時系列データの基本｜トレンドと周期性を解説

DS73：時系列データとは何か、その基礎的な扱いについて説明できる（時系列グラフによる周期性やトレンドの確認、移動平均、回帰や相関計算における注意点など）

「時系列データって何が特別なの？」
「周期性やトレンドの違いがよくわからない…」
「移動平均ってどう使えばいいの？」
「回帰分析や相関計算の注意点って？」

そんな疑問にお答えしながら、時系列データを使った分析の基本をやさしく解説します。
業務でExcelやBIツールを使ってデータを扱う方にも役立つ内容です。

時系列データとは、時間の経過に伴って記録されたデータです。
たとえば「日ごとの売上」「月ごとの気温」「毎秒のセンサーデータ」など、時系列順に並んでいる情報が該当します。

時系列データを分析する際は、主に以下の2つを見極めるのが基本です。

トレンド（Trend）
長期的に見たときの「増えている・減っている」という傾向の変化を指します。
例えば、売上が1年ごとに少しずつ増えている場合、それはトレンドです。

周期性（Seasonality）
特定の間隔で繰り返されるパターンのこと。
「毎週月曜は売上が下がる」「夏にエアコンの需要が高まる」などが代表例です。

手法1：移動平均（Moving Average）
短期的なノイズを除き、トレンドや周期性をなめらかに観察するための手法です。

活用ポイント
グラフがガタガタして見にくいとき、移動平均を使うとパターンが見やすくなります。
例えば、7日移動平均を使えば「1週間ごとの平均的な動き」をつかめます。

注意点
ウィンドウ幅（平均する期間）が長すぎると、細かい変化が見えなくなる。
トレンドの除去には有効だが、逆にトレンドの急な変化を見逃す可能性も。

手法2：回帰分析（Regression）
時系列データにおける数値の変化を数式でモデル化し、将来の値を予測します。

注意点
モデルの選定が命：単純な直線モデルで済まない場合もある。
過剰適合に注意：学習データに合わせすぎて、新しいデータで外れることも。
残差分析を忘れずに：予測値と実測値の差にパターンがあるなら、モデルの見直しが必要。

手法3：相関計算（Correlation）
2つの変数間にどれだけ「一緒に動く傾向」があるかを数値化します。
例えば「広告費と売上」「気温とアイスの売上」など。

注意点
因果関係とは別物：「相関が高い＝原因」というわけではない。
外れ値の影響大：一部の異常値が相関係数を大きくゆがめることも。
線形性の前提：非線形な関係には使えません。

売上の季節変動を捉えたキャンペーン設計
機械の稼働データから異常検知
ユーザーアクセスログの傾向把握
在庫の需要予測

など、幅広い業務領域で使えるスキルです。