Time-Series-Analyse: Definition & Erklärung — Glossar

Was ist Time-Series-Analyse?

Time-Series-Analyse (dt. Zeitreihenanalyse) bezeichnet die statistische und mathematische Untersuchung von Datenpunkten, die in zeitlicher Abfolge erfasst wurden. Ziel ist es, Muster (Trends, Saisonalitäten, Zyklen), Anomalien und kausale Zusammenhänge zu erkennen und auf dieser Basis Prognosen zu erstellen oder automatisierte Alarme zu generieren.

Komponenten einer Zeitreihe

Trend: Langfristige Zu- oder Abnahme des Signals. Saisonalität: Regelmäßige Schwankungen in festen Periodenlängen (täglich, wöchentlich, jährlich). Zyklen: Unregelmäßige, längerfristige Schwankungen. Residuum: Zufälliges Rauschen nach Abzug der anderen Komponenten. Die klassische Dekomposition (z. B. STL: Seasonal and Trend decomposition using Loess) zerlegt eine Zeitreihe in diese Bestandteile.

Methoden und Modelle

Klassische Methoden: ARIMA (AutoRegressive Integrated Moving Average) für univariate Zeitreihen, SARIMA für saisonale Daten, Exponential Smoothing (Holt-Winters). Maschinelles Lernen: Prophet (Facebook/Meta, Python-Bibliothek für Business-Zeitreihen), LSTM-Netzwerke für komplexe Abhängigkeiten. Anomalieerkennung: Isolation Forest, DBSCAN oder statistisches Intervallmonitoring. Spezielle Zeitreihendatenbanken wie InfluxDB oder TimescaleDB optimieren Speicherung und Abfrage.

Unternehmensanwendungen

Nachfrageprognose und Bestandsplanung im Handel und in der Logistik. Predictive Maintenance: Anomalien in Maschinensensordaten erkennen, bevor Ausfälle entstehen. Finanzprognosen: Cashflow-, Umsatz- und Kostenvorhersagen. IT-Kapazitätsplanung: Serverauslastung und Traffic-Muster analysieren. Energiemanagement: Verbrauchsprognosen für optimale Beschaffung. Time-Series-Analyse ist einer der häufigsten praktischen Einsatzbereiche von Data Science und KI in Unternehmen.