Natuurlijk! Hier is een voorbeeld van SQL-query's die je kunnen helpen bij het analyseren van tijdreeksgegevens zoals dagelijkse bezoekersaantallen per pagina. Ik zal uitleg geven over de gebruikte functies en methoden. **1. Trendanalyse: Gemiddelde bezoekers per dag en maand** ```sql -- Gemiddelde bezoekers per dag SELECT datum, AVG(bezoekers) AS gemiddeld_bezoekers FROM bezoekersgegevens GROUP BY datum ORDER BY datum; ``` *Uitleg:* Deze query geeft het gemiddelde aantal bezoekers per dag weer. Dit helpt om de algemene trend over tijd te zien. --- **2. Seizoensinvloeden: Gemiddelde bezoekers per maand** ```sql -- Gemiddelde bezoekers per maand SELECT DATE_TRUNC('month', datum) AS maand, AVG(bezoekers) AS gemiddeld_bezoekers FROM bezoekersgegevens GROUP BY maand ORDER BY maand; ``` *Uitleg:* Door de gegevens per maand te groeperen, kun je seizoenspatronen identificeren, zoals hogere of lagere bezoekersaantallen in bepaalde maanden. --- **3. Identificatie van afwijkingen: Detectie van dagen met uitzonderlijk hoge of lage bezoekersaantallen** ```sql -- Dagen met bezoekersaantallen die afwijken van het gemiddelde WITH statistieken AS ( SELECT AVG(bezoekers) AS gemiddeld, STDDEV(bezoekers) AS stddev FROM bezoekersgegevens ) SELECT b.datum, b.bezoekers, s.gemiddeld, s.stddev FROM bezoekersgegevens b, statistieken s WHERE b.bezoekers > s.gemiddeld + 2 * s.stddev OR b.bezoekers < s.gemiddeld - 2 * s.stddev ORDER BY b.datum; ``` *Uitleg:* Deze query identificeert dagen waar bezoekersaantallen significant hoger of lager zijn dan het gemiddelde, gebruikmakend van standaarddeviaties. Dagen die meer dan twee standaarddeviaties boven of onder het gemiddelde liggen, kunnen bijzondere gebeurtenissen of afwijkingen aangeven. --- **4. Visualisatie (optioneel):** Voor een betere interpretatie kun je de resultaten exporteren naar een visualisatietool zoals Excel, Tableau, of Power BI, of SQL gebruiken in combinatie met grafieken in een BI-tool. --- **Samenvatting:** - Gebruik `AVG()` voor gemiddelden. - Gebruik `DATE_TRUNC()` om data te groeperen per maand. - Gebruik `STDDEV()` voor spreidingsmaten en afwijkingdetectie. - Combineer aggregaties en conditionele filters om inzichten te krijgen. Heb je specifieke vragen over de data of wil je meer complexe analyses?

Zeker, hier zijn enkele krachtige SQL queries om uw tijdreeksgegevens over dagelijkse bezoekersaantallen te analyseren: ### 1. Basis trendanalyse met voortschrijdend gemiddelde ```sql SELECT datum, bezoekers_aantal, AVG(bezoekers_aantal) OVER ( ORDER BY datum ROWS BETWEEN 6 PRECEDING AND CURRENT ROW ) AS voortschrijdend_gemiddelde_7d, AVG(bezoekers_aantal) OVER ( ORDER BY datum ROWS BETWEEN 29 PRECEDING AND CURRENT ROW ) AS voortschrijdend_gemiddelde_30d FROM dagelijkse_bezoekers ORDER BY datum; ``` **Uitleg**: - `AVG() OVER()`: Bereken het gemiddelde over een bewegend venster - `ROWS BETWEEN X PRECEDING AND CURRENT ROW`: Definieert het venster van rijen - Identificeert langetermijntrends door dagelijkse fluctuaties te dempen ### 2. Seizoensinvloeden per dag van de week ```sql SELECT EXTRACT(DOW FROM datum) AS dag_van_de_week, TO_CHAR(datum, 'Day') AS weekdag_naam, AVG(bezoekers_aantal) AS gemiddelde_bezoekers, STDDEV(bezoekers_aantal) AS standaardafwijking FROM dagelijkse_bezoekers GROUP BY EXTRACT(DOW FROM datum), TO_CHAR(datum, 'Day') ORDER BY dag_van_de_week; ``` **Uitleg**: - `EXTRACT(DOW FROM datum)`: Haalt de dag van de week op (0=zondag, 6=zaterdag) - `STDDEV()`: Bereken de standaardafwijking voor variatie-analyse - Toont patronen per weekdag voor seizoensanalyse ### 3. Maandelijkse trend- en groeianalyse ```sql SELECT EXTRACT(YEAR FROM datum) AS jaar, EXTRACT(MONTH FROM datum) AS maand, SUM(bezoekers_aantal) AS totale_bezoekers, LAG(SUM(bezoekers_aantal)) OVER (ORDER BY EXTRACT(YEAR FROM datum), EXTRACT(MONTH FROM datum)) AS vorige_maand, ROUND((SUM(bezoekers_aantal) - LAG(SUM(bezoekers_aantal)) OVER (ORDER BY EXTRACT(YEAR FROM datum), EXTRACT(MONTH FROM datum))) / LAG(SUM(bezoekers_aantal)) OVER (ORDER BY EXTRACT(YEAR FROM datum), EXTRACT(MONTH FROM datum)) * 100, 2) AS groei_percentage FROM dagelijkse_bezoekers GROUP BY EXTRACT(YEAR FROM datum), EXTRACT(MONTH FROM datum) ORDER BY jaar, maand; ``` **Uitleg**: - `LAG()`: Toegang tot waarden uit vorige rijen - Maand-op-maand groeiberekening - Identificeert maandelijkse trends en groeipatronen ### 4. Afwijkingsdetectie met Z-score ```sql WITH statistieken AS ( SELECT AVG(bezoekers_aantal) AS gemiddelde, STDDEV(bezoekers_aantal) AS standaardafwijking FROM dagelijkse_bezoekers ) SELECT datum, bezoekers_aantal, (bezoekers_aantal - gemiddelde) / standaardafwijking AS z_score, CASE WHEN ABS((bezoekers_aantal - gemiddelde) / standaardafwijking) > 2 THEN 'Afwijking' ELSE 'Normaal' END AS status FROM dagelijkse_bezoekers, statistieken ORDER BY ABS(z_score) DESC; ``` **Uitleg**: - Z-score berekent hoe veel standaardafwijkingen een waarde van het gemiddelde afwijkt - Waarden met |z-score| > 2 worden typisch als afwijkingen beschouwd - `WITH clause`: Common Table Expression voor herbruikbare subquery ### 5. Seizoenscomparison jaar-op-jaar ```sql SELECT EXTRACT(MONTH FROM datum) AS maand, EXTRACT(DAY FROM datum) AS dag, EXTRACT(YEAR FROM datum) AS jaar, bezoekers_aantal, AVG(bezoekers_aantal) OVER ( PARTITION BY EXTRACT(MONTH FROM datum), EXTRACT(DAY FROM datum) ORDER BY EXTRACT(YEAR FROM datum) ROWS BETWEEN UNBOUNDED PRECEDING AND 1 PRECEDING ) AS historisch_gemiddelde FROM dagelijkse_bezoekers ORDER BY maand, dag, jaar; ``` **Uitleg**: - `PARTITION BY`: Groepeert perzelfde dag en maand over verschillende jaren - Vergelijkt prestaties met historische gemiddelden voor dezelfde datum - Identificeert afwijkingen van seizoenspatronen ### 6. Top paginaprestaties met trendranking ```sql WITH maandelijkse_prestaties AS ( SELECT pagina_url, EXTRACT(YEAR FROM datum) AS jaar, EXTRACT(MONTH FROM datum) AS maand, SUM(bezoekers_aantal) AS bezoekers, RANK() OVER (PARTITION BY EXTRACT(YEAR FROM datum), EXTRACT(MONTH FROM datum) ORDER BY SUM(bezoekers_aantal) DESC) AS ranking FROM dagelijkse_bezoekers GROUP BY pagina_url, EXTRACT(YEAR FROM datum), EXTRACT(MONTH FROM datum) ) SELECT * FROM maandelijkse_prestaties WHERE ranking <= 10 ORDER BY jaar, maand, ranking; ``` **Uitleg**: - `RANK()`: Wijs een rang toe binnen elke partitie - Identificeert consistente topperformers en opkomende trends - Toont maandelijkse ranking evolutie **Tips voor gebruik**: 1. Pas datumformaten aan naar uw database-systeem 2. Voeg indexen toe op datum- en paginakolommen voor betere prestaties 3. Gebruik `WHERE datum >= CURRENT_DATE - INTERVAL '1 year'` voor rolling year analysis 4. Combineer deze queries voor diepgaande multivariabele analyse Deze queries helpen u trends te identificeren, seizoenspatronen te herkennen, afwijkingen te detecteren en prestaties te benchmarken over tijd.