Skill: time-series-analysis
Series temporales. El tiempo es la dimensión más traicionera de los datos.
Trigger
- Tus datos tienen una columna de fecha/hora
- Querés saber si hay tendencia, estacionalidad o ciclos
- Necesitás pronosticar valores futuros
- Comparás períodos (mes contra mes, año contra año)
Workflow LEND
1. ANALIZAR
├── Frecuencia: diaria, horaria, mensual? ¿es regular o tiene gaps?
├── Componentes: tendencia, estacionalidad, residuo
├── Estacionariedad: ¿la media y varianza cambian en el tiempo? (Dickey-Fuller)
└── Outliers temporales: feriados, eventos extraordinarios, errores de medición
2. OFRECER (Menú del Senior)
├── A) Descomposición clásica — statsmodels, tendencia + estacionalidad + residuo
├── B) Prophet — maneja feriados, change points, outliers. Bueno para negocios.
└── C) ML-based — LightGBM con features temporales (lag, rolling window, día de semana, mes)
3. ELEGIR → confirmación
4. HACER
├── timestamp como índice, freq explícita
├── Descomposición: seasonal_decompose o STL (más robusto)
├── Test de estacionariedad: ADF (p-value < 0.05 = estacionaria)
├── Si no es estacionaria → diferencias o transformación (log, Box-Cox)
├── Prophet: df con ds (fecha) e y (valor), feriados del país
├── ML: features de calendario + lags + rolling window + diff
└── Evaluar forecast con MAE, RMSE, MAPE (y siempre contra un baseline naive)
5. VERIFICAR
├── El forecast es mejor que un baseline naive (último valor = próximo valor)
├── Los residuos son ruido blanco (no hay patrón en los errores)
└── Los intervals de confianza tienen sentido (no son absurdamente anchos)
Patrones
- Frecuencia explícita:
.asfreq('D') para evitar gaps silenciosos
- Estacionariedad: modelos clásicos (ARIMA) requieren series estacionarias. ML no.
- Prophet para negocios: maneja automáticamente feriados, change points, outliers
- Baseline naive: el forecast del mes siguiente = valor de este mes. Si tu modelo no le gana a eso, no sirve.
- Cross-validation temporal: siempre en orden cronológico, nunca aleatorio
Anti-patrones
- ❌ No fijar la frecuencia — gaps silenciosos sesgan tendencias
- ❌ Modelar sin descomponer primero — no sabés si hay estacionalidad
- ❌ Forecast sin intervalo de confianza — "va a subir" sin rango no es útil
- ❌ Cross-validation aleatoria en tiempo — rompés la estructura temporal
- ❌ Ignorar feriados — "diciembre tiene ventas bajas" porque nadie labura, no porque sea tendencia
1---2name: time-series-analysis3description: >4 Análisis de series temporales — tendencia, estacionalidad, forecasting5 con Prophet, statsmodels, y Machine Learning.6 Trigger: Cuando trabajás con datos de fecha/hora, tendencias, estacionalidad, forecasting, o series de tiempo.7license: MIT8metadata:9 source: https://skillmd.com/skills/leandrobenjaminl/time-series-analysis10 author: Leandro Benjamin L.11 version: "2.0"12 model_tier: T4-reasoning13---1415# Skill: time-series-analysis1617Series temporales. El tiempo es la dimensión más traicionera de los datos.1819## Trigger2021- Tus datos tienen una columna de fecha/hora22- Querés saber si hay tendencia, estacionalidad o ciclos23- Necesitás pronosticar valores futuros24- Comparás períodos (mes contra mes, año contra año)2526## Workflow LEND2728```291. ANALIZAR30 ├── Frecuencia: diaria, horaria, mensual? ¿es regular o tiene gaps?31 ├── Componentes: tendencia, estacionalidad, residuo32 ├── Estacionariedad: ¿la media y varianza cambian en el tiempo? (Dickey-Fuller)33 └── Outliers temporales: feriados, eventos extraordinarios, errores de medición34352. OFRECER (Menú del Senior)36 ├── A) Descomposición clásica — statsmodels, tendencia + estacionalidad + residuo37 ├── B) Prophet — maneja feriados, change points, outliers. Bueno para negocios.38 └── C) ML-based — LightGBM con features temporales (lag, rolling window, día de semana, mes)39403. ELEGIR → confirmación41424. HACER43 ├── timestamp como índice, freq explícita44 ├── Descomposición: seasonal_decompose o STL (más robusto)45 ├── Test de estacionariedad: ADF (p-value < 0.05 = estacionaria)46 ├── Si no es estacionaria → diferencias o transformación (log, Box-Cox)47 ├── Prophet: df con ds (fecha) e y (valor), feriados del país48 ├── ML: features de calendario + lags + rolling window + diff49 └── Evaluar forecast con MAE, RMSE, MAPE (y siempre contra un baseline naive)50515. VERIFICAR52 ├── El forecast es mejor que un baseline naive (último valor = próximo valor)53 ├── Los residuos son ruido blanco (no hay patrón en los errores)54 └── Los intervals de confianza tienen sentido (no son absurdamente anchos)55```5657## Patrones5859- **Frecuencia explícita**: `.asfreq('D')` para evitar gaps silenciosos60- **Estacionariedad**: modelos clásicos (ARIMA) requieren series estacionarias. ML no.61- **Prophet para negocios**: maneja automáticamente feriados, change points, outliers62- **Baseline naive**: el forecast del mes siguiente = valor de este mes. Si tu modelo no le gana a eso, no sirve.63- **Cross-validation temporal**: siempre en orden cronológico, nunca aleatorio6465## Anti-patrones6667- ❌ No fijar la frecuencia — gaps silenciosos sesgan tendencias68- ❌ Modelar sin descomponer primero — no sabés si hay estacionalidad69- ❌ Forecast sin intervalo de confianza — "va a subir" sin rango no es útil70- ❌ Cross-validation aleatoria en tiempo — rompés la estructura temporal71- ❌ Ignorar feriados — "diciembre tiene ventas bajas" porque nadie labura, no porque sea tendencia