O teu website recebe cerca de 400 visitantes na maioria das semanas. Mas a semana passada foram 600. Na próxima podem ser 300. O padrão não é aleatório: é sazonal. O verão tem menos tráfego. O fim do mês tem mais. Os dias de semana têm mais do que os fins de semana.
A previsão de séries temporais usa esses padrões para prever o tráfego futuro. Este artigo explica como reconhecer padrões nos teus dados e usá-los para prever o que aí vem.
A previsão de séries temporais é a prática de analisar dados históricos ordenados no tempo e usar padrões para prever valores futuros. Olhas para o teu tráfego semana a semana ou mês a mês ao longo de um ano. Identificas padrões (picos, vales, ciclos sazonais). Depois projetas esses padrões para a frente.
Ao contrário da análise preditiva em geral, a previsão de séries temporais é especificamente sobre sequências ao longo do tempo. Reconhece que o que aconteceu na semana passada influencia o que acontece esta semana. O tempo pode afetar o tráfego. As estações afetam as compras. Os dias da semana afetam o comportamento.
Que padrões existem nos dados de um website
A maioria dos websites tem padrões que se repetem. Aprender a vê-los é o primeiro passo para prever.
Padrões diários
Os dias de semana têm mais tráfego do que os fins de semana nos sites B2B. Os fins de semana têm mais nos sites de lojas online e de entretenimento. As horas da manhã têm mais visitas de escritório do que as da tarde. Isto é consistente de semana para semana.
Se o teu tráfego é 600 às segundas e 400 aos sábados, esse padrão provavelmente repete-se. A previsão de séries temporais usa essa regularidade.
Padrões semanais
Se publicas conteúdo às terças, o tráfego dispara na terça. Se envias campanhas de email nas manhãs de quinta, o tráfego tem o pico na quinta. Estes padrões repetem-se todas as semanas.
Acompanha um mês de dados e vais ver o ritmo semanal. Quando o vires, podes prevê-lo.
Padrões sazonais
Janeiro é mais lento do que dezembro. O verão é mais lento do que o outono. A época dos impostos é mais movimentada para serviços de contabilidade. A previsão de séries temporais capta estes ciclos de vários meses.
Precisas de pelo menos um ano de dados para identificar padrões sazonais. Seis meses é o mínimo para padrões semanais.
Padrões de tendência
Além dos ciclos sazonais, alguns sites têm tendências mais longas. Os sites novos crescem de forma estável (tendência ascendente). Os sites maduros estabilizam. Alguns descem. A previsão de séries temporais separa a tendência de longo prazo do ruído sazonal.
Se a tua tendência é crescer 10 por cento ao ano e o teu padrão sazonal mostra picos no quarto trimestre, podes prever o quarto trimestre do próximo ano: o quarto trimestre do ano passado mais 10 por cento de crescimento mais o ajuste sazonal.
A matemática por trás da previsão de séries temporais
Não precisas de saber a matemática para a usar, mas perceber o conceito ajuda.
A previsão de séries temporais decompõe os teus dados em componentes:
Tendência: direção de longo prazo (a crescer, a descer, estável)
Sazonal: padrões que se repetem (diários, semanais, mensais, anuais)
Variação aleatória: ruído que não segue nenhum padrão
Fórmula: valor real = tendência + sazonal + aleatório
A previsão prevê a parte da tendência e a parte sazonal. A parte aleatória continua imprevisível.
Exemplo: o teu tráfego esta semana foi 500.
Componente de tendência: +50 (a crescer 50 por semana)
Componente sazonal: +100 (esta semana é época alta)
Componente aleatória: -50 (apenas ruído)
Real: 50 + 100 - 50 = 100. Base de 400 + 100 = 500.
Semana seguinte sem o acontecimento especial (sem pico aleatório):
Tendência: +50
Sazonal: -75 (a próxima semana é época baixa)
Aleatório: 0
Previsão: 400 + 50 - 75 = 375
Isto está simplificado, mas o conceito é que a tua previsão separa o sinal (tendência mais estação) do ruído (aleatório).
Métodos de previsão simples para donos de websites
Não precisas de algoritmos complexos. Os métodos simples funcionam bem.
Método 1: comparação do mesmo período
O tráfego desta segunda-feira teve uma média de 600 no último ano. A próxima segunda-feira vai provavelmente andar pelos 600.
Esta é a previsão mais simples: olhar para o mesmo dia ou a mesma semana do ano passado.
Método 2: tendência mais sazonal
O tráfego cresceu 10 por cento de um ano para o outro e os dezembros são 50 por cento acima da média.
Previsão para dezembro do próximo ano: (dezembro passado) vezes 1,10 (para 10 por cento de crescimento) dá a tua previsão.
Método 3: média móvel
Faz a média das últimas 4 semanas de tráfego. Essa é a tua base. Depois acrescenta o ajuste sazonal.
Se a base é 500 e dezembro costuma andar nos 550, a tua previsão para dezembro é 550.
Método 4: suavização exponencial
Dá mais peso aos dados recentes do que aos antigos. As semanas recentes importam mais do que os dados de há um ano, porque as coisas mudam.
Se as últimas 4 semanas tiveram uma média de 480 e a média de há um ano era 450, confia mais nos dados recentes. Prevê mais perto de 480 do que de 450.
Decomposição sazonal: a técnica essencial
A decomposição sazonal separa os teus dados em componentes de tendência, sazonal e aleatória. É a base da maioria das previsões precisas.
Passo 1: reúne um ano completo de dados (ou vários anos, se quiseres precisão).
Passo 2: calcula a média de cada período (cada segunda-feira, cada mês, etc.). Estes são os teus índices sazonais.
Passo 3: calcula a tendência ajustando uma linha aos dados. Está a crescer? A descer? Estável?
Passo 4: remove a tendência e o sazonal para ver o ruído. A variação aleatória é o que sobra.
Passo 5: projeta para a frente usando as componentes de tendência e sazonal. Soma de volta a variação sazonal à linha de tendência.
Podes fazer isto com contas simples numa folha de cálculo ou usar ferramentas de previsão que o fazem automaticamente.
Ferramentas que facilitam a previsão de séries temporais
Não precisas de software avançado. As ferramentas básicas funcionam:
Google Sheets: função FORECAST incluída
Outras folhas de cálculo: FORECAST ou FORECAST.LINEAR
Bibliotecas de Python: bibliotecas de previsão e modelos como ARIMA e LSTM
Plataformas de estatísticas: muitas acompanham previsões automaticamente
As estatísticas da WEMASY poderiam integrar previsões, mostrando-te o tráfego previsto para o próximo mês com base em padrões históricos.
Limitações da previsão de séries temporais
A previsão de séries temporais assume que o passado prevê o futuro. Não tem em conta acontecimentos únicos.
Se lançares uma grande campanha, a previsão falha. Se o Google mudar os resultados de pesquisa, a previsão está errada. Se a economia mudar, os padrões mudam.
A previsão de séries temporais funciona quando as condições se mantêm estáveis. Falha quando as condições mudam.
Como usar as previsões na prática
As previsões não são garantias. São guias para planear.
Se prevês 600 visitantes na próxima semana, planeia para 600, mas mantém-te flexível. Se tiveres 450, investiga o que mudou. Se tiveres 800, celebra, mas percebe porquê.
Usa as previsões para:
Planeamento de capacidade: vais precisar de mais servidores? Mais pessoal de apoio?
Planeamento de campanhas: qual é a melhor altura para lançar?
Previsão de receita: como vai ser a receita no próximo trimestre?
Comparação com a base: essa mudança fez diferença ou foi só sazonal?
Perguntas frequentes
De quantos dados históricos preciso para prever com exatidão?
Pelo menos 6 meses para padrões semanais. Pelo menos 2 anos para padrões sazonais (para veres vários ciclos). Mais dados dão previsões mais exatas. Quando tiveres um ano, já podes prever com confiança. Com o criador de websites da WEMASY, podes configurar isto diretamente no teu website.
E se os meus dados forem erráticos, sem padrão claro?
Alguns websites têm tráfego imprevisível (sites novos, conteúdo viral, notícias políticas, etc.). A previsão de séries temporais exige padrões. Se os teus dados são ruído, prever não vai ajudar. Foca-te na tendência.
Posso prever separadamente diferentes segmentos do meu tráfego?
Sim. Prevê a pesquisa orgânica, os anúncios e o email em separado. Cada um pode ter padrões diferentes. Depois soma-os para a previsão total. Isto costuma funcionar melhor do que prever o tráfego total.
Devo ajustar a minha previsão manualmente?
Se sabes que vem aí algo (uma campanha, o lançamento de um produto, um evento sazonal), ajusta a previsão para o ter em conta. O algoritmo não conhece os acontecimentos; tu conheces. Usa o teu conhecimento para afinar a previsão.
Com que frequência devo atualizar a minha previsão?
Pelo menos todos os meses. Acrescenta dados novos, recalcula a previsão. Se os padrões mudarem (nova campanha, mudança de mercado), recalcula logo. Não assumas que a previsão do mês passado ainda é válida.
A previsão de séries temporais é o mesmo que a análise preditiva?
Parecida, mas diferente. A análise preditiva usa muitas variáveis (gasto em anúncios, tipo de conteúdo, sazonalidade, etc.). A previsão de séries temporais foca-se numa variável ordenada no tempo. As séries temporais são mais simples; a preditiva é mais complexa.