Zum Inhalt springen

Glossar

Analytics & BI

Zeitreihenanalyse

Zeitreihenanalyse ist die Untersuchung von Datenpunkten, die in zeitlicher Reihenfolge erfasst wurden, etwa tägliche Verkäufe oder Sensormesswerte, um Trend, Saisonalität und Anomalien zu erkennen und zukünftige Werte zu prognostizieren.

Aktualisiert am · Vom VIZIO AI Team

Was ist Zeitreihenanalyse?

Der entscheidende Unterschied zur gewöhnlichen Statistik: Die Beobachtungen sind nicht unabhängig, der heutige Wert hängt teilweise vom gestrigen ab. Diese Abhängigkeit, Autokorrelation genannt, ist zugleich das Signal, das Prognosen nutzen, und der Grund, warum Standardtests in die Irre führen können.

Eine Reihe wird üblicherweise in Komponenten zerlegt: Trend (langfristige Richtung), Saisonalität (wiederkehrende Muster wie Wochentage oder Monate), Zyklen (längere unregelmäßige Schwankungen) und Restrauschen. Die Zerlegung kann additiv sein, wobei saisonale Schwankungen eine feste Größe behalten, oder multiplikativ, wobei sie mit dem Niveau wachsen. Viele klassische Modelle setzen außerdem Stationarität voraus, also einen über die Zeit stabilen Mittelwert und eine stabile Varianz, was oft durch Differenzenbildung erreicht wird.

Die Daten selbst müssen in einem konsistenten Intervall indiziert sein, etwa alle fünf Minuten, täglich oder monatlich. Lücken, doppelte Zeitstempel und gemischte Intervalle müssen behoben werden, bevor eine Methode angewendet wird, sonst lernt das Modell die Lücken statt des Musters.

Welche Methoden werden in der Zeitreihenanalyse eingesetzt?

Beginnen Sie mit einfachen Baselines; ein komplexes Modell muss „wie letzte Woche“ schlagen, um seinen Platz zu verdienen.

  • Naive und saisonal-naive Baselines: Die Prognose entspricht dem letzten Wert oder dem Wert eine Saison zuvor.

  • Exponentielle Glättung: Holt-Winters berücksichtigt Trend und Saisonalität.

  • Dekomposition: STL trennt Trend-, Saison- und Restkomponenten.

  • ARIMA und SARIMA: modellieren Autokorrelation und saisonale Muster explizit.

  • Prophet: die Open-Source-Bibliothek von Meta für Geschäftszeitreihen mit Feiertagen.

  • Gradient Boosting mit Lag-Features: nützlich über viele verwandte Reihen hinweg.

Messen Sie mit MAPE = mean(|actual − forecast| ÷ |actual|) oder MAE und verwenden Sie Rolling-Origin-Backtests statt eines zufälligen Splits.

Wie sieht Zeitreihenanalyse in der Praxis aus?

Eine nützliche Prognose ist an eine tägliche Entscheidung gekoppelt, etwa wie viel morgen produziert werden soll. Nehmen Sie eine regionale Bäckereikette mit 12 Filialen, die jeden Morgen entscheidet, wie viele Croissants gebacken werden.

  1. Das Team exportiert beispielsweise zwei Jahre tägliche Kassendaten pro Filiale und Produkt.

  2. Die STL-Dekomposition zeigt eine starke wöchentliche Saisonalität mit Spitzen am Samstag und Einbrüchen an Feiertagen.

  3. Ein Prophet-Modell mit Feiertagskalender und lokalem Wetter-Feature wird über die letzten acht Wochen gegen eine saisonal-naive Baseline im Backtest geprüft.

  4. Das siegreiche Modell schreibt jeden Abend die Mengen für den nächsten Tag in ein gemeinsames Google Sheet, und die Filialleitungen können sie überschreiben.

Angenommen, der Ausschuss sinkt und Ausverkäufe vor Mittag werden seltener; das Nachverfolgen der Überschreibungen zeigt, wo das Modell noch danebenliegt.

Was sind die Fallstricke der Zeitreihenanalyse?

Der häufigste Fehler ist, eine Prognose mit Daten aus ihrer eigenen Zukunft zu bewerten. Ein zufälliger Train/Test-Split lässt das Modell spätere Werte sehen, sodass Backtests weit besser aussehen als die Leistung im Live-Betrieb.

  • Strukturbrüche: Ereignisse wie die COVID-19-Lockdowns 2020 verändern das Verhalten; Modelle, die über solche Phasen hinweg trainiert werden, brauchen Kennzeichnungen oder kürzere Zeitfenster.

  • MAPE bei null: Die Kennzahl ist undefiniert, wenn die Ist-Werte null sind, was bei langsam drehenden Produkten häufig vorkommt.

  • Zeitzonen und Sommerzeit: Fehlende oder doppelte Stunden verzerren stündliche Daten.

  • Zu wenig Historie: Um jährliche Saisonalität zu schätzen, braucht es in der Regel mindestens zwei volle Jahre.

Prognostizieren Sie nicht, was Sie direkt steuern können; geplante Promotions gehören als Inputs ins Modell, nicht als Überraschungen.

Worin unterscheidet sich Zeitreihenanalyse von Regressionsanalyse?

Die Standardregression setzt unabhängige Beobachtungen voraus; Zeitreihenmethoden sind für Daten gemacht, bei denen die Reihenfolge zählt. Die Regressionsanalyse erklärt eine Zielgröße aus anderen Variablen, etwa Umsatz aus Preis und Werbeausgaben.

Zeitreihenmethoden nutzen zusätzlich die vergangenen Werte der Zielgröße selbst. Beide lassen sich in einer Regression mit Zeitreihenfehlern oder in Modellen mit Lag-Features kombinieren.

Zu den Tools gehören statsmodels, Prophet und sktime für Python, die R-Pakete forecast und fable, das ARIMA_PLUS-Modell von BigQuery ML sowie die integrierten Prognosefunktionen in Tableau und Power BI. Für zeitgestempelte Daten werden oft TimescaleDB oder InfluxDB genutzt, und die Ergebnisse fließen in Predictive Analytics und Echtzeitanalysen ein.

Zeitreihen- vs. Querschnittsanalyse

Zeitreihenanalyse

Querschnittsanalyse

Datenform

Eine Einheit, gemessen zu vielen Zeitpunkten

Viele Einheiten zu einem Zeitpunkt

Beispiel

Tagesumsätze einer Filiale über zwei Jahre

Umsätze von 500 Filialen im letzten Monat

Unabhängigkeit

Beobachtungen hängen von früheren ab

Beobachtungen meist unabhängig

Typische Methoden

ARIMA, exponentielle Glättung, Prophet

Lineare Regression, t-Tests, Clustering

Validierung

Rolling-Origin-Backtests

Zufälliger Train/Test-Split

Wie geht VIZIO AI an Zeitreihenanalyse heran?

VIZIO AI baut individuelle Visualisierungen rund um die zeitliche Granularität der Daten, statt sie in generische Diagrammvorlagen zu zwängen. Für ein britisches Climate-Tech-KI-Unternehmen, dessen Plattform Emissionen in Fünf-Minuten-Intervallen misst, entwickelte unser Venture Studio maßgeschneiderte Dash- und Plotly-Visualisierungen, angebunden an die interne API des Kunden mit Flask und Docker, die hochfrequente Emissionstrends zeigten, ohne sie zu verzerren.

Gemeinsam mit den Klimawissenschaftlern des Kunden übersetzte das Team deren Modelllogik in verständliche Ansichten für Investoren und Unternehmensnutzer. Der Kunde verkürzte die Bearbeitungszeit des Investoren-Reportings um 74 % und ermöglichte die Verfolgung von mehr als 17.000 Datenpunkten pro Woche. So fangen Sie an: Plotten Sie Ihre Reihe in ihrem nativen Intervall, bevor Sie irgendetwas wegmitteln.

Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen