Você está monitorando o comportamento de um cliente recorrente. O valor das compras varia mês a mês, influenciado por promoções, campanhas e hábitos de compra.
Dados:
(a) Explique por que uma progressão geométrica ou aritmética não modela bem esta sequência.
(b) Como uma RNN pode ser usada para prever o valor da próxima compra
?
(c) Quais eventos de marketing poderiam ser adicionados como variáveis de entrada para melhorar a previsão?
(b) Como uma RNN pode ser usada para prever o valor da próxima compra
(c) Quais eventos de marketing poderiam ser adicionados como variáveis de entrada para melhorar a previsão?
Passo 1
O enunciado apresenta uma série temporal de valores de compras mensais de um cliente recorrente, dada por
.
Queremos (a) entender por que uma progressão aritmética ou geométrica não serve aqui, (b) explicar como usar uma RNN para prever e (c) sugerir variáveis de marketing que possam melhorar essa previsão. Para isso, vamos usar conceitos de séries temporais, redes neurais recorrentes e modelagem com variáveis exógenas.
Queremos (a) entender por que uma progressão aritmética ou geométrica não serve aqui, (b) explicar como usar uma RNN para prever
Passo 2
Para ver se é progressão aritmética, calculamos as diferenças sucessivas:
,
,
, … Esses
não são constantes, então não é PA.
Para ver se é progressão geométrica, calculamos as razões: ,
,
, … Essas
também variam muito, logo não é PG.
Em resumo, nem a diferença nem a razão se mantêm estáveis, então nem PA nem PG ajustam esse comportamento irregular.
Para ver se é progressão geométrica, calculamos as razões:
Em resumo, nem a diferença nem a razão se mantêm estáveis, então nem PA nem PG ajustam esse comportamento irregular.
Passo 3
Uma RNN (rede neural recorrente) modela dependências de curto e longo prazo numa sequência. Basicamente:
• A cada mês ela recebe como entrada o valor
(e possivelmente outras variáveis exógenas) e atualiza um estado interno
.
• Esse estado carrega informação dos valores passados e é usado para computar a previsão
.
• Treina-se a RNN minimizando o erro entre e o valor real
usando backpropagation through time (BPTT).
Para prever , alimenta-se a RNN sequencialmente com
, obtém-se o estado
e dele calcula-se
.
• A cada mês
• Esse estado
• Treina-se a RNN minimizando o erro entre
Para prever
Passo 4
Para melhorar a capacidade de previsão, podemos fornecer à RNN informações adicionais sobre eventos de marketing que influenciam as compras. Exemplos de variáveis de entrada exógenas são:
- Indicador de promoção ativa no mês (dummy 0/1).
- Percentual médio de desconto concedido no mês.
- Volume de investimento em campanhas de e-mail ou ads.
- Presença de datas comemorativas ou sazonalidade (por exemplo, Natal, Black Friday).
- Lançamento de novo produto ou benefício de fidelidade.
Resposta
(a) Não é PA porque as diferenças
não são constantes e não é PG porque as razões
também variam.
(b) Treina-se uma RNN para processar sequencialmente , mantendo um estado interno que capta histórico, e a partir dele gera-se a previsão
.
(c) Variáveis de marketing como flags de promoção, nível de desconto, investimento em campanhas, datas sazonais e lançamentos podem ser incluídas como entradas exógenas à RNN para refinar a previsão.
(b) Treina-se uma RNN para processar sequencialmente
(c) Variáveis de marketing como flags de promoção, nível de desconto, investimento em campanhas, datas sazonais e lançamentos podem ser incluídas como entradas exógenas à RNN para refinar a previsão.