---
title: "Was sind Zeitreihendaten? Beispiele und Analyse"
description: "Zeitreihendaten sind Werte, die zu aufeinanderfolgenden Zeitpunkten erfasst werden, etwa Tagespreise oder Servermetriken. Beispiele, Komponenten und Analyse."
url: https://proxynet.io/de/blog/what-is-time-series-data
date: 2026-11-19
author: "Acar Diveroli"
category: "Anwendungsfälle"
lang: de
---

# Was sind Zeitreihendaten? Beispiele und Analyse

Eine Preisanalystin exportiert ein Jahr lang die Tagespreise eines Wettbewerbers für eine Kaffeemühle: 365 Zeilen, jede mit einem Datum und einer Zahl. Nach Preis sortiert, sagt die Datei fast nichts. Nach Datum sortiert, zeigt sie einen langsamen Anstieg im Frühjahr, einen Rückgang in der letzten Novemberwoche und einen Morgen Anfang November, an dem der Preis 0,99 lautet. Wird das Produkt teurer, ist der November immer günstiger, und war die 0,99 ein echtes Angebot oder eine fehlerhafte Seite?

Genau für diese drei Fragen gibt es Zeitreihendaten. Dieser Beitrag erklärt, was Daten zu einer Zeitreihe macht, wie sie sich von Querschnitts- und Paneldaten unterscheiden, welche vier Komponenten sie haben, was Stationarität in einfachen Worten bedeutet, wie man sie erhebt und speichert, die Grundlagen von Analyse und Prognose und die Fehler, die eine Reihe unbemerkt verderben.

> **Hinweis: Kurzantwort**
>
> Zeitreihendaten sind eine Folge von Werten derselben Größe, gemessen zu aufeinanderfolgenden Zeitpunkten, gespeichert mit einem Zeitstempel und in zeitlicher Reihenfolge gehalten: der Preis eines Produkts an jedem Tag, die CPU-Last eines Servers alle 15 Sekunden, die Inflationsrate eines Landes jeden Monat. Die Reihenfolge trägt die Information: Die Analyse sucht nach Trend (der langfristigen Richtung), Saisonalität (einem Muster, das sich nach dem Kalender wiederholt), Zyklen und Rauschen und nutzt sie, um zu überwachen, zu vergleichen und zu prognostizieren.

## Was sind Zeitreihendaten?

Zeitreihendaten sind eine Menge von Beobachtungen einer einzigen Variablen, von denen jede an den Zeitpunkt ihrer Messung gebunden und zeitlich geordnet ist. Jede Zeile hat mindestens zwei Teile, einen Zeitstempel und einen Wert, und meist einen dritten: eine Kennung, die sagt, was gemessen wurde (ein Produkt, ein Sensor, ein Server).

Das NIST/SEMATECH e-Handbook of Statistical Methods, ein frei zugängliches Statistikhandbuch der US-Normungsbehörde NIST, definiert eine Zeitreihe als [geordnete Folge von Werten einer Variablen in gleichen Zeitabständen](https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc41.htm). „Geordnet“ ist das entscheidende Wort: Mischen Sie die Zeilen, und die Bedeutung ist weg, denn der Preis von gestern erklärt den von heute so, wie es keine zufällige Zeile kann. „Gleiche Abstände“ ist der klassische Lehrbuchfall; in der Praxis kommen viele Reihen zu ungleichmäßigen Zeitpunkten, wie ein späterer Abschnitt zeigt.

Ein kurzer Auszug aus dem Mühlen-Beispiel zeigt die Form:

| Zeit (UTC) | Produkt | Preis |
|---|---|---|
| 2026-11-04 09:00 | Mühle X | 26,50 |
| 2026-11-05 09:00 | Mühle X | 24,90 |
| 2026-11-06 09:00 | Mühle X | 0,99 |
| 2026-11-07 09:00 | Mühle X | 24,90 |

Ein Produkt, ein Wert pro Tag, eine feste Uhrzeit. Kommt ein zweites Produkt hinzu, stehen zwei Reihen in einer Tabelle; die Produktspalte hält sie auseinander.

## Welche Beispiele für Zeitreihendaten gibt es?

Alles, was wiederholt über die Zeit gemessen wird, bildet eine Zeitreihe. Die häufigsten Beispiele:

- **Preise:** der Regalpreis eines Produkts pro Tag, ein Hotelpreis pro Nacht, ein Wechselkurs beim täglichen Fixing.
- **Servermetriken:** CPU-Last, Speichernutzung, Anfragen pro Sekunde und Fehlerzahlen, alle paar Sekunden erfasst.
- **Sensorwerte:** Temperatur, Energieverbrauch oder Maschinenvibration, von Geräten protokolliert.
- **Geschäftsaktivität:** tägliche Besuche, Bestellungen pro Stunde, Lagerbestände je Lager.
- **Wirtschaftsstatistik:** monatliche Inflation, vierteljährliches BIP, die monatliche Arbeitslosenquote.
- **Wetter:** stündlicher Niederschlag, tägliche Luftqualität, Jahresmitteltemperatur.

Gemeinsam ist ihnen die Frage dahinter: Wie verändert sich dieser Wert, und wie wird er als Nächstes aussehen?

## Was ist der Unterschied zwischen regelmäßigen und unregelmäßigen Zeitreihen?

Eine regelmäßige Zeitreihe hat einen Wert in festen Abständen, etwa jede Minute oder jeden Tag; eine unregelmäßige hat nur dann Werte, wenn etwas passiert. Ein Temperatursensor, der alle 60 Sekunden meldet, erzeugt eine regelmäßige Reihe. Abschlüsse an einer Börse, Fehlerereignisse in einem Log oder ein Preis, der nur bei einer Änderung gespeichert wird, erzeugen unregelmäßige Reihen: drei Werte in einer Minute und eine Stunde lang keinen.

Der Abstand heißt Frequenz der Reihe: pro Sekunde, stündlich, täglich, monatlich. Viele Werkzeuge erwarten eine regelmäßige Reihe, deshalb werden unregelmäßige Daten in feste Intervalle umgerechnet (Resampling), und wie Sie jedes Intervall füllen, ist eine echte Entscheidung: den letzten bekannten Preis fortschreiben, die Verkäufe summieren, die Temperatur mitteln. Auch ein leeres Intervall braucht eine Regel, denn „kein Messwert“ und „null“ sind verschiedene Tatsachen.

## Wie unterscheiden sich Zeitreihendaten von Querschnitts- und Paneldaten?

Der Unterschied liegt darin, was variiert: Zeitreihendaten verfolgen ein Objekt über viele Zeitpunkte, Querschnittsdaten vergleichen viele Objekte zu einem Zeitpunkt, und Paneldaten verfolgen viele Objekte über viele Zeitpunkte. Dieselbe Preisdatei lässt sich auf alle drei Arten schneiden:

| Datentyp | Was variiert | Beispiel | Typische Frage |
|---|---|---|---|
| Zeitreihe | Zeit | Preis einer Mühle, täglich über ein Jahr | Steigt er? |
| Querschnitt | Objekte | Preise von 200 Mühlen an einem Tag | Wer ist heute am günstigsten? |
| Panel (Längsschnitt) | Objekte und Zeit | 200 Mühlen, täglich über ein Jahr | Wer senkt zuerst, wer folgt? |

Paneldaten sind am aussagekräftigsten und am anspruchsvollsten: Jedes Objekt braucht eine stabile Kennung, sonst erscheint dasselbe Produkt nach einem Seiten-Relaunch als zwei Objekte.

## Aus welchen Komponenten besteht eine Zeitreihe?

Die meisten Zeitreihen lassen sich als vier Komponenten beschreiben, die addiert oder multipliziert werden: Trend, Saisonalität, Zyklen und Rauschen. Sie zu trennen ist der erste Schritt fast jeder Analyse, weil jede Komponente eine andere Frage beantwortet.

- **Trend** ist der langfristige Anstieg oder Rückgang. Er muss keine Gerade sein; ein Preis kann steil steigen und dann abflachen.
- **Saisonalität** wiederholt sich mit einer festen, bekannten Periode, die an den Kalender gebunden ist: Einbrüche im Büroverkehr am Wochenende, eine Spitze der Einzelhandelsumsätze im Dezember.
- **Zyklen** sind Anstiege und Rückgänge ohne feste Periode, etwa Konjunkturzyklen, die mehrere Jahre dauern und unterschiedlich lang sind.
- **Rauschen** (der Rest) ist das, was übrig bleibt: zufällige Schwankungen, einmalige Ereignisse und Messfehler.

Saisonal und zyklisch ist das Paar, das am häufigsten verwechselt wird: Kehrt das Muster nach einem Kalenderplan wieder, ist es saisonal; lässt sich sein Zeitpunkt nicht vorhersagen, ist es ein Zyklus. Das offene Lehrbuch *Forecasting: Principles and Practice* von Rob J Hyndman und George Athanasopoulos erklärt [Trend-, Saison- und Zyklusmuster](https://otexts.com/fpp3/tspatterns.html) mit Diagrammbeispielen und ist online kostenlos lesbar.

## Was bedeutet Stationarität bei einer Zeitreihe?

Eine stationäre Zeitreihe ist eine Reihe, deren statistisches Verhalten, etwa ihr mittleres Niveau und wie stark sie schwankt, nicht davon abhängt, wann Sie hinsehen. Greifen Sie einen beliebigen Abschnitt einer stationären Reihe heraus, sieht er im Großen und Ganzen aus wie jeder andere.

Eine Reihe mit Trend ist nicht stationär, weil ihr Niveau vom Datum abhängt; eine saisonale ebenso wenig, weil sich der Dezember anders verhält als der März. Eine Reihe mit Zyklen, aber ohne Trend und Saisonalität kann trotzdem als stationär gelten, weil sich der Zeitpunkt ihrer Spitzen nicht vorhersagen lässt.

Das ist wichtig, weil viele klassische Prognosemodelle Stationarität voraussetzen; deshalb transformieren Analysten eine Reihe zuerst. Das übliche Werkzeug ist die Differenzenbildung: Jeder Wert wird durch seine Veränderung seit der vorherigen Beobachtung ersetzt, und „plus 0,40“ ist oft stabiler als „26,90“. Ein Logarithmus hilft, wenn die Schwankungen mit dem Niveau wachsen, wie bei vielen Preisen.

## Wie werden Zeitreihendaten erhoben?

Zeitreihendaten werden erhoben, indem man dieselbe Größe auf dieselbe Weise zu geplanten Zeitpunkten misst und jeden Wert mit seinem Zeitstempel festhält. Ob die Quelle ein Sensor, ein Server oder eine öffentliche Webseite ist, ein zuverlässiger Job folgt fünf Schritten:

1. **Die Messgröße festlegen.** Bestimmen Sie genau, was ein Wert bedeutet: der Preis für einen Gast oder einen angemeldeten Käufer, mit oder ohne Versand, in welcher Währung.
1. **Die Frequenz wählen.** Richten Sie sie danach aus, wie schnell sich der Wert ändert. Täglich reicht für die meisten Regalpreise; Servermetriken brauchen Sekunden.
1. **Zeitstempel in UTC.** Speichern Sie jeden Wert mit einer eindeutigen Zeit und ihrem Offset, in dem Format, das [RFC 3339](https://www.rfc-editor.org/rfc/rfc3339) für Zeitstempel im Internet festlegt: `2026-11-06T09:00:00Z`, wobei `Z` für UTC steht. Rechnen Sie erst für die Anzeige in Ortszeit um.
1. **Die Kennung stabil halten.** Nutzen Sie einen Produktcode oder eine URL, die einen Relaunch übersteht, damit sich die Reihe nicht in zwei teilt.
1. **Festhalten, wie der Wert gewonnen wurde.** Notieren Sie Methode, Standort und jede Änderung daran, damit ein Sprung, den Ihr eigenes Setup verursacht hat, nicht für einen echten gehalten wird.

Bei Webquellen erzeugt ein Monitor, der Seiten nach Zeitplan prüft, bereits eine Zeitreihe von Seitenversionen; [Website auf Änderungen überwachen und benachrichtigt werden](/de/blog/website-change-monitoring) zeigt, wie solche Prüfungen eingerichtet werden und wie die Last für die Website gering bleibt.

## Wie werden Zeitreihendaten gespeichert?

Kleine Zeitreihen passen bequem in eine Tabellenkalkulation oder eine gewöhnliche relationale Datenbank mit einem Index auf dem Zeitstempel. Große, mit Tausenden von Reihen und neuen Werten alle paar Sekunden, landen meist in einer Zeitreihendatenbank, einer Datenbank für Daten, die in zeitlicher Reihenfolge eintreffen und vor allem angehängt, selten bearbeitet werden.

Zeitreihendatenbanken speichern Daten in Blöcken nach Zeitbereich, sodass eine Abfrage nach „letzte 24 Stunden“ nur die neuesten Blöcke liest; sie komprimieren benachbarte Werte, die sich oft ähneln; und sie machen das Löschen alter Daten billig. Das Open-Source-Monitoringsystem Prometheus ist ein gut dokumentiertes Beispiel: Laut seiner [Dokumentation zur Speicherung](https://prometheus.io/docs/prometheus/latest/storage/) fasst es eingehende Messwerte in Zwei-Stunden-Blöcken zusammen, verdichtet sie im Hintergrund zu längeren Blöcken und bewahrt Daten standardmäßig 15 Tage auf.

Zwei Begriffe tauchen in jedem Speicherkonzept auf. **Aufbewahrungsdauer** (Retention) ist die Zeit, die Rohdaten vor dem Löschen aufbewahrt werden. **Downsampling** ersetzt alte, hoch aufgelöste Daten durch Zusammenfassungen, zum Beispiel Minutenwerte für zwei Wochen und Stundenwerte für ein Jahr. Bewahren Sie Minimum und Maximum neben dem Stundenmittel auf, denn ein Mittelwert verbirgt einen fünfminütigen Ausfall.

## Wie analysiert man Zeitreihendaten?

Sie analysieren eine Zeitreihe, indem Sie sie zuerst grafisch darstellen, sie glätten, um den Trend zu sehen, die Saisonalität herauslösen und erst dann messen oder prognostizieren. Das Diagramm zu überspringen ist eine teure Abkürzung, denn es zeigt Lücken, Spitzen und Niveauverschiebungen, die Kennzahlen verbergen.

**Gleitender Durchschnitt.** Ein gleitender Durchschnitt ersetzt jeden Punkt durch den Mittelwert der letzten Punkte und glättet so das Rauschen von Tag zu Tag. Er zeigt auch, warum die Bereinigung zuerst kommt. In den Mühlen-Daten, in denen der Preis am 2. und 3. November bei 24,90 lag, zieht der Wert 0,99 den Drei-Tage-Durchschnitt drei Tage lang nach unten:

| Datum | Preis | 3-Tage-Durchschnitt |
|---|---|---|
| 4. Nov. | 26,50 | 25,43 |
| 5. Nov. | 24,90 | 25,43 |
| 6. Nov. | 0,99 | 17,46 |
| 7. Nov. | 24,90 | 16,93 |
| 8. Nov. | 23,50 | 16,46 |

Ein gleitender Median würde den Ausreißer kaum bemerken; noch besser ist es, die Seite zu prüfen und zu entscheiden, ob 0,99 echt war, bevor der Wert in einen Durchschnitt eingeht. Bereinigungsschritte für erhobene Daten, von Text über Datentypen bis zu Ausreißern, behandelt [Gescrapte Daten mit pandas bereinigen: Python-Anleitung](/de/blog/clean-scraped-data-with-pandas).

**Zerlegung.** Die Zerlegung (Dekomposition) teilt eine Reihe in Trend, Saisonkomponente und Rest, damit Sie jeden Teil einzeln betrachten können. Statistikämter veröffentlichen viele Indikatoren „saisonbereinigt“: Eurostat beschreibt die [Saisonbereinigung](https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Glossary:Seasonal_adjustment) als Entfernen der Effekte wiederkehrender saisonaler Einflüsse, damit die zugrunde liegende Entwicklung leichter zu erkennen ist. Deshalb kann ein Dezembersprung bei den Einzelhandelsumsätzen in der bereinigten Zahl verschwinden.

**Prognose.** Eine Prognose schätzt künftige Werte aus vergangenen. Beginnen Sie mit zwei Vergleichsmaßstäben: der naiven Prognose (morgen gleich heute) und der saisonal naiven Prognose (nächster Montag gleich letzter Montag). Exponentielle Glättung gewichtet jüngere Werte stärker, ARIMA-Modelle sagen aus vergangenen Werten und vergangenen Fehlern der differenzierten Reihe voraus, und Modelle des maschinellen Lernens können äußere Einflussgrößen wie Aktionen einbeziehen. Ein komplexes Modell lohnt sich nur, wenn es die Vergleichsmaßstäbe auf einem jüngsten Zeitraum schlägt, den Sie zurückgehalten haben.

## Warum bringen Zeitzonen Zeitreihen durcheinander?

Zeitzonen bringen Zeitreihen durcheinander, weil Ortsuhren Stunden überspringen und wiederholen, sodass ein „Tag“ in Ortszeit nicht immer 24 Stunden lang ist. Auf unserem Testrechner meldete Node.js 24 mit seinen integrierten Zeitzonendaten, dass der 25. Oktober 2026 in Berlin 25 Stunden dauert und der 29. März 2026 nur 23, und zwei Zeitpunkte im Abstand einer Stunde, 00:30 und 01:30 Uhr UTC am 25. Oktober, werden beide als 02:30 Uhr Ortszeit angezeigt.

Speichern Sie Ortszeiten ohne Offset, erzeugt diese Herbstnacht zwei Messwerte mit demselben Zeitstempel, während die Frühlingsnacht eine Stunde ganz ohne Messwerte hat; Tagessummen fallen eine Stunde zu lang oder zu kurz aus. Die Lösung ist die Erhebungsregel: UTC mit ausdrücklichem Offset speichern und erst in Ortszeit umrechnen, wenn ein Bericht nach Ortstag gruppiert.

## Welche Rolle spielen Proxys bei der Erhebung von Zeitreihendaten?

Proxys sind wichtig, wenn die benötigte Zeitreihe von öffentlichen Webseiten stammt, die sich je nach Land unterscheiden. Ein Händler zeigt Preise, Bestand und Lieferoptionen oft passend zum Standort des Besuchers, sodass eine Preisreihe, die aus Ihrem Büro erhoben wird, jeden Tag die Version Ihres Bürolandes festhält und nicht den Markt, den Sie untersuchen.

Die Lösung folgt den Erhebungsregeln oben: dieselben Seiten im selben Abstand jedes Mal aus demselben Land abrufen, sodass sich in der Reihe nur der Preis ändert. Ein [Residential-Proxy](https://proxynet.io/de/residential-proxy) kann jede Prüfung über einen privaten Internetanschluss in dem Land oder der Stadt leiten, die die Reihe beschreibt, und zwar in einem Tempo, das die Website problemlos verkraftet.

Unsere Lösung zur [Preisüberwachung](/de/price-monitoring) umfasst das Verfolgen von Preisen, Lagerstatus und der Einhaltung des Mindestwerbepreises in regelmäßigen Abständen.

Ein Proxy ändert nichts daran, was Sie erheben dürfen: Die Nutzungsbedingungen der Website und robots.txt gelten weiterhin. Die praktische Seite, also Produkte zuordnen und Prüfintervalle wählen, behandelt [Wettbewerberpreise im E-Commerce überwachen: So geht's](/de/blog/competitor-price-tracking).

## Wo werden Zeitreihendaten eingesetzt?

Zeitreihendaten werden überall eingesetzt, wo eine Entscheidung davon abhängt, wie sich etwas über die Zeit verändert:

- **E-Commerce:** Preisverlauf, Lagerbestände, Nachfrageprognosen für den Einkauf.
- **Finanzen:** Aktienkurse, Wechselkurse, Risiko über rollierende Zeitfenster gemessen.
- **IT-Betrieb:** Dashboards und Alarme zu Servermetriken.
- **Energie:** Lastprognosen, Zählerstände, Solar- und Windstromerzeugung.
- **Fertigung:** Maschinensensoren, die Verschleiß vor einem Ausfall erkennen lassen.
- **Volkswirtschaft:** Inflations-, Beschäftigungs- und Handelsstatistiken.

## Häufige Fehler bei Zeitreihendaten

Die meisten Probleme mit Zeitreihen entstehen bei der Erhebung und werden erst bei der Analyse entdeckt:

- **Lokale Zeitstempel ohne Offset.** Doppelte und fehlende Stunden bei jeder Zeitumstellung.
- **Eine Lücke als null behandeln.** Eine Seite, die nicht geladen hat, hat keinen Preis von null gezeigt.
- **Die Methode mitten in der Reihe ändern.** Eine neue Quelle, ein neuer Standort oder eine neue Definition erzeugt eine Stufe, die wie eine echte Veränderung aussieht. Vermerken Sie das Datum.
- **Einen saisonalen Monat mit dem Vormonat vergleichen.** Vergleichen Sie Dezember mit dem letzten Dezember oder nutzen Sie bereinigte Zahlen.
- **Glätten vor dem Bereinigen.** Ein falscher Wert verzerrt jeden Durchschnitt, in den er eingeht.
- **Eine Prognose an Daten testen, die sie schon kennt.** Halten Sie den jüngsten Zeitraum zurück.
- **Die Belege wegaggregieren.** Mittelwerte verbergen Spitzen; bewahren Sie Minimum und Maximum auf.

## Entscheidungshilfe

| Bedarf | Empfehlung |
|---|---|
| Wenige Reihen, täglich aktualisiert | Tabellenkalkulation oder relationale Tabelle mit Zeitindex |
| Tausende Reihen, Werte alle paar Sekunden | Zeitreihendatenbank mit Aufbewahrungsregeln |
| Richtung unter verrauschten Daten erkennen | Gleitender Durchschnitt oder Median |
| Monate fair vergleichen | Saisonbereinigte Zahlen oder Vorjahresmonat |
| Nächsten Monat prognostizieren | Erst saisonal naiver Vergleichsmaßstab, dann Glättung oder ARIMA |
| Daten aus mehreren Zeitzonen | UTC mit Offset speichern, für Berichte umrechnen |
| Webpreise, die je nach Land variieren | Aus diesem Land in festem Abstand erheben |
| Unregelmäßige Ereignisse ins Diagramm | In feste Intervalle umrechnen, mit ausdrücklicher Füllregel |

## Häufige Fragen

### Was sind Zeitreihendaten einfach erklärt?

Zeitreihendaten sind eine Liste von Messungen derselben Größe, die nacheinander über die Zeit erfasst werden, jede mit Datum und Uhrzeit. Ein täglicher Preisverlauf, eine monatliche Stromrechnung und die Herzfrequenz eines Fitnesstrackers pro Minute sind alles Zeitreihen.

### Was ist der Unterschied zwischen Zeitreihen und Paneldaten?

Zeitreihendaten verfolgen ein Objekt über die Zeit, Paneldaten dagegen viele Objekte über denselben Zeitraum. Der Tagespreis eines Produkts über ein Jahr ist eine Zeitreihe; die Tagespreise von 200 Produkten im selben Jahr bilden ein Panel, mit dem Sie vergleichen können, wie sich verschiedene Objekte verändern.

### Was bedeutet saisonbereinigt?

Saisonbereinigt bedeutet, dass das regelmäßige Kalendermuster aus einer Reihe entfernt wurde, damit die zugrunde liegende Entwicklung leichter zu erkennen ist. Eine saisonbereinigte Einzelhandelszahl springt nicht jeden Dezember, sodass ein Anstieg darin eine echte Veränderung anzeigt und nicht die Feiertagssaison.

### Brauche ich eine Zeitreihendatenbank?

Nein, nicht für eine kleine Zahl von Reihen. Eine Tabellenkalkulation oder eine normale Datenbanktabelle mit Index auf dem Zeitstempel bewältigt Tagesdaten über Jahre problemlos. Eine Zeitreihendatenbank lohnt sich, wenn Sie viele Werte pro Sekunde über viele Reihen schreiben und Regeln für Aufbewahrung und Downsampling brauchen.

### Was ist eine stationäre Zeitreihe?

Eine stationäre Zeitreihe hat statistische Eigenschaften wie Mittelwert und Varianz, die über die Zeit gleich bleiben. Reihen mit Trend oder Saisonalität sind nicht stationär; Analysten machen sie oft durch Differenzenbildung stationär, also indem sie mit der Veränderung von einer Beobachtung zur nächsten arbeiten.

### Kann ich Zeitreihendaten in Excel analysieren?

Ja, für die Grundlagen. Excel kann eine Reihe als Diagramm darstellen, gleitende Durchschnitte mit einer einfachen Formel berechnen und ab Excel 2016 mit dem Befehl „Prognoseblatt“ auf der Registerkarte „Daten“ eine Prognose erstellen. Die Zeitachse braucht gleichmäßige Abstände, rechnen Sie unregelmäßige Daten also zuerst um.

## Fazit

Zeitreihendaten sind dieselbe Messung, über die Zeit wiederholt, mit Zeitstempel gespeichert und in ihrer Reihenfolge gelesen. Sie zeigen, in welche Richtung sich eine Zahl bewegt, was sich nach dem Kalender wiederholt, was Rauschen ist und was als Nächstes kommen kann. Erheben Sie sie einheitlich, versehen Sie sie mit UTC-Zeitstempeln, halten Sie Kennungen stabil, bereinigen Sie vor dem Glätten und testen Sie Prognosen gegen einfache Vergleichsmaßstäbe. Stammt die Reihe von Webseiten, die sich je nach Land unterscheiden, erheben Sie jede Prüfung aus dem Land, das sie beschreibt, damit sich in Ihren Daten nur der Wert bewegt, den Sie messen wollten.
