Глоссарий

Time series data: что это и как анализировать временные ряды

2026-07-28 19:32
Time series data, или данные временных рядов, — это последовательность наблюдений, связанных с моментами или интервалами времени. Простыми словами, это значения показателя в хронологическом порядке: продажи по месяцам, NPS по кварталам, загрузка сервера по минутам. Их анализируют, чтобы видеть динамику, находить тренды и сезонность, обнаруживать аномалии и прогнозировать будущие значения.

Особенности временных рядов

Во временном ряду порядок наблюдений имеет смысл: значение за март может быть связано с февралём и апрелем. Такую зависимость называют автокорреляцией. Поэтому временные данные нельзя перемешивать и анализировать как независимые строки таблицы.
Тип данных
Пример
Отличие
Временной ряд
CSAT по месяцам
Один показатель меняется во времени
Поперечные данные
CSAT филиалов за июнь
Объекты сравниваются в один период
Панельные данные
CSAT филиалов ежемесячно
Несколько объектов измеряются повторно

Компоненты временного ряда

  • уровень — типичное значение;
  • тренд — длительное повышение или снижение;
  • сезонность — повторение через известный период;
  • цикл — колебания без строго заданной длины;
  • остаток — изменения, не объяснённые моделью.
Декомпозиция разделяет ряд на тренд-цикл, сезонную составляющую и остаток. В аддитивной модели компоненты складываются. Мультипликативная подходит, когда амплитуда сезонности растёт вместе с уровнем ряда.

Виды time series data

Ряды бывают регулярными и нерегулярными, одномерными и многомерными, стационарными и нестационарными. Стационарный ряд сохраняет относительно постоянные среднее, дисперсию и структуру зависимости. Тренд и сезонность обычно делают ряд нестационарным. Для некоторых моделей данные преобразуют: рассчитывают разности, удаляют сезонность или применяют логарифмирование.

Как анализировать временной ряд

  1. Проверить даты, пропуски, дубликаты и единицы измерения.
  2. Построить график, найти выбросы и смену методики сбора.
  3. Определить тренд, сезонность и структурные сдвиги.
  4. Проверить автокорреляцию и при необходимости стационарность.
  5. Построить базовую и более сложную модели.
  6. Проверить прогноз на последующем временном отрезке.
  7. Оценить ошибку и интервал неопределённости.
Для анализа используют скользящее среднее, экспоненциальное сглаживание, STL-декомпозицию, ETS, ARIMA, регрессию с внешними факторами и машинное обучение. Сложную модель сравнивают с простым базовым прогнозом.
Случайное разделение данных на обучение и тест может передать модели информацию из будущего. Для временных рядов применяют последовательное разделение или rolling-origin validation, при котором модель обучается только на наблюдениях, предшествующих проверяемому периоду.

Практические примеры

Сфера
Ряд и решение
IT
Ошибки по часам — найти аномалию после релиза
HR
eNPS по кварталам — оценить HR-инициативы
Производство
Брак по сменам — обнаружить ухудшение процесса
Банк
Просрочка по месяцам — скорректировать риск-модель
Медицина
Давление по дням — оценить динамику терапии
Образование
Посещаемость по неделям — выявить риск отсева
Ритейл
Продажи по дням — планировать запас
B2B
Конверсия по месяцам — учесть сезонность сделки

Типичные ошибки

  • сравнивать периоды без учёта сезонности;
  • считать наблюдения независимыми;
  • заменять пропуски нулями без проверки;
  • прогнозировать по слишком короткой истории;
  • игнорировать изменение методики измерения;
  • проверять модель на обучающих данных;
  • показывать прогноз без интервала;
  • принимать временную корреляцию за причинность.

Как использовать в ФОКУЗ

В ФОКУЗ временные ряды формируются при повторных волнах NPS, eNPS, CSAT, CSI, исследований вовлечённости и клиентского опыта. Для сопоставимости сохраняют вопросы, шкалы, формулы, аудиторию и периодичность замеров.
В отчётах анализируют динамику индексов и ответов, response rate, результаты подразделений, регионов, каналов и сегментов. Это помогает отличить устойчивый тренд от разового колебания и проверить эффект принятых мер. Если состав респондентов между волнами меняется, динамику сопоставляют со структурой выборки.

Часто задаваемые вопросы

Что такое time series data простыми словами?
Значения показателя, записанные по времени.
Как перевести time series data?
«Данные временных рядов» или «данные временного ряда».
Что является примером временного ряда?
Продажи по дням, температура по часам, NPS по кварталам.
Чем временной ряд отличается от панельных данных?
Панель содержит повторные измерения нескольких объектов.
Что такое тренд?
Долговременное направление изменения показателя.
Чем сезонность отличается от цикла?
Сезонность имеет известный период, цикл — не обязательно.
Что такое стационарный ряд?
Ряд с относительно постоянными статистическими свойствами.
Какие методы применяют?
Сглаживание, декомпозицию, ETS, ARIMA, регрессию и ML.
Как проверяют прогноз?
На более поздних данных, не использованных при обучении.
Что такое база данных временных рядов?
Хранилище, оптимизированное для записи и запросов данных с временными метками.

Кратко

  • Time series data упорядочены по времени.
  • Порядок наблюдений влияет на анализ.
  • Основные компоненты — тренд, сезонность, цикл и остаток.
  • Ряды бывают регулярными, нерегулярными и многомерными.
  • Многие модели требуют стационарности.
  • Прогноз проверяют на последующих периодах.
  • Сложную модель сравнивают с базовой.
  • В опросах ряд создают повторные волны.
  • Изменение выборки может исказить динамику.

Связанные статьи

Панельное исследование, Опрос как метод исследования, Анализ результатов опроса, Итоги опроса, Выборочная совокупность, Репрезентативность выборки, Генеральная совокупность, Коэффициент доверия, Z-критерий, NPS и CSI