Data analysis project focusing on fitness tracker data to identify user behavior trends, demonstrating data cleaning processes and dashboard visualization in Excel.
EN: The project was implemented with the aim of analyzing historical Fitbit tracker data to provide actionable insights for Bellabeat’s marketing strategy. The process began with the cleaning and structuring of over 20,000 records, including the removal of duplicates and handling of null values. I utilized the HOUR() function to extract 24-hour bins from complex timestamps for activity analysis. The core of the data aggregation was handled through Pivot Tables, which allowed for the efficient summarization of large datasets into meaningful metrics such as average steps, calories burned, and sleep duration across different dimensions The analytical phase focused on ensuring statistical accuracy through the use of the AVERAGEIFS function, which was used to calculate weighted hourly step averages across the entire dataset. I also categorized users into "Sedentary," "Active," and "Very Active" segments based on daily step averages to define primary marketing targets. The final analysis identified a significant activity peak and established a correlation between activity levels and sleep efficiency by indexing "Minutes Asleep" against "Time in Bed".
SK: Projekt bol realizovaný s cieľom analyzovať historické údaje zo sledovacích zariadení Fitbit s cieľom poskytnúť užitočné poznatky pre marketingovú stratégiu spoločnosti Bellabeat. Proces sa začal čistením a štruktúrovaním viac ako 20 000 záznamov vrátane odstránenia duplikátov a spracovania nulových hodnôt. Na extrakciu 24-hodinových intervalov z komplexných časových pečiatok pre analýzu aktivity som použil funkciu HOUR(). Agregácia dát bola riešená prostredníctvom kontingenčných tabuliek, ktoré umožnili efektívne zhrnutie veľkých súborov údajov do zmysluplných metrík, ako sú priemerné kroky, spálené kalórie a trvanie spánku v rôznych dimenziách. Analytická fáza sa zamerala na zabezpečenie štatistickej presnosti pomocou funkcie AVERAGEIFS, ktorá sa použila na výpočet vážených hodinových priemerov krokov v celom súbore údajov. Používateľov som tiež kategorizoval do segmentov "Sedentary," "Active," a "Very Active" na základe denných priemerov krokov, aby som určil primárne marketingové ciele. Záverečná analýza identifikovala významný vrchol aktivity a stanovila koreláciu medzi úrovňou aktivity a efektivitou spánku indexovaním „Minutes Asleep“ oproti „Time in Bed“.