Time series (časová řada)

Příklady z praxe

1. 01

   Latence API po nasazení

   Monitoring ukládá každou minutu P95 latenci veřejného API. Po deployi začne graf růst jen v jednom regionu, takže tým porovná časovou řadu podle dimenze region a najde chybu v konfiguraci. Denní průměr by incident skryl, protože problém trval krátce.

   CREATE TABLE api_latency (
     measured_at timestamptz NOT NULL,
     service text NOT NULL,
     region text NOT NULL,
     p95_ms numeric NOT NULL
   );
   
   CREATE INDEX ON api_latency (service, region, measured_at DESC);
   
   SELECT date_trunc('minute', measured_at) AS minute,
          avg(p95_ms) AS avg_p95_ms
   FROM api_latency
   WHERE service = 'checkout'
     AND region = 'eu'
     AND measured_at > now() - interval '1 hour'
   GROUP BY minute
   ORDER BY minute;

2. 02

   Predikce poptávky v e-shopu

   E-shop sleduje denní prodeje zimních bund a vidí pravidelný růst před sezónou. Model nad časovou řadou oddělí dlouhodobý trend od sezónnosti a pomůže odhadnout objednávku na další měsíc. Jednorázová sleva konkurence se projeví jako výkyv, který nemusí znamenat trvalou změnu poptávky.

Časté omyly

MýtusStačí uložit timestamp a je z toho time series.

Ve skutečnostiČasová značka sama o sobě nestačí. Time series vyžaduje, aby časové pořadí a rozestupy mezi body byly důležité pro dotazování, vizualizaci nebo modelování.

MýtusChybějící body se dají prostě vyplnit nulou.

Ve skutečnostiNula je skutečná hodnota, ne univerzální náhrada za chybějící měření. U prodejů může znamenat žádný prodej, u senzoru může falešně vytvořit pád teploty nebo tlaku.

Časté dotazy

Jak poznám, že moje data mají být time series?

Time series dává smysl, když se hodnota mění v čase a pořadí měření ovlivňuje interpretaci. Typické signály jsou metriky aplikací, ceny, teplota, spotřeba energie, prodeje nebo počty událostí za interval. Pokud stejná tabulka pouze obsahuje datum vytvoření záznamu a analýza se neptá na průběh, trend ani sezónnost, nemusí jít o časovou řadu v praktickém smyslu.

Musí mít time series pravidelný interval měření?

Time series může mít pravidelný i nepravidelný interval měření. Pravidelné vzorkování zjednodušuje grafy, agregace a mnoho statistických metod. Nepravidelná data vznikají například z událostí, obchodů nebo senzorů s výpadky. Analýza pak často převádí záznamy do časových oken, doplňuje chybějící hodnoty nebo pracuje přímo s rozdílnými rozestupy mezi body.

Kdy je pro time series potřeba specializovaná databáze?

Time series obvykle potřebuje specializované řešení ve chvíli, kdy běžná databáze naráží na rychlý zápis, velké objemy historických bodů nebo časté agregace přes časová okna. Relační databáze může stačit pro menší objemy a jednodušší dotazy. Specializovaná databáze dává větší smysl u monitoringu, IoT telemetrie nebo finančních ticků, kde retence, komprese a časové indexování přímo ovlivňují náklady.

Dá se time series použít pro predikci?

Time series může sloužit pro predikci, pokud historický průběh obsahuje opakující se vzory nebo vztah k vysvětlujícím proměnným. Prognóza ale není automaticky spolehlivá jen proto, že data mají časovou osu. Model musí řešit sezónnost, změny režimu, výpadky měření, mimořádné události a ověření na budoucích intervalech, ne na náhodně promíchaných řádcích.

Zdroje

1. Time series(otevře se v novém okně)Wikipedia
2. Time Series Collections(otevře se v novém okně)MongoDB
3. 8.5. Date/Time Types(otevře se v novém okně)PostgreSQL Global Development Group
4. Time series forecasting(otevře se v novém okně)TensorFlow

Související pojmy

• Datová kvalitaDatová kvalita je míra, do jaké data odpovídají potřebám konkrétního použití, například rozhodování, reportingu, automatizace nebo trénování modelů. Posuzuje se podle vlastností jako přesnost, úplnost, konzistence, aktuálnost, jedinečnost a dohledatelnost původu, nikoli jen podle toho, zda jsou data technicky validní.
• Datová sadaDatová sada je uspořádaný soubor datových záznamů, který má společný účel, strukturu a kontext použití. Může jít o tabulku objednávek, kolekci obrázků, logy aplikace nebo trénovací příklady pro model. Důležitá není jen data samotná, ale také popis sloupců, původ, kvalita a pravidla aktualizace.
• Business intelligenceBusiness intelligence je soubor postupů, datových modelů a nástrojů, které převádějí firemní data na reporty, dashboardy a metriky pro rozhodování. BI obvykle spojuje data z provozních systémů, čistí je, ukládá pro analýzu a zpřístupňuje manažerům, analytikům i týmům, které sledují výkon produktu nebo firmy.
• A/B testováníA/B testování je řízený experiment, který porovnává dvě varianty stránky, funkce, ceny nebo sdělení na podobných skupinách uživatelů. Měří předem zvolenou metriku, například konverzi nebo retenci, a pomáhá rozhodnout, zda změna skutečně zlepšuje výsledek, nebo zda pozorovaný rozdíl mohl vzniknout náhodou.
• ACIDACID je sada čtyř vlastností databázové transakce: atomicity, consistency, isolation a durability. Zaručuje, že skupina zápisů proběhne jako jeden celek, neporuší definovaná pravidla databáze, nebude se nebezpečně míchat s jinými transakcemi a po potvrzení přežije pád systému, například při převodu peněz.
• AI agentAI agent je softwarový systém, který pomocí modelu umělé inteligence vnímá zadaný kontext, plánuje další kroky a samostatně volá nástroje nebo služby k dosažení cíle. Na rozdíl od jednorázového promptu udržuje stav úlohy, vyhodnocuje výsledky akcí a může opakovat postup, dokud nesplní zadání nebo nenarazí na limit.
• AI etikaAI etika je obor, který zkoumá, jaké dopady mají systémy umělé inteligence na lidi, a formuluje pravidla pro jejich návrh, trénink a provoz. Řeší zaujatost dat, transparentnost rozhodování, ochranu soukromí, odpovědnost za chybu i bezpečnost modelu. Ve firemní praxi se promítá do interních politik, dokumentace modelů a povinností podle regulace typu AI Act.
• ArbitrážArbitráž je obchodní strategie, která využívá rozdíl v ceně stejného nebo ekonomicky shodného aktiva na různých trzích, místech nebo v různých formách. Trader se snaží levně koupit a současně dráž prodat, aby zisk vznikl z cenové nesrovnalosti, ne z dlouhodobého odhadu směru trhu. V praxi rozhodují poplatky, rychlost, likvidita a riziko vypořádání.