从“点状静态”到“时序动态”：CDA数据分析师视角下的时间序列基本认识-CDA数据分析师官网

热线电话：13121318867

首页大数据时代从“点状静态”到“时序动态”：CDA数据分析师视角下的时间序列基本认识

从“点状静态”到“时序动态”：CDA数据分析师视角下的时间序列基本认识

2026-05-06


很多数据分析师做过按月份的销售额趋势图，画过按天的流量折线图，但当被问到“时间序列和普通数据有什么本质区别”“季节性和周期性怎么区分”“预测时为什么先要判断平稳性”时，却常常答不上来。其实，多数时间的静态数据只是一张“照片”，而时间序列是一段“录像”。用点状思维看片段时间关系，是很多分析师难以真正“理解规律、预判未来”的根源。
”

引言：为什么“学懂时序”是数据分析师能力跃迁的关键？

小孙是某电商平台的数据分析师，运营总监每月汇报的依据是他提供的销售数据。他用Excel画了一根折线图，说“销售额逐月稳步增长”，建议“继续保持现有策略”。可到了当年双11，销量在整个大盘中显得平淡无奇——不仅没有按预期增长，反而被竞品大幅反超。

总监追问：“你之前说稳步增长，怎么大促就崩了？”

孙同学翻开数据，发现每年9-10月销售额都有一波高峰，对应的是秋冬换季的消费需求。但11月由于“双11”虹吸效应，消费者习惯在临近节点才下单。他过去的增长观测，只是被夏季后的换季趋势遮蔽了视野。

问题出在哪里？不是数据有问题，而是一直在用静态思考解读动态数据——忽略了时间序列背后随时间而动的规律：趋势、季节性、周期性等。数据按时间排列，不再是“当月业绩好坏”这么简单，而是反映了事物发展变化的动态过程。

一、时间序列的核心认知：数据的“时间基因”

1. 什么是时间序列？——连续的时间就是一张网

时间序列（Time Series） 是指按时间顺序排列的一组数据点。数据值按时间发生先后依次记录，能反映客观事物在不同时间节点的发展变化过程。

有时为了让定义更有画面感——普通表格数据中，每一行的记录是独立的个体信息；而在时间序列中，每一行某个时间点上的数值不是孤立的，而是被一根无形的时间轴串起来的连续体。

从“普通数据”到“时间序列”，数据组织方式的转变背后，隐藏的是分析视角的根本变化。普通数据分析解决“是什么”。时间序列分析进一步解决“怎么变化”和“会变成什么样”。

对比维度	普通截面数据	时间序列数据	CDA考点提示
数据组织	多行为独立样本	按时间顺序排列的单位，或样本自带时间属性	考题中需要识别是面板还是时间序列场景
核心问题	“当前值处于什么水平”	“随时间会怎么演变”	时间序列指向分析预测和趋势解读
分析方法	比较、分组、交叉	趋势、季节、预测	方法选择决定分析结论的时效性
信息利用	各样本彼此独立	时间依赖、自相关性	上周的数值与本周的数值存在关联，这种“自相关性”是时序分析的关键突破点
常见示例	同一天各城市销售额	同一超市日销额按日排列	考题中的识别标志——数据是否有“时间标签”

2. 时间序列的核心成分——一张长焦镜头看波动规律

时间序列并非随机颠簸的折线，而是由多个潜在成分的叠加或耦合形成的复合形态。CDA考试大纲明确要求，时间序列数据通常由三种核心成分构成：趋势效应部分、季节效应部分、随机效应部分，同时可能因实际情况包含周期波动成分。

这四大成分，就是时间序列的“DNA”。

① 趋势（Trend）——事物的长期变化方向

趋势是时间序列相对稳定的持续性向上或向下的运动趋势，代表数据在长时间跨度内的宏观方向。如下图所示，某行业的全球季度销量数据如果整体向右上角倾斜，就说明背后存在长期“需求增长”的趋势。

趋势描述的是“整体往哪走”。趋势向上意味着整体在扩张；趋势持平说明处于稳定期；趋势向下则意味着收缩衰退。

CDA考试常见趋势场景：企业近5年的销售数据持续稳定增长，应使用线性增长函数去拟合趋势线。而在产品“增速平稳→成熟期→消退期”的完整生命周期中，则更适用于逻辑斯蒂增长曲线来描述。

② 季节性（Seasonality）——固定周期内的重复规律

季节性是指时间序列中以固定周期（年、季、月、周）为长度的规律性波动模式。如超市销售额的“周高峰、周低点”；电商交易额在“双11”所在的第四季度大幅攀升；景区的暑寒假高峰与春节高峰。这些都是在固定日历长度内反复出现的现象，而非不固定长周期现象。

CDA考试常见季节判断：当数据显示“周末销售额明显高于工作日”时，其季节变化周期应定义为“周”（7天）。源于考题的场景，也经常考察如何识别季节性成分。

③ 周期性（Cyclicality）——变动不固定的长周期起伏

季节性看日历，周期性看经济规律。周期性是指时间序列中更长周期的上下起伏波动，它与经济周期相关，但时间长度不固定，可能持续数年。

周期性通常与宏观经济变量相伴，比如整体GDP兴衰、行业投资周期。周期性在时间序列分析中也是最难精确预测的成分之一。

④ 随机波动/噪声（Noise/Irregular Variation）——不可解释的“意外因素”

随机波动是时间序列里无法被趋势、季节或周期性成分所解释的残差部分，通常由突发事件、测量误差等偶然因素造成。如某项经济突发灾害、断电停工导致销量骤降，都属于无法提前预测的噪音。

将所有成分梳理清楚后，分析师才能看清数据的全貌。

四个成分中，季节性和周期性是考试中经常混淆的地方。区分方式只有一个：季节性的周期长度固定（年、季、月）；周期性周期长度不定（受宏观经济影响）。

二、把复杂拆解成可用——时间序列的分解方法

掌握了时间序列的“四大成分”，下一步的关键挑战是：当实际观测数据同时混入了趋势、季节、周期等多层信号，如何把它们拆开分析？

1. 时间序列分解的数学表达

时间序列的数值=趋势分量（T）+季节分量（S）+随机误差（R）。

加法模型（Additive Model） ：加法模型适用于时间序列的数据中各成分的幅度增减独立，不相互影响。例如，如果季节性的波动幅度不会随着趋势的上升而扩大，加法法拆解后就干净明了。
乘法模型（Multiplicative Model） ：当各成分之间彼此强依赖，比如冬季销量本身基数就骤高，趋势呈长期上升的走势时，季节性波动会随着趋势增大而扩大——“波动系数是趋势主体的百分比”。这种情况需要乘法模型处理。

若数据因本身波动幅度随时间增大，通常需要对数据取对数，将乘法模型转换为加法模型后再分析。

2. 用趋势分解法（经典分解）画出雷达图

“趋势分解法”是处理时间序列的经典方法之一。以企业月销售额为例，标准分析流程如下：

第一步：画出原始序列：观察整体走势（是否持续增长），初步判断成分构成
第二步：识别季节性模式：绘制按月份的箱线图及周期性曲线，确定是否存在12个月内固定规律
第三步：应用模型拟合法：用移动平均来平滑短期波动，提取长期趋势线
第四步：分离趋势和季节影响：利用加/乘公式，从原始数据中移除趋势，精准测算季节与随机成分
第五步：进行预测和业务优化：对已分解出的趋势部分进行外推，再叠加季节性模式，生成未来多周期预测结果，指导业务终端的生产排期、库存控制、活动日历

常用的工具包括Python的statsmodels库（专门处理时序数据）、Pandas（按时间重采样数据）和Excel的内置分析工具。在实际工作场景中，开源性项目如pandas-profiling可以面向时间序列快速生成特征性汇总报告。

三、时序特征分析的前提——平稳性检验与处理

平稳性是时序模型构建中最常被忽视的前提。如果时序数据统计特性（均值、方差）随时间变化而改变，它就是非平稳的（Non-stationary） ，会导致对长期趋势的错误预测。

什么是平稳性？ 平稳性意味着数据的均值和方差是常数。不稳定的均值和方差会让大多数时间序列模型（特别是ARIMA）对远期预测结果偏移严重——比如对未来几个月的销量估算产生极大偏差。

为什么平稳性如此重要？ 时序模型的假设条件之一，是数据的统计特性在时间维度上是稳定的，这样才能基于历史数据推算未来。在CDA的考题设置中，平稳性同样是考试的必考点——考题可能会问：“时间序列的平稳性判断方法是什么？”。当考查对高度周期性的时序数据时或许还需运用单位根检验（Augmented Dickson-Fuller检验）作为可靠性依据。

如果不平稳怎么办？ CDA考题明确引导： “如果时间序列不平稳但仍想进行时间序列分析，我们可以进行差分处理” 。差分的本质就是计算相邻时间点上的变化量，相当于滤除序列本身的增长趋势，迫使统计特性在时间上稳定下来。一个简单的数学表述：new_t = y_t — y_{t-1}。如果一次差分不够平稳，还可以进行两次甚至更多次的差分。