Zeitreihenanalyse

Die Rolle der Zeitreihenanalyse

Die Zeitreihenanalyse ist eine spezielle Methode zur Analyse einer Reihe von Datenpunkten, die über einen bestimmten Zeitraum gesammelt wurden. Bei der Zeitreihenanalyse zeichnen Analysten Datenpunkte in konsistenten Abständen über einen festgelegten Zeitraum auf und nicht intermittierend oder zufällig. Bei dieser Art der Analyse handelt es sich jedoch um mehr als nur das Sammeln von Daten über einen längeren Zeitraum. 

Zeitreihendaten unterscheiden sich von anderen Daten dadurch, dass die Analyse zeigen kann, wie sich Variablen im Laufe der Zeit ändern. Mit anderen Worten: Die Zeit ist eine Schlüsselvariable, denn sie zeigt, wie sich die Daten im Verlauf der Datenpunkte und letztendlich der Ergebnisse anpassen. Es bietet zusätzliche Informationsquellen und eine Reihe von Abhängigkeiten zwischen Daten nacheinander. 

Für die Zeitreihenanalyse ist häufig eine große Anzahl an Datenpunkten erforderlich, um Konsistenz und Zuverlässigkeit sicherzustellen. Ein breiter Datensatz gewährleistet eine repräsentative Stichprobengröße und die Analyse eliminiert verrauschte Daten. Es stellt außerdem sicher, dass alle gefundenen Trends oder Muster keine Ausreißer sind und saisonale Unterschiede erklären können. Darüber hinaus können Zeitreihendaten für Prognosen verwendet werden – die Vorhersage zukünftiger Daten auf der Grundlage historischer Daten.

Die Zeitreihenanalyse hilft Unternehmen, die Grundursachen von Trends oder Systemmustern im Zeitverlauf zu verstehen. Mithilfe der Datenvisualisierung können Geschäftsanwender saisonale Trends anzeigen und Erkenntnisse darüber gewinnen, warum diese Trends auftreten. Mit modernen Analyseplattformen können diese Visualisierungen weit über Liniendiagramme hinausgehen. 

Wenn Unternehmen Daten in konsistenten Zeitintervallen analysieren, können sie mithilfe von Zeitreihenprognosen auch die Wahrscheinlichkeit zukünftiger Ereignisse vorhersagen. Die Vorhersage von Zeitreihen ist ein Teil der prädiktiven Analyse. Es kann mögliche Änderungen in den Daten anzeigen, beispielsweise saisonales oder zyklisches Verhalten, was zu einem besseren Verständnis der Datenvariablen führt und zu besseren Prognosen beiträgt. 

Die Des Moines Public Schools beispielsweise analysierten die Leistungsdaten von Schülern aus fünf Jahren, um gefährdete Schüler zu identifizieren und den Fortschritt im Laufe der Zeit zu verfolgen. Die heutige Technologie ermöglicht es uns, jeden Tag riesige Datenmengen zu sammeln, und es ist einfacher denn je, Daten zu sammeln, die konsistent genug für eine umfassende Analyse sind.

Beispiel für eine Zeitreihenanalyse

Die Zeitreihenanalyse wird mit instationären Daten verwendet – Daten, die im Laufe der Zeit schwanken oder von der Zeit beeinflusst werden. Branchen wie Finanzen, Einzelhandel und Wirtschaft verwenden häufig Zeitreihenanalysen, da sich Währungen und Umsätze ständig ändern. Die Börsenanalyse ist ein hervorragendes Beispiel für die Anwendung der Zeitreihenanalyse, insbesondere in automatisierten Handelsalgorithmen. Ebenso eignet sich die Zeitreihenanalyse hervorragend zur Vorhersage von Wetteränderungen und hilft Meteorologen dabei, alles vorherzusagen, von der Wettervorhersage von morgen bis zum Klimawandel in den kommenden Jahren. Beispiele für Anwendungen der Zeitreihenanalyse sind:

• Wetterdaten
• Niederschlagsmessung
• Temperaturablesung
• Herzfrequenzüberwachung (EKG)
• Gehirnüberwachung (EEG)
• vierteljährlicher Umsatz
• Aktienkurs
• Automatisierter Aktienhandel
• Branchenprognose
• Zinssatz

Arten der Zeitreihenanalyse

Da die Zeitreihenanalyse viele Kategorien oder Variationen von Daten umfasst, müssen Analysten manchmal komplexe Modelle erstellen. Allerdings können Analysten nicht alle Varianzen erklären und auch nicht ein bestimmtes Modell auf jede Stichprobe übertragen. Ein Modell, das zu komplex ist oder versucht, zu viele Dinge zu tun, kann zu einer Unteranpassung führen. Unter- oder Überanpassungsmodelle führen dazu, dass die Modelle nicht in der Lage sind, zwischen zufälligen Fehlern und wahren Beziehungen zu unterscheiden, wodurch die Analyse verzerrt wird und falsche Vorhersagen getroffen werden. 

Zu den Modellen der Zeitreihenanalyse gehören:

• Klassifizierung: Daten identifizieren und Kategorien zuweisen.
• Kurvenanpassung: Zeichnen von Daten entlang einer Kurve, um die Beziehungen zwischen Variablen innerhalb der Daten zu untersuchen.
• Deskriptive Analyse: Identifizieren von Mustern in Zeitreihendaten, z. B. Trends, Zyklen oder saisonalen Veränderungen.
• Interpretierende Analyse: Versuche, Daten und die darin enthaltenen Beziehungen sowie Ursache und Wirkung zu verstehen.
• Explorative Analyse: Hervorhebung wichtiger Merkmale von Zeitreihendaten, normalerweise in einem visuellen Format.
• Prognose: Vorhersage zukünftiger Daten. Dieser Typ basiert auf historischen Trends. Es verwendet historische Daten als Modell für zukünftige Daten, um vorherzusagen, was in zukünftigen Episoden passieren könnte.
• Interventionsanalyse: Untersuchung, wie Ereignisse Daten verändern.
• Segmentierung: Teilen Sie Daten in Segmente auf, um die zugrunde liegenden Eigenschaften der Quellinformationen offenzulegen.

Datenklassifizierung

Darüber hinaus können Zeitreihendaten in zwei große Kategorien unterteilt werden:

• Unter Bestandszeitreihendaten versteht man die Messung von Eigenschaften zu einem bestimmten Zeitpunkt, etwa eine statische Momentaufnahme von Informationen.
• Unter Streaming-Zeitreihendaten versteht man die Messung des Aktivitätsniveaus eines Attributs innerhalb eines bestimmten Zeitraums. Es ist im Allgemeinen Teil des Ganzen und Teil des Ergebnisses.

Datenänderungen

Bei Zeitreihendaten können sporadisch Änderungen in den Daten auftreten:

• Die Funktionsanalyse kann Muster und Beziehungen in Daten finden, um bemerkenswerte Ereignisse zu identifizieren.
• Bei der Trendanalyse geht es darum, anhaltende Bewegungen in eine bestimmte Richtung zu identifizieren. Es gibt zwei Arten von Trends: deterministische Trends, bei denen wir die Grundursache finden können, und stochastische Trends, die zufällig und unerklärlich sind.
• Saisonale Veränderungen beschreiben Ereignisse, die das ganze Jahr über in bestimmten und regelmäßigen Abständen auftreten. Serielle Abhängigkeit tritt auf, wenn zeitlich nahe beieinander liegende Datenpunkte tendenziell korreliert sind.

Zeitreihenanalysen und Vorhersagemodelle müssen die Datentypen definieren, die für die Beantwortung von Geschäftsfragen relevant sind. Sobald Analysten die relevanten Daten ausgewählt haben, die sie analysieren möchten, wählen sie die Art der Analyse und Technik aus, die am besten geeignet ist.

Wichtige Überlegungen zur Zeitreihenanalyse

Während es sich bei Zeitreihendaten um im Zeitverlauf erfasste Daten handelt, gibt es verschiedene Datentypen, die beschreiben, wie und wann Zeitdaten aufgezeichnet werden. Zum Beispiel:

• Zeitreihendaten sind Daten, die in konsistenten Zeitintervallen aufgezeichnet werden.
• Querschnittsdaten bestehen aus mehreren gleichzeitig erfassten Variablen.
• Aggregierte Daten sind eine Kombination aus Zeitreihen und Querschnittsdaten.