滚动窗口分析适合什么场景

滚动窗口分析的核心动作很简单：用一个固定长度的窗口沿着时间轴滑动，每次计算窗口内数据的统计量，得到一条平滑后的序列。难点不在计算，而在判断什么时候该用、窗口开多大。

先分清滚动窗口和累积统计的区别

累积统计是从起点累加到当前时刻，窗口不断变长；滚动窗口的长度固定，旧数据会被移出。这个差别决定了它们的适用面。

• 累积统计适合回答「到目前为止总共积累了多少」，比如累计注册用户数。
• 滚动窗口适合回答「最近这段时间处于什么水平」，比如最近 7 天的日均活跃。

一旦数据的生成机制随时间变化，累积统计会把早期信息和近期信息混在一起，越到后面越迟钝。滚动窗口的价值就在于它天然带有遗忘机制。

三类适合用的场景

第一类：存在明显周期性，需要抹掉周期波动看趋势。

比如有一份按天记录的订单量数据，周末高、工作日低。直接看原始序列，锯齿状波动会盖住整体走向。选一个等于周期长度的窗口（这里是 7 天）做滚动平均，锯齿基本被抹平，剩下的才是趋势。

判断标准：如果原始序列的波动有明显的固定间隔，先用这个间隔作为窗口长度的起点。

第二类：数据采集本身有噪声，单点值不可信。

传感器读数、埋点上报量、小样本的转化率，都可能出现单点跳变。一个值是异常还是正常波动，单看这一个点判断不了。滚动窗口内的均值或中位数给出一个参照基线，偏离基线一定幅度才值得追查。

这种情况下，中位数比均值更稳，因为均值会被窗口内的极端值拉偏。

第三类：需要做同比或环比之外的另一条参照线。

同比对标去年同期，环比对标上一个周期，两者都只取一个对照点。滚动窗口给出的是一个连续变化的参照带，能看出当前值相对近期整体水平是偏高还是偏低，而不是只和一个孤立的时间点比。

窗口长度怎么定

这是最容易出错的一步。三个可操作的判断方法：

• 按周期定：数据有周周期就用 7，有月周期就用 30 左右，让窗口正好覆盖一个完整周期。
• 按信噪比定：窗口越长越平滑，但反应越慢。可以先画几条不同长度的滚动线叠在原始序列上，选那条既压住了噪声、又没把真实的拐点抹掉的长度。
• 按业务节奏定：如果决策周期是按周开会，窗口就不宜长于一周，否则每次看到的都是滞后的信息。

一个常见的失误是窗口开得过大。窗口越长，末端值的实际权重越低，等到趋势线明显转向时，变化往往已经发生了一段时间。若分析目的是尽早发现拐点，宁可短一点。

哪些情况不适合用

滚动窗口会平滑掉一切，包括你正想看的突变。

• 数据存在断点或口径变更时，跨越断点的窗口值没有意义，需要把断点前后的窗口分开处理。
• 序列本身很短，比如只有十几个点，滚动之后可用点更少，结论不稳。
• 目标是识别单个异常事件而非整体水平，应该用残差或阈值判断，而不是先平滑再找异常。
• 数据没有时间顺序，窗口就无从谈起。

另外注意窗口内缺失值的处理方式。是跳过、补零还是补前值，会显著改变结果。补零会系统性压低窗口统计量，除非零有实际含义，否则不要这么做。

输出结果时把窗口参数写清楚

滚动窗口的结果高度依赖参数，同一份数据用 7 天和 14 天窗口能得到方向相反的短期结论。所以图表和结论里应当同时标注窗口长度、对齐方式（窗口是左对齐、居中还是右对齐）以及缺失值处理规则。

对齐方式影响末端读数：右对齐的窗口，最新一个点用的是包含当前时刻在内的最近 N 个值，适合实时监控；居中的窗口会用到未来数据，只适合事后分析，不能用于当期判断。

把这些参数固定成模板，后续同类分析直接复用，比每次重新试窗口更省事，也更容易和别人对齐口径。