

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？”

小孙翻开数据，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？

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。

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。

CDA大纲对该部分的要求为**〖领会〗**级别，考生需了解时间序列的基础概念以及趋势分析与简单时间序列预测的使用场景。

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

时间序列数据的组成部分包括趋势效应部分、季节效应部分、随机效应部分等。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”。

一个时间序列往往是这几类变化形式的叠加或耦合。

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。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。

值得注意的是，季节变动包括周度周期（＜1年） ——周末与工作日的差异周期为7天，属于季节变动范畴。

3. 周期效应——变动不固定的长周期起伏

周期效应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。周期效应通常与宏观经济变量相伴，比如行业整体投资周期的兴衰。

周期效应的时间长度一般在一年以上，且不固定，这是它与季节效应的核心区别。

季节性与周期性的区别：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
• 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

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。

比如：按序列特性划分，股票价格这类随时间随机波动且无稳定趋势的数据，属于随机波动。

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。一个时间序列往往是几类变化形式的叠加或耦合。

三、效应分解法的两大组合模型

时间序列数据的不同组成部分的组合方法——加法组合和乘法组合**。

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。

“当时间序列的波动幅度不随时间变化时”应选用加法模型。另一道题考察乘法模型的分解公式。此外，时间序列的成分与观测值的关系可以用加法模型或乘法模型表示，而减法模型不属于时间序列分解模型。

比如：某自然景区的月游客量数据呈现明显的季节性（夏季高、冬季低），且整体呈逐年增长趋势。景区计划使用效应分解法预测未来6个月的游客量。当季节波动的幅度随总游客量增长而扩大时，应选用乘法模型。

2. CDA对效应分解法的考核要求

根据CDA考试大纲，效应分解法的考核要求分为两个层级：

〖熟知〗级别：

• 时间序列数据的不同组成部分：趋势效应部分、季节效应部分、随机效应部分等
• 时间序列数据的不同组成部分的组合方法：加法组合、乘法组合

〖应用〗级别：

• 能够识别时间序列数据是否有季节等成分
• 识别时间序列数据的趋势并进行数据调整
• 根据业务需求，对趋势预测结果进行解读
• 应用Excel或PowerBI等工具进行时间序列的预测

四、平稳性——时序分析的前置条件

平稳性是时序模型构建中需要关注的核心前提。在CDA的考试中，对平稳性的判断是考察的重点之一。

1. 什么是平稳性？

平稳时间序列的均值、方差和自协方差都不随时间变化。如果时间序列存在明显的趋势或季节性成分，通常属于非平稳序列。

一般具有长期趋势的时间序列都是非平稳时间序列。判断时间序列是否平稳是进行时间序列分析的前提。

比如：以下关于时间序列的平稳性的描述，正确的是——平稳时间序列的均值、方差和自协方差都不随时间变化。具有明显趋势或季节性的序列一定是非平稳的。单位根检验（如ADF检验）的原假设是序列非平稳。非平稳序列不可以直接用于建立ARMA模型。

2. 不平稳的处理方法

如果不平稳，需要通过处理使其平稳。常用的方法包括：

• 差分处理：计算相邻时间点的差值——一阶差分可消除线性趋势
• 对数运算：对数据取对数，缓解波动幅度的变化
• 平滑法：移动平均法、指数平滑法等

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

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

该景区游客量的时间序列组成部分为：长期趋势（Tt）+ 季节变动（St）+ 随机变动（Rt）。

第二步：选择分解模型

• 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：业务应用

• 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



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年新考纲启动后，CDA一级将“简单时间序列分析”列为独立的PART 10，共设23道模拟题。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。

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。掌握时间序列的基本认识，是CDA数据分析师从“看懂历史数字”到“预判未来趋势”的关键跃迁。

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，尝试手动判断其包含哪些效应成分（趋势/季节/周期/随机）
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的预测功能或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”。

”

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