Dokumentasyon
Time-Series Decomposition: trend, lingguhang pattern at noise
Hinahati ang pang-araw-araw na clicks o impressions sa trend, pattern ng araw ng linggo at residual, nilalagyan ng label ang direksyon ng trend at minamarkahan ang mga araw na hindi maipaliwanag ng modelo.
Hinahati ng Time-Series Decomposition ang pang-araw-araw mong clicks o impressions sa tatlong bahagi: isang pinakinis na trend, isang umuulit na pattern ng araw ng linggo, at ang residual, ang natitira matapos alisin ang dalawa. Nilalagyan nito ng label ang trend bilang lumalaki, bumababa o matatag, sinusukat ang agwat ng pinakamalakas at pinakamahinang araw ng linggo, at minamarkahan ang mga araw na may di-karaniwang laking residual. Gamitin ito para makilala ang tunay na pagbabago ng direksyon mula sa karaniwang ritmo ng isang linggo.
Paano hinahati ang series
- Ang centred 7-day moving average ang nagbibigay ng unang tantiya ng trend.
- Ang layo ng bawat araw mula sa average na iyon ay pinagsasama-sama ayon sa araw ng linggo. Ang average ng bawat araw ng linggo, na inayos para magsama-sama sa zero ang pitong halaga, ang nagiging seasonal effect ng araw na iyon.
- Inaalis ang seasonal effect sa orihinal na series, na nagbibigay ng Deseasonalised series, at pinakikinis ang resulta gamit ang 7-day average na dalawang beses inilapat. Ang mas makinis na linyang ito ang trend na nakikita mo.
- Ang residual ay ang orihinal na halaga bawas ang trend at ang seasonal effect. Ang araw na ang residual ay lampas sa dalawang standard deviation mula sa zero, na sinusukat sa lahat ng residual, ay minamarkahan bilang outlier.
Ito ay additive decomposition: ang epekto ng araw ng linggo ay isang bilang ng clicks o impressions, hindi porsyento. Tinatawag itong STL sa header ng pahina, pero ang pamamaraan ay isang classical moving-average decomposition at hindi ang local regression ng STL. Ipinaliliwanag ng Forecasting: Principles and Practice ang classical decomposition at kung paano naiiba ang STL.
Paano nilalagyan ng label ang trend
Ang isang tuwid na linya ay ipinapasok sa trend, at ang slope nito ay ipinapahayag bilang porsyento ng karaniwang antas ng trend kada araw:
| Slope kada araw | Label | Sa loob ng 30 araw |
|---|---|---|
| +0.25% o higit pa | Lumalaki | humigit-kumulang +7.5% o higit pa |
| sa pagitan ng −0.25% at +0.25% | Matatag | nasa loob ng humigit-kumulang ±7.5% |
| −0.25% o mas mababa | Bumababa | humigit-kumulang −7.5% o higit pang baba |
Ipinapakita ng mga card ang label kasama ang unang at huling halaga ng trend, ang pang-araw-araw na pagbabago at ang katumbas nito sa 30 araw, ang Pagbabago ng trend sa window mula sa unang araw hanggang sa huli, ang Lingguhang swing (ang epekto ng pinakamalakas na araw ng linggo bawas ang pinakamahina, na may pangalan ng parehong araw) at ang bilang ng Residual outliers kasama ang standard deviation ng residual.
Pagbasa ng mga chart
- Orihinal at trend: ang pang-araw-araw na mga halaga na may trend sa ibabaw.
- Lingguhang seasonal component: ang karaniwang layo mula sa trend para sa bawat araw ng linggo. Ang mga bar na nasa itaas ng zero ang mas abalang mga araw mo.
- Deseasonalised series: ang data na naalis na ang epekto ng araw ng linggo, kaya mas madaling basahin ang paggalaw mula linggo hanggang linggo.
- Mga residual: ang hindi maipaliwanag ng trend at araw ng linggo, na may mga putol-putol na linya sa ±2 standard deviation.
Inililista ng talahanayang Daily components ang bawat araw kasama ang araw ng linggo, orihinal na halaga, trend, seasonal effect, residual, residual z at isang Outlier flag. Inililista ng Residual outliers ang mga minarkahang araw kasama ang aktwal at inaasahang halaga ng mga ito. Kapag nagpalit ka ng Metric sa pagitan ng Clicks at Impressions pagkatapos ng isang run, uulitin ang decomposition sa browser.
Ano ang ipinapalagay nito, at ang mga blind spot nito
- Isang nakapirming lingguhang pattern na may nakapirming laki. Kung dumoble ang traffic sa loob ng window, masyadong maliit para sa dulo at masyadong malaki para sa simula ang swing ng araw ng linggo na sinusukat sa clicks.
- Walang taunang siklo. Sumasaklaw ang run ng hindi bababa sa 90 araw (ang mas maiikling saklaw ay pinalalawig paatras, ayon sa tala sa itaas ng mga resulta), na masyadong maikli para imodelo ang mga season. Ang pagbaba tuwing Disyembre o ang tamlay ng tag-init ay lalabas bilang trend.
- Mas hindi tiyak ang mga dulo. Lumiliit ang mga moving average malapit sa simula at dulo ng series, kaya mas kaunting araw ang pinagbabatayan ng trend sa pinakahuling linggo at magbabago ito habang dumarating ang bagong data.
- Hinihila ng mga outlier ang mga average. Inililipat ng isang sukdulang araw ang average ng araw ng linggo nito at ang pagkalat ng residual; ang Anomaly Detection ay gumagamit ng mga robust na istatistika na hindi madaling maapektuhan nito.
- Ang mga nawawalang araw ay binibilang bilang zero, kaya ang property na mas bago kaysa sa window ay lumalabas na may patag na simula.
Paggamit ng mga natuklasan mo
Ang outlier ay petsang kailangang ipaliwanag: isang release, isang outage, isang banggit sa balita o isang Google ranking update. Magdagdag ng annotation para lumabas na ang petsa at ang dahilan nito sa trend chart ng dashboard mula noon. Para matukoy kung kailan lumipat ang mismong antas, patakbuhin ang Change Point Detection sa parehong saklaw.