E assim, a previs\u00e3o constru\u00edda aparece no gr\u00e1fico. Passando o mouse sobre os valores de previs\u00e3o, \u00e9 poss\u00edvel ver os valores num\u00e9ricos previstos, bem como o intervalo previsto pelo percentual de confian\u00e7a.<\/p>\n\n\n\n

Personaliza\u00e7\u00e3o do modelo de previs\u00e3o<\/h2>\n\n\n\n

O Zoho Analytics pode automaticamente selecionar o melhor modelo de previs\u00e3o para os conjuntos de dados. Entretanto, as vezes o usu\u00e1rio precisa especificar o modelo de predi\u00e7\u00e3o. Isso \u00e9 poss\u00edvel mudando o campo de modelo de previs\u00e3o para personalizado, no passo 3 do tutorial acima.<\/p>\n\n\n\n

ARIMA<\/strong>(Auto-Regressive Integrated Moving Average): \u00c9 um m\u00e9todo de previs\u00e3o que leva em conta transforma\u00e7\u00f5es sucessivas, at\u00e9 que se obtenha um modelo com menos barulho branco. Os par\u00e2metros podem ter ajustados tanto na ARIMA como em sua parte de modelagem sazonal. <\/p>\n\n\n\n

<\/figure>\n\n\n\n

• Autorregressiva:<\/strong> Indica o n\u00famero de par\u00e2metros auto-regressivos da s\u00e9rie de dados.<\/li>
• Diferencia\u00e7\u00e3o:<\/strong> Indica a quantidade de vezes que um ponto dos dados precisa ser diferenciado (diminu\u00eddo) para que se tenha um sinal estacion\u00e1rio. <\/li>
• M\u00e9dia m\u00f3vel<\/strong>: Indica o n\u00famero de valores anteriores que s\u00e3o considerados em cada momento da s\u00e9rie temporal.<\/li>
• Frequ\u00eancia: <\/strong>Indica a quantidade de dados entre uma repeti\u00e7\u00e3o e outra, isto \u00e9, frequ\u00eancia com que ha repeti\u00e7\u00e3o nos dados da s\u00e9rie. <\/li><\/ul>\n\n\n\n

  ETS<\/strong> (Exponential Smoothing Technique): \u00c9 uma t\u00e9cnica de previs\u00e3o que se baseia na valoriza\u00e7\u00e3o exponencial dos valores mais recentes, isto \u00e9, quanto mais antigo o valor, menos relevante ele \u00e9 para a previs\u00e3o. \u00c9 poss\u00edvel escolhera tendenciaria (Trend) e Sazonalidade (Seasonality). Os par\u00e2metros da ETS Tamb\u00e9m podem ser personalizados, mudando de “Autom\u00e1tico” para “Personalizado” e definindo seus valores.<\/p>\n\n\n\n

  • Alfa: <\/strong>\u00c9 o fator de suaviza\u00e7\u00e3o da previs\u00e3o. Indica o quanto a import\u00e2ncia dos valores do passado decair\u00e1 exponencialmente. Deve ser entre 0 e 1.<\/li>
  • Beta:<\/strong> \u00c9 o fator de suaviza\u00e7\u00e3o da tend\u00eancia, tamb\u00e9m deve ser entre 0 e 1.<\/li>
  • Gama: <\/strong>\u00c9 o fator de suaviza\u00e7\u00e3o da sazonalidade, e controla o quanto esta influenciar\u00e1 na previs\u00e3o., tamb\u00e9m deve ser entre 0 e 1.<\/li>
  • Fi: <\/strong> \u00c9 o fator de amortecimento do gr\u00e1fico da previs\u00e3o. tamb\u00e9m deve ser entre 0 e 1.<\/li>
  • Frequ\u00eancia<\/strong>: Indica a quantidade de dados antes da repeti\u00e7\u00e3o, isto \u00e9, o quanto os dados se repetem ao longo da serie temporal.<\/li><\/ul>\n\n\n\n

    <\/figure>\n\n\n\n

    STL<\/strong>(Seasonality Trend Loess Decomposition): \u00c9 uma t\u00e9cnica de previs\u00e3o que leva em conta os dados como sazonais para retornar uma previs\u00e3o com tend\u00eancia, sazonalidade e componentes de erro. Pode ser aditiva ou multiplicativa, e \u00e9 poss\u00edvel especificar a frequ\u00eancia dos dados. <\/p>\n\n\n\n

    <\/figure>\n\n\n\n

    Regress\u00e3o: <\/strong> \u00c9 um modelo de previs\u00e3o que leva em conta a regress\u00e3o dos dados atrav\u00e9s de uma fun\u00e7\u00e3o matem\u00e1tica predeterminada. Pode ser:<\/p>\n\n\n\n

    • Linear<\/strong>: Gr\u00e1fico de linha.<\/li>
    • Logar\u00edtmica<\/strong>: Com base em um crescimento logar\u00edtmico.<\/li>
    • Exponencial<\/strong>: Com base em um crescimento ou decrescimento exponencial.<\/li>
    • Potencia: <\/strong> Com base em uma s\u00e9rie de pot\u00eancias. <\/li>
    • Polinomial<\/strong>: Um polin\u00f4mio de grau determinado.<\/li><\/ul>\n\n\n\n

      <\/figure>\n","protected":false},"excerpt":{"rendered":"

      As melhores previs\u00f5es poss\u00edveis para o futuro s\u00e3o feitas atrav\u00e9s da an\u00e1lise dos dados. Atrav\u00e9s dessas previs\u00f5es, \u00e9 poss\u00edvel incrementar a todas e decis\u00f5es, al\u00e9m de conter poss\u00edveis danos ou simplesmente ter uma no\u00e7\u00e3o do que vem por a\u00ed no futuro da empresa. No Zoho Analytics, essas previs\u00f5es s\u00e3o feitas atrav\u00e9s de gr\u00e1ficos, podendo escolher […]<\/p>\n","protected":false},"author":13,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[23],"tags":[],"class_list":["post-4975","post","type-post","status-publish","format-standard","hentry","category-zoho-analytics","entry"],"_links":{"self":[{"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/posts\/4975","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/users\/13"}],"replies":[{"embeddable":true,"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/comments?post=4975"}],"version-history":[{"count":2,"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/posts\/4975\/revisions"}],"predecessor-version":[{"id":5272,"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/posts\/4975\/revisions\/5272"}],"wp:attachment":[{"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/media?parent=4975"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/categories?post=4975"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/outsmart.com.br\/wp-json\/wp\/v2\/tags?post=4975"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}