Dokumentasi
Dekomposisi Deret Waktu: tren, pola mingguan, dan noise
Memisahkan klik atau impresi harian menjadi tren, pola hari dalam seminggu, dan residual, memberi label arah tren, serta menandai hari-hari yang tidak dapat dijelaskan oleh model.
Dekomposisi Deret Waktu memisahkan klik atau impresi harian Anda menjadi tiga bagian: tren yang dihaluskan, pola hari dalam seminggu yang berulang, dan residual, yaitu sisa yang tidak terjelaskan oleh dua bagian lainnya. Alat ini memberi label pada tren sebagai naik, turun, atau stabil, mengukur selisih antara hari terkuat dan hari terlemah, serta menandai hari dengan residual yang luar biasa besar. Gunakan alat ini untuk membedakan perubahan arah yang sesungguhnya dari ritme mingguan yang biasa.
Cara deret dipisahkan
- Rata-rata bergerak 7 hari yang terpusat memberikan perkiraan awal untuk tren.
- Jarak setiap hari dari rata-rata tersebut dikelompokkan menurut hari dalam seminggu. Rata-rata untuk tiap hari, yang digeser sehingga ketujuh nilainya berjumlah nol, menjadi efek musiman hari tersebut.
- Efek musiman dikeluarkan dari deret asli, sehingga menghasilkan Deret tanpa musiman, lalu hasilnya dihaluskan dengan rata-rata 7 hari yang diterapkan dua kali. Garis yang lebih halus itulah tren yang Anda lihat.
- Residual adalah nilai asli dikurangi tren dan efek musiman. Hari dengan residual yang menyimpang lebih dari dua simpangan baku dari nol, diukur terhadap seluruh residual, ditandai sebagai outlier.
Ini adalah dekomposisi aditif: efek hari dalam seminggu berupa jumlah klik atau impresi, bukan persentase. Header halaman menyebutnya STL, tetapi metodenya adalah dekomposisi klasik berbasis rata-rata bergerak, bukan regresi lokal seperti pada STL. Forecasting: Principles and Practice menjelaskan dekomposisi klasik dan perbedaan STL darinya.
Cara tren diberi label
Sebuah garis lurus dipasangkan pada tren, dan kemiringannya dinyatakan sebagai persentase dari rata-rata level tren per hari:
| Kemiringan harian | Label | Selama 30 hari |
|---|---|---|
| +0.25% atau lebih | Naik | sekitar +7.5% atau lebih |
| antara −0.25% dan +0.25% | Stabil | dalam kisaran sekitar ±7.5% |
| −0.25% atau kurang | Turun | sekitar −7.5% atau lebih rendah |
Kartu-kartu menampilkan label beserta nilai pertama dan terakhir dari tren, perubahan harian beserta setaranya dalam 30 hari, Perubahan tren sepanjang periode dari hari pertama hingga hari terakhir, Fluktuasi mingguan (efek hari terkuat dikurangi hari terlemah, dengan kedua hari disebutkan namanya), serta jumlah Outlier residual beserta simpangan baku residual.
Membaca grafik
- Data asli dan tren: nilai harian dengan garis tren di atasnya.
- Komponen musiman mingguan: jarak rata-rata dari tren untuk setiap hari dalam seminggu. Batang di atas nol adalah hari-hari yang lebih ramai.
- Deret tanpa musiman: data setelah efek hari dalam seminggu dihilangkan, sehingga pergerakan dari minggu ke minggu lebih mudah dibaca.
- Residual: bagian yang tidak dapat dijelaskan oleh tren dan pola hari, dengan garis putus-putus pada ±2 simpangan baku.
Tabel Komponen harian mencantumkan setiap hari beserta nama harinya, nilai asli, tren, efek musiman, residual, z residual, dan penanda Outlier. Outlier residual mencantumkan hari-hari yang ditandai beserta nilai aktual dan nilai yang diharapkan. Ganti Metrik antara Klik dan Impresi setelah analisis dijalankan, dan dekomposisi akan dihitung ulang di browser.
Asumsi dan titik butanya
- Pola mingguan yang tetap dengan besaran yang tetap. Jika lalu lintas menjadi dua kali lipat selama periode tersebut, fluktuasi hari dalam seminggu yang diukur dalam klik akan terlalu kecil untuk bagian akhir dan terlalu besar untuk bagian awal.
- Tidak ada siklus tahunan. Analisis mencakup minimal 90 hari (rentang yang lebih pendek diperpanjang ke belakang, seperti yang dijelaskan dalam catatan di atas hasil), yang terlalu singkat untuk memodelkan musim. Penurunan di bulan Desember atau masa sepi di musim panas akan tampak sebagai tren.
- Bagian ujung kurang stabil. Rata-rata bergerak menyusut di dekat awal dan akhir deret, sehingga tren untuk minggu terbaru bertumpu pada lebih sedikit hari dan akan bergeser seiring masuknya data baru.
- Outlier menarik rata-rata. Satu hari ekstrem menggeser rata-rata hari tersebut dan sebaran residual; Deteksi Anomali menggunakan statistik robust yang tahan terhadap hal ini.
- Hari yang tidak ada datanya dihitung sebagai nol, sehingga properti yang lebih baru daripada rentang analisis akan terlihat memiliki awal yang datar.
Memanfaatkan temuan Anda
Outlier adalah tanggal yang perlu dijelaskan: rilis, gangguan layanan, penyebutan di berita, atau pembaruan peringkat Google. Tambahkan anotasi agar tanggal dan alasannya selalu muncul pada grafik tren di dasbor. Untuk menentukan kapan levelnya sendiri bergeser, jalankan Deteksi Titik Perubahan pada rentang yang sama.