時系列分析の基礎｜YoY/MoM・STL分解・移動平均・季節性補正の読み方

SEO流入・広告KPI・売上・PVのような事業データは、強い季節性とノイズを含む時系列データです。生の数字をそのまま前日比・前年比で読むと、季節要因と施策効果が混ざり、判断を誤りやすくなります。

たとえば BtoB SaaS の日次セッション数を 1 年分眺めると、1 本の折れ線の中に「月〜金で高く土日で半減する曜日効果」「3 月期末・9 月期末の駆け込み流入」「GW・お盆・年末年始の落ち込み」「コアアップデートでの突発下落」が全部混ざっています。これを トレンド（中長期の方向）・季節性（曜日・年内パターン）・残差（突発要因）の 3 層に分けて読むのが、時系列分析の基本姿勢です。

01.まず結論：時系列は『トレンド × 季節性 × ノイズ』に分解する

事業の時系列データは、見かけ上1本の折れ線でも、中身は3つの成分の足し合わせです。これを意識しないと、「先週比+10%」が施策の成果なのか曜日効果なのか、「前年同月比-5%」が劣化なのか祝祭日の位置ずれなのかを切り分けられません。

02.移動平均と指数平滑｜日次ノイズを丸める

最初に身につけたい時系列の前処理が 移動平均 です。日次データのジリジリした上下動を均して、トレンドが見やすい形に変換します。

# 移動平均と指数平滑（pandas）
import pandas as pd

# data: DatetimeIndex を持つ Series（日次トラフィック）
sma_7  = data.rolling(window=7).mean()      # 7日単純移動平均
sma_28 = data.rolling(window=28).mean()     # 28日単純移動平均
ewma   = data.ewm(span=14, adjust=False).mean()  # 指数加重（半減期14日相当）

# 中心移動平均（前後3.5日 = 7日窓）
sma_center = data.rolling(window=7, center=True).mean()

コードを書かずに試したい場合は、下のツールが使えます。本章のような「緩やかな増加トレンド＋曜日の波」を持つ日次データを読み込んであり、線形トレンドの延長による簡易予測と95%予測区間を表示します。トレンド線が曜日の波を均してしまう（＝季節性はトレンドでは捉えられない）感覚も、そのまま体感できます。

月,売上(万円)
2026/01,502
2026/02,531
2026/03,520

03.YoY・MoM・WoWの正しい使い分けと罠

マーケティングのレポートでよく登場する YoY（前年同期比）・MoM（前月比）・WoW（前週比）は、便利な反面、季節性や曜日効果を含んだまま比較してしまう落とし穴があります。

04.STL分解｜トレンド・季節性・残差の分離

STL（Seasonal and Trend decomposition using Loess）は、時系列を トレンド・季節性・残差 の3成分に分解する代表的な手法です。Loess（局所重み付き回帰）を使うため、季節パターンが少しずつ変わっていく時系列にも対応できます。

# STL分解（statsmodels）
from statsmodels.tsa.seasonal import STL
import pandas as pd

# data: DatetimeIndex を持つ Series。少なくとも 2〜3 周期分のデータがあると良い
stl = STL(data, period=7, robust=True)  # 週次季節性なら period=7
res = stl.fit()

trend     = res.trend       # トレンド成分
seasonal  = res.seasonal    # 季節性成分
resid     = res.resid       # 残差（ノイズ）

# 季節調整値（観測 − 季節性）。施策効果や異常検知はこれで議論する
season_adjusted = data - seasonal

05.季節性の種類と扱い方

実務の時系列データは、複数の季節性が重なっているのが普通です。最低でも以下の4つは分けて扱えると、レポートの精度が大きく上がります。

# Prophet で複数季節性と祝祭日・外部変数を同時に扱う
from prophet import Prophet
import pandas as pd

# ds（日付）と y（値）の2列が必要
df = data.reset_index().rename(columns={"date": "ds", "sessions": "y"})

holidays = pd.read_csv("jp_holidays.csv")  # 祝祭日カレンダー（ds, holiday列）

m = Prophet(
    weekly_seasonality=True,
    yearly_seasonality=True,
    holidays=holidays,
)
m.add_regressor("tvcm_flag")      # TVCM 放映日のフラグ
m.add_regressor("campaign_flag")  # キャンペーン期間のフラグ
m.fit(df)

forecast = m.predict(df)
# forecast["weekly"] / forecast["yearly"] / forecast["holidays"] で
# 成分ごとに分解結果が取れる。残差は y - yhat。

06.異常検知の入口｜移動平均±σ・Z-score・残差

日々のKPIを監視していると、「これは普段の揺らぎなのか、本物の異常なのか」を判定したい場面が出てきます。一番シンプルで運用しやすいのが 移動平均±σ による管理図（SPC: Statistical Process Control）の発想です。

07.季節性補正したKPIレポートの作り方

最後に、ここまでの考え方を組み合わせて、季節性に振り回されないKPIレポートを作るときのチェックリストをまとめます。Looker Studio・Tableau・社内ダッシュボードのどれでも応用できる骨格です。

08.よくある質問（FAQ）

09.まとめ

時系列分析の基礎は、観測値を トレンド・季節性・残差 の3層に分解することから始まります。日次ノイズは移動平均で丸め、曜日や年次の季節性は STL 分解や Prophet で分離し、施策効果や異常は季節調整後の残差で議論する。これだけで、生データで議論していた頃の判断ミスの大半は防げます。

YoY・MoM・WoW は便利ですが、祝祭日・曜日・うるう年で簡単にぶれます。同一曜日比較と祝祭日補正を当たり前にしておくと、レポート品質が一段上がります。複雑なモデルに踏み込む前に、まずはここまでを徹底するのがおすすめです。