Hacking Sebastian – Teil 3 – Analyse

 15.07.2014 -  Sebastian Pech -  ~4 Minuten

Wie entwickelt sich das Körpergewicht, mit einem Döner in der Hand, bei 33°C Außentemperatur?! Der Fokus dieses dritten Teils der Quantified Self Serie, liegt in der Präsentation einer Reihe von unterschiedlichen Analysen. In den vorherigen Teilen der Serie wurden die Datenquellen und der Import beschrieben. Die Analyse bildet somit den Kernbereich des Projektes. Zusätzlich beinhaltet der Artikel, Denkanstöße und Ausblicke für tiefer gehende Analysemöglichkeiten. Diese weiteren Ansätze werden möglicherweise die Basis für weitere Artikel sein.

Gewicht, Körperfett, Wasseranteil, Muskelmasse

Im ersten Teil erwähnte ich bereits kurz meine Lebensumstellung. Dadurch lässt sich ein schöner Verlauf des Körpergewichts erkennen. Zusätzlich ist der fallende Anteil des Körperfetts erkennbar, bei gleichzeitigem Zuwachs von Muskelmasse und dem Wasseranteil. Die Werte sind mit einer handelsüblichen Waage ermittelt worden. Insbesondere der Fettanteil ist damit nicht unbedingt korrekt, für einen Trend aber ausreichend. Die Darstellung erfolgt als einfaches Flächendiagramm, auf Basis der Pivot-Tabellen in Excel.

Ernährung

Die Analyse der Ernährung übernimmt MyFitnesPal bereits sehr gut. Die Standardreports, von der Webseite, sind in Excel leicht nachbaubar. Über den Umfang der normalen Reports hinweg, hatte ich weiteren Informationsbedarf. Die erste Analyse umfasst die Kalorien je Monat. Hierbei lassen sich Monate mit einem erhöhten Bedarf an Kalorien erkennen. Nebenbei ermöglicht der Bericht das Verfolgen und Vorbeugen von vermehrtem Kalorienkonsum. Steigt die Summe jeden Monat an, ist dies möglicherweise ein Warnsignal. Hohe Abweichungen sind auch ein Indiz für viele Geburtstage oder Partys. Die Grafik berücksichtigt bei den Summen nicht die unterschiedliche Anzahl von Tagen im Monat. Der Mittelwert konnte hier nicht genutzt werden, da die Datenbasis einzelne Speisen summiert und nicht die Tage. Somit wäre der Wert abhängig von der Anzahl der Nahrungsmittel je Tag gewesen. Für den Mittelwert müsste eine Datenbank View auf Basis der Summe eines Tages angelegt werden.

Eine weitere Analyse ist die Verteilung der Kalorien auf die einzelnen Mahlzeiten des Tages. Hieraus lässt sich erkennen, dass die Snacks, also Mahlzeiten vom Vormittag und Nachmittag, einen großen Teil des Tages ausmachen. Unter die Snacks fallen bei mir auch die ungesunden Ausrutscher im Monat (Eis, …). Die dritte Analyse umfasst die Makronährstoffe je Mahlzeit. Hiermit kann beispielsweise ermittelt werden, ob die Kohlenhydrate am Anfang oder am Ende des Tages zugeführt wurden.

Training

Die Analyse des Trainings ist extrem umfangreich. Runtastic bietet hier einen enormen Schatz an Statistiken, insbesondere als Gold Member. Laufanalysen und Kilometer genauer Aufschlüsselung können ebenso wie die aktivsten Tageszeiten ermittelt werden. Meine erste Analyse umfasst die historische Betrachtung der Leistung einzelner Kraftsportübungen. Mit einer einfachen Kurve ist der Zuwachs beim Bankdrücken, Kreuzheben und anderen Übungen schnell erkennbar.

Die zweite Grafik zeigt die einzelnen Sportarten, nach der Dauer der bisherigen Ausübung, auf. Hieraus kann die überproportionale Häufigkeit von Kampfsport im Gegensatz zu Joggen, Reiten und Tanzen erkannt werden. Vorstellbar ist auch eine historische Sicht, wie sich diese Verteilung verändert. Die beiden letzten Grafiken stellen die gesamte Ausübung von Sport pro Wochentag und historisch da. Hier ist eine relativ homogene Verteilung der Zeiten in der ersten Analyse sichtbar. Im Gegensatz zu einer, sich verschiebenden Aufteilung, in der zweiten Sicht.

Weitere

Die im ersten Teil der Serie vorgestellten Bereiche, sind im oberen Bereich des Artikels noch nicht in aller Gänze beschrieben. Hier folgen einige Ideen und Überlegungen für mögliche weitere Analysen auf Basis der Quantified Self Idee.

PC Nutzung

Im Wesentlichen sind die Informationen bereits aus dem Tool ablesbar. Anhand der vorgefertigten Reports lässt sich erkennen, dass ein guter Teil meiner Freizeit, die ich vor dem PC verbringe, auf sozialen Plattformen wie Facebook und Twitter vertrödelt wird. Zusätzlich mischen sich Foren und Newsseiten dazu. Der Rest ist dann spezifisch für die Aufgaben des Tages (Softwareentwicklung, Fotobearbeitung, …). Die Nutzung in der Firma verteilt sich auf Outlook und Ticketsysteme. Mittags und am frühen Morgen gesellen sich Newsseiten und Technologieforen dazu.

Orte – Schlaf

Bisher sind noch nicht genügend Daten zusammengekommen, damit eine relevante Quantified Self Analyse möglich ist. Lediglich eine durchschnittliche Zeit von 7,09 Stunden Schlaf pro Nacht ist ablesbar.

Konten

Das Auswerten der Kontenbewegung ist eine spannende Tätigkeit. Die Kernfragen dazu lauten „Wo kommt mein Geld her?“, was sich naheliegend mit „vom Arbeitgeber“ beantworten lässt und der Frage „Wohin verschwindet das ganz Geld denn wieder?“. Für die Aufschlüsselung clustere ich die einzelnen Zahlungsempfänger. Ob nun 70 Euro zu Tankstelle A und 60 Euro zu Tankstelle B gehen ist nicht relevant, wohl aber die Aussage, 130 Euro für das Tanken gezahlt zu haben. Die genaue Aufstellung meiner Konten ist hier natürlich nicht aufgelistet. Allerdings gehören neben den Barentnahmen am Geldautomaten und Einkäufe im Supermarkt, auch Amazon und Tankstellen zu den Top Ausgaben.

Mails, Wetter, Kopfschmerzen

Mails: Das Auslesen der Mails ist noch nicht umgesetzt. Wetter: Hier fehlen mir noch Ansätze für sinnvolle Korrelationen. Kopfschmerzen: Hier fehlt ebenfalls eine aussagekräftige Datenbasis. Viele der Grafiken sind um die Achsenbeschriftungen und Legenden, aus Platzgründen, beschnitten. Anregungen und Ideen für weitere Quantified Self Analysen bitte gerne an mich.