Личный трекер продуктивности. Датасет
Сейчас я активно работаю над своей дисциплиной и стараюсь вводить полезные привычки: ограничивать экранное время, разделять работу и личную жизнь. Мне стало интересно, как другие люди расставляют приоритеты, сколько посвящают времени спорту/отдыху/учебе, и как это влияет на их продуктивность.
Я взяла данные с сайта Kaggle. В этом датасете собраны еженедельные привычки людей (работа, учеба, физическая активность, экранное время) и показатели продуктивности за 12 недель. В нем собраны данные 150 пользователей. Помимо очевидных показателей, в нем также собраны и данные о профессиональной деятельности участников, что позволит создать более объективное и адекватное представление о распределении время в зависимости от рода занятий (например, мне как студенту логичнее сравнивать свои показатели с показателями других студентов).
Я решила построить круговую диаграмму, чтобы посмотреть процентное соотношений участников по профессиональной категории, также линейный график, показывающий понедельный средний показатель продуктивности для разных профессий. Кроме того, я буду строить столбчатую диаграмму по возрастным группам для сравнения средних показателей активностей и эффективности и диаграмму рассеяния для определения корреляции между экранным времени и продуктивностью.
Количество участников по профессиям примерно одинаковое. Меньше всего принимали участие студенты — 16,7%, а больше всего дизайнеры и менеджеры, которых оказалось поровну — 22,7%.
Линейный график демонстрирует, как меняется средняя продуктивность всех пользователей по неделям в зависимости от их профессии/рода занятий (дизайнер, менеджер, студент, фрилансер и инженер).
У некоторых профессий (например, фрилансер или дизайнер) продуктивность может колебаться сильнее, в то время как студенты могут демонстрировать более стабильные показатели. Самый высокий показатель эффективности продемонстрировали студенты на 2-й неделе, а самый низкий — дизайнеры на 7-й.
Диаграмма рассеяния показывает показывает корреляцию между переменными. В данном случае были выбраны ScreenTimeHours и ProductivityScore, сгруппированные по профессиям.
Диаграмма рассеяния имеет нисходящий тренд и преимущественно обратно пропорциональную зависимость, отсюда можно предположить, что чем больше экранного времени, тем меньше продуктивность.
Столбчатая диаграмма позволяет сравнить показатели на основе возрастных групп. Средние часы StudyHours, WorkHours, ExerciseHours, ScreenTimeHours и ProductivityScore в зависимости от возраста.
В большинстве своем средние значения показателей по возрасту примерно одинаковые, однако, можно выделить, что количество экранного времени имеет больше всего колебаний. Это значит, что в большинстве своем возраст не так сильно влияет на распределение времени по определенным категориям.
Вывод
В опросе участвовало примерное равное количество людей по профессиональным группам, из чего можно сделать вывод, что показатели достаточно объективны. Для повышения продуктивности стоит ограничивать экранное время людям с профессий, где это критично (например, дизайнеры или фрилансеры). Некоторым людям с нестабильными показателями продуктивности также может быть полезно пользоваться дополнительными инструментами для планирования.
Однако, несмотря на нагрузку, средние показатели активности для всех возрастов оказались примерно одинаковыми. Таким образом, критерием, наиболее влияющим на продуктивность, оказался род занятости.
Нейросети
Использовала Recraft Al для генерации обложки проекта.
Использовала ChatGpt и DeepSeek для вопросов по улучшению внешнего вида графиков: корректировка толщин линий, изменение размера текста, сдвиг легенды относительно графика.
