4、时间序列基础：理解时间序列数据的特性（趋势、季节、噪声），掌握时间序列分解的基本方法（加法模型、乘法模型）
广告数据在时间维度上呈现出复杂的动态模式：品牌搜索量可能因大促活动而飙升，日常曝光量可能因季节性消费习惯而起伏，而平台算法调整或竞品投放策略变化则可能带来难以解释的随机波动。要准确解读这些数据并做出前瞻性决策，必须首先建立时间序列分析的系统认知。本章将聚焦于时间序列的三大核心特性——趋势、季节性与噪声，并深入讲解两种最基础也最实用的分解模型：加法模型与乘法模型。理解这些概念，是后续进行广告效果预测、预算分配和异常检测的基石。
上图展示了时间序列分解的整体逻辑框架。在实际广告分析中，我们观察到的原始数据（如每日曝光量、点击率、转化数）往往是上述三种成分的叠加或耦合。下面我们将逐一剖析这些特性，并深入探讨两种分解模型的适用场景与操作方法。
4.1 时间序列三大核心特性：趋势、季节、噪声
4.1.1 趋势成分（Trend）
核心原理：趋势是时间序列在较长时期内呈现的持续上升、下降或保持平稳的总体方向。它反映了广告投放的长期健康度、品牌认知度的积累或市场容量的变化。例如，一个新兴品牌在持续投放信息流广告后，其品牌词搜索量可能呈现逐月上升的趋势；而一个成熟品类在进入衰退期后，其广告点击率可能呈现缓慢下降的趋势。
判断方法：观察趋势通常需要借助移动平均或时间聚合。将日数据聚合成周或月数据，可以消除短期波动，使趋势线更清晰。常用的判断指标包括：
- 线性回归斜率：对时间与指标值做简单线性回归，若斜率显著不为零，则存在线性趋势。
- 移动平均线（MA）：计算7日或30日移动平均，观察其走向。
- 同比增速：与去年同期相比的增长率，能剔除季节性干扰。
| 趋势类型 | 广告场景示例 | 决策含义 |
|---|---|---|
| 上升趋势 | 新品类教育期搜索量逐月增长 | 加大投放预算，抢占心智 |
| 下降趋势 | 旧产品点击率持续下滑 | 优化素材或收缩预算 |
| 平稳趋势 | 成熟品牌日常曝光量稳定 | 维持常规投放节奏 |
4.1.2 季节成分（Seasonality）
核心原理：季节成分是指时间序列在固定时间间隔（如日、周、月、季度）内重复出现的波动模式。广告数据中的季节性来源广泛：电商大促（双11、618）、节假日（春节、情人节）、一周内的上下班通勤时段、一天内的黄金时段等。理解季节性有助于提前规划预算和素材储备。
判断方法：绘制按周或按月聚合的箱线图，观察各周期内的均值差异。例如，将每日点击率按“周一至周日”分组，若周中与周末的均值差异超过20%，则存在明显的周季节性。
4.1.3 噪声成分（Noise / Irregular）
核心原理：噪声是去除趋势和季节成分后剩余的随机波动，它由无数不可控因素引起：平台算法微调、竞品突发活动、用户情绪波动、数据上报延迟等。噪声无法被系统性预测，但可以通过统计特征（如标准差、残差分布）来评估其影响程度。
判断方法：在完成趋势和季节提取后，剩余残差应表现为均值为零、方差稳定的随机序列。若残差呈现明显的自相关或异方差性，则说明分解不充分或模型选择有误。
4.2 时间序列分解的基本方法
4.2.1 加法模型（Additive Model）
核心原理：加法模型假设原始序列是趋势、季节和噪声的线性叠加，即 Y(t) = T(t) + S(t) + I(t)。该模型适用于季节波动的幅度不随趋势水平变化的情况。例如，某广告位的每日曝光量在100万上下波动，周末比工作日多5万曝光，无论趋势是80万还是120万，这个“5万”的差值基本保持不变。
操作流程：
- 估计趋势：使用中心化移动平均（如7日或30日）平滑原始序列，得到趋势分量 T(t)。
- 去除趋势：计算去趋势序列 D(t) = Y(t) - T(t)。
- 估计季节：将 D(t) 按季节周期（如周）分组，计算每组均值，得到季节分量 S(t)。
- 提取噪声：计算残差 I(t) = Y(t) - T(t) - S(t)。
4.2.2 乘法模型（Multiplicative Model）
核心原理：乘法模型假设原始序列是趋势、季节和噪声的乘积，即 Y(t) = T(t) × S(t) × I(t)。该模型适用于季节波动的幅度随趋势水平成比例变化的情况。在广告投放中，乘法模型更为常见：当整体曝光量从100万增长到200万时，周末的“额外增幅”往往也从5%增长到10%（即差值从5万变为10万），而非保持固定的5万。
操作流程：
- 估计趋势：同样使用移动平均得到 T(t)。
- 去除趋势：计算比率序列 R(t) = Y(t) / T(t)。
- 估计季节：将 R(t) 按周期分组求均值，得到季节指数 S(t)（通常围绕1波动，如1.15表示该周期比趋势水平高15%）。
- 提取噪声：计算残差 I(t) = Y(t) / (T(t) × S(t))。
| 对比维度 | 加法模型 | 乘法模型 |
|---|---|---|
| 公式 | Y = T + S + I | Y = T × S × I |
| 季节波动特征 | 幅度恒定 | 相对比例恒定 |
| 适用场景 | 数据量级稳定，波动范围小 | 数据量级增长，波动随趋势放大 |
| 广告案例 | 品牌词搜索量（日搜索量在1万±2000） | 电商GMV（大促期间销售额成倍增长） |
| 残差含义 | 误差（单位与原始数据相同） | 相对误差（无单位，围绕1波动） |
4.3 实战案例：某美妆品牌电商广告日销售额分解
背景与约束：某美妆品牌在电商平台持续投放效果广告，运营团队需要区分“日常增长”与“大促拉动”，以便合理评估平销期的投放效率。数据为2024年1月1日至6月30日共181天的日销售额（单位：万元）。已知该品牌在3月8日妇女节和6月18日大促期间有明显峰值。
初始现象与目标：原始日销售额曲线波动剧烈，无法直观判断整体趋势。目标是通过分解，得到纯净的趋势曲线和季节指数，从而回答：“剔除大促和周末效应后，品牌日常销售额是否在稳步提升？”
关键输入数据（部分）：
日期 销售额(万元)
2024-01-01 32.5
2024-01-02 28.1
2024-01-06 45.2 (周六)
2024-03-08 98.7 (妇女节)
2024-06-18 210.3 (大促)
2024-06-30 55.8 (周日)分析判断过程：
- 初步判断模型：观察数据，大促日销售额是平日的3-5倍，且随整体销售额增长，周末的增量也在变大。因此选择乘法模型。
- 计算趋势：使用7日中心化移动平均，得到趋势序列 T(t)。例如，1月1日的趋势值约为1月1日前3天和后3天（共7天）的平均值。
- 计算季节比率：计算 R(t) = Y(t) / T(t)。发现周一至周五的比率在0.85~1.05之间，周六在1.2左右，周日为1.1左右。妇女节和618的比率分别高达2.8和4.5。
- 提取季节指数：将相同星期几的比率取中位数（剔除大促异常点），得到周季节指数：周一0.88、周二0.92、周三0.95、周四0.98、周五1.05、周六1.22、周日1.15。
- 分离噪声：计算 I(t) = Y(t) / (T(t) × S(t))，残差大多在0.9~1.1之间，属于正常波动。
实际操作与结果：去除季节和噪声后，趋势曲线显示：1月至2月趋势平稳在35万左右，3月起缓慢爬升，4月达到42万，5月稳定在45万，6月因618大促带动品牌搜索热度，趋势上升至52万。结论：品牌日常销售额实际增长了约48%，而非表面看起来的剧烈波动。
风险与代价：若误用加法模型，会导致大促期间的季节分量被严重高估，而平销期的季节分量被低估，进而影响预算分配的准确性。此外，移动平均窗口的选择（7日 vs 30日）会影响趋势的平滑程度，窗口过短会残留部分季节性，窗口过长会掩盖真实的趋势拐点。
4.4 常见误区与总结复盘
4.4.1 误区一：忽略多重季节性
广告数据往往同时存在周季节性和年季节性（如双11）。若只按7天周期分解，年季节性会混入趋势项，导致趋势被误判为“持续上升”。对策：对于超过一年的数据，应使用STL分解或引入多个季节周期。
4.4.2 误区二：对噪声过度反应
某日点击率突然下降15%，若该日非节假日且无重大活动，不应立即调整出价策略。应先观察3-5天，确认是否形成连续趋势。对策：建立噪声控制带（如均值±2倍标准差），超出控制带才触发预警。
4.4.3 误区三：模型选择机械
并非所有广告指标都适合乘法模型。例如，CTR（点击率）通常在0.5%~3%之间，波动幅度相对稳定，更适合加法模型或对数变换后的加法模型。对策：根据指标的业务属性和数据分布特征选择模型，必要时对数据做对数变换。
4.4.4 总结：分解的价值闭环
| 分解成分 | 广告决策应用 | 常用工具 |
|---|---|---|
| 趋势 T | 评估品牌长期健康度、制定季度预算 | 移动平均、线性回归 |
| 季节 S | 预判大促效果、安排素材与排期 | 季节指数、箱线图 |
| 噪声 I | 监控异常波动、评估数据质量 | 残差分析、控制图 |
时间序列分解不是一次性的“数据处理”，而是一个持续迭代的分析框架。每次广告投放策略调整后，都应重新分解数据，观察趋势和季节成分是否发生结构性变化。只有将趋势、季节、噪声三者的逻辑彻底厘清，才能在纷繁复杂的广告数据中做出理性、可复盘的决策。