Um Guia sobre Métodos de Análise de Séries Temporais

A análise de séries temporais serve para dar sentido a pontos de dados recolhidos ao longo do tempo. Não se trata de olhar para uma lista aleatória de números, mas sim de encontrar a história escondida numa sequência cronológica. O objetivo é identificar padrões como tendências ou ciclos sazonais, para perceber o que aconteceu no passado e, mais importante, o que pode acontecer a seguir.

Decifrar os Padrões nos Dados

Imagine que tem uma pequena cafetaria e tem registado o número diário de clientes. À superfície, os números podem parecer caóticos. Mas a análise de séries temporais é como colocar uns óculos especiais que fazem os padrões ocultos saltar à vista.

Pode ver uma tendência claramente ascendente, ótima notícia, a sua cafetaria está a ficar mais popular mês após mês! Vai também notar sazonalidade, como aquela afluência previsível todas as manhãs de semana quando as pessoas vão trabalhar, seguida de um fim de semana mais calmo. Estes métodos foram criados para identificar e separar matematicamente estas diferentes componentes.

Este processo ajuda a responder a questões concretas sobre o negócio:

• Previsão: Quantos baristas vou precisar para o rush da manhã da próxima semana?

• Definição de objetivos: Com o crescimento atual, qual é uma meta de vendas realista para o próximo trimestre?

• Deteção de anomalias: O que aconteceu na última terça-feira? Por que razão houve uma queda súbita e inesperada de clientes?

As Duas Grandes Abordagens à Análise

O mundo da análise de séries temporais divide-se geralmente em dois grandes campos. Perceber a diferença entre eles é o primeiro passo para escolher a ferramenta certa.

1. Métodos Estatísticos Tradicionais: São os clássicos, as ferramentas de previsão testadas e comprovadas ao longo do tempo. Funcionam muito bem quando os dados se comportam de forma previsível. Assentam num conjunto de pressupostos estatísticos fundamentais sobre a estrutura dos dados.

2. Métodos Modernos de Machine Learning: Esta família mais recente de modelos é muito mais flexível e frequentemente mais poderosa. São como chefs de haute cuisine capazes de improvisar uma receita no momento, o que os torna excelentes para descobrir relações complexas e não lineares, e até para incorporar influências externas.

Uma vasta caixa de ferramentas de técnicas cabe nestas categorias, desde médias móveis simples e suavização exponencial até métodos mais elaborados como a autorregressão. Uma técnica comum e extremamente útil é a decomposição, que divide os dados nas suas componentes essenciais: tendência, sazonalidade e ruído residual. Isto representa uma mudança de paradigma em áreas como a previsão da procura, onde as oscilações sazonais podem fazer as vendas variar até 40%.

Para tornar isto mais claro, vamos comparar as duas abordagens lado a lado.

Métodos Estatísticos vs. Machine Learning: Uma Visão Geral

Uma comparação rápida para perceber as diferenças fundamentais entre estas duas abordagens.

• Princípio base: Métodos Estatísticos: Assentam em fórmulas matemáticas e pressupostos estatísticos sobre os dados.; Métodos de Machine Learning: Aprendem padrões diretamente a partir dos dados, sem pressupostos prévios rígidos.

• Complexidade: Métodos Estatísticos: Geralmente mais simples e fáceis de interpretar. O "porquê" costuma ser claro.; Métodos de Machine Learning: Podem ser mais complexos e funcionar por vezes como uma "caixa negra", dificultando a interpretação.

• Mais indicados para: Métodos Estatísticos: Dados com tendências e padrões sazonais claros e estáveis (por exemplo, vendas mensais no retalho).; Métodos de Machine Learning: Dados complexos e voláteis com padrões não lineares ou múltiplos fatores de influência.

• Necessidades de dados: Métodos Estatísticos: Funcionam frequentemente bem com conjuntos de dados mais pequenos e limpos.; Métodos de Machine Learning: Requerem tipicamente maiores volumes de dados para aprender de forma eficaz.

A Evolução da Previsão Moderna

Para perceber bem os poderosos métodos de séries temporais disponíveis hoje em dia, vale a pena olhar para as suas origens. A previsão moderna não surgiu de um dia para o outro. As suas raízes são profundas, e os anos 70 destacam-se como uma década verdadeiramente transformadora. Antes disso, a previsão era muitas vezes uma espécie de adivinhação, mas alguns avanços fundamentais lançaram as bases de tudo o que fazemos hoje.

Foi nessa época que a previsão começou a amadurecer, passando de um interesse académico de nicho para uma ferramenta prática em que as empresas podiam confiar. O maior salto em frente? A metodologia de Box-Jenkins.

Não foi apenas mais um modelo. Foi um manual completo, um guia passo a passo para identificar, ajustar e validar modelos com dados reais. Tornou a análise sofisticada acessível a um público muito mais alargado.

Esta nova abordagem estruturada popularizou modelos que ainda hoje são referências absolutas no mundo da previsão.

A Revolução do ARIMA

Quando Box e Jenkins publicaram o seu livro influente nos anos 70, desencadearam uma verdadeira revolução. Introduziram uma forma abrangente de lidar com previsão e controlo, centrada no modelo ARIMA (AutoRegressive Integrated Moving Average). Era um quadro sólido que finalmente conseguia dominar dados empresariais confusos.

Antes de Box e Jenkins, os analistas não tinham um processo padronizado. O método deles forneceu um fluxo de trabalho claro e repetível que permitia resolver problemas do mundo real, como prever necessidades de inventário ou interpretar dados económicos voláteis, com muito mais confiança. Foi um passo enorme para transformar a análise de séries temporais numa disciplina empresarial fiável. Estas ideias centrais continuam no coração de muitas técnicas modernas de previsão de vendas.

Tornar os Grandes Volumes de Dados Geríveis

Ao mesmo tempo, outra inovação discreta, mas crucial, ganhava terreno: o algoritmo Fast Fourier Transform (FFT). A matemática subjacente é bastante complexa, mas o que fez pela previsão foi simples e profundo. Tornou possível analisar enormes conjuntos de dados sem esperar eternamente pelo computador.

Pense em tentar identificar um ciclo de vendas semanal escondido em anos de transações diárias. O FFT funcionava como um atalho de alta potência, permitindo que os computadores processassem os dados a grande velocidade para encontrar esses padrões repetitivos e componentes cíclicas com rapidez extraordinária.

Esta eficiência recém-descoberta foi transformadora em múltiplas áreas:

• Processamento de sinal: Tornou a análise de ondas sonoras e de rádio extremamente rápida.

• Economia: Os economistas conseguiram finalmente identificar ciclos económicos em enormes conjuntos de dados com facilidade.

• Engenharia: Tornou-se indispensável para analisar vibrações e outros fenómenos físicos.

Estes dois avanços, um sistema de modelação estruturado e um algoritmo de alta velocidade, foram os dois motores que impulsionaram a previsão moderna para o futuro. Construíram as bases sobre as quais tanto os métodos estatísticos clássicos como os modelos avançados de machine learning de hoje assentam. Conhecer esta história permite apreciar muito melhor as ferramentas que temos à disposição.

Explorar os Métodos Estatísticos Clássicos

Agora que lançámos um olhar sobre a história da previsão, é altura de arregaçar as mangas e mergulhar nos métodos de análise de séries temporais estatísticos clássicos. São a base do campo, ferramentas fiáveis e testadas ao longo do tempo, às quais se voltará repetidamente. Assentam em princípios matemáticos sólidos e funcionam muito bem com dados que apresentam tendências e padrões sazonais previsíveis.

Pense nestes métodos como a caixa de ferramentas essencial de um carpinteiro experiente. Nem sempre é preciso uma sofisticada serra a laser. Por vezes, uma boa serra de mão simples é exatamente o que a situação exige. Começamos pelas ideias mais diretas e vamos avançando para os modelos mais poderosos.

Suavizar o Ruído com Médias Móveis

A forma mais simples de identificar a direção subjacente nos dados é através de uma Média Móvel. Imagine que os dados de vendas diárias formam um caminho acidentado e irregular. Com todos os pequenos altos e baixos, é difícil perceber se está a subir ou a descer no geral. Uma média móvel é como colocar uma prancha lisa e plana sobre esse caminho.

Funciona calculando a média de um determinado número de pontos de dados recentes, por exemplo, os últimos sete dias de vendas, e representando essa média como um único ponto. Quando chega o valor de vendas de um novo dia, basta eliminar o mais antigo e recalcular. Este processo suaviza todo o ruído aleatório diário e deixa transparecer a tendência real de longo prazo.

Este método é ótimo para:

• Identificar tendências: Perceber rapidamente se as vendas estão a subir, a descer ou a estabilizar.

• Redução de ruído: Filtra os picos e quedas aleatórias de curto prazo que podem induzir em erro.

• Simplicidade: É extremamente fácil de perceber, calcular e explicar a quem não é especialista em dados.

Mas as médias móveis têm uma grande fraqueza: o atraso. Por se basearem em dados passados, são lentas a reagir a mudanças súbitas ou a novas tendências. Num mercado em rápida evolução, isso pode ser um problema sério.

Dar Mais Peso ao Presente com a Suavização Exponencial

E se os dados recentes fossem mais importantes do que os dados antigos? É esta a ideia simples mas poderosa por trás da Suavização Exponencial. Representa um avanço face à média móvel simples, porque aplica pesos decrescentes às observações mais antigas. O ponto de dados mais recente tem maior influência, e essa influência diminui exponencialmente à medida que se recua no tempo.

Pense assim: se está a tentar prever o tempo de amanhã, dará muito mais peso ao tempo de hoje do que ao tempo de há um mês. A suavização exponencial faz exatamente o mesmo com os dados.

Existem algumas variantes principais deste método:

• Suavização Exponencial Simples (SES): Mais indicada para dados sem tendência ou padrão sazonal claro.

• Método de Tendência Linear de Holt: Uma versão mais sofisticada que contempla especificamente as tendências nos dados.

• Método Sazonal de Holt-Winters: O pacote completo. Lida com tendência e sazonalidade em simultâneo, sendo ideal para um negócio com picos de vendas semanais ou períodos festivos anuais.

Descompactar Padrões Complexos com o ARIMA

Chegamos agora a um dos grandes nomes dos métodos clássicos de séries temporais: o ARIMA. O nome significa AutoRegressive Integrated Moving Average, o que pode parecer complicado, mas vamos desmontá-lo.

Um modelo ARIMA funciona como um detetive que examina pistas do próprio passado dos dados. Combina informação sobre valores passados, erros de previsão anteriores e a estabilidade global dos dados para construir uma previsão surpreendentemente precisa.

As três partes de um modelo ARIMA trabalham em conjunto, cada uma a lidar com um aspeto diferente do comportamento dos dados:

1. AutoRegressive (AR): Esta componente parte do princípio de que os valores futuros estão diretamente relacionados com os valores passados. É como dizer: "Se as vendas foram altas ontem, é provável que também sejam altas hoje."

2. Integrated (I): Esta peça serve para estabilizar os dados. Muitos modelos estatísticos precisam que os dados sejam "estacionários", ou seja, que a sua média e variância não se alterem ao longo do tempo. Caso isso aconteça, este passo recorre a uma técnica chamada diferenciação (subtrair um valor anterior ao valor atual) para nivelar os dados.

3. Moving Average (MA): Esta componente analisa os erros de previsão passados. A ideia é que é possível melhorar as previsões futuras aprendendo com os erros anteriores e corrigindo-os.

A combinação destes três elementos torna o ARIMA incrivelmente flexível e poderoso. Entre os métodos clássicos, o ARIMA e as suas variantes são frequentemente reconhecidos pela sua precisão. Em previsão financeira, um modelo ARIMA bem ajustado pode atingir erros médios absolutos percentuais (MAPE) frequentemente entre 5% e 15%, um testemunho claro do seu poder quando aplicado ao tipo certo de dados.

Estes métodos estatísticos clássicos fornecem uma base sólida para qualquer projeto de previsão. Ao compreender como suavizar dados, ter em conta tendências e modelar dependências do passado, ganha um conjunto de ferramentas práticas para interpretar os dados de séries temporais.

A Ascensão do Machine Learning na Previsão

Os métodos estatísticos clássicos são as ferramentas de trabalho fiáveis da previsão, mas por vezes é preciso um carro de corrida de alta performance. É aí que entra o machine learning (ML), representando um enorme salto na capacidade de prever o que vem a seguir. Estes métodos modernos de análise de séries temporais não se limitam a uma fórmula fixa; aprendem diretamente a partir dos dados, encontrando frequentemente padrões subtis e complexos que os modelos mais antigos deixariam escapar por completo.

Pense assim. Um modelo clássico como o ARIMA é excelente a prever as vendas de gelado do próximo mês porque reconhece o pico claro e repetido que ocorre todos os verões. Mas o que acontece quando uma vaga de calor inesperada, um novo concorrente e uma campanha de marketing viral surgem ao mesmo tempo? Um modelo simples provavelmente ficará desorientado. Os modelos de machine learning, por seu lado, foram concebidos precisamente para este tipo de caos.

Por que Razão o Machine Learning Muda as Regras do Jogo nas Previsões Complexas

A verdadeira magia dos modelos de machine learning é a sua capacidade de incorporar um enorme número de variáveis externas, que chamamos características exógenas. Não estão limitados a olhar apenas para os valores passados do que se pretende prever.

Em vez disso, conseguem aprender com dezenas, ou mesmo centenas, de outras fontes de dados em simultâneo. Para um serviço de streaming que tenta prever a audiência, esta é uma vantagem enorme. O modelo poderia analisar ao mesmo tempo:

• Eventos promocionais: Aquela grande campanha de marketing resultou mesmo?

• Calendário de feriados: Como mudam os hábitos de visualização num fim de semana prolongado?

• Lançamentos de novo conteúdo: Qual é o efeito de lançar uma nova série de grande sucesso?

• Buzz nas redes sociais: Toda aquela conversa online está a traduzir-se em mais pessoas a ver?

Esta capacidade de gerir múltiplas influências é o que confere ao machine learning o seu poder preditivo. Transforma a previsão de um problema unidimensional numa análise rica e multifacetada, dando uma visão muito mais clara do que realmente provoca as mudanças. Esta abordagem é crítica em projetos complexos como a otimização da mobilidade urbana, onde fatores como eventos públicos e padrões meteorológicos afetam fortemente as necessidades de transporte. Pode ver como abordámos um desafio semelhante no nosso artigo sobre soluções de mobilidade urbana.

Os Grandes Nomes do ML em Previsão

O mundo do ML é vasto, mas alguns modelos tornaram-se as escolhas prediletas para a previsão de séries temporais. Cada um tem uma força única, tornando-o mais adequado para diferentes tipos de problemas.

XGBoost: O Motor do Gradient Boosting

Há uma boa razão para os cientistas de dados adorarem o XGBoost (Extreme Gradient Boosting). É um algoritmo que utiliza árvores de decisão, mas com uma abordagem muito inteligente. Constrói uma árvore, identifica onde errou e constrói uma segunda árvore especificamente para corrigir esses erros. Faz isto repetidamente, por vezes centenas de vezes, com cada nova árvore a aprender com as falhas da anterior.

Este método de "ensemble" torna o XGBoost extraordinariamente robusto e preciso. Para uma empresa de retalho, poderia construir uma previsão que aprende a partir dos dados de vendas, dos níveis de inventário atuais, dos calendários de promoções e até dos relatórios meteorológicos locais, criando uma previsão incrivelmente precisa.

LSTMs: Os Mestres da Memória

As Redes Neuronais Recorrentes (RNNs) são um tipo de modelo de deep learning concebido para lidar com sequências de dados. As redes Long Short-Term Memory (LSTM) são uma versão superpoderosa das RNNs com um truque especial: a memória.

As LSTMs foram concebidas para reter informação importante ao longo de longos períodos e descartar o que não é relevante. Isto torna-as excecionalmente boas a identificar conexões de longo alcance nos dados que outros modelos ignorariam por completo.

Imagine que está a tentar prever o mercado bolsista. O preço das ações de uma empresa hoje pode ainda estar a sentir os efeitos de um relatório de resultados de três meses atrás. Uma LSTM consegue "lembrar" esse evento passado e incorporá-lo na previsão atual, o que lhe confere uma enorme vantagem quando lida com dados com uma memória longa e complexa.

Quando Faz Sentido Renovar a Caixa de Ferramentas Analítica?

Quando faz sentido ir além dos clássicos e recorrer ao machine learning? Tudo depende da complexidade e da riqueza dos dados.

Vale a pena considerar seriamente o machine learning quando:

• Múltiplos fatores influenciam os resultados: O que se pretende prever é influenciado por muitas forças externas diferentes.

• Os padrões são não lineares: As relações nos dados não são simples e diretas.

• Há muitos dados disponíveis: Os modelos de ML são ávidos de dados; precisam deles para aprender de forma eficaz.

• A precisão é fundamental: Mesmo uma pequena melhoria na previsão pode traduzir-se em valor empresarial significativo.

Claro que exigem mais dados e poder de computação, mas o retorno de utilizar machine learning nos métodos de análise de séries temporais pode ser enorme. Proporcionam um caminho para uma precisão muito maior e uma compreensão mais profunda do mundo complexo e interligado em que os negócios operam.

Como Escolher o Método de Análise Certo

Escolher o método certo de análise de séries temporais pode parecer avassalador, como olhar para uma enorme caixa de ferramentas sem saber se é preciso uma simples chave inglesa ou um laser de alta potência. A verdade é que a ferramenta certa depende inteiramente do trabalho a fazer. A melhor escolha resume-se a duas coisas: perceber a personalidade única dos dados e saber exatamente o que se pretende alcançar.

A questão não é encontrar o método "melhor" que funciona para tudo, mas sim encontrar o que melhor se adequa ao problema específico. No fundo, este processo resume-se a fazer algumas perguntas-chave.

Avaliar as Características dos Dados

Em primeiro lugar, é preciso conhecer bem os dados. São estáveis e previsíveis, ou são um caos que parece ter vontade própria? A natureza da série temporal é o maior indício.

Eis o que procurar:

• Existe uma tendência clara? Os dados estão a mover-se consistentemente para cima ou para baixo ao longo do tempo, como o crescimento de utilizadores de uma startup?

• Existe sazonalidade? Há ciclos previsíveis e repetitivos? Pense nas vendas de gelado a disparar todos os verões.

• Qual é o nível de ruído? Os dados são relativamente limpos e suaves, ou estão cheios de flutuações aleatórias e imprevisíveis?

• Existem fatores externos? É necessário ter em conta influências externas? Por exemplo, uma grande campanha de marketing ou uma alteração nas taxas de juro podem afetar dramaticamente os números de vendas.

A imagem útil abaixo orienta o processo de decisão para uma das famílias estatísticas mais comuns, a Suavização Exponencial, com base apenas na tendência e na sazonalidade.

Como se pode ver, a presença destes padrões orienta diretamente para a técnica correta.

Se os dados apresentam uma tendência ascendente estável e um padrão sazonal claro, algo como o modelo Holt-Winters é o indicado. Mas se os dados são relativamente planos e sem padrões óbvios, um modelo de Suavização Exponencial Simples é provavelmente suficiente. Esta ideia, ajustar a complexidade do modelo à complexidade dos dados, é aqui uma regra de ouro.

Definir os Objetivos da Previsão

Depois de conhecer bem os dados, é necessário ter clareza absoluta sobre o que se pretende alcançar. O "para quê" é tão importante quanto o "quê". Objetivos empresariais diferentes exigem abordagens diferentes.

Considere estes fatores:

• Horizonte de previsão: Está a tentar prever o que vai acontecer na próxima semana ou no próximo ano? Os modelos simples são ótimos para o curto prazo, mas para previsões de longo alcance é provável que seja necessário mais poder de fogo.

• Interpretabilidade vs. precisão: É mais importante perceber por que razão o modelo faz uma determinada previsão, ou basta o número mais preciso possível? Os modelos estatísticos são geralmente mais fáceis de explicar, enquanto alguns modelos de machine learning são "caixas negras" que priorizam a precisão pura.

• Dados disponíveis: Que histórico existe para trabalhar? Os modelos de machine learning são ávidos de dados e precisam de grandes conjuntos para aprender eficazmente. Muitos métodos estatísticos, por outro lado, conseguem trabalhar com menos.

Em última análise, escolher o modelo certo é uma parte crítica de uma boa tomada de decisão baseada em dados. Uma escolha acertada oferece mais do que um número; fornece um insight fiável que pode efetivamente moldar a estratégia.

Escolher um modelo é sempre uma troca. Um modelo simples e compreensível como o ARIMA pode ser perfeito para a previsão estável de inventário. Mas para um problema altamente volátil, como prever preços de ações com base em títulos de notícias, quase certamente vai precisar de uma abordagem de machine learning mais poderosa, como uma LSTM.

Guia Rápido de Seleção de Métodos

Para tornar isto ainda mais prático, eis uma referência rápida como ponto de partida para associar a situação a um método potencial.

• Dados estáveis com sazonalidade/tendência claras: Melhor Método Estatístico: Holt-Winters / SARIMA; Melhor Método de ML: Prophet; Consideração Principal: Os modelos estatísticos são frequentemente mais rápidos e mais interpretáveis neste caso.

• Dados voláteis e ruidosos sem padrões claros: Melhor Método Estatístico: Média Móvel Simples; Melhor Método de ML: LSTM / GRU; Consideração Principal: Os modelos de ML são melhores a encontrar padrões complexos ocultos no ruído.

• Necessidade de incluir fatores externos (ex.: promoções, feriados): Melhor Método Estatístico: ARIMAX / SARIMAX; Melhor Método de ML: XGBoost / Random Forest; Consideração Principal: Estes modelos conseguem incorporar explicitamente essas variáveis "exógenas".

• Previsão de muito longo prazo (ex.: anos à frente): Melhor Método Estatístico: Modelos de Decomposição; Melhor Método de ML: Transformers / N-BEATS; Consideração Principal: As arquiteturas avançadas de ML foram concebidas para capturar dependências de longo alcance.

• Histórico de dados limitado: Melhor Método Estatístico: Suavização Exponencial / ARIMA; Melhor Método de ML: Rede Feed-Forward Simples; Consideração Principal: Os métodos estatísticos são geralmente mais robustos com conjuntos de dados mais pequenos.

• A explicabilidade é a prioridade máxima: Melhor Método Estatístico: ARIMA / Regressão Linear; Melhor Método de ML: Árvores de Decisão; Consideração Principal: Estes modelos têm uma lógica de funcionamento mais transparente.

Esta lista não é um conjunto rígido de regras, mas é um bom guia para apontar na direção certa. Ao avaliar cuidadosamente os dados e os objetivos, é possível navegar com confiança pelo mundo dos métodos de análise de séries temporais e escolher aquele que vai efetivamente gerar valor.

Um Exemplo Prático para Ligar os Pontos

A teoria é ótima, mas, sejamos honestos, só fica mesmo a fazer sentido quando se vê em ação. Por isso, vamos percorrer um problema empresarial comum para ver como estes métodos de análise de séries temporais funcionam na prática.

Imagine o seguinte: tem uma loja de e-commerce e precisa de perceber quanto do seu produto mais vendido encomendar. Encomendar demais significa capital imobilizado em inventário. Encomendar de menos significa perder vendas.

O ponto de partida é uma folha de cálculo bruta e confusa com dados de vendas diárias dos últimos três anos. A primeira coisa a fazer é trabalhar os dados. Limpá-los, preencher os dias em falta e depois representá-los num gráfico. Logo à partida, vão aparecer algumas coisas: uma boa tendência ascendente à medida que o produto ganha popularidade, e picos sazonais acentuados em torno das épocas festivas. Esta primeira análise é preciosa; é a primeira conversa real com os dados.

A Abordagem Clássica: Arrancar o Modelo ARIMA

Com os dados limpos, começa-se com um método estatístico testado e comprovado: o ARIMA. Como referido anteriormente, o ARIMA tem um requisito fundamental, precisa de dados estacionários. Os dados de vendas não são estacionários; têm essa tendência ascendente e aqueles picos festivos.

Por isso, é preciso estabilizá-los primeiro. Usa-se a diferenciação para aplanar a tendência de crescimento e depois aplica-se um ajuste sazonal para atenuar o comportamento anual em torno dos feriados. Com os dados estacionários, analisam-se os gráficos ACF e PACF para encontrar os parâmetros (p, d, q) corretos. Esta parte parece um pouco afinar um rádio antigo, está-se à procura do sinal perfeito e nítido.

Depois de definir os parâmetros, treina-se o modelo ARIMA nos primeiros dois anos e meio do histórico de vendas. O modelo processa estes dados, aprendendo os padrões autorregressivos e de média móvel subjacentes. Depois, pede-se que preveja os próximos seis meses. O resultado é uma previsão limpa e sensata que segue a tendência geral e antecipa o próximo pico festivo. É uma base sólida e fiável para o plano de inventário.

A Abordagem de Machine Learning: Construir um Modelo LSTM

Agora, vamos atacar o mesmo problema com uma ferramenta mais moderna, uma rede LSTM. O processo parece diferente logo desde o início. Em vez de alimentar o modelo apenas com números de vendas passados, é possível fornecer muito mais contexto. Podem incorporar-se outros dados que possam influenciar as vendas, como:

• O investimento recente em campanhas de marketing
• Os dias em que havia uma promoção a decorrer
• Os números diários de tráfego no site

A magia de uma LSTM é que consegue aprender as ligações complicadas e não óbvias entre todos estes fatores diferentes. O ARIMA analisa essencialmente os valores de vendas passados, mas a LSTM foi concebida para reter padrões de longo prazo e, ao mesmo tempo, prestar atenção a eventos recentes, como uma flash sale da semana passada.

Os dados têm de ser formatados em sequências, que é a forma como as LSTMs preferem recebê-los, e depois começa-se o treino. Isto exige muito mais poder de computação, porque a rede está constantemente a ajustar as suas ligações internas para melhorar cada vez mais a previsão.

Uma vez treinado, pede-se ao modelo a mesma previsão de seis meses. A previsão da LSTM tende a parecer mais detalhada. Pode captar mudanças subtis que a previsão mais suavizada do ARIMA deixaria escapar, especialmente se aprendeu que uma grande campanha de marketing provoca de forma fiável um pico de vendas três dias depois.

Comparar as duas previsões lado a lado evidencia muito bem a troca. O ARIMA oferece uma previsão fiável e fácil de interpretar, baseada puramente nos padrões de vendas passados. A LSTM, por sua vez, pode fornecer uma previsão potencialmente mais precisa e dinâmica, ao aprender a partir de uma imagem muito mais rica do que realmente impulsiona o negócio.

Perguntas Frequentes

Quantos Dados Históricos São Necessários?

É a clássica pergunta à qual a resposta é "depende", mas eis uma boa regra prática: pense nos padrões que quer identificar. Para detetar tendências anuais, são necessários pelo menos dois a três anos completos de dados. Com menos do que isso, o modelo terá dificuldade em confirmar o padrão.

Em termos gerais, mais dados é quase sempre melhor. Embora os métodos estatísticos mais simples possam às vezes funcionar com menos, os modelos de machine learning são ávidos de dados e precisam de um bom histórico para aprender.

Qual é a Melhor Forma de Lidar com Valores em Falta?

O que quer que faça, não elimine as linhas com dados em falta! Isso quebra completamente a linha temporal, que é a essência da análise de séries temporais.

Uma abordagem muito melhor é preencher as lacunas. Pode usar técnicas simples como o forward-fill (carregar o último valor conhecido para a frente) ou uma abordagem mais matemática como a interpolação, que estima o ponto em falta com base nos seus vizinhos. Para ir mais longe, pode até usar um modelo mais simples especificamente para prever o que esses valores em falta deveriam ser.

A Estacionaridade É Sempre Necessária para Fazer Previsões?

Nem sempre, mas é fundamental para os modelos estatísticos clássicos. Para o ARIMA, por exemplo, a estacionaridade é um pressuposto inegociável. Significa essencialmente que as propriedades estatísticas dos dados, como a média e a variância, não se alteram ao longo do tempo. Se os dados não forem estacionários, é necessário transformá-los primeiro.

Uma das maiores vantagens de muitos modelos de machine learning é que não exigem estritamente a estacionaridade. Isto torna-os mais flexíveis para conjuntos de dados complexos e voláteis onde as propriedades estatísticas mudam ao longo do tempo.

Na NILG.AI, ajudamos empresas a transformar ideias como estas em resultados práticos e mensuráveis com IA e dados. Se quiser explorar como isto se aplica ao seu negócio, fale com a nossa equipa.