O que é uma série temporal?

Imagine que você tenha uma variável numérica, acompanhada ao longo do tempo. Você vende sorvete na praia e quer acompanhar as suas vendas no último mês, por exemplo. 

A série temporal é um método estatístico utilizado para fazer a análise dessa demanda. É composta por uma sequência de medições de uma variável, feitas ao longo do tempo em intervalos determinados, na qual os valores vizinhos são temporalmente dependentes, com distribuição não necessariamente estável. 

As séries temporais permeiam o nosso cotidiano, sendo utilizadas para mostrar índices ou medições como taxas de desemprego, natalidade, flutuações nos preços de produtos, entre muitos outros. 

A análise dessas séries é importante para o entendimento do mercado, auxiliando na elaboração de planos de ação e estratégias. 

O que acontece? Utiliza-se o histórico da variável para projetar observações futuras, tendo uma ideia de como a variável poderá se comportar nos próximos períodos. 

Séries temporais e suas aplicações | Alura Cursos Online

Fonte: Alura

E pra quê serve isso?

A análise das séries temporais visa dois objetivos específicos:

  1. Descrição e modelagem: caracterização da série de dados, ajuste de modelos matemáticos, extração de índices e comparação entre variáveis ou séries obtidas de fontes distintas
  2. Previsão: baseada na ideia de que o que acontece no futuro próximo depende do que aconteceu ou está acontecendo agora. A partir do entendimento de padrões passados, é possível fazer predições eficazes. 

Quais são as regras? 

Compilamos oito regras simples para ajudar no seu entendimento das séries temporais, como elas operam e como utilizá-las na prática. 

Essas regras foram compiladas dos aprendizados de vários cientistas de dados e economistas bem sucedidos, que aprimoraram suas habilidades de análise de séries temporais ao longo dos anos. 

  1. As previsões comerciais e econômicas s!ao exercícios de gerenciamento de incerteza. Um modelo de previsão que não produz intervalos de previsão, ou quantil, ou variações e etc, é tão útil quanto um jogo de cara ou coroa. 
  2. Seus casos de previsão de negócio não são M5. não use a métrica de precisão M5 para avaliar o desempenho do modelo em suas séries temporais proprietárias. 
  3. Às vezes, uma previsão plana é a melhor previsão que você pode obter. Não se deixe seduzir por modelos de previsão que decoram suas previsões planas com oscilações espúrias da série Fourier em nome da elegância preditiva e da estética Matplotlib. 
  4. O debate sobre os métodos ML versus Estatística na previsão de séries temporais é tão útil para a comunidade de previsão quanto um debate sobre o uso de garfos ou colheres na mesa de jantar.
  5. Seus participantes de negócios contribuirão tanto, ou mais, para a qualidade de suas previsões quanto seus engenheiros e cientistas de dados do ML. Entretanto, esses últimos são essenciais para um processo maduro. 
  6. Pragmatismo é o princípio orientador de todas as estruturas de previsão automatizada. A agilidade é a segunda diretriz fundamental de uma estrutura de previsão. 
  7. Os verdadeiros indicadores principais são extremamente raros, e possuem uma vida muito curta. Foque em covariantes, atributos estáticos e aproveitamento das semelhanças entre séries temporais relacionadas o máximo possível. 
  8. Os requisitos de modelagem para qualquer uso de série temporal em negócios são ditados completamente pela decisão que você planeja tomar com base nessas previsões. Portanto, mantenha seus stakeholders o mais próximo possível. 

 

Published On: julho 1st, 2021 / Categories: Data Science, Estatística, Fundamentos /

Aprenda a conseguir trabalho

Se inscreva para receber acesso gratuito ao módulo Conseguindo Trabalho!

Obrigado por se inscrever!
Houve um erro ao enviar sua inscrição. Tente novamente mais tarde.

Ao acessar, você concorda em receber nossos comunicados.