

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”“预测时为什么需要先判断平稳性”时，却常常答不上来。其实，多数静态数据只是一张“照片”，而时间序列是一段“录像” 。用点状思维看待时间序列的演变，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。他习惯用Excel画一根折线图，说“销售额逐月稳步增长”，建议“继续保持现有策略”。可到了当年双十一，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月销售额都有一波换季消费的高峰，但11月由于“双十一”虹吸效应，消费者习惯在临近节点才下单。而他过去只看“逐月增长”结论，忽略了数据背后随时间变化的趋势、季节规律和周期性。

问题出在哪里？不是数据有问题，而是一直在用静态思维解读动态数据。数据按时间排列后，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，并蕴含趋势、季节、周期等多层信号。

本文将从CDA认证的知识体系出发，系统拆解时间序列的核心概念、核心组成部分、平稳性分析、效应分解方法与实战应用，帮助你把“静态的折线图”升维为“动态的规律洞察”。

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） 是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。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。

为了让定义更有画面感——在普通表格数据中，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联起来的连续体。其核心特征是“时间依赖性”——数据的当前值与过去值存在关联，且时间是数据的核心维度，不可缺失或随意打乱。

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”。

2. 时间序列的核心价值

分析师运用时间序列分析的核心价值体现在三个维度：

• 趋势洞察：识别数据长期变化方向，避免“被短期波动误导”。例如，某奶茶品牌月度销售额中，6月因高温出现短期暴涨，但时间序列分析发现全年整体呈下滑趋势，这一发现能及时引导企业调整产品策略。
• 异常预警：基于历史规律判断当前数据是否异常，降低风险损失。例如，某银行通过分析信用卡交易时间序列，发现某用户凌晨3点的大额交易与历史习惯不符，及时触发风控预警。
• 精准预测：基于历史规律预测未来数据，支撑资源配置决策。例如，零售CDA分析师通过销售时间序列预测春节前的年货销量，指导库存备货，避免积压或缺货。

二、时间序列的核心组成部分——“DNA”四要素

围绕“趋势、季节、周期、随机”四大核心成分，构成了时间序列的“动态DNA”。

1. 趋势效应——事物的长期变化方向

趋势效应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。趋势效应的核心特点是“长期、稳定、不受短期波动干扰”——向上意味着整体扩张，持平说明处于稳定期，向下则意味着收缩衰退。

例如，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。某电商平台的年度GMV逐年递增，反映了用户规模扩大和消费习惯深化的长期发展态势。

2. 季节效应——固定周期内的重复规律

季节效应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，是短期预测的重要依据。例如，超市销售额的“周末高峰、工作日回落”；电商交易额在“双十一”所在的第四季度大幅攀升；冷饮行业夏季的销量增长；APP每日固定时段的活跃峰值。这些都是以固定日历长度为单位反复出现的规律性现象。

季节性与周期性的区别

“季节变动”与“循环波动”的判断依据的核心是 “时间长度是否固定” ：

• 季节性（如双十一、暑假旺季）——周期固定、每年重复发生，用S表示
• 周期性（如经济繁荣与衰退）——周期长度不固定，通常与宏观经济相关联，用C表示

3. 周期性——变动不固定的长周期起伏

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，比如行业整体投资周期的兴衰。周期性在时间序列分析中也是较难精确预测的成分之一。

4. 随机效应——不可预测的“意外因素”

随机效应是时间序列里无法被趋势、季节或周期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。例如，某地因突发灾害导致销量骤降，都属于无法提前预测的随机波动。此类效应无法预测，但可通过异常检测识别并排查。

时间序列预测技术就是通过对预测目标自身时间序列的处理，来研究其变化趋势的一个时间序列往往是几类变化形式的叠加或耦合。

四个成分中，季节性和周期性是考试中最容易混淆的地方。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）

三、把复杂拆解成可用——效应分解法的两大模型

1. 时间序列分解的两种模型

根据时间序列中各成分之间的关系，主要分为两种组合模型：

• 加法模型：各成分相互独立，季节波动的绝对值不随趋势的变化而变化。例如，空调夏季销量比冬季高出200万元，这个差值不因企业规模变化而大幅波动。
• 乘法模型：各成分之间存在交互作用，季节波动的幅度随趋势的增长而同步扩大。例如，空调夏季销量比冬季高出20%的比例基本稳定，但20%乘以不断增长的趋势基数后，绝对值也随之扩大。

在时间序列分析中，确定性模型主要指的是通过已知的数学方法和公式来表示时间序列的变化趋势和季节性波动，其核心组成包括加法模型和乘法模型。若数据波动幅度随时间增大，可通过对数据取对数将乘法模型转换为加法模型。

2. 效应分解法的业务价值

效应分解法不仅是技术手段，更是分析师连接数据与业务的关键工具。从归因分析的角度来看，效应分解法的核心逻辑是将时间序列的总变动拆解为多个相互独立的“效应成分”，例如零售企业的月度销售额（总效应）= 基础客流贡献（基础效应）+ 消费升级带来的增长（趋势效应）+ 夏季高温带来的增量（季节效应）+ 新品上市的短期爆发（事件效应）。

与普通时间序列分析相比，效应分解法的核心优势在于“可解释性”——它不仅能告诉你“数据涨了多少”，更能告诉你“涨的部分来自哪里”。在实际工作中，效应分解法的价值尤为突出：业绩归因时可量化各业务动作对指标的贡献，避免将短期事件效应误判为长期增长；异常诊断时可快速定位原因，避免盲目调整策略；预测优化时基于分解后的各效应成分分别预测，再叠加得到总预测值，提升预测精准度。

四、平稳性检验——时序分析的前置条件

平稳性是时序模型构建中最常被忽视的核心前提。

1. 平稳性的核心定义

平稳序列（Stationary Time Series）的核心在于统计特征不随时间变化。时间序列的平稳性对预测结果的稳定性和可靠性至关重要。通常情况下，如果时间序列存在明显的趋势或季节性成分，需要先进行处理使其平稳。

常用的平稳性判断方法包括：

• 观察时序图：看是否存在明显随时间变化的趋势或波动变化
• 计算滚动统计量：用移动窗口计算均值和方差，看是否随时间变化
• 单位根检验：ADF检验等统计推断方法

2. 不平稳的处理方法

如果不平稳，处理方法主要包括：

• 差分处理：计算相邻时间点的差值——一阶差分（difference = yₜ - yₜ₋₁）可消除线性趋势；若序列具有季节性，进行季节差分处理
• 数据变换：取对数、平方根等变换，缓解波动幅度的变化
• 平稳性转换后建模：对平稳后的序列进行预测，再将结果还原

差分是时间序列分析中最基础且最常用的方法之一，用于消除序列中的趋势，使其平稳。

五、实战演练：从一份“景区月游客量”完成基础的时序分析

背景

小王是某自然景区的CDA数据分析师，拿到了近5年的月游客量数据，初步发现：

• 夏季（7—8月）游客量明显高于冬季
• 每年7—8月的游客峰值逐年稳步提高，但出现峰值的时间（7—8月）保持不变
• 整体游客量呈现缓慢上升趋势

请基于时间序列分析方法，为景区运营方提出分析结论和策略建议。

完整操作流程

第一步：判断时间序列的核心成分

• 夏季高、冬季低，每年7—8月出现峰值且峰值时间固定 → 季节效应（S） ，周期长度固定为12个月
• 游客量峰值逐年提高，整体逐年增长 → 趋势效应（T） ，长期增长方向向上
• 偶发因天气或道路突发状况导致的客流波动 → 归入随机效应（R）
• 无明显不固定周期长度的长期经济周期波动 → 无周期效应

第二步：选择分解模型并拆分

• 季节波动的绝对值随游客量总趋势的增长而同步扩大，选择乘法模型：
• 旅客数(Y) = 趋势效应(T) × 季节效应(S) × 随机效应(R)

第三步：解读分解结果与业务调整

将趋势线外推到下一年，推算出增长基准客流；叠加季节性系数，预测旺季所需运力和服务接待能力；识别随机效应的峰值来源，制定极端事件应急预案（如与气象预警系统联动）。



这就是一套“成分识别 → 模型选择 → 效应分解 → 业务解读”的时间序列分析闭环流程。

”

结尾：从“看波动”到“懂规律”——CDA专业认证的方法论赋能

很多数据分析师画过趋势图、做过业绩预测，但当被问到“季节性和周期性怎么区分”“平稳性检验为什么重要”“数据波动幅度随时间扩大时应该选加法模型还是乘法模型”时，却答不上来。

“看到数据随时间波动是本能，读懂数据变化的规律才是专业。” 2025年7月新考纲启动后，CDA更加明确了趋势分析——即“简单时间序列”——作为一级考核专题的独立地位。从“趋势分析”更名为“简单时间序列”，并新增了Excel和PowerBI工具操作的考察比例，说明CDA希望分析师不仅能理解理论基础，还要能将统计方法落地到日常的数据分析工具中，真正做到“理论指导实践，实践反哺理论”。

简单时间序列分析不是深奥的数学课，而是让企业预判未来、减少不确定性、用数据主动赋能业务的底层工具。如果你想从看懂历史数字到逐步能够预判未来趋势，进一步提升职业化的数据洞察力，可以考虑了解CDA数据分析师认证，PART 10将理论分析与工具实操融合在一起，帮助你真正把时序分析变成驱动业务决策的利器。

下一步行动：

1. 在你日常接触的月度销售数据或其他时序数据中，尝试用手动判断法拆出趋势、季节和残差三部分
2. 练习在不同时序数据中，判断应该使用加法模型还是乘法模型（关键看波动是否随趋势扩大）
3. 使用Excel的Forecast.ETS函数或PowerBI对一组时序数据做一次趋势预测练习



画一条折线叫“图表”，能从折线中看出趋势、季节规律的，才叫“时序分析”。

”

图文含广告内容

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0