Projeto: Previsão de vendas

Passo 1: Planeje sua análise

Responda às perguntas a seguir para ajudá-lo a planejar sua análise:
1. O conjunto de dados atende aos critérios de um conjunto de dados da série
temporal? Certifique-se de explorar as quatro principais características de um
dado de séries temporais.

Sim, é ao longo de um intervalo de tempo contínuo (mensalmente), existem medidas

sequenciais ao longo desse intervalo (vendas mensais), existe espaçamento igual entre
cada duas medidas consecutiva (todos os dias do mês em uma linha/mensal) e cada
unidade de tempo dentro do intervalo de tempo tem no máximo um ponto de dados (total
de valores em uma única linha representando o mês daquele ano).

2. Quais registros devem ser usados como amostra de retenção?

Nos modelos ETS e ARIMA foram retidos 65 dados para realizar o modelo e analisar os
resultados (gráficos) e apenas 4 para realizar a validação, comparando dados reais. O
número 4 foi definido pela quantidade de meses que a empresa deseja prever a demanda
do jogo, estamos utilizando dados mensais.

Passo 2: Determine os componentes tendência, sazonalidade e

erro

1. Qual é a tendência, a sazonalidade e o erro da série temporal? Mostre como você

conseguiu determinar os componentes usando gráficos de séries temporais.
Inclua esses gráficos.

O erro (remainder) apresenta oscilação, aumentando e diminuindo ao longo do tempo. Isso

indica que devemos utilizar o componente de forma multiplicativa.

A tendência é linear, então a aplicação deverá ser feita na forma aditiva.

A Sazonalidade cresce muito pouco ao longo do tempo, porém olhando os picos é possível
identificar que os valores são crescentes, devemos aplicar o componente de forma multiplicativa.

Passo 3: Construa seus modelos

1. Quais são os termos modelo para o ETS? Explique por que você escolheu esses
termos.

ETS (M,A,M) – Com base na análise dos gráficos acima. Deixando também a ferramenta de
forma automática, a seleção ocorre da mesma forma.

a. Descreva os erros na amostra. Use pelo menos RMSE e MASE ao examinar

os resultados.

Comparando os dois modelos ETS

ETS (M,A,M)
 ETS (M,A,M) com Suavização

Foi possível identificar que o desvio padrão entre os valores previstos e realizados
(RMSE) foi menor no ETS sem a suavização, entretanto, ambos possuem uma
significância por possuir MASE menor que 0,5.

2. Quais são os termos modelo para o ARIMA? Explique por que você escolheu esses
termos. Crie um gráfico com a função de correlação automática (Auto-Correlation
Function - ACF) e lotes de função de autocorrelação parcial (Partial Autocorrelation
Function Plots - PACF) para as séries temporais e o componente sazonal e use
esses gráficos para justificar a escolha dos termos do modelo.

ARIMA (0,1,1)(0,1,0)

Por possuir sazonalidade o nosso período é mensal, precisamos de 12 meses para que
esse período se repita para fechar o ciclo e identificar a sazonalidade. Os gráficos ACF
e PACF demonstram que o modelo possui uma autocorreção positiva, que precisará
realizar uma diferenciação sazonal

ACF e PAF da série temporal

LAG autocorrelacionados com decaimento para zero e com sazonalidade em Lag1,Lag12

e Lag24, será preciso aplicar a primeira diferenciação
Obs: com a atualização do meu alteryx, não é possível executar a Formula de

Multiplas linhas ( ) parametrizando como NULL, somente executa se eu deixar

como “0 ou vazio”.

ACF e PAF da Diferenciação Sazonal

Realizada a diferenciação sazonal, (d=1 e D=1), podemos notar uma autocorreção no
PACF para o Lag12 que é trucando para zero no Lag24, determinando que o melhor
método é o MA(1).

ACF e PACF final após a aplicação do modelo

a. Descreva os erros na amostra. Use pelo menos RMSE e MASE ao examinar os
resultados.
O MASE continua demonstrando que o modelo é confiável < 0,5.
O RMSE foi superior ao modelo ETS.

b. Refaça os gráficos ACF e PACF tanto para a série temporal como para a
diferença sazonal e inclua esses gráficos em sua resposta.

Todos os LAGs foram eliminados, não sendo necessário incluir um novo componente
no modelo ARIMA.

Passo 4: Previsão

Responda às seguintes perguntas:

1. Qual modelo você escolheu? Justifique sua resposta mostrando: medições de erro
na amostra e medidas de erro de previsão contra a amostra de retenção.

ARIMA(0,1,1)(0,1,0)[12]
ETS(M,A,M)

De acordo com o MASE, considerada a melhor métrica, o modelo mais significado é o ARIMA
por possuir um valor de 0.45, que é menor do que 1.01 do ETS.
O AIC no ARIMA também é menor que no modelo do ETS.

2. Qual é a previsão para os próximos quatro períodos? Crie um gráfico com os

resultados, usando intervalos de confiança de 95% e 80%.

Segue abaixo a previsão para os 4 próximos períodos:

Period Sub_Period previsão previsão_high_95 previsão_high_80 previsão_low_80 previsão_low_95

2013 10 R$754.854,46 R$834.046,22 R$806.635,17 R$703.073,75 R$675.662,70
2013 11 R$785.854,46 R$879.377,75 R$847.006,05 R$724.702,87 R$692.331,17
2013 12 R$684.854,46 R$790.787,83 R$754.120,57 R$615.588,35 R$578.921,09
2014 1 R$687.854,46 R$804.889,29 R$764.379,42 R$611.329,50 R$570.819,63