時系列データ分析とは?進め方7ステップと失敗例5選

時系列データ分析とは?進め方7ステップと失敗例5選

売上や在庫、設備の稼働状況など、業務で扱うデータの多くは時間の並びを持つデータです。時間の順序を無視した平均や合計からは、来月の需要や設備の異変は見えてきません。時間軸を前提とした分析には、通常の集計とは異なる考え方と手順が求められます。

つまずきやすいのは、手法の選び方よりも前の工程です。観測間隔がそろっていない、タイムスタンプの基準がシステムごとに違う、欠損をゼロで埋めているといった状態は珍しくありません。そのまま高度なモデルを当てはめても、出てくる予測値は現場の判断材料になりません。精度を決めるのは、モデルよりもデータの整備状況です。

本記事では、時系列データ分析の基礎知識から、データ品質の要件、7つの実行ステップ、モデル選定の判断軸、現場で繰り返される5つの失敗パターンまでを解説します。自社のデータで着手するときの確認観点として活用してください。

時系列データ分析とは|回帰分析との違いと4つの変動要因

時間の並びを持つデータは、観測された順序そのものが情報を持ちます。時間軸を持つデータの分析上の前提は、通常の統計分析とは別物です。ここでは定義と、分析に入る前に押さえておく前提条件、そして数値の動きを生み出す要因の分け方までを順に確認します。

時系列データの定義:時間の順序をともなって観測されるデータ

時系列データとは、一定の間隔で繰り返し観測され、観測時点の情報とともに記録されたデータを指します。POSレジの日次売上、設備センサーが1秒ごとに送る温度、月次の契約件数などが代表例です。自社のデータが該当するかどうかは、2つの条件で判断できます。1つは各行に観測日時が入っていること、もう1つは同じ対象を同じ間隔で継続して測っていることです。顧客マスタのように更新日時を持つだけのデータは、この条件を満たしません。

着手前に確認したいのが、蓄積期間と観測間隔の組み合わせです。日次データで週単位の周期を捉えるなら最低でも3か月、年間の季節性まで見るなら2年から3年分が目安になります。月次データで季節性を扱う場合は、36か月以上が1つのラインです。データが1年未満しかない段階では、予測モデルよりも移動平均や前年同月比といった単純な指標から始めるほうが、現場の合意も得やすくなります。必要な期間が読めない段階では、予測よりもデータの蓄積を優先する判断も選択肢の1つです。

回帰分析・クロスセクション分析との違い:自己相関を前提に読み解く

通常の回帰分析やクロスセクション分析は、個々の観測値が互いに独立していることを前提に置きます。時間の並びを持つデータでは、前日の売上が翌日に影響するように、過去の値と現在の値が相関します。この性質が自己相関です。独立性を前提とした手法をそのまま当てはめると、係数の有意性が実際より高く算出され、意味のない説明変数を採用してしまいます。残差の自己相関を測るダービン・ワトソン比が1.5を下回る場合は、時間軸を考慮したモデルへの切り替えを検討します。

使い分けの基準はシンプルです。予測したい対象が「いつの値か」で定義されるなら時間軸を主役に据え、「誰の値か」で定義されるならクロスセクションの枠組みを選びます。来月の出荷量は前者、顧客属性からの解約確率は後者です。両方の性質を持つ場合は、店舗ごとの日次売上のようなパネルデータとして扱い、店舗を固定効果、時間をトレンド項として同時に組み込む方法もあります。どちらの枠組みで解くのかを決めてから手法を選ぶ順序が、後戻りを防ぐ近道です。

回帰分析とは?目的やExcelでのやり方までわかりやすく解説!

4つの変動要因:傾向変動・季節変動・循環変動・不規則変動

時系列データの動きは、性質の違う4つの要因に分けて考えると扱いやすくなります。分解して眺めると、伸びているのか、単に季節が良かっただけなのかを切り分けられます。それぞれの特徴と、業務データでの現れ方は次の通りです。分けて考える利点は、打ち手の切り分けにも表れます。傾向変動が下向きなら商品構成や販路の見直し、季節変動の山が低いなら販促の設計というように、対応する部署も変わります。循環変動は周期が読みにくいため、実務では傾向変動に含めて扱う場面が多い要因です。

  • 傾向変動:数年単位で続く上昇や下降。市場規模の拡大や顧客数の増減が要因になる
  • 季節変動:1年や1週間など決まった周期で繰り返す変動。月末の駆け込みや週末の来店増が該当する
  • 循環変動:景気の波のように周期が一定しない中長期の変動。3年から10年程度の幅で現れる
  • 不規則変動:天候や事故など突発的な要因による変動。予測の対象外として扱うことが多い

実務で切り分けに使うのは、前年同月比と移動平均の2つです。前年同月比で季節変動を打ち消し、12か月移動平均で不規則変動をならせば、傾向変動の向きが見えてきます。直近3か月の売上が前月比で伸びていても、前年同月比が横ばいなら、成長ではなく季節要因の可能性が高い状態です。会議で使う資料には、実数値の折れ線と移動平均線を重ねて示すと、議論が印象論に流れにくくなります。4つの要因のうち、どれが直近の変化を生んでいるのかを言葉で説明できる状態が目標です。

定常性と単位根:モデルを当てはめる前に確認する前提条件

多くの時系列モデルは、平均と分散が時間によって変わらない性質を前提にします。この性質が定常性で、右肩上がりのトレンドを持つ系列はそのままでは前提の外です。確認にはADF検定を使い、p値が0.05を下回れば単位根がないと判断します。Pythonのstatsmodelsであれば数行で実行でき、判定結果とあわせて自己相関のグラフも確認しておくと納得感が高まります。検定を省いて進めると、後工程で誤差の原因を特定できなくなるため、着手前の確認が前提です。

検定で前提を満たさないと判明した場合の対処は、階差を取る方法が中心になります。前の時点との差に変換すると、トレンドが取り除かれて水準が安定します。変動幅が水準に比例して大きくなる系列には、対数変換を先に施してから階差を取る順序が定石です。階差を2回以上取っても定常にならない系列は、構造変化が起きている可能性を疑い、変化点の前後で期間を分ける判断に切り替えます。変換した系列で予測した値は、最後に元の単位へ戻す処理が必要です。

時系列データ分析で解決できる3つの業務課題

手法の話に入る前に、時間軸の分析が業務のどこに効くのかを押さえておくと、社内提案の説得力が変わります。在庫や人員の計画、施策の効果測定、設備や取引の監視という3つの場面を取り上げ、それぞれで得られる判断材料を具体的に見ていきます。

需要予測:在庫・生産・人員計画に根拠を持たせる

需要予測の価値は、当てることそのものよりも、在庫や人員の意思決定に共通の数値を与える点にあります。勘と経験だけで発注していた現場にとって、週次の予測値は担当者間の基準をそろえる共通言語です。小売業の日次発注であれば、予測誤差率が20%前後から10%台前半に下がるだけで、欠品率と廃棄率の両方が改善する余地が生まれます。効果を測る指標は、予測精度ではなく在庫回転日数や欠品件数に置くのが実務的です。目標値は、現行の運用で発生している欠品と廃棄の金額から逆算して設定します。

着手の順番は、予測対象の粒度を決めることから始まります。全店舗合計の月次予測なら既存のBIツールでも足りますが、店舗別かつ商品別の日次予測になると対象の組み合わせが数万件に膨らみ、学習と運用の自動化が前提です。最初から細かい粒度を狙わず、売上上位2割の商品群に絞って3か月ほど試験運用し、そこで得た誤差の傾向を見てから対象を広げる進め方が失敗を避けやすくなります。対象を広げる判断の目安は、試験運用の誤差率が目標値を3か月連続で下回った時点です。

店舗開発における売上予測とは?精度を上げるポイントを徹底解説

効果検証:施策前後の変化を時間軸で切り分ける

施策の前後で数値を比べるだけでは、もともとの上昇トレンドや季節要因まで成果として数えてしまいます。時間軸で切り分けるとは、施策がなかった場合の推移を推定し、その水準と実績の差を効果とみなす考え方です。キャンペーン期間の売上が前月比15%増でも、前年の同時期に同じ幅の伸びがあれば、実質的な上乗せはほぼゼロという判断になります。差分の差分法や、介入のない系列から反実仮想を推定する方法が使われます。いずれも、比較の対象をどう置くかで結論が変わる手法です。

現場でよくあるつまずきは、施策の開始日を実施部門の記憶に頼って設定してしまうことです。配信の実態が3日ずれているだけで、効果の推定値は大きく振れます。回避策として、施策の開始日と終了日、対象範囲、同時期に走った他施策を1枚の表に記録し、着手前に実施部門と突き合わせる手順が有効です。記録の粒度は日単位で足りますが、Web施策のように当日中に反応が出るものは時刻まで残します。記録の形式は表計算ソフトで足りるため、続けられる手軽さを優先します。

異常検知:設備や取引の異変を兆候の段階で捉える

異常検知は、平常時の変動幅を学習し、そこから外れた値を検出する仕組みです。固定のしきい値と違い、曜日や季節による正常な変動を織り込めるため、誤報を抑えながら感度を上げられます。設備保全であれば、振動値が管理限界を超えてから止めるのではなく、1週間前から現れる微細な周期の変化を捉えて計画停止に切り替える使い方が現実的です。金融取引では、口座ごとの平常パターンからの乖離を見て、不正利用の疑いを絞り込みます。

導入時の判断基準は、見逃しと誤報のどちらのコストが高いかで決まります。設備の停止コストが1時間あたり数十万円規模なら誤報を許容して感度を上げ、警報対応に人手がかかる業務なら誤報率を1%以下に抑える設計が適切です。運用開始から1か月ほどは、検知した事象を現場が「本当に異常だったか」で仕分けし、その結果をしきい値の調整に戻す期間として確保しておくと定着しやすくなります。仕分けの結果を残さないまま運用が続くと、現場が警報を無視するようになる点が最大の落とし穴です。

分析精度を左右する時系列データの品質要件

モデルの選定に時間をかけても、入力となるデータの並びが不ぞろいなら結果は安定しません。時間軸を持つデータの品質要件は、通常のマスタデータとは別物です。観測の間隔、時刻の基準、欠けている値、外れた値という4つの観点から、着手前に確認すべき内容を整理します。

観測間隔の統一:粒度のばらつきとリサンプリングの判断

同じ指標でも、取得元によって観測間隔が違うケースは頻繁に起こります。基幹システムは日次、センサーは1分ごと、アンケートは月次といった具合です。これらを1つの系列にまとめる作業がリサンプリングで、粗い側の間隔にそろえるのが原則になります。日次と月次を組み合わせるなら月次に集約し、日次側を合計と平均のどちらで潰すかは指標の性質しだいです。売上のようなフロー指標は合計、在庫のようなストック指標は月末値を採ります。

判断に迷いやすいのが、細かい側にそろえたい場合の扱いです。月次の予算値を日次に割り戻す処理は、実際には観測していない値を作り出すため、予測モデルの入力には向きません。どうしても必要な場合は、割り戻した値であることを列名やフラグで残す対応が最低限です。工数の目安として、取得元が3系統を超える案件では、間隔の統一だけで2週間から1か月程度を見込んでおくと計画が崩れにくくなります。統一後の系列は、件数と期間を一覧にして関係者と共有しておくことが次の工程の前提です。

データ品質とは?品質評価項目や品質を向上させるための実務的対策を解説

タイムスタンプの標準化:タイムゾーンと集計基準日のそろえ方

タイムスタンプの不整合は、分析の終盤まで気づかれないまま結果を歪めます。海外拠点を含むシステムではUTCとローカル時刻が混在し、9時間のずれで1日分の売上が隣の日に移ってしまう状態です。対策は単純で、取り込み時点でUTCに統一し、分析の直前に業務で使うタイムゾーンへ変換する二段構えにします。変換ルールはSQLのビューやETLの処理に固定し、分析者が個別に書き換えられない形にしておきます。変換の責任範囲を分析者個人に残さない設計が肝心です。

集計基準日の定義も、部門ごとに食い違いやすい部分です。小売業では0時をまたぐ深夜営業の売上を前日扱いにする運用が多く、営業日ベースと暦日ベースで日次の数字が変わります。数字が合わない原因の切り分けに数日を費やす事態を避けるため、着手前に業務部門と次の3点をすり合わせておきます。

  • 営業日の開始時刻と、深夜営業分をどちらの日に計上するか
  • 締め処理の実行時刻と、遅れて到着したデータの反映タイミング
  • 月末が休日にあたる場合の計上日の扱い

すり合わせた結果は仕様書に残し、データ取得のクエリにコメントとして埋め込んでおくと、担当者が交代しても定義が引き継がれます。基準日の定義が途中で変わった場合は、過去に遡って作り直すか、変更時点で系列を分けるかの判断も必要です。遡及して作り直す範囲が3年分を超えると再集計に数日かかるため、定義変更は四半期の区切りに合わせる運用が現実的です。変更の履歴は、いつ、どの定義から、どの定義に変えたのかを1行で残しておきます。

欠損値への対処:前方補完・線形補間・欠損のまま扱う場合の使い分け

時間軸を持つデータの欠損は、行ごと削除する対処が使えません。1行落とすと観測間隔が崩れ、その後の周期の計算がずれるためです。原因を確かめないまま一律に埋める対処が、最も事故につながりやすいパターンになります。実務では、欠損の理由を次の3つに切り分けてから手法を選びます。

  • 値が存在したはずのケース(センサーの通信断、連携処理の失敗など)
  • 観測自体がなかったケース(休業日、稼働していない時間帯など)
  • 原因が特定できないケース(記録漏れ、取り込み条件の変更など)

値が存在したはずのケースは補完の対象になり、観測がなかったケースは欠損のまま扱うのが原則です。原因が特定できないケースは、発生の頻度と連続の長さを見て判断します。単発であれば補完し、同じ時期にまとまって発生しているなら、取り込み処理の不具合を疑って原因の調査を先に進めます。調査に時間がかかる場合でも、欠損した区間の記録さえ残っていれば、後から遡った対応が可能です。補完の方法は、指標の動き方に合わせて選びます。手法ごとの向き不向きは次の通りです。

手法

向いているケース

注意点

実装例

前方補完

在庫残高など直前の値が続く指標

連続欠損では同じ値が並び変動が消える

pandasのffill

線形補間

気温や株価など連続的に変化する指標

急変点をなだらかに均してしまう

pandasのinterpolate

季節平均で補完

曜日や月の周期が明確な指標

周期が変わった直後は誤差が大きい

同曜日の直近4週平均

欠損のまま扱う

休業日など観測がない日

対応できるモデルが限られる

状態空間モデル

判断の目安として、欠損率が5%未満で単発なら補完、10%を超えるか連続10日以上の欠落があるなら、その期間を学習対象から外す選択も検討します。補完した値には必ずフラグ列を立てておくことが前提です。精度評価の際には、補完区間を除外して誤差を計算します。この処理を怠ると、補完値を正しく当てた分だけ精度が高く見え、実力を過大評価したまま運用に入ることになります。補完の方針は、対象の系列ごとに1行で記録しておくと引き継ぎが楽です。

データクレンジングとは?意味と代表手法を解説!

外れ値の判断:除くべきノイズと意味のある変動の見極め

外れ値をすべて除くのは、時間軸のデータでは危険な判断です。キャンペーンや災害による急変は、除くべきノイズではなく説明すべき変動にあたります。売上が平常の3倍になった日にテレビ露出があったなら、それは削る対象ではなくイベント変数として持たせる対象です。説明がつかず、機器の故障やシステム障害の記録と一致するものだけを除去の候補に残します。見極めの基準は、値の大きさそのものではなく、業務上の説明がつくかどうかです。

検出の手順は、可視化と統計量の二段構えが扱いやすくなります。折れ線グラフで目視して候補を絞り、箱ひげ図や標準偏差の3倍を超える点を機械的に抽出する流れです。判断に迷う点は、業務部門に確認するリストとして残します。確認するときの観点は次の通りです。

  • その日に販促、価格変更、競合の動きなどのイベントがあったか
  • システム更改やマスタ変更の直後にあたらないか
  • 同じ拠点や商品カテゴリで同時に発生していないか
  • 過去に同じ水準の値が観測されたことがあるか

除去すると決めた場合も、元データからは削らず、分析用のテーブルでフラグを立てる方式が基本です。後から判断を覆す場面は珍しくなく、原本を書き換えていると検証ができません。除去した値は欠損として扱い、前の項目で整理した基準に沿って補完するか空けたままにするかを決めます。除去した件数と理由は、分析レポートの注記に残す運用が安全です。除去の前後で予測誤差がどう変わったかを一度は比較しておくと、判断の妥当性を説明できます。

箱ひげ図とは?外れ値の見方やExcelでの作成方法まで徹底解説

時系列データ分析の進め方7ステップ

整えたデータを使って予測や検知の仕組みを作る工程は、7つの段階に分けて進めると迷いが減ります。目的の設定から運用後の更新まで、それぞれの段階で決めるべきことと、つまずきやすい箇所は異なります。手戻りの多くは前半の3段階で防げる点が、進め方の要点です。

STEP1 分析目的と予測対象の設定:何をどの粒度・期間で予測するか

最初に決めるのは、何を、どの粒度で、どのくらい先まで予測するかの3点です。「売上を上げたい」という目的のままでは、モデルの形が定まりません。発注業務に使うなら、対象は商品カテゴリ別の日次出荷数、期間は7日先まで、更新は毎朝6時、という水準まで具体化するのが出発点です。ここが曖昧なまま進むと、完成した予測が意思決定のタイミングに間に合わず、使われないまま終わります。決めた内容は、予測の利用場面まで含めて1枚の文書にまとめておくのが安全です。

精度の目標値も、この段階で業務側と合意します。誤差率を何%に抑えれば現行の運用より良くなるのかは、現状の人手による予測の誤差が判断材料です。過去3か月分の発注実績と実売を突き合わせ、現行の誤差率を基準値として記録しておきます。この数字がないと、完成したモデルの良し悪しを議論できず、導入判断は主観に流れがちです。基準値は、担当者ごとの差も含めて記録しておくと、後で効果を説明しやすくなります。人手の予測と比べた改善幅が2割に届かない見込みなら、予測モデル以外の打ち手を先に検討する判断も現実的です。

STEP2 データ収集と可視化:折れ線グラフで全体の傾向をつかむ

データを集めたら、モデルの前に必ず折れ線グラフで全期間を描きます。縦軸を0から始めるか実測範囲に合わせるかで印象が変わるため、両方を並べて確認する習慣が有効です。ExcelやTableauなら数分で描けるため、前処理に入る前に一度は目で見ておきます。この工程で確認するのは次の4点です。描いた結果に違和感があれば、その場で取得条件を疑います。集計の期間がずれている、テスト環境のデータが混ざっている、といった問題はこの段階で見つかる種類のものです。

  • 数年単位で右肩上がり、または右肩下がりの傾向が出ていないか
  • 毎年同じ月や同じ曜日に山や谷が現れていないか
  • 突発的な急変があり、その日に業務上の心当たりがあるか
  • 値が途切れている区間や、同じ値が不自然に続く区間がないか

複数の系列を扱う場合は、単位の違うものを同じグラフに重ねないようにします。売上と気温を並べるなら、2軸グラフよりも、それぞれを標準化して同じスケールに直すほうが誤読を防げます。データ取得のミスは、数値の羅列を眺めても見つからないのに、グラフにすると一目で分かる性質のものです。可視化の段階で異変に気づけると、後工程の手戻りが大きく減ります。描いたグラフは、関係者が同じ絵を見て議論できるよう、報告資料にも同じ形式で載せるのが基本です。

解決策がすぐ分かる!Excel折れ線グラフ作成をお悩み別に解説

STEP3 前処理:欠損・外れ値・粒度を整える

前処理は、全体の工数の6割から7割を占める工程です。時間軸のデータでは、欠損の補完、外れ値の扱い、粒度の統一に加えて、系列の連結という作業が加わります。システム更改の前後でデータの持ち方が変わっていると、同じ名前の指標でも中身は別物です。移行日をまたぐ系列は、重複期間の数値を突き合わせて段差の有無を確認してから連結します。段差が1割を超える場合は、係数で補正するよりも移行日を境に系列を分けるほうが安全です。

使うツールは、データ量と更新頻度で決めます。数万行までで手作業の確認が中心ならExcelでも回りますが、数百万行を扱うならpandasやSQLでの処理が前提です。前処理の手順はノートブックやクエリとして残し、毎回同じ順序で再現できる形にしておきます。手作業でセルを直した記録は残らないため、半年後に同じ結果を再現できず、原因の追跡ができなくなります。再現性の担保は、後から品質を検証できる状態を保つための最低条件です。

STEP4 定常化と成分分解:階差・対数変換・季節調整で扱える系列にする

検定で前提を満たさないと分かった系列は、変換して扱える形に直します。階差で水準の変化を取り除き、変動幅が広がる系列には対数変換を組み合わせるのが基本の流れです。季節性が強い場合は、12か月前との差を取る季節階差を追加します。変換のたびに折れ線グラフを描き直し、水準と変動幅が安定したかどうかを目で確認しておきます。変換の回数が増えるほど結果の解釈は難しくなるため、階差は1回か2回にとどめる運用が基本です。

成分分解は、系列をトレンド、季節、残差に分けて中身を把握する手法です。STL分解を使えば、季節性の強さや残差の大きさを数値で確認できます。季節成分の振幅が全体の変動の3割以上を占めるなら、季節性を明示的に扱えるモデルが候補です。残差に規則的なパターンが残っている場合は、説明できていない要因がまだあるサインと受け止めます。分解した結果は、季節要因を除いた実力値として報告資料にも使えます。季節調整済みの系列と原系列を併記して示す形が、誤解を招きにくい方法です。

STEP5 モデル構築:候補を絞り込みパラメータを推定する

モデルは、最初から1つに絞らず2つか3つの候補を並行して試します。自己回帰系、状態空間、勾配ブースティングのように系統の違うものを選ぶと、比較の意味が出てきます。パラメータの決め方は、自己相関と偏自己相関のグラフから当たりをつけ、AICが最小になる組み合わせを探索する流れが基本です。探索範囲を広げすぎると計算時間が伸びるため、各パラメータは0から3程度に絞ります。候補を1つに絞る段階は、検証の結果が出た後で十分です。

つまずきやすいのは、精度の高さだけでモデルを選んでしまう点です。運用側が理由を説明できないモデルは、予測が外れた場面で信頼を失い、使われなくなります。説明が求められる業務では、精度が数%劣っても構造の見えるモデルを選ぶ判断が現実的です。検討の記録として、試したモデルと誤差、選定理由を1枚にまとめておくと、後から見直すときの出発点になります。記録が残っていれば、担当者が代わっても同じ検討をやり直さずに済む点も利点です。

STEP6 精度検証:時間順に分割して予測誤差を評価する

精度検証で守るべき原則は、未来のデータを学習に使わないことです。データをランダムに分割すると、7月のデータで学習して6月を予測する状況が生まれ、実運用よりも高い精度が出ます。時間順に分割し、古い期間で学習して新しい期間を検証するのが基本形です。学習期間を少しずつ後ろへずらして検証を繰り返すウォークフォワード検証を使うと、時期による精度のばらつきまで確認できます。検証の分割方法は、着手の時点で決めて文書に残しておく事項です。

指標は、業務での使い方に合わせて選びます。誤差の絶対額が効く業務にはMAEやRMSE、規模の違う商品を横並びで比べる場面にはMAPEが適切です。売上がゼロの日が含まれる系列ではMAPEが計算できないため、その場合はMASEなどに切り替えます。検証期間は、予測したい期間の3倍以上を確保すると、たまたま当たった結果に引きずられにくくなります。複数の指標を並べて確認する場合でも、意思決定に使う主指標は1つに決めておくのが原則です。

STEP7 運用と再学習:予測のずれを監視してモデルを更新する

運用に移した後も、予測と実績の差を毎回記録します。作った時点の精度は、時間が経つほど劣化していくのが普通です。市場環境や商品構成が変われば、学習時の関係性は少しずつ崩れていきます。監視を仕組みとして残さない限り、精度の落ちた予測が誰にも止められないまま使われ続けます。定例で確認する項目は次の通りです。記録の置き場所は、分析基盤でもスプレッドシートでも構いません。毎週同じ形式で残り、関係者がいつでも参照できる状態を保つほうが優先です。

  • 直近4週の平均誤差率と、検証時に記録した水準との比較
  • 誤差が一方向に偏っていないか(過大予測か過小予測か)
  • 入力データの欠測件数と、到着が遅れた件数

再学習の頻度は、月次または四半期ごとを基本とし、平均誤差率が検証時の1.5倍を超えた状態が2週続いた場合は臨時で実施する、といった基準を先に決めておきます。判断の基準がないまま運用に入ると、誰が止めるのかが曖昧なままです。モデルの更新履歴は、学習期間、パラメータ、検証時の誤差をセットで残し、前のバージョンにいつでも戻せる状態を保っておきます。戻せる状態を保つことが、運用を止めずに改善を続けるための条件です。

代表的な時系列モデルと選定の判断軸

手法の選択肢は幅広く、名前だけを並べても実務の判断にはつながりません。それぞれが何を前提にし、どんなデータ量と運用体制に向くのかを整理しておくと、候補を2つか3つに絞り込めます。個別の製品比較ではなく、系統ごとの性格と選び方の基準が判断の軸です。

自己回帰系モデル:AR・MA・ARMA・ARIMA・SARIMAの違い

自己回帰系は、過去の値や過去の誤差から次の値を説明する考え方の総称です。ARは過去の観測値、MAは過去の予測誤差を使い、ARMAは両方を組み合わせた形です。トレンドを持つ系列には階差を組み込んだARIMA、季節性まで扱うならSARIMAを選びます。名前が似ていて混同しやすいため、違いを表に整理します。最初に押さえるべきは、トレンドがあるならARIMA、季節性まで含むならSARIMAという対応関係です。名前の細かい違いは、実装の段階で確認すれば足ります。

モデル

使う情報

対応する系列

主な用途の目安

AR

過去の観測値

定常な系列

直前の水準が強く効く指標

MA

過去の予測誤差

定常な系列

一時的なショックが残る指標

ARMA

観測値と誤差の両方

定常な系列

汎用的な短期予測

ARIMA

階差した観測値と誤差

トレンドのある系列

売上や出荷量の中期予測

SARIMA

季節階差を追加

季節性のある系列

月次や週次の需要予測

使いどころは、データ量が少なく構造を説明したい場面です。週次で100点、月次で36点あれば推定でき、機械学習より少ないデータで動きます。複数の系列を同時に扱ったり、外部要因を多数入れたりする用途には不向きです。Pythonのstatsmodelsやrのforecastパッケージで実装でき、パラメータを自動で選ぶ関数も用意されています。季節性を含む月次の需要予測であれば、SARIMAを最初の候補に置く判断が一般的です。

状態空間モデル:構造の解釈しやすさと欠測への強さ

状態空間モデルは、観測されない水準やトレンド、季節成分を状態として表し、観測値をその状態にノイズが乗ったものとして扱います。成分ごとの推移が取り出せるため、水準が上がったのか季節要因なのかを分けて説明できる点が利点です。欠測がある期間も、状態の推定を続けながら飛ばせる点が実務では効いてきます。センサーの通信断や休業日を含む系列との相性は良好です。推定にはカルマンフィルタを用い、観測が途切れた区間も状態を保ったまま推移を追えます。

導入の判断は、説明責任の重さで決まります。役員会や監督官庁への報告に使う数値であれば、成分ごとの寄与を示せる点が決め手です。実装はPythonのstatsmodelsやRのKFASで可能です。ただし状態の設計には知識が要るため、初回は2週間から1か月ほどの検討期間を見込んでおきます。まずはローカルレベルモデルから試し、必要に応じて季節成分を足す進め方が安全です。季節成分を足す場合も、周期の長さを指定するだけで済むため、拡張の手間は大きくありません。

機械学習・深層学習:特徴量設計で非線形な変動を捉える

勾配ブースティングやニューラルネットワークを使う方法では、過去の値そのものではなく、過去の値から作った特徴量を入力にします。7日前の値、直近4週の移動平均、曜日、祝日フラグ、天候といった列を並べ、通常の教師あり学習として解く形です。複数店舗や複数商品を1つのモデルでまとめて扱えるため、対象が数千を超える場合の効率は高くなります。代表的な実装はLightGBMやXGBoostで、学習の速さと扱いやすさから採用例が多い手法です。

注意点は、必要なデータ量と運用の負荷です。特徴量を十分に活かすには数千点以上の観測が欲しく、月次36点のような系列では自己回帰系のほうが安定します。特徴量の作り方によっては未来の情報が混入しやすいため、各特徴量が予測時点で入手可能かを1列ずつ確認する手順が必須です。学習基盤と監視の仕組みまで含めた運用設計が前提になります。導入の前提になるのは、学習の実行と結果の保存を自動で回せる環境、そして異常時に気づける監視の仕組みです。

データ分析の手法|代表的な手法25選をイラストでわかりやすく解説

外部変数を加えるか:イベント・気象・価格を説明要因に含める判断

気温や価格、キャンペーンの有無といった外部変数は、精度を押し上げる一方で運用の難易度を上げます。判断の分かれ目は、予測したい時点の外部変数を事前に入手できるかどうかです。価格や販促予定は自社で決めるため確定値が使えますが、気温は予報値しか手に入らず、予報の誤差がそのまま予測の誤差に乗ります。入手できない変数を無理に使うと、その変数自体も予測する二段構えになり、誤差が積み上がる構造です。判断の軸は、予測時点で確実に手に入るかどうかの1点に置きます。

加えるかどうかは、効果を測ってから決めます。外部変数なしのモデルを作り、変数を1つずつ足して検証誤差の改善幅を見る手順です。改善が5%に満たない変数は、運用コストに見合わないとして落とす判断もあります。天候の影響が大きい商材では、気温よりも「真夏日かどうか」のような区分に変換したほうが安定するケースも見られます。変数を増やすほど運用時に用意するデータも増えるため、最終的に残すのは3つから5つ程度が現実的です。

選定の4つの観点:解釈性・データ量・更新頻度・運用負荷

候補を絞り込むときは、精度以外の4つの観点を並べて比較すると判断が早くなります。実務で選ばれるのは、最も精度の高いモデルではなく、自社の体制で回し続けられるモデルです。観点ごとの確認内容と、系統別の向き不向きを整理します。4つのうち、実務で最も見落とされやすいのが運用負荷です。構築の工数は見積もっても、毎月の再学習や監視にかかる時間までは計算に入らないまま導入が決まる例が目立ちます。判断の材料として、観点ごとに自社の状況を書き出しておくと迷いが減ります。

観点

確認する内容

自己回帰系が向く条件

機械学習が向く条件

解釈性

予測の根拠を説明する必要があるか

説明責任の重い業務

精度が優先される業務

データ量

観測点の数と系列の本数

数十から数百点、単一系列

数千点以上、多系列

更新頻度

再学習と予測の実行間隔

月次や週次で足りる

日次以上の自動実行

運用負荷

保守できる人員と基盤の有無

表計算と少数のスクリプト

学習基盤と監視の仕組み

4つの観点で迷いが残る場合は、運用負荷を優先して単純なモデルから始める進め方が堅実です。初回は自己回帰系で運用の型を作り、データが貯まって体制が整った段階で機械学習に切り替える二段階の進め方であれば、途中で頓挫する危険を抑えられます。切り替えの目安は、対象系列が1000本を超えるか、日次の自動実行が必要になった時点です。切り替えの際は、既存モデルの誤差を基準値として残し、新しいモデルが上回ることを確認してから入れ替えます。

時系列データ分析でよくある5つの失敗パターン

手順どおりに進めたつもりでも、検証の設計や前提の共有でつまずく例は繰り返し起きています。ここで取り上げる5つは、いずれも高い精度が出たように見えてしまう点が共通しています。自社の進め方に当てはまるものがないか、着手前と検証後の2回に分けて確認しておくと安心です。

ランダム分割で検証する:未来の情報が学習に混入する

機械学習の一般的な作法をそのまま持ち込み、データをランダムに8対2で分けてしまう例は後を絶ちません。時間軸のあるデータでこれをやると、未来の値を学習して過去を当てる状態が生まれます。検証データの誤差率が5%を切るような結果が出たときは、精度の高さを喜ぶ前に分割方法を疑う場面です。実運用に移した途端に誤差が3倍に膨らむ事態は、この設計ミスが原因の大半を占めます。疑わしい結果が出たときに立ち止まれるかどうかが、検証設計の分かれ目です。

回避策は、検証に使う分割の関数を固定することに尽きます。scikit-learnであればTimeSeriesSplitを使い、通常のKFoldやtrain_test_splitは使わない方針が前提です。特徴量の作成にも同じ注意が必要で、系列全体の平均で標準化すると、学習時点で知り得ない未来の情報が紛れ込みます。標準化に使う統計量は、学習期間だけから計算する形に直しておきます。この2点をレビューの観点に加えておくことが、検証の信頼性を保つ条件です。

非定常な系列を直接比べる:見せかけの相関を結論にしてしまう

どちらも右肩上がりに伸びている2つの系列は、中身に関係がなくても高い相関係数を示します。国内の広告費と自社の売上が0.9を超える相関を示しても、どちらも市場全体の成長を映しているだけ、というケースが大半です。この現象が見せかけの回帰で、非定常な系列をそのまま比較したときに起こります。相関係数の高さだけを根拠に施策を決めると、効果のない投資に予算を配分する結果を招きます。見た目の数値ではなく、比較する前の処理が判断の分かれ目です。

防ぐ手順は単純です。相関や回帰を計算する前に、両方の系列を階差に変換して定常な状態に直します。階差にしても相関が残るなら、水準ではなく変化の方向が連動している証拠です。長期的な関係を確かめたい場合は、共和分検定で両者が同じトレンドを共有しているかどうかを確認し、結果を資料に併記しておくと議論が噛み合います。共和分の関係が確認できた場合は、長期の水準差を誤差修正モデルに組み込む方法もあります。階差の前後で散布図を並べて示すのが、関係者の納得を得やすい進め方です。

ベースラインと比較しない:改善幅を確かめないまま高精度と判断する

誤差率12%という数字だけでは、良いのか悪いのかを判断できません。比較の基準として、前年同月の実績をそのまま予測値にする、直近4週の平均を使うといった単純な方法の誤差を先に測る作業が出発点です。この基準がベースラインモデルで、高度な手法の価値は、この単純な方法をどれだけ上回れたかで決まります。ベースラインの誤差が15%で、構築したモデルが12%なら、改善幅は3ポイントという表現で共有します。この幅が現場の手間に見合うかどうかが、導入判断の分かれ目です。

現場でよく起きるのは、数か月かけて構築したモデルの誤差が、前年同月比とほとんど変わらないという結果です。この事態を早く発見するために、プロジェクトの初週にベースラインの誤差を算出し、目標値と一緒に関係者へ共有しておきます。改善幅が10%に届かない場合は、モデルの高度化ではなく、入力データの追加や粒度の見直しに方針を切り替える判断も選択肢に入ります。時間をかけた後に引き返す判断は難しいため、早い段階での比較が保険です。

蓄積期間が足りない:周期を捉えきれず予測が安定しない

季節性を扱うには、周期を最低でも2回は観測している必要があります。年間の季節性を捉えたいのに18か月分しかない状態では、山が毎年来るものかどうかの判断は不可能です。月次データなら36か月、日次データで曜日の周期を見るなら3か月が着手の目安になります。期間が足りないまま複雑なモデルを当てると、過去の偶然を学習して将来を外します。期間が読めないうちは、予測ではなく実績のモニタリングから始める選択も現実的です。

データが足りない場合の打ち手は、大きく3つに分かれます。

  • 類似する他店舗や他商品の系列をまとめて学習させる
  • 予測の期間を短く区切り、運用しながら蓄積を進める
  • 公的統計や業界データなど外部の系列で不足を補う

いずれの方法も即効性は限られるため、当面は移動平均や前年比といった単純な指標で運用し、必要な期間が貯まってから本格的なモデルへ移る計画を立てておきます。学習に使う観測点の下限は、月次で24点、日次で90点を目安に置くと判断がぶれません。それまでの期間は、予測ではなく実績の可視化と異常の検知に用途を絞る使い方が現実的です。蓄積が進むまでの期間も、後の分析に効く準備はできます。取得する項目を増やし、粒度を細かいまま保存しておけば、期間が貯まった時点で選べる手法の幅が広がる仕組みです。

予測値が独り歩きする:前提条件が現場に共有されない

分析側が出した数値だけが一人歩きし、前提が抜け落ちたまま会議資料に載る例は頻繁です。「価格改定がない前提」「在庫が十分にある前提」で作った予測が、値上げを含む計画の根拠として使われれば、判断そのものが狂います。予測値には、学習期間、想定している条件、誤差の幅を必ず添えて提示します。口頭で補足した前提は、次の会議までに抜け落ちるものです。資料の同じページに条件を書き添える形が、最も確実な対策です。資料には、前提が変わった場合に誰へ連絡するのかも1行で添えておきます。

提示の形を決めておくと、伝達の抜けを防げます。単一の数値ではなく、上下の幅を持つ区間として示し、誤差の実績値を1行添える形が基本です。運用の定例では、外れた週の要因を1件ずつ振り返り、前提条件のどれが崩れたのかを記録に残します。この積み重ねが、現場の納得感と、次のモデル更新の材料の両方を生み出します。振り返りの記録は、次に前提が崩れる場面を早く察知するための材料です。運用の定例は月に一度、30分程度の枠を確保しておけば回ります。

業種別に見る時系列データ分析の活用例

同じ手法でも、扱うデータと業務の制約によって設計は変わります。小売、製造、BtoBサービスの3業種を取り上げ、どのデータを入力にし、どの判断につなげたのかを具体的に確認します。自社に近い条件の例が、着手の順序を組み立てるときの材料です。

小売業:POSデータの日次需要予測で発注精度を改善した例

食品スーパーを展開する企業では、発注量を店舗の担当者が経験で決めており、欠品と廃棄が同時に発生していました。POSデータの3年分を使い、店舗別かつカテゴリ別の日次需要予測を構築した事例です。入力には過去の販売実績のほか、曜日、祝日、価格改定の履歴、近隣のイベント情報を加えています。売上上位2割のカテゴリに絞って始めた点が、早期に成果を出せた要因です。イベント情報は、市区町村が公開するカレンダーから取り込んでいます。

成果が出るまでの流れは段階的でした。最初の3か月は予測値を参考情報として提示するだけにとどめ、担当者の発注量と並べて誤差を記録します。予測のほうが安定して精度が高いと現場が納得した段階で、推奨値として運用に組み込む段取りです。数値の信頼が先、運用の変更は後、という順序を守ったことで、現場の抵抗をほとんど受けずに定着しています。現場の運用を変える前に、数値への信頼を積み上げる順序こそが定着の条件です。予測を押しつける進め方では、現場は数字を見なくなります。

小売業のデータ分析で何がわかる?目的・やり方・費用をわかりやすく解説

製造業:設備センサーデータの変化点検知を予兆保全につなげた例

生産設備に取り付けた振動と温度のセンサーから、1分ごとの計測値を収集している製造業の例です。これまでは管理限界を超えた時点でアラートを出していたため、対応は事後になっていました。過去の故障記録と計測値を突き合わせ、故障の5日から10日前に振動の周期がわずかに変化する傾向が確認できた事例です。この変化を検知する仕組みを組み込み、計画的な部品交換へ切り替えました。検知のロジックは、直近30日の周期を基準にした逸脱の幅で判定しています。

設計で工夫したのは、誤報への対応でした。感度を上げると1日に何件もアラートが出るため、3回連続で異常判定が出た場合のみ通知する条件を設けています。通知には、どの指標がどれだけ平常値から離れたかを添え、保全担当者が現場で確認する順序まで示す形です。突発停止の削減という効果は、稼働率の改善として月次で追える形に整理しています。通知の設計まで踏み込んで初めて、検知の仕組みは現場で使われる状態です。運用開始から3か月で、アラートの妥当率は7割前後まで上がっています。

BtoBサービス業:Web行動データを先行指標として商談数を予測した例

受注までのリードタイムが3か月から6か月に及ぶBtoBサービスでは、商談数の変動を事前に把握できず、営業人員の配置が後手に回っていました。資料請求数や特定ページの閲覧数といったWeb行動データを週次で集計し、商談数との時間差の相関を調べた例です。分析の結果、価格ページの閲覧数が6週先の商談数と最も強く連動していることが分かりました。ずらす週数を1週から12週まで変えて係数を比べる、相互相関と呼ばれる手法です。

この指標を先行指標として週次のダッシュボードに組み込み、営業とマーケティングの定例で共有する運用に切り替えています。閲覧数が前週比で2割落ちた週には、その6週後に向けた施策を前倒しで実施する判断の材料です。先行指標は一度決めて終わりではなく、四半期ごとに時間差と相関の強さを測り直し、ずれが出ていれば入れ替える運用にしています。先行指標は、当たり外れよりも、更新を止めない運用のほうが価値を生む仕組みです。

まとめ:時系列データ分析の成否はデータの整備段階で決まる

時間軸を持つデータの分析は、モデルの高度さよりも、その手前の工程で成果が決まります。観測間隔をそろえ、タイムスタンプの基準を統一し、欠損と外れ値の扱いを先に決めておきます。この3つを済ませた上で手法の検討に入るのが、遠回りに見えて最短の順路です。着手の順序を間違えなければ、最初の予測が動くまでの期間は2か月から3か月が現実的な目安です。この段階を飛ばして手法の比較から入ると、精度が出ない原因の切り分けに時間を取られます。最初の1か月をデータの確認に充てる計画は、遠回りに見えて結果的に短い道のりです。

検証の設計と前提の共有も、同じくらい成果を左右します。時間順に分割して検証し、単純な方法との比較を先に済ませ、予測値には条件と誤差の幅を添えるのが基本の形です。この3点を守るだけで、失敗パターンの大半は避けられます。自社のデータで何が足りないのかは、観測間隔、蓄積期間、欠損率の3点を確認すれば、おおよその見当がつくはずです。その結果によって、着手できる範囲と必要な準備期間が決まります。まずは手元のデータを確かめるところから、着実に進めてください。

「これから時系列データ分析の取り組みを実施したいけれど、何から手をつけたらいいかわからない」「データ専門家の知見を取り入れたい」という方は、データ領域の実績豊富な弊社、データビズラボにお気軽にご相談ください。

貴社の課題や状況に合わせて、時系列データ分析の取り組みをご提案させていただきます。

データビズラボの実績無料相談・お見積り

このブログについて

データビズラボが運営する、データの価値を最大化するためのナレッジ共有メディアです。
戦略策定から具体的な分析手法、ツールの活用術まで、データの現場で培われた実践的な取り組みから
得られた知見や気づきを発信しています。

データのことなら、
まずはお気軽にご相談ください。

データ活用に、万能の正解はありません。
貴社の業界特性や課題に合わせて、最適な進め方を一緒に設計します。