Modelagem Preditiva

Finalidade

Duas ferramentas de previsão: suavização exponencial em uma série sazonal sintética, e uma cadeia de Markov absorvente que dá a probabilidade de conversão.

Variáveis

• y_tvalor observado no tempo t
• ŷ_tprevisão para o tempo t
• αpeso da observação mais recente
• N, Bmatriz fundamental e probabilidades de absorção

Premissas

• A série é sintética: tendência, uma estação de 12 períodos e ruído, a partir da semente.
• A suavização não tem termo sazonal de propósito, para mostrar onde ela falha.
• As probabilidades da cadeia são ilustrativas; as linhas somam 1, e o restante vai para Saída.

Modelo

Dados que exigiria na prática

• Uma série temporal real com histórico para cobrir uma estação completa.
• Registros reais de navegação ou de cobrança, com consentimento, para estimar as transições.
• Um período separado para medir o erro de previsão.

Interpretação

Um α alto acompanha os dados mas amplifica o ruído; um α baixo atrasa. O melhor α minimiza o erro. Como a série é sazonal, só a suavização fica bem acima do nível de ruído: o modelo está incompleto, e o laboratório mostra isso. Na cadeia, B dá a probabilidade de terminar em conversão a partir de cada estado inicial.

Limitações

• O erro de um passo em dados sintéticos não diz nada sobre dados reais.
• A hipótese de Markov ignora o histórico.
• As probabilidades aqui não foram medidas.