Você está acompanhando o número de usuários ativos de um aplicativo. A retenção varia por conta de mudanças no produto, concorrência e campanhas de engajamento.
Dados de usuários ativos por mês:
(a) Por que uma equação como
não representa bem os dados reais?
(b) Como uma RNN pode prever o número de usuários ativos no próximo mês
?
(c) Quais variáveis de contexto podem melhorar a performance do modelo?
Dados de usuários ativos por mês:
(b) Como uma RNN pode prever o número de usuários ativos no próximo mês
(c) Quais variáveis de contexto podem melhorar a performance do modelo?
Passo 1
O enunciado nos dá uma série temporal de usuários ativos por mês
e pede:
(a) por que um modelo do tipo
(a) por que um modelo do tipo
não representa bem esses dados;
(b) como uma RNN poderia prever ;
(c) que variáveis de contexto incluir para melhorar a predição.
O conteúdo é modelagem de séries temporais e redes neurais recorrentes.
(b) como uma RNN poderia prever
(c) que variáveis de contexto incluir para melhorar a predição.
O conteúdo é modelagem de séries temporais e redes neurais recorrentes.
Passo 2
(a) O modelo
é um AR(1) determinístico com decaimento fixo de 10% a cada mês. Na prática, temos:
- Flutuações irregulares (o valor sobe de 850 para 950 em
). - Ruído e choques externos (campanhas, concorrência).
- Não captura sazonalidade nem mudanças de tendência.
Logo, um decaimento constante não consegue acompanhar aumentos repentinos nem variações de magnitude.
Passo 3
(b) Uma RNN prevê
aprendendo padrões de dependência temporal. Funciona assim:
- Para cada mês
a RNN atualiza seu estado oculto via
onde
é uma função de ativação (ex.: tanh).
2. Gera a saída estimada por
2. Gera a saída estimada
- Treina os pesos
minimizando o erro entre e nos dados de treino. - Depois de treinar até
, alimenta e para gerar .
Passo 4
(c) Para melhorar a predição, podemos enriquecer o vetor de entrada em cada passo com variáveis de contexto que afetam retenção, por exemplo:
• Gasto em marketing ou número de campanhas no mês .
• Lançamentos de novas funcionalidades ou versões do app.
• Indicadores de concorrência (preço ou tráfego dos rivais).
• Sazonalidade (mês do ano, feriados).
• Métricas de engajamento (tempo médio no app, sessões diárias).
• Eventos externos (pandemias, crises econômicas).
• Gasto em marketing ou número de campanhas no mês
• Lançamentos de novas funcionalidades ou versões do app.
• Indicadores de concorrência (preço ou tráfego dos rivais).
• Sazonalidade (mês do ano, feriados).
• Métricas de engajamento (tempo médio no app, sessões diárias).
• Eventos externos (pandemias, crises econômicas).
Resposta
(a) Porque um decaimento fixo de 10% não captura variações, choques e reversões de tendência observados nos dados reais.
(b) Treinando uma RNN que atualiza seu estado oculto com
(b) Treinando uma RNN que atualiza seu estado oculto
e produzindo a previsão
podemos, após treinar até
, gerar
.
(c) Variáveis de contexto como gasto em marketing, lançamentos de produto, indicadores de concorrência, sazonalidade, métricas de engajamento e eventos externos ajudam a capturar melhor as oscilações da série.
(c) Variáveis de contexto como gasto em marketing, lançamentos de produto, indicadores de concorrência, sazonalidade, métricas de engajamento e eventos externos ajudam a capturar melhor as oscilações da série.