Tài liệu
Phân rã chuỗi thời gian: xu hướng, quy luật theo ngày trong tuần và nhiễu
Tách số lượt nhấp hoặc lượt hiển thị theo ngày thành xu hướng, quy luật theo ngày trong tuần và phần dư, gắn nhãn hướng của xu hướng và đánh dấu những ngày mà mô hình không giải thích được.
Phân rã chuỗi thời gian (Time-Series Decomposition) tách số lượt nhấp hoặc lượt hiển thị theo ngày của bạn thành ba phần: xu hướng đã được làm mượt, quy luật lặp lại theo ngày trong tuần và phần dư, tức là phần còn lại sau khi đã trừ hai thành phần kia. Công cụ gắn nhãn xu hướng là tăng, giảm hoặc ổn định, đo chênh lệch giữa ngày mạnh nhất và ngày yếu nhất trong tuần, đồng thời đánh dấu những ngày có phần dư lớn bất thường. Hãy dùng nó để phân biệt một thay đổi hướng thực sự với nhịp lên xuống thông thường của tuần.
Cách chuỗi dữ liệu được tách
- Đường trung bình động 7 ngày căn giữa cho ước lượng ban đầu về xu hướng.
- Khoảng chênh của mỗi ngày so với đường trung bình đó được nhóm theo ngày trong tuần. Giá trị trung bình của từng ngày trong tuần, được dịch sao cho bảy giá trị cộng lại bằng không, trở thành hiệu ứng theo mùa vụ của ngày đó.
- Hiệu ứng theo mùa vụ được loại khỏi chuỗi gốc, cho ra Chuỗi đã loại mùa vụ, rồi kết quả được làm mượt bằng đường trung bình 7 ngày áp dụng hai lần. Đường mượt hơn này chính là xu hướng bạn thấy.
- Phần dư bằng giá trị gốc trừ đi xu hướng và hiệu ứng theo mùa vụ. Một ngày có phần dư lệch khỏi 0 hơn hai độ lệch chuẩn, tính trên toàn bộ phần dư, sẽ bị đánh dấu là ngoại lai.
Đây là phép phân rã cộng tính: hiệu ứng theo ngày trong tuần là một số lượt nhấp hoặc lượt hiển thị, không phải tỷ lệ phần trăm. Phần đầu trang gọi phương pháp này là STL, nhưng thực chất đây là phép phân rã cổ điển dựa trên trung bình động, không phải hồi quy cục bộ như STL. Cuốn Forecasting: Principles and Practice giải thích phân rã cổ điển và điểm khác biệt của STL.
Cách gắn nhãn xu hướng
Một đường thẳng được khớp qua xu hướng, và độ dốc của nó được biểu diễn bằng phần trăm của mức trung bình xu hướng mỗi ngày:
| Độ dốc theo ngày | Nhãn | Trong 30 ngày |
|---|---|---|
| +0.25% trở lên | Tăng | khoảng +7.5% trở lên |
| từ −0.25% đến +0.25% | Ổn định | trong khoảng ±7.5% |
| −0.25% trở xuống | Giảm | giảm khoảng −7.5% trở xuống |
Các thẻ hiển thị nhãn cùng giá trị đầu và cuối của xu hướng, mức thay đổi mỗi ngày kèm giá trị quy đổi cho 30 ngày, Thay đổi xu hướng trong khoảng thời gian từ ngày đầu đến ngày cuối, Biên độ theo tuần (hiệu ứng ngày mạnh nhất trừ hiệu ứng ngày yếu nhất, kèm tên hai ngày đó) và số Ngoại lai của phần dư cùng độ lệch chuẩn của phần dư.
Cách đọc các biểu đồ
- Dữ liệu gốc và xu hướng: các giá trị theo ngày với đường xu hướng phủ lên trên.
- Thành phần mùa vụ theo tuần: khoảng chênh trung bình so với xu hướng của từng ngày trong tuần. Các cột nằm trên mức không là những ngày đông khách hơn.
- Chuỗi đã loại mùa vụ: dữ liệu sau khi đã loại bỏ hiệu ứng theo ngày trong tuần, giúp dễ đọc biến động giữa các tuần hơn.
- Phần dư: phần mà xu hướng và ngày trong tuần không giải thích được, với các đường đứt nét ở mức ±2 độ lệch chuẩn.
Bảng Thành phần theo ngày liệt kê mọi ngày cùng thứ trong tuần, giá trị gốc, xu hướng, hiệu ứng mùa vụ, phần dư, z của phần dư và cờ Ngoại lai. Ngoại lai của phần dư liệt kê các ngày bị đánh dấu cùng giá trị thực tế và giá trị kỳ vọng. Sau khi chạy, bạn có thể chuyển Chỉ số giữa Lượt nhấp và Lượt hiển thị, và phép phân rã sẽ được tính lại ngay trong trình duyệt.
Giả định và điểm mù
- Quy luật tuần cố định với biên độ cố định. Nếu lưu lượng tăng gấp đôi trong khoảng thời gian phân tích, biên độ theo ngày trong tuần tính bằng lượt nhấp sẽ quá nhỏ cho phần cuối và quá lớn cho phần đầu.
- Không có chu kỳ theo năm. Mỗi lần chạy bao phủ ít nhất 90 ngày (các khoảng ngắn hơn được kéo dài ngược về trước, như ghi chú phía trên kết quả cho biết), quá ngắn để mô hình hóa các mùa. Mức sụt giảm vào tháng 12 hay giai đoạn trầm lắng mùa hè sẽ hiện ra như một xu hướng.
- Hai đầu chuỗi kém ổn định hơn. Các đường trung bình động bị thu hẹp ở gần đầu và cuối chuỗi, nên xu hướng của tuần gần nhất dựa trên ít ngày hơn và sẽ thay đổi khi có dữ liệu mới.
- Ngoại lai kéo lệch các giá trị trung bình. Một ngày cực đoan làm lệch trung bình của ngày trong tuần tương ứng và độ phân tán của phần dư; Phát hiện bất thường dùng các thống kê bền vững để chống lại hiện tượng này.
- Những ngày thiếu dữ liệu được tính là không, khiến một thuộc tính mới hơn khoảng thời gian phân tích hiện ra như phần đầu phẳng.
Cách dùng những gì bạn tìm thấy
Một ngoại lai là một ngày cần được giải thích: một bản phát hành, một sự cố ngừng hoạt động, một lần được báo chí nhắc đến hoặc một bản cập nhật xếp hạng của Google. Hãy thêm một chú thích để ngày đó và lý do xuất hiện trên biểu đồ xu hướng của bảng điều khiển từ đó về sau. Để xác định thời điểm mức nền thay đổi, hãy chạy Phát hiện điểm thay đổi trên cùng khoảng thời gian.