Min reise innen
dataanalyse

Jeg er en dataanalytiker i Trondheim. Jeg jobber med å omdanne uoversiktlige data til beslutningsgrunnlag som gir mening, gjennom læring, utvikling og praktisk bruk av dataanalyse i reelt arbeid. Her deler jeg prosjekter og innsikter utviklet med Power BI, SQL, Excel og R.

dataanalytiker i Trondheim

Kort om meg

Jeg jobber hovedsakelig med Power BI, Excel og Power Platform, hvor jeg bygger og automatiserer økonomiske og operative rapporter som støtter bedre beslutninger.
Arbeidet mitt inkluderer dashboards for økonomisk og finansiell rapportering, CO2-oppfølging og bærekraft, risikomatriser og HR- og rekrutteringsanalyse.
Ved siden av det profesjonelle arbeidet mitt er jeg skaperen av Data Acolyte – en læringsplattform for personer som ønsker å bytte karriere til dataanalyse. På YouTube dokumenterer jeg min egen vei inn i dataanalyse og deler både fremgang, feil, usikkerhet og erfaringer, for å vise hvordan det faktisk er å bygge en karriere innen data.
Gjennom Data Acolyte driver jeg også et aktivt Discord-fellesskap med personer på ulike nivåer, fra helt nybegynnere til mer erfarne analytikere. Fokuset er på praktisk læring, ekte diskusjoner og langsiktig kompetanseutvikling, ikke raske løsninger.

Data Acolyte

Ved siden av mitt daglige arbeid med data driver jeg også Data Acolyte – et læringsprosjekt der jeg deler erfaringer fra min egen vei inn i dataanalyse.
Prosjektet samler personer på ulike nivåer som ønsker å lære, diskutere og utvikle seg videre i faget, med fokus på praktisk bruk av data.

Portefølje

Her finner du en oversikt over prosjektene mine innen dataanalyse. Jeg har jobbet med ulike verktøy som SQL, Excel, Power BI, Tableau, Python og R for å analysere data og skape innsiktsfulle løsninger. Hvert prosjekt viser mine evner til å håndtere komplekse datasett, lage interaktive visualiseringer og trekke meningsfulle konklusjoner som kan støtte beslutningstaking i organisasjoner.

cancell

Power BI og R

dataanalytiker i Trondheim

Power BI

viz

Tableau

Teknologier

Klikk på verktøyene nedenfor for å utforske hvert prosjekt, som viser mine ferdigheter i SQL, Excel, Power BI, Tableau, Python og R.

Mitt siste prosjekt

Utforskning av hotellreservasjonsmønstre og kanselleringer: Innsikter fra et datasett

Struktur og omfang av datasettet:
Datasettet består av 36 275 unike bookingposter fra et hotellstyringssystem. Hver post inneholder flere funksjoner, som antall gjester, romtype, måltidsplan og bookingstatus. Det dekker bookingdetaljer fra 2017 til 2018 og gir innsikt i kundeadferd, reservasjonstrender og inntektsgenerering.

Datasettet gir innsikt i viktige aspekter ved hotellets drift, som:
Kundepreferanser (f.eks. foretrukne romtyper og måltidsplaner)
Bookingfrekvenser (f.eks. bookingtrender etter ukedag, måned og høytidsperioder)
Kanselleringsadferd (f.eks. tidligere kanselleringer og kanselleringsrater)
Inntektsgenerering (f.eks. prisfluktuasjoner og segmentering etter romtyper)

Verktøy og teknologier brukt:
🗂️📝R: for datarensing, transformasjon og innledende analyse
📊 Power BI: for datavisualisering og interaktive dashboard
DAX: brukt for å beregne ulike målinger og indekser, inkludert bookinger, kanselleringer, helger og gjennomsnittlige priser.

Antall poster: 36 275
Antall felter: 19
Lisens: fra www.kaggle.com
Databehandling og analyse:

Rensing og strukturering av data:
Datasettet krevde flere rensings- og prosesseringssteg for å sikre at det var klart for analyse. Følgende oppgaver ble utført:
✨ Standardisering av kolonner, som å fjerne ekstra mellomrom i «Form»-feltet.
✨ Utfylling av manglende verdier der det var nødvendig for å opprettholde konsistens.
✨ Håndtering av skuddår (29. februar): Alle forekomster av 29. februar ble justert til 28. februar for å sikre konsistente datoer innenfor perioden 2017-2018.
✨ Filtrering av ufullstendige eller irrelevante poster for å fokusere på de mest relevante dataene.
✨ Opprettelse av en dimDate-tabell for tidsbasert analyse, som inkluderer ulike datoattributter (f.eks. ukedag, helg, måned, år).
I dette prosjektet demonstrerte jeg mine ferdigheter i å håndtere manglende data og transformere rå informasjon til et brukbart format. Følgende kode viser hvordan jeg identifiserte og håndterte manglende verdier, korrigerte skuddårs-datoer og opprettet en ny datokolonne.

Check for missing values
sum(!complete.cases(hotel))
colSums(is.na(hotel))

Create date column by combining year, month, and day
hotel$date <- tryCatch(
as.Date(paste(hotel$arrival_year, hotel$arrival_month, hotel$arrival_date, sep = ‘-‘), format = ‘%Y-%m-%d’),
error = function(e) NA
)

Correct February 29th for leap years
hotel$arrival_date[hotel$arrival_month == 2 & hotel$arrival_date == 29] <- 28

Visualisering og utforskning av data:
Ulike visualiseringer ble laget i Power BI for å utforske reservasjonstrender, prisfluktuasjoner og sesongvariasjoner. Viktige visualiseringer inkluderte:
Stolpediagrammer for totale bookinger per måned.
Linjediagrammer som fremhever helger og høytider.
Boksplott som viser prisfluktuasjoner etter romtype og måltidsplan.

Interaktive Dashboards:
Interaktive dashbord ble bygget i Power BI, slik at brukerne kan dykke ned i dataene etter dato, romtype og markedssegment. Disse dashbordene ga en oversikt over bookinger, kanselleringer og trender over tid.
Nøkkelfunn:
⭐ Totale bookinger er mest konsentrert i første halvdel av måneden, med betydelige topper mot slutten. Imidlertid faller ikke de høyeste bookingdagene sammen med helgene, og dette varierer fra år til år.
⭐ Helgebookinger: Selv om helgene er viktige for bookinger, viser den totale distribusjonen stor variasjon fra år til år. Ulike måneder som oktober og november viser høyere bookingvolumer i helgene.
⭐ Kanselleringsrate: Kanselleringsraten står på 32,76%, med lengre opphold (13-16 netter) og måltidsplan 2 som de største bidragsyterne. Romtype 4 med måltidsplan 2 har høyeste kanselleringsrate.

Lærdom og verdiskaping:
Ved å fokusere på perioder med høy etterspørsel (topper i bookingdager), kan hoteller optimalisere prisene og tilby kampanjer for å øke inntektene.
Segmentering av bookinger etter romtyper og måltidsplaner kan gi dypere innsikt i kundepreferanser.
En mer målrettet tilnærming til håndtering av kanselleringer, spesielt for lengre opphold og spesifikke måltidsplaner, kan bidra til å redusere tap.


Link til prosjekt på Github
Link til Power Bi prosjekt

Nysgjerrig på arbeidet mitt eller hvordan jeg jobber med data i praksis?

Ta gjerne kontakt hvis du har spørsmål eller ønsker å starte en samtale.

Skroll til toppen