Capítulo 01 Fundamento
Porque o tempo quebra o que aprendeu
Toda a estatística clássica assenta num pressuposto que numa série temporal é falso por construção: o de que as observações são independentes umas das outras.
1.1 O pressuposto que desaparece
Numa amostra normal, saber o valor de uma observação não diz nada sobre a seguinte. Numa série temporal, a temperatura de hoje diz quase tudo sobre a de amanhã.
Chama-se autocorrelação, e não é um defeito dos dados — é a informação que se quer usar. Mas invalida quase todos os cálculos de incerteza feitos no pressuposto de independência (Estatística II, cap. 3).
Consequências imediatas e concretas:
- Mil observações não são mil observações. Se cada uma é quase igual à anterior, a informação efetiva é muito menor — e os intervalos de confiança calculados à maneira habitual saem absurdamente estreitos.
- Baralhar os dados destrói tudo. A ordem não é um detalhe de arrumação: é o objeto de estudo.
- Validar ao acaso é batota. Treinar com dados de julho para prever junho é usar o futuro para prever o passado (cap. 6).
- Duas séries podem correlacionar-se por acaso com uma facilidade que assusta — basta ambas terem tendência. É a origem das correlações espúrias mais famosas que circulam.
1.2 O que se está mesmo a perguntar
| Pergunta | É um problema de |
|---|---|
| Quanto vamos vender no próximo mês? | Previsão — o assunto desta apostila |
| Isto que aconteceu ontem é normal? | Deteção de anomalias (cap. 10) |
| A campanha de março teve efeito? | Causalidade — Estatística IV, não é previsão |
| Que padrão semanal existe? | Decomposição (cap. 2) |
| Vai haver uma crise em 2030? | Nada disto. É prospectiva ou julgamento (Previsão Calibrada) |
Prever não é explicar. Um modelo pode prever bem as vendas usando o número de camiões que saíram do armazém — e não diz nada sobre o que causa as vendas, nem serve para decidir uma campanha.
É a distinção de Estatística III, cap. 2, e nesta área confunde-se com uma frequência particular, porque a série temporal parece contar uma história causal só por estar ordenada no tempo.
1.3 O que torna uma série previsível
Nem tudo o que tem datas se prevê. Três condições, e falhar uma chega para não valer a pena tentar:
- Há um padrão estável. Sazonalidade, tendência, ciclo — alguma regularidade que se repita.
- O passado informa o futuro. Ou seja, o mecanismo que gerou os dados continua a funcionar. Um mercado que mudou de regra não é previsível a partir do regime anterior.
- O que a move é observável ou estável. Se depende de decisões humanas imprevisíveis ou de choques externos, o modelo prevê o normal e falha exatamente quando importa.
As séries mais fáceis de prever são as que menos precisam de previsão — consumo de eletricidade, tráfego numa autoestrada, procura de pão. E as decisões que mais beneficiariam de uma boa previsão — preços de ativos, sucesso de um produto novo — são precisamente as menos previsíveis, porque há muita gente a tentar prevê-las e a agir sobre isso.
Vale a pena ter isto presente antes de começar: a pergunta não é "consigo prever?", é "esta série é do tipo que se prevê?".
1.4 Onde esta apostila se situa
É a continuação natural da série de Estatística — I, II, III e IV — no caso em que os dados estão ordenados no tempo e não são independentes.
Para fazer as contas em Python, Análise de Dados. Para modelos de aprendizagem automática em geral, Machine Learning & IA. Para pôr um modelo em produção e vigiá-lo, MLOps. Para previsão por julgamento humano, sem dados históricos, Previsão Calibrada.
Pegue numa série que a sua equipa queira prever e avalie as três condições de 1.3. Se falhar alguma, escreva porquê. Uma resposta honesta aqui poupa semanas de modelação inútil.
Capítulo 02 Núcleo
Decompor: tendência, sazonalidade e o resto
Quase toda a análise de séries começa por separar uma linha em três partes. É simples, é visual, e resolve mais problemas do que qualquer modelo sofisticado.
2.1 As três componentes
E há duas formas de as juntar, com consequências diferentes:
| Aditiva | Multiplicativa | |
|---|---|---|
| Modelo | série = tendência + sazonal + resto | série = tendência × sazonal × resto |
| A sazonalidade | Tem amplitude constante em unidades absolutas | Tem amplitude proporcional ao nível |
| Exemplo | "O Natal acrescenta sempre 400 unidades" | "O Natal acrescenta sempre 30%" |
| Como saber | Desenhe. Se a oscilação sazonal cresce à medida que o nível cresce, é multiplicativa | |
Aplique o logaritmo à série. Uma relação multiplicativa passa a aditiva, e todas as ferramentas construídas para o caso aditivo voltam a funcionar (Estatística III, cap. 4).
Em dados de negócio — vendas, receita, tráfego — a sazonalidade é quase sempre proporcional, portanto o logaritmo é a escolha por omissão e não a exceção.
2.2 Sazonalidades sobrepostas
Uma série real raramente tem uma só. O tráfego de um site tem, ao mesmo tempo:
- Ciclo diário — picos de manhã e ao início da noite.
- Ciclo semanal — fins de semana diferentes dos dias úteis.
- Ciclo anual — férias, épocas.
- E o calendário, que não é sazonal — feriados móveis, Páscoa, campanhas, promoções.
A Páscoa muda de mês. Fevereiro tem 28 ou 29 dias. Um mês pode ter quatro ou cinco sábados — o que faz variar as vendas em vários pontos percentuais sem que nada tenha mudado no negócio.
Comparar março com fevereiro sem corrigir o número de dias úteis é comparar coisas diferentes, e produz "quedas" que são aritmética de calendário. Antes de qualquer modelo, normalize por dias úteis — é a correção mais barata e a que mais falsos alarmes elimina.
2.3 O que fazer com cada componente
| Componente | Serve para |
|---|---|
| Tendência | Perceber a direção de fundo, sem o ruído sazonal a confundir |
| Sazonalidade | Planear capacidade, pessoal, stock — e ajustar comparações |
| Resto | É aqui que está o interessante: o resto é o que aconteceu e não era esperado. Um pico no resto é um acontecimento real (cap. 10) |
Olhar para o resto em vez da série é a mudança de hábito mais rentável deste capítulo. Uma subida de vendas em dezembro não é notícia; uma subida acima do que dezembro costuma trazer é.
2.4 A série ajustada de sazonalidade
É o que os institutos de estatística publicam, e existe por uma razão prática: permite comparar meses consecutivos sem que o padrão sazonal domine. É útil e tem duas armadilhas que convém conhecer:
- O ajuste é uma estimativa, e muda quando chegam dados novos. Números "ajustados" do mês passado podem ser revistos.
- Nas pontas da série o ajuste é mais frágil, porque falta metade da janela. É precisamente nas pontas que se quer olhar — logo, é aí que a estimativa é menos fiável.
Decomponha a série principal da sua equipa e desenhe as três componentes separadas. Depois procure os cinco maiores valores do resto e descubra o que aconteceu nessas datas. É frequente encontrar acontecimentos que ninguém tinha registado.
Capítulo 03 Núcleo
Estacionariedade, e porque toda a gente fala nisso
É o conceito com pior reputação da área — soa académico e é eminentemente prático. Uma série estacionária é uma série cujo comportamento não depende de quando se olha.
3.1 A definição utilizável
Uma série é estacionária se a sua média, a sua variabilidade e a sua estrutura de dependência forem as mesmas em qualquer janela de tempo que se escolha.
O teste visual chega quase sempre: tape as datas e olhe para dois pedaços diferentes da série. Consegue distinguir qual é qual? Se sim — um tem média mais alta, ou oscila mais — não é estacionária.
Porque importa: os métodos aprendem um padrão e aplicam-no ao futuro. Se o padrão muda ao longo do tempo, não há um padrão a aprender — há vários, e o modelo aprende a média de coisas diferentes.
3.2 As três formas de não ser estacionária
| Problema | Como se vê | Correção |
|---|---|---|
| Tendência | A média sobe ou desce ao longo do tempo | Diferenciar: trabalhar com a variação em vez do nível |
| Sazonalidade | Padrão que se repete | Diferenciar em relação ao mesmo período do ciclo anterior |
| Variabilidade crescente | As oscilações aumentam com o nível | Logaritmo (cap. 2) |
Em vez de modelar o valor, modela-se a diferença em relação ao período anterior. Uma série de vendas com tendência crescente torna-se uma série de variações, que oscila à volta de um valor estável.
Duas notas: uma diferenciação chega quase sempre — diferenciar duas ou três vezes costuma ser sinal de que o problema é outro; e no fim há que voltar ao nível original para dar a previsão, o que significa acumular os erros, e é uma das razões pelas quais os intervalos alargam com o horizonte (cap. 8).
3.3 Passeio aleatório: a série que não se prevê
Numa série em que cada valor é o anterior mais uma variação imprevisível — um passeio aleatório —, a melhor previsão possível para amanhã é o valor de hoje. Nenhum modelo bate isto, por mais sofisticado.
E é traiçoeiro porque parece ter padrões: um passeio aleatório desenhado tem tendências aparentes, subidas prolongadas, "suportes" e "resistências" — todos produzidos pelo acaso, todos sem valor preditivo. Preços de ativos comportam-se aproximadamente assim, e é por isso que a maior parte das análises de padrões em gráficos de preços não sobrevive a um teste honesto (O Futuro do Mercado Financeiro).
Verificação rápida: se o modelo elaborado não bate a previsão trivial "amanhã é igual a hoje", é possível que a série seja isto — e a conclusão certa é parar, não procurar um modelo melhor.
3.4 Correlação entre séries com tendência
Duas séries que crescem, por razões independentes, aparecem fortemente correlacionadas. É o mecanismo que produz as correlações absurdas que circulam — consumo de queijo e mortes por lençóis, número de filmes de um ator e afogamentos.
A defesa é diferenciar as duas antes de correlacionar: pergunta-se se as variações andam juntas, não se os níveis andam. É uma linha de código e elimina a maioria dos falsos positivos desta natureza.
Pegue na sua série, tape as datas e mostre dois pedaços de períodos diferentes a um colega. Se ele conseguir dizer qual é o mais recente, não é estacionária — e sabe qual das três correções de 3.2 aplicar.
Capítulo 04 Núcleo
A linha de base que ninguém bate
Antes de qualquer modelo é obrigatório ter uma previsão trivial para comparar. É frequente descobrir que meses de trabalho não a batem.
4.1 As quatro triviais
| Linha de base | Previsão | Boa para |
|---|---|---|
| Ingénua | Amanhã = hoje | Séries sem sazonalidade; passeios aleatórios (cap. 3) |
| Ingénua sazonal | Este domingo = domingo passado | A mais difícil de bater em dados de negócio |
| Média | Sempre a média histórica | Séries sem estrutura nenhuma |
| Deriva | Continua a tendência recente em linha reta | Séries com tendência clara e estável |
Nenhum modelo se apresenta sem ser comparado com estas quatro. Custa cinco minutos, e é a verificação mais informativa que existe nesta área — porque muda a conversa de "o modelo tem um erro de 8%" para "o modelo é 15% melhor do que não fazer nada", que é a única formulação com significado.
É o mesmo teste do modelo trivial de Estatística III, cap. 12, e aqui é ainda mais decisivo: a ingénua sazonal é surpreendentemente forte, porque incorpora de graça o padrão que domina a maioria das séries de negócio.
4.2 Porque tantos modelos perdem para a trivial
- A série é quase um passeio aleatório. Nesse caso, "hoje" é matematicamente a melhor previsão e não há nada a fazer (cap. 3).
- A sazonalidade é quase toda a informação. A ingénua sazonal já a captura; o modelo elaborado acrescenta pouco.
- Poucos dados históricos. Modelos com muitos parâmetros ajustam-se ao ruído e generalizam pior (Estatística III, cap. 10).
- Validação enviesada. O modelo parece melhor porque foi avaliado com fuga de informação — e a linha de base, sendo trivial, não tem como beneficiar disso (cap. 6).
4.3 O caso da procura intermitente
Peças de substituição, artigos de baixa rotação, produtos de nicho: dias e dias com zero, e de vez em quando uma venda. A média é enganadora, os métodos habituais falham, e o erro percentual é indefinido — dividir por zero (cap. 5).
O que se faz: tratar como dois problemas separados — quando haverá procura, e quanto quando houver. E medir o erro em unidades absolutas, nunca em percentagem.
É um caso muito comum em armazém e raramente tratado como merece: aplicam-se-lhe métodos desenhados para séries contínuas e o resultado é sistematicamente mau.
4.4 Quanto vale melhorar
Antes de investir em modelos melhores, vale a pena a pergunta económica: quanto vale um ponto percentual de erro a menos?
- Numa cadeia de retalho com stock caro, pode valer muito.
- Num serviço onde a capacidade se ajusta em minutos, pode valer quase nada — mais vale reagir depressa do que prever bem.
A alternativa a prever melhor é frequentemente reagir mais depressa, e costuma ser mais barata. Um sistema que se adapta em horas precisa de previsões muito piores do que um que encomenda com seis semanas de antecedência.
Implemente as quatro linhas de base da tabela 4.1 para a sua série e registe o erro de cada uma. Guarde os números. Qualquer modelo futuro terá de ser apresentado ao lado destes — e é raro que a diferença seja tão grande como se esperava.
Capítulo 05 Núcleo
Métricas de erro, e como enganam
Escolher a métrica errada leva a otimizar a coisa errada durante meses. E a métrica mais usada nesta área tem um defeito estrutural.
5.1 As quatro
| Métrica | É | Vantagem | Problema |
|---|---|---|---|
| Erro absoluto médio | Média de |erro| | Interpretável nas unidades da coisa | Não comparável entre séries de escalas diferentes |
| Raiz do erro quadrático médio | Penaliza o quadrado | Dá peso aos erros grandes | Muito sensível a valores extremos |
| Erro percentual médio | Média de |erro| ÷ real | Comparável entre séries | Indefinido com zeros e assimétrico (5.2) |
| Erro escalado | Erro ÷ erro da ingénua | Comparável e interpretável: <1 bate a trivial | Menos conhecido |
É a métrica mais usada em contexto de negócio e tem uma assimetria embutida: uma previsão por defeito tem erro percentual limitado a 100%; uma previsão por excesso não tem limite.
Se o real foi 100 e previu 0, o erro é 100%. Se previu 300, o erro é 200%. Consequência: otimizar esta métrica empurra sistematicamente as previsões para baixo — o modelo aprende que subestimar é mais barato.
Num contexto de stock, isso significa rutura sistemática. É um enviesamento introduzido pela métrica, não pelos dados, e é invisível para quem não o conhece.
5.2 A recomendação
1 · Uma nas unidades da coisa — euros, unidades, pedidos. É o que permite a quem decide comparar com o custo.
2 · Uma escalada pela linha de base — que responde à única pergunta que interessa: isto é melhor do que não fazer nada?
E, se o negócio for de stock, uma terceira: separar erro por excesso de erro por defeito, porque custam coisas diferentes — um é armazenagem, o outro é venda perdida, e não há razão para os somar como se fossem iguais.
5.3 A média esconde o que interessa
- Olhe para a distribuição do erro, não só para a média (Estatística I). Um erro médio de 5% pode ser 5% todos os dias, ou 1% quase sempre e 60% em cinco dias — e são situações completamente diferentes.
- Erro por horizonte. Prever amanhã e prever daqui a três meses não são o mesmo problema. Reporte separadamente.
- Erro por segmento. Um erro global bom pode esconder um produto ou uma loja com erro catastrófico.
- Quando falha. Se o modelo falha sempre nos picos — que é o padrão típico — então falha exatamente quando a previsão era necessária.
5.4 O erro que a métrica nunca capta
Se prever pouca procura, encomenda-se pouco stock, e vende-se pouco — porque não havia o que vender. A previsão "acertou", e causou o próprio resultado.
Nenhuma métrica de erro deteta isto, porque compara a previsão com o que aconteceu, e o que aconteceu foi influenciado pela previsão. É um problema causal dentro de um problema preditivo (Estatística IV), e é a razão pela qual dados de vendas não são dados de procura: as vendas estão censuradas pelo stock disponível.
Onde isto importa, é preciso registar as ruturas e tratar essas observações como limites inferiores, não como a procura real.
Para uma previsão sua, calcule o erro por horizonte, por segmento, e separando excesso de defeito. Compare com o número único que era reportado. É frequente descobrir que o modelo é bom no fácil e mau no que interessa.
Capítulo 06 Núcleo
Validar no tempo, sem enganar a si próprio
É o capítulo onde se decide se um resultado é real. A validação habitual do software de aprendizagem automática está errada para séries temporais, e o erro é silencioso.
6.1 Nunca ao acaso
Separar dados ao acaso entre treino e teste — o procedimento habitual — significa treinar com dados de dezembro para prever novembro. O modelo sabe o futuro, e o desempenho medido não tem relação nenhuma com o desempenho real.
O sintoma é conhecido: excelente na validação, mau em produção. E é tão comum que vale a pena a regra absoluta — em séries temporais, a separação é sempre por tempo, nunca ao acaso.
6.2 Origem móvel: a validação correta
- Janela crescente — treina sempre com tudo o que houve até ali. Bom quando o passado antigo continua relevante.
- Janela deslizante — treina só com os últimos N períodos. Melhor quando o comportamento muda ao longo do tempo, e permite detetar que mudou.
- Vários horizontes. Avalie a 1, 7 e 30 dias separadamente — o erro cresce com o horizonte e a média esconde isso.
- Muitas origens. Uma única separação treino/teste é uma amostra de tamanho um (Estatística II). Repita ao longo da série e olhe para a distribuição dos erros.
6.3 As cinco fugas de informação
| Fuga | Como acontece |
|---|---|
| Normalizar com tudo | Calcular médias ou escalas sobre a série inteira antes de separar — o treino passa a conter informação do teste |
| Preencher falhas com interpolação | Preencher um valor em falta usando o valor seguinte é usar o futuro |
| Variáveis do próprio momento | Usar como preditor algo que só se conhece depois — o número de encomendas do dia para prever as vendas do dia |
| Dados revistos | Muitos indicadores são publicados e depois corrigidos. Treinar com a versão corrigida é usar informação que não existia |
| Escolher o modelo com o teste | Experimentar vinte configurações e ficar com a melhor no teste transforma o teste em treino (Estatística II, cap. 8) |
Esta informação estava disponível, com este valor, no momento em que a previsão teria de ser feita?
Aplicada a cada variável, uma a uma, apanha todas as fugas da tabela. É chata e é a diferença entre um número que significa alguma coisa e um número que não significa nada.
6.4 O horizonte tem de ser o real
Se a decisão exige encomendar com seis semanas de antecedência, validar a previsão a uma semana é responder a outra pergunta. E a diferença de dificuldade entre os dois horizontes é enorme.
O mesmo vale para a frequência de reestimação: se o modelo em produção vai ser retreinado uma vez por mês, valide-o assim — não retreinando a cada passo, que é o que a simulação faz por omissão e que dá resultados otimistas.
Pegue no seu conjunto de variáveis e aplique a pergunta de 6.3 a cada uma. Marque as que falharem. Depois refaça a validação sem elas e compare o erro — a diferença é a medida da fuga que existia.
Capítulo 07 Prática
Os métodos, do mais simples ao mais complexo
Há uma escada, e a recomendação é subi-la um degrau de cada vez — parando assim que o degrau seguinte não melhorar.
7.1 A escada
| Método | Ideia | Quando é a escolha certa |
|---|---|---|
| Linhas de base | Repetir o último valor ou o do ciclo anterior | Sempre — como comparação (cap. 4) |
| Suavização exponencial | Média ponderada com mais peso no recente | Séries curtas, muitas séries em paralelo, pouca manutenção |
| Suavização com tendência e sazonalidade | O mesmo, com as três componentes | O melhor retorno da lista em dados de negócio |
| Modelos autorregressivos | Regressão sobre os próprios valores passados | Séries com estrutura de dependência clara; poucos dados |
| Regressão com variáveis | Tratar como regressão, com o tempo e o calendário como variáveis | Quando há fatores externos conhecidos: preços, campanhas, feriados |
| Árvores com reforço | Aprendizagem automática sobre variáveis construídas | Muitas séries, muitas variáveis externas, dados suficientes |
| Redes neuronais | Modelos aprendidos de raiz | Muitíssimos dados e séries relacionadas entre si |
Em competições e avaliações comparativas com dados reais de negócio, os métodos simples ficam repetidamente perto ou à frente dos complexos — sobretudo com séries curtas, que são a maioria.
Isto não é anti-tecnologia: é a estrutura do problema. Séries de negócio têm frequentemente poucas dezenas ou centenas de pontos, e um modelo com muitos parâmetros aprende o ruído (Estatística III, cap. 10). O ganho da complexidade aparece quando há muitas séries relacionadas — e aí aparece a sério.
7.2 Onde os métodos de aprendizagem automática ganham
- Muitas séries relacionadas. Mil produtos numa loja: um modelo treinado em todas aprende padrões que nenhuma sozinha tem dados para revelar.
- Muitas variáveis externas. Preço, promoções, meteorologia, concorrência, calendário.
- Relações não lineares. O efeito do preço na procura não é uma reta.
- Séries novas. Prever um produto sem histórico, aproveitando o que se aprendeu com produtos parecidos.
E onde perdem: uma série sozinha, curta, com padrão sazonal claro. Aí a suavização com sazonalidade é difícil de bater, custa a fração do esforço e não precisa de manutenção.
7.3 As variáveis que quase sempre valem a pena
Se optar pela via da regressão ou da aprendizagem automática, estas são as que costumam pagar-se:
- Valores passados a desfasamentos com significado — ontem, há uma semana, há um ano.
- Médias móveis de várias janelas, que dão o nível recente.
- Calendário completo: dia da semana, dia do mês, feriado, véspera e dia seguinte a feriado, semana do ano.
- Dias úteis no período — a correção do capítulo 2, que sozinha elimina muitos falsos sinais.
- Variáveis externas conhecidas com antecedência — e só essas: uma variável que não se conhecerá no momento da previsão é inútil, por muito que ajude na validação (cap. 6).
7.4 Muitas séries de uma vez
Coerência hierárquica. Se prevê por produto, por loja e para o total, as previsões não vão somar. É preciso reconciliá-las explicitamente — e a decisão de qual nível manda é de negócio, não técnica.
Não trate todas igual. Numa carteira de mil produtos, uns poucos representam a maior parte do valor (Estatística I, cap. 4). Vale a pena esforço manual nesses e um método automático simples nos restantes — em vez de um modelo médio para todos.
Corra os três primeiros degraus da escada de 7.1 na sua série, com validação por origem móvel. Se o terceiro não bater o primeiro por uma margem que justifique a complexidade, pare — encontrou a resposta certa e poupou meses.
Capítulo 08 Núcleo
Prever com incerteza
Um número sozinho é uma previsão inútil. O que serve para decidir é o intervalo — e a forma como ele alarga com o horizonte.
8.1 Porque o número sozinho não chega
"Vamos vender 1 000 unidades" pode significar [980; 1 020] ou [300; 1 700]. O ponto central é o mesmo e a decisão de stock é completamente diferente.
Uma previsão sem intervalo transfere silenciosamente o risco para quem decide, sem lhe dizer que o está a fazer. É a mesma exigência de Estatística II: reportar intervalos, não pontos.
8.2 O intervalo alarga com o horizonte
A terceira é a que os métodos não incluem, e por isso os intervalos publicados são quase sempre estreitos de mais: assumem que o mundo continua a comportar-se como no passado, que é precisamente o que falha nos casos que interessam.
8.3 Como obter intervalos honestos
- A partir dos erros da validação. A forma mais honesta e a mais simples: se na validação por origem móvel o erro a 30 dias teve determinada distribuição, use-a. São erros reais, não teóricos.
- Por simulação. Gerar muitos futuros possíveis e olhar para a distribuição — dá também a probabilidade de cenários concretos, como "ficar sem stock".
- Prever percentis diretamente, em vez da média. Útil quando o custo de errar por excesso e por defeito é diferente.
- Cuidado com os intervalos que a biblioteca devolve. Assumem que o modelo está certo e que os erros se comportam bem. Compare-os com os erros observados na validação: é frequente serem bastante mais estreitos.
8.4 O nível de serviço, e a assimetria dos custos
Em stock, ninguém encomenda a previsão central: encomenda-se a previsão mais uma margem de segurança, dimensionada pela incerteza e pela assimetria dos custos.
Se ficar sem produto custa dez vezes mais do que ter a mais, a decisão certa é encomendar um percentil alto — deliberadamente "errando" por excesso na maior parte das vezes. A previsão informa a decisão; não é a decisão (Decisão sob Incerteza).
E daqui sai uma consequência que confunde muita gente: um sistema bem afinado tem de errar por excesso mais vezes do que por defeito. Isso não é um defeito do modelo — é a resposta correta a custos assimétricos, e deve ser dito a quem lê os relatórios.
8.5 Comunicar
- Mostre o intervalo no gráfico, como banda. Um leitor que vê a banda alargar percebe o horizonte sem explicação nenhuma (Comunicação de Dados).
- Traduza para a decisão. "Há 90% de probabilidade de precisar de menos de 1 300 unidades" é acionável; "a previsão é 1 000 ± 300" é um número.
- Diga o que a previsão não cobre. Uma promoção não planeada, um concorrente novo, uma rutura de fornecimento — nada disso está no intervalo.
Para a sua previsão, calcule o intervalo que o modelo devolve e o intervalo empírico a partir dos erros da validação. Compare a largura. Se o do modelo for bastante mais estreito, é ele que está errado — e é o que estava a ser reportado.
Capítulo 09 Método aplicado · Demo
Uma previsão excelente que não valia nada
Role devagar. Um modelo com 4% de erro apresentado como sucesso — e as seis verificações que o desfazem.
4,1% de erro, R² de 0,94, três meses de trabalho
Nada aqui é inventado e todos os números estão corretos. É exatamente por isso que este tipo de relatório passa: não há nenhum erro de cálculo a apontar, e o resultado é bom o suficiente para parecer credível e não tão bom que levante suspeitas.
As cinco verificações seguintes não corrigem contas. Perguntam o que foi medido.
"Hoje é igual ao mesmo dia da semana passada" dá 4,4%
Cinco minutos de trabalho contra três meses, e a diferença é de 0,3 pontos percentuais (cap. 4).
Repare que a linha de base não tinha sido calculada. É o passo mais barato e o mais informativo, e é omitido com uma regularidade impressionante — porque muda a conversa de "o modelo tem 4% de erro" para "o modelo vale 0,3 pontos", que é a única formulação que permite decidir se valeu a pena.
Separação ao acaso: treinou com dezembro para prever novembro
Uma linha de código — a separação por omissão de qualquer biblioteca de aprendizagem automática — e o resultado deixa de ter significado (cap. 6).
Refeita a validação por origem móvel, o erro passa de 4,1% para 9,8%: o modelo é agora duas vezes pior do que não fazer nada. E note-se a assimetria que torna isto perigoso: a linha de base não beneficia da fuga, porque não aprende nada — portanto a fuga favorece sempre o modelo complexo.
Três variáveis só se conhecem depois do que se quer prever
Encomendas do dia, devoluções do dia, tráfego do dia. A previsão serve para encomendar ao fornecedor com seis semanas de antecedência — nesse momento, nenhuma destas existe.
É a pergunta de 6.3: esta informação estava disponível, com este valor, no momento em que a previsão teria de ser feita? Sem elas, o erro sobe para 11,2%. O modelo não estava a prever: estava a reconstruir o presente a partir de coisas que acontecem ao mesmo tempo.
O modelo aprendeu a subestimar, porque a métrica o recompensa
Separando o erro por sinal: subestima em 71% dos dias, e quando subestima erra menos. Não é acaso — é a assimetria do erro percentual do capítulo 5, que limita a 100% o custo de prever a menos e não limita o de prever a mais.
O enviesamento foi introduzido pela métrica de avaliação, não pelos dados nem pelo algoritmo. E traduz-se em ruturas de stock — que é exatamente o custo que o projeto existia para reduzir.
Trinta e quatro dias em que vendas não são procura
Em 34 dos 620 dias houve rutura. Nesses dias, o que a série regista não é quanto as pessoas queriam comprar — é quanto havia para vender. São limites inferiores da procura, não observações dela (cap. 5).
Treinar com eles ensina o modelo a prever valores baixos precisamente nos dias em que a procura era alta — e a recomendar encomendas pequenas que causam a rutura seguinte. É um circuito fechado em que o modelo aprende com os próprios erros e os repete.
Ganhou a suavização com sazonalidade, por 0,4 pontos
Com validação honesta, apenas variáveis disponíveis, dias de rutura marcados e erro reportado por sinal, o melhor modelo é o do terceiro degrau da escada (cap. 7) — e bate a trivial por 0,4 pontos percentuais.
Não é um resultado espetacular, e é verdadeiro. Vale mais do que os 4,1% do início, que não valiam nada. E a recomendação que dele sai é a que a equipa não esperava: usar o método simples, e não o elaborado.
Repare que nenhuma das cinco verificações exigiu conhecimentos avançados. São perguntas — comparaste com o trivial? validaste por tempo? as variáveis existiam? a métrica enviesa? os dados medem o que dizem? — e apanham a maior parte dos projetos de previsão que falham em produção.
Aplique as cinco a um modelo de previsão da sua organização. Se sobreviver às cinco, tem uma previsão a sério. Se não, encontrou porque é que os resultados em produção nunca corresponderam aos da apresentação.
Capítulo 10 Prática
Detetar o que é fora do normal
É o outro grande uso das séries temporais, e é um problema diferente da previsão — embora se resolva com as mesmas peças.
10.1 A ideia
Depois de decompor a série (cap. 2), o resto é o que aconteceu e não era esperado. Uma anomalia é simplesmente um valor do resto grande demais para ser acaso.
Isto resolve de uma vez o erro mais comum da deteção ingénua: alertar porque as vendas caíram no domingo. Caem todos os domingos. O que interessa é caírem mais do que o domingo costuma trazer.
10.2 Definir o limiar
- A partir da distribuição do resto. Meça o desvio típico do resto e alerte acima de N vezes esse valor. Simples e eficaz — com o cuidado do volume I: se o resto tiver cauda pesada, esta regra produz alertas a mais.
- A partir do intervalo de previsão. Se o valor observado cai fora do intervalo previsto, é anómalo. É elegante e reutiliza tudo o que já se construiu.
- Com histerese. Um limiar para disparar e outro, mais baixo, para desligar — evita alertas a piscar quando o valor oscila na fronteira (IoT, cap. 6).
- Exigir persistência. Alertar só se N períodos seguidos estiverem fora. Corta quase todo o ruído e atrasa a deteção — é o compromisso central desta secção.
10.3 O compromisso que decide o sistema
| Limiar | Consequência |
|---|---|
| Apertado | Deteta tudo, e alerta a mais. As pessoas deixam de olhar — que é a pior falha possível |
| Largo | Poucos alertas, todos credíveis, e escapam coisas |
Um alerta que ninguém investiga é pior do que nenhum alerta: consome atenção, treina a equipa a ignorar, e dá uma sensação falsa de vigilância.
Portanto o limiar não se escolhe estatisticamente — escolhe-se pela capacidade de resposta: quantos alertas por semana é que alguém consegue mesmo investigar? Comece por aí e ajuste (Observabilidade & SRE).
10.4 Os quatro tipos, e o que cada um exige
| Tipo | Exemplo | Deteta-se com |
|---|---|---|
| Pico isolado | Um dia com o dobro do tráfego | Limiar sobre o resto |
| Mudança de nível | Caiu 20% e ficou assim | Comparar médias de janelas consecutivas |
| Mudança de padrão | A sazonalidade mudou de forma | Erro do modelo a crescer sistematicamente |
| Ausência | Deixou de chegar dado nenhum | Vigiar a chegada de dados, não só os valores |
A quarta linha é a mais esquecida e a mais grave. Um sistema que vigia valores e não vigia a existência de valores fica em silêncio precisamente quando a recolha se parte — e o silêncio é interpretado como "está tudo bem".
10.5 Anomalia não é causa
Detetar que algo é anormal não diz o que aconteceu, e um alerta útil traz contexto: qual a magnitude, há quanto tempo, que segmentos, e o que mudou nesse momento. Sem isso, o alerta transfere para uma pessoa todo o trabalho de investigação — e a passagem de "isto é estranho" para "isto aconteceu porquê" é matéria de Análise de Causa Raiz e Estatística IV.
Simule o seu detetor sobre o último ano de dados e conte quantos alertas teria disparado. Depois pergunte quantos a equipa conseguiria investigar por semana. Se o primeiro número for muito maior, o limiar está errado — independentemente do que a estatística diga.
Capítulo 11 Crítica
Os limites, e quando não prever
Há séries que não se preveem, e há situações em que uma previsão correta é inútil ou prejudicial. Reconhecê-las é uma competência tão útil como modelar.
11.1 As cinco situações em que não vale a pena
| Situação | Porquê |
|---|---|
| A série é um passeio aleatório | A melhor previsão é o último valor, e nenhum modelo a bate (cap. 3) |
| O regime mudou | O passado descreve um mundo que já não existe — e o modelo não sabe disso |
| Há muita gente a prever o mesmo | Se a previsão fosse fácil, já estaria refletida no preço |
| A decisão é a mesma nos dois casos | Prever é cerimónia |
| Reagir depressa é mais barato | Um sistema que se ajusta em horas não precisa de prever semanas (cap. 4) |
11.2 Mudanças de regime: o problema difícil
Um modelo aprende com o passado. Quando o mecanismo muda — uma pandemia, uma alteração de regulação, um concorrente novo, uma mudança de preço estrutural —, o modelo continua confiante a prever o mundo antigo, e os intervalos continuam estreitos porque a incerteza do modelo não inclui "o mundo mudou" (cap. 8).
Não há solução completa, e há atenuações reais:
- Janela deslizante em vez de todo o histórico — esquece mais depressa.
- Vigiar o erro como métrica. Erro a crescer sistematicamente é o sinal de que o regime mudou, e é o mais fiável que existe.
- Reestimar com frequência, em vez de treinar uma vez e confiar.
- Guardar as épocas anormais marcadas — não apagadas. Apagar destrói informação sobre a variabilidade real; marcar permite excluí-las quando convém e mantê-las quando interessa.
11.3 A previsão que se cumpre a si própria
É o problema conceptualmente mais interessante desta apostila. Sempre que a previsão influencia o resultado, deixa de haver um alvo independente para acertar:
- Prever pouca procura → encomendar pouco → vender pouco → a previsão "acertou" (cap. 5).
- Prever muitos utilizadores → dimensionar bem → o serviço aguenta → confirma-se.
- Prever que um projeto atrasa → a equipa desmotiva → atrasa.
Separar o que se está a prever do que se está a decidir. Prever procura, e não vendas; prever necessidade, e não consumo. E, onde for possível, guardar informação que permita reconstruir o que teria acontecido — registar ruturas, listas de espera, pedidos recusados.
Sem isso, o sistema aprende com as próprias decisões e converge para um equilíbrio que ninguém escolheu — e que parece bom em todas as métricas.
11.4 Duas pressões que degradam previsões boas
- Ajuste manual por conveniência. Quando alguém corrige a previsão para bater a meta, deixa de ser previsão e passa a ser plano. As duas coisas são legítimas e têm de ser documentos diferentes — misturá-las destrói a possibilidade de aprender com os erros.
- Otimizar a métrica em vez do resultado. Se alguém é avaliado pelo erro percentual, aprende a subestimar (cap. 5). A métrica torna-se o objetivo e deixa de medir o que interessava.
11.5 O que o modelo nunca inclui
Vale a pena dizê-lo explicitamente em qualquer relatório de previsão: o intervalo cobre a variabilidade histórica, e mais nada. Não cobre uma promoção não planeada, um concorrente novo, uma rutura de fornecimento, uma mudança de regulação, nem um acontecimento sem precedente na série.
Para isso não há modelo — há cenários e julgamento, que é matéria de Previsão Calibrada e Decisão sob Incerteza. As duas abordagens são complementares e não concorrentes: uma dá o normal com precisão, a outra prepara para o que não é normal.
Para a sua previsão, escreva a cadeia: previsão → decisão → resultado. Se o resultado for afetado pela decisão, tem um circuito fechado. Escreva o que registaria para o quebrar — costuma ser um campo que ninguém guarda.
Capítulo 12 Ofício
Pôr uma previsão a viver em produção
Um modelo que funciona uma vez num caderno não é uma previsão. É uma demonstração. A diferença está toda no que se faz depois.
12.1 A lista de verificação
1 · Linha de base calculada e reportada ao lado do modelo, sempre (cap. 4).
2 · Validação por origem móvel, com o horizonte real e a frequência real de reestimação (cap. 6).
3 · Todas as variáveis passaram a pergunta de 6.3 — existiam, com aquele valor, no momento da previsão.
4 · Intervalos empíricos, a partir dos erros da validação, não os que a biblioteca devolve (cap. 8).
5 · Erro reportado por horizonte, por segmento e separando excesso de defeito (cap. 5).
6 · Período anormal marcado, não apagado.
7 · Vigilância do erro em produção, com alerta quando cresce sistematicamente.
8 · Previsão e plano em documentos separados.
9 · Escrito o que a previsão não cobre.
10 · Definido quando se abandona o modelo e se volta à linha de base.
Defina de antemão o critério de desistência: "se o erro a 30 dias ultrapassar o da ingénua sazonal durante dois meses, voltamos à ingénua sazonal e revemos".
Escrito antes, é uma decisão técnica calma. Discutido depois, com o modelo já a falhar e alguém a defendê-lo, é uma discussão política. É a mesma lógica dos critérios de abandono de Decisão sob Incerteza.
12.2 O que vigiar depois de lançar
| Sinal | Significa |
|---|---|
| Erro a crescer sistematicamente | O regime mudou (cap. 11) — reestimar ou rever |
| Erro enviesado num sentido | O modelo subestima ou sobrestima de forma consistente — corrigível |
| Erro bom no geral e mau num segmento | Tratar esse segmento à parte |
| Dados de entrada a mudar de distribuição | Aviso precoce, antes de o erro subir (MLOps) |
| Previsões a ser ajustadas manualmente | Ou o modelo é mau, ou não é confiável — as duas exigem investigação |
12.3 Os sete erros que se repetem
- Não calcular a linha de base. O mais comum, o mais barato de corrigir, e o que mais projetos teria evitado.
- Validar ao acaso. Produz resultados espetaculares e falsos.
- Usar variáveis do futuro. Frequentemente sem se dar conta.
- Otimizar o erro percentual. Ensina o modelo a subestimar.
- Confundir vendas com procura. O modelo aprende as próprias ruturas.
- Reportar um número sem intervalo. Transfere o risco em silêncio.
- Ir direto ao método complexo. Em séries curtas, os simples ganham com regularidade.
12.4 As cinco ideias que ficam
1 · O tempo quebra a independência
Tudo o que a estatística clássica assume deixa de valer, a começar pela validação.
2 · A trivial primeiro
"É 4% de erro" não significa nada. "É 0,3 pontos melhor do que repetir a semana passada" significa.
3 · Validar por tempo, sempre
E com o horizonte real. Metade dos resultados bons desta área não sobrevive a isto.
4 · A métrica molda o modelo
Escolher a métrica é escolher o comportamento que se vai obter — incluindo o enviesamento.
5 · Um intervalo, não um número
E que alargue com o horizonte, e que se saiba o que não cobre.
E uma sexta
Saber quando não prever é tão útil como prever bem — e poupa mais tempo.
12.5 Para onde ir a seguir
- A série de Estatística: I — Ver os Dados, II — Inferência, III — Regressão, IV — Causalidade. Esta apostila é o caso em que a independência que eles assumem deixa de valer.
- Análise de Dados — fazer isto em Python.
- Machine Learning & IA e MLOps — os degraus altos da escada, e a vigilância em produção.
- Previsão Calibrada — o que fazer quando não há série histórica.
- Decisão sob Incerteza — transformar um intervalo numa decisão com custos assimétricos.
- Comunicação de Dados — mostrar a banda de incerteza a quem não a pediu.
Passe a previsão que a sua equipa usa pelas dez verificações de 12.1 e conte quantas falha. Comece pela primeira — a linha de base — porque é a mais barata e é a que decide se vale a pena fazer as outras nove.