägungen zusammen
Für jede der neuen Ausprägungen, soll jeweils 1 Boxplot-Diagramm erstellt werden
x-Achse: prognosis_year
y-Achse: device_count
Drill-Down: market_volume auf market_class
Fassen Sie die Ausprägungen des Attributs market_class auf höchsten 5 verschiedene Ausprägungen zusammen
Für jede der neuen Ausprägungen, soll jeweils 1 Boxplot-Diagramm erstellt werden
x-Achse: prognosis_year
y-Achse: market_volume
Prognoseerfüllung und Prognosehorizont
Jeder Teilnehmer soll 2 neue Diagramme erstellen, die die Prognoseerfüllung für das Attribut device_count und die Entwicklung der Prognose des Attributs device_count in Abhängigkeit von Prognosehorizont darstellen.
Prognoseerfüllung: Differenz zwischen realer device_count und prognostiziertem device_count
Dabei sind
realer device_count: device_count für prognosis_year, wenn prognosis_year < publication_year
prognostizierter device_count: device_count für prognosis_year, wenn prognosis_year > publication_year
Prognoseerfüllung: Differenz, sie kann für den selben Wert von prognosis_year brechnet werden
Berechnen Sie Werte der Prognoseerfüllung für verschiedene Werte des Attributs prognosis_year
Erstellen Sie ein Boxplot-Diagramm
x-Achse: prognosis_year
y-Achse: Abweichung device_count
Prognosehorizont: Zeitspanne zwischen prognosis_year und publication_year
Fassen Sie die Werte des Attributes device_count verschiedener Prognosehorizonte zusammen
Erstellen Sie ein Boxplot-Diagramm
x-Achse: Prognosehorizont
y-Achse: device_count
Evaluation
Am Ende des Sprints werden die erfassten Daten analysiert und mit dem Stand vom Startdatum verglichen. Dabei werden die geforderten Resultat wie folgt gemessen
Messgröße Total data rows: Alle Datensätze eines Nutzers
Messgröße Distinct infographics: verschiedene Infografiken eines Users
Messgröße Datenqualität Q: Qualitätsindikator aus dq.md
Stand 19.12.2018
User
Total data rows
Distinct infographics
Datenqualität Q
JinlinHolic
356
115
1.0
MariaMarg
311
98
1.0
marielledemuth
326
115
1.0
Pattoho
529
108
1.0
Summe
1522
436
Stand nach Sprintende am 09.01.2018
User
Total data rows
Distinct infographics
Datenqualität Q
JinlinHolic
418
139
1.0
MariaMarg
357
122
1.0
marielledemuth
431
142
1.0
Pattoho
617
133
0.995137763371
Summe
1823
536
Erfüllung der zu Beginn aufgestellten messbaren Resultate
User
zusätzliche verschiedene (=distinct) infographics
JinlinHolic
24
MariaMarg
24
marielledemuth
27
Pattoho
25
Last updated