时间序列里常被忽略的四个常识

翻看后台的访问日志时，经常遇到一种情况：某个渠道连续三天的数据突然掉了一半，运营同事第一反应是渠道出了问题。但把时间轴拉长到九十天再看，这种波动其实每隔两三周就会出现一次，幅度也差不多。时间序列分析里最基础的常识，就是先确认你看到的是异常，还是周期的一部分。

第一个常见问题是缺失值处理得太随意。某电商的日订单表里有七天空白，直接删掉这七天再算周均值，结果比实际偏高约12%。因为那七天恰好是平台大促后的低谷期。缺失值不是没有信息，它本身可能携带信息。如果空白出现在每年春节前后，和随机出现在某个普通周三，含义完全不同。简单的做法是先标记缺失，画一张带断点的走势图，看看缺口前后有没有系统性偏移，再决定是插值、剔除还是单独说明。

第二个问题是异常点的识别标准。有人用3倍标准差，有人用箱线图，但标准本身要结合业务节奏。一个做内容分发的团队发现，每周一上午的阅读量总是比其他时段高40%左右，如果按全局标准差去卡，每周一都会被标成异常。后来他们把数据按小时分组，每组单独算分布，误报率才降下来。异常点不一定是错误，它可能是真实但罕见的事件，比如一次突发的热搜、一次系统故障，或者一次成功的推送实验。关键在于区分“需要解释的异常”和“需要修正的错误”。

第三个问题是季节性和趋势混在一起。某工具类产品的日活数据从年初到年中涨了30%，看起来是稳步增长。但把同比数据拉出来，去年同期的涨幅是28%，也就是说今年的增长几乎全部来自季节性回升，去掉季节项后的趋势项其实基本持平。做法上，可以先算一个简单的移动平均，比如7日或30日，把短周期的波动压下去，再看长期方向。移动平均的窗口长度没有标准答案，7日适合看周内规律，30日适合看月度节奏，选错了窗口，走势图会给出误导性的平滑效果。

第四个问题是对预测的边界认识不足。时间序列模型擅长捕捉惯性，但对结构变化无能为力。一个日活数据连续六个月缓慢下滑的产品，用ARIMA模型外推，预测未来三十天还会继续下滑，结果第七天上线了一个新功能，数据直接拐头向上。模型没有错，它只是不知道第七天会发生什么。所以预测结果更适合当作基准线，而不是结论。实际工作中，可以同时准备两套预测：一套是纯统计外推，一套是加入已知业务动作的调整版，两者之间的差距，往往比预测值本身更有参考价值。

还有一个容易被忽略的细节是时间粒度。同一份订单数据，按天看是平稳的，按小时看可能呈现明显的双峰，按分钟看则充满噪声。粒度选择取决于你要回答的问题。想判断促销活动的即时效果，分钟级或小时级更合适；想评估长期留存，天级或周级更稳定。把不同粒度的数据混在一张图上比较，是很多分析报告里常见的硬伤。

做时间序列分析，工具和模型只是最后一步。前面几步——确认缺失含义、区分异常类型、拆解季节与趋势、明确预测边界、选对时间粒度——看起来琐碎，却决定了后面的结论能不能站住。数据不会自己说话，它需要被放在正确的时间框架里观察。下次看到一条突然跳变的走势，不妨先问一句：这是新信息，还是老规律换了个样子出现。