an-lisis-de-series-temporales

name	Análisis de Series Temporales
description	Trend analysis over time — growth rates, seasonality, anomalies, and period comparisons. Use when the question involves how a metric evolves over a date/time dimension.
keywords	trend, time, growth, decline, seasonal, temporal, date, historical, tendencia, tiempo, evolución, crecimiento, mensual, semanal, diario, anual, período, histórico, mes, semana, año
next	data-storytelling

Análisis de Series Temporales

Activa cuando el análisis involucra una dimensión temporal: evolución de métricas, tendencias, comparación de períodos y anomalías temporales.

Antes de tratar algo como "serie temporal", verifica que de verdad lo sea: necesitas varios puntos en el tiempo. Con 2–3 períodos no hay tendencia que mostrar — es una comparación (ver paso de visualización).

Cuándo activar

• "¿Cómo han evolucionado las ventas?", "muéstrame el trend", "¿qué pasó en marzo?"
• Cualquier pregunta con "por mes", "por semana", "últimos N días/meses"

Flujo

1. Identificar la columna de fecha — describe_table y verifica tipo DATE/TIMESTAMP. Si es string, conviértela con STRPTIME o CAST.
2. Elegir granularidad — es un juicio según el rango y la densidad de datos; estas son referencias, no leyes:
   • < 30 días → diario · 1–6 meses → semanal o diario · > 6 meses → mensual o semanal
   • Apunta a tener suficientes puntos para ver forma (idealmente ≥8–12) sin que sea ruido.
3. Serie principal — DATE_TRUNC('<gran>', fecha) agrupando la métrica clave, ordenada por período.
4. Visualizar — elige el tipo con el marco de "Chart Selection" / storytelling:
   • Muchos puntos (≥4–5) → line / area (la evolución real).
   • Pocos períodos (2–3) → NO es tendencia: usa barras (agrupadas con split_by si comparas categorías). Una línea de 2 puntos engaña.
5. Tasas de cambio — LAG() para % período a período:

   SELECT periodo, metrica,
     ROUND((metrica - LAG(metrica) OVER (ORDER BY periodo))
       / NULLIF(LAG(metrica) OVER (ORDER BY periodo), 0) * 100, 1) AS pct_cambio
   FROM serie
   

6. Anomalías — compara cada período vs media ± 2·desv. estándar con window functions (AVG(), STDDEV()).
7. Cerrar — final_answer: tendencia principal, tasa de crecimiento/caída, períodos anómalos.

Reglas DuckDB útiles

• DATE_TRUNC('month', col) — truncar a inicio de mes · DATE_PART('week', col) — número de semana
• DATEDIFF('day', ini, fin) — diferencia en días
• Para series con huecos, GENERATE_SERIES para rellenar fechas faltantes (evita líneas que "saltan" períodos vacíos).
• Línea de tendencia: solo con una serie y ≥5 puntos; nunca sobre series partidas.