İçeriğe geç

Sözlük

Analitik ve BI

Zaman Serisi Analizi

Zaman serisi analizi, günlük satışlar veya sensör ölçümleri gibi zaman sırasına göre kaydedilmiş veri noktalarının; trend, mevsimsellik ve anomalileri belirlemek ve gelecekteki değerleri tahmin etmek amacıyla incelenmesidir.

Güncelleme: · Hazırlayan: VIZIO AI ekibi

Zaman serisi analizi nedir?

Sıradan istatistikten temel farkı, gözlemlerin bağımsız olmamasıdır: bugünün değeri kısmen dünkü değere bağlıdır. Otokorelasyon adı verilen bu bağımlılık, hem tahminlemenin kullandığı sinyaldir hem de standart testlerin yanıltıcı olabilmesinin nedenidir.

Bir seri genellikle bileşenlerine ayrılır: trend (uzun vadeli yön), mevsimsellik (hafta içi günleri veya aylar gibi tekrarlayan örüntüler), döngüler (daha uzun ve düzensiz dalgalanmalar) ve artık gürültü. Ayrıştırma, mevsimsel dalgalanmaların sabit büyüklükte kaldığı toplamsal (additive) ya da seviyeyle birlikte büyüdüğü çarpımsal (multiplicative) olabilir. Pek çok klasik model ayrıca durağanlık, yani zaman içinde sabit ortalama ve varyans gerektirir; bu genellikle fark alma yoluyla sağlanır.

Verinin kendisi de beş dakikada bir, günlük veya aylık gibi tutarlı bir aralıkla indekslenmiş olmalıdır. Herhangi bir yöntem uygulanmadan önce boşluklar, yinelenen zaman damgaları ve karışık aralıklar düzeltilmelidir; aksi hâlde model örüntü yerine boşlukları öğrenir.

Zaman serisi analizinde hangi yöntemler kullanılır?

Basit baseline'larla başlayın; karmaşık bir model, yerini hak etmek için "geçen haftayla aynı" tahminini geçmelidir.

  • Naive ve seasonal-naive baseline'lar: tahmin, son değere veya bir sezon önceki değere eşittir.

  • Üstel düzeltme: Holt-Winters, trend ve mevsimselliği ele alır.

  • Ayrıştırma: STL; trend, mevsimsel ve artık bileşenleri birbirinden ayırır.

  • ARIMA ve SARIMA: otokorelasyonu ve mevsimsel örüntüleri açıkça modeller.

  • Prophet: Meta'nın tatil günleri içeren iş serileri için geliştirdiği açık kaynak kütüphane.

  • Gecikme (lag) özellikleriyle gradient boosting: birbiriyle ilişkili çok sayıda seride kullanışlıdır.

Rastgele bölme yerine rolling-origin backtest'ler kullanarak MAPE = ortalama(|gerçekleşen − tahmin| ÷ |gerçekleşen|) veya MAE ile ölçün.

Zaman serisi analizi pratikte nasıl görünür?

Faydalı bir tahmin, yarın ne kadar üretileceği gibi günlük bir karara bağlıdır. Her sabah kaç kruvasan pişireceğine karar veren, 12 mağazalı bölgesel bir fırın zinciri düşünün.

  1. Ekip, örneğin mağaza ve ürün bazında iki yıllık günlük satış noktası (POS) verisini dışa aktarır.

  2. STL ayrıştırması, cumartesi zirveleriyle güçlü bir haftalık mevsimsellik ve resmî tatillerde düşüşler gösterir.

  3. Tatil takvimi ve yerel hava durumu özelliği içeren bir Prophet modeli, son sekiz hafta üzerinde seasonal-naive baseline'a karşı backtest edilir.

  4. Kazanan model, her akşam ertesi günün miktarlarını paylaşılan bir Google Sheet'e yazar ve mağaza müdürleri bu değerleri geçersiz kılabilir.

Diyelim ki fire azalıyor ve öğleden önce ürünlerin tükenmesi daha seyrek hâle geliyor; geçersiz kılmaları takip etmek, modelin hâlâ nerede ıskaladığını gösterir.

Zaman serisi analizinin tuzakları nelerdir?

En yaygın hata, bir tahmini kendi geleceğine ait veriler üzerinde değerlendirmektir. Rastgele bir train/test ayrımı modelin sonraki değerleri görmesine izin verir; bu nedenle backtest'ler canlı performanstan çok daha iyi görünür.

  • Yapısal kırılmalar: 2020 COVID-19 kapanmaları gibi olaylar davranışı değiştirir; bu dönemleri kapsayan verilerle eğitilen modeller, işaretlere (flag) veya daha kısa pencerelere ihtiyaç duyar.

  • Sıfırda MAPE: gerçekleşen değerler sıfır olduğunda metrik tanımsızdır; bu durum yavaş satan ürünlerde yaygındır.

  • Saat dilimleri ve yaz saati uygulaması: eksik veya iki kez sayılan saatler saatlik verileri bozar.

  • Yetersiz geçmiş veri: yıllık mevsimselliği tahmin etmek genellikle en az iki tam yıl gerektirir.

Doğrudan kontrol edebildiğiniz şeyleri tahmin etmeye çalışmayın; planlanmış promosyonlar modele sürpriz olarak değil, girdi olarak dâhil edilmelidir.

Zaman serisi analizi regresyon analizinden nasıl ayrılır?

Standart regresyon bağımsız gözlemler varsayar; zaman serisi yöntemleri ise sıranın önemli olduğu veriler için tasarlanmıştır. Regresyon analizi, bir sonucu satışları fiyat ve reklam harcamasıyla açıklamak gibi diğer değişkenler üzerinden açıklar.

Zaman serisi yöntemleri ise sonucun kendi geçmiş değerlerini de kullanır. İkisi, zaman serisi hatalı regresyonda veya gecikme özellikleri içeren modellerde birleşir.

Araçlar arasında Python'ın statsmodels, Prophet ve sktime kütüphaneleri, R'ın forecast ve fable paketleri, BigQuery ML'in ARIMA_PLUS modeli ve Tableau ile Power BI'daki yerleşik tahminleme özellikleri bulunur. Zaman damgalı depolama için sıklıkla TimescaleDB veya InfluxDB kullanılır; çıktılar ise tahminsel analitiği ve gerçek zamanlı analitiği besler.

Zaman serisi ve kesitsel analiz karşılaştırması

Zaman serisi analizi

Kesitsel analiz

Veri yapısı

Tek bir birimin birçok zaman noktasında ölçülmesi

Birçok birimin tek bir zaman noktasında ölçülmesi

Örnek

Tek bir mağazanın iki yıllık günlük satışları

500 mağazanın geçen ayki satışları

Bağımsızlık

Gözlemler önceki gözlemlere bağlıdır

Gözlemler genellikle bağımsızdır

Tipik yöntemler

ARIMA, üstel düzeltme, Prophet

Doğrusal regresyon, t-testleri, kümeleme

Doğrulama

Rolling-origin backtest'ler

Rastgele train/test ayrımı

VIZIO AI zaman serisi analizine nasıl yaklaşır?

VIZIO AI, veriyi genel grafik şablonlarına zorlamak yerine, verinin zaman çözünürlüğüne göre özel görselleştirmeler geliştirir. Platformu emisyonları beş dakikalık aralıklarla ölçen Birleşik Krallık merkezli bir iklim teknolojisi yapay zekâ şirketi için Venture Studio'muz, Flask ve Docker ile müşterinin dahili API'sine bağlanan ve yüksek frekanslı emisyon trendlerini bozmadan gösteren özel Dash ve Plotly görselleştirmeleri geliştirdi.

Ekip, müşterinin iklim bilimcileriyle birlikte çalışarak model mantıklarını yatırımcılar ve kurumsal kullanıcılar için okunabilir görünümlere dönüştürdü. Müşteri, yatırımcı raporlama süresini %74 iyileştirdi ve haftada 17.000'den fazla veri noktasının takibini mümkün kıldı. Nereden başlamalı: herhangi bir şeyin ortalamasını alıp detayı kaybetmeden önce serinizi kendi doğal aralığında grafiğe dökün.

Facebook logosu
X logosu
LinkedIn logosu
Reddit logosu
Telegram logosu

Önce yapay zekâyı düşünün.
Geleceğin hızında ilerleyin.

Sıradakini birlikte inşa edelim! Ürün fikirlerinden akıllı iş akışlarına, veri odaklı sistemlerden ölçeklenebilir büyüme operasyonlarına kadar.

Strateji Görüşmesi Planlayın