time-series-analysis

時系列分析

使用する場面

• 運用計画（人員配置、在庫、インフラ容量）のための予測を作成する
• トレンドが実際のものか、季節性によるものかを特定する
• 指標の時系列データにおける異常（トラフィックの急増、収益の落ち込み、エラー率の急上昇）を検出する
• 施策の影響を測定するための「施策がなかった場合」のベースラインを用意する
• 季節パターンを考慮した前年同期比の成長率を提示する

プロセス

1. 時系列データを読み込み、調査する — 間隔が一定であることを確認し（必要に応じて欠損を補完）、明らかなデータ品質の問題（負の値、ゼロ以外の系列におけるゼロ）を確認して、自然な粒度（日次、週次、月次）を特定します。
2. 定常性を検定する — ADF 検定を実行します。非定常（トレンドまたは季節性がある）の場合は、その旨を記録します。これは分析を妨げる要因ではなく、分解方法やモデルの選択に役立ちます。references/ts_patterns_guide.md を参照してください。
3. 成分に分解する — 加法分解または乗法分解を用いて、時系列をトレンド、季節性、残差に分けます。各成分の強さ（0～1）を測定します。季節性が強い（>0.6）場合、季節調整をしない生の値は誤解を招きます。
4. 異常を検出する — 移動中央値から標準偏差 3 個分を超えて離れた点にフラグを付けます。上位 5 件の異常をイベントログ（製品リリース、キャンペーン、インシデント）と照らし合わせて調査します。scripts/ts_analyzer.py --detect-anomalies を使用します。
5. 予測モデルを適合させる — ARIMA モデルを適合させます（データが短い場合は、よりシンプルな移動平均を使用します）。データの 20% を保留テストセットとして検証し、MAPE を報告します。予測期間について点推定値と 95% 信頼区間を算出します。
6. 分析レポートを作成する — トレンドの方向と強さ、季節パターンとそのビジネス上の意味、異常の検出結果、不確実性を含む予測を要約します。assets/ts_report_template.md を使用します。

スキルに必要な入力

• 時系列データ：日付列と数値指標列 1 つ。最低 2 回分の完全な季節サイクルが必要です
• データの粒度（日次、週次、月次）
• 必要な予測期間（数日、数週間、数か月先）
• 異常調査用のイベントログまたは変更ログ
• ビジネス上の背景：この指標を動かす要因、既知の季節パターン

出力

• scripts/ts_analyzer.py — 時系列を分解し、異常を検出して ARIMA 予測を適合させます。チャートと CSV を出力します
• references/ts_patterns_guide.md — 定常性、季節性の種類、モデル選択ガイド、よくある落とし穴
• assets/ts_report_template.md — レポートテンプレート：特性、分解の概要、異常一覧、予測表、考察