Previsão do KPI

Previsão do KPI

A previsão do KPI não é «adivinhar o gráfico», mas sim um caminho controlado: dados corretos → um modelo adequado → cenários e interpretação → monitoramento operacional. Abaixo, folha de cheque do sistema e arquitetura que vão de filas simples a previsões de carteira, hierárquicas e prováveis.

1) Produção de tarefas

O que prevemos? nível, delta, quântil, intervalo, evento (spike).
Horizonte/passo: horas/dias/semanas/meses; janelas rolling para controle de curto prazo.
Unidade: produto/marca/país/plataforma/canal.
Contexto de negócios: alavancagem controlada (promoção, preços, lançamentos) e restrições (SLA, RG/Complance).
Valores e riscos: custo da pena/falta de abertura, multa de alertas falsas.

2) Dados e preparação

Grãos e calendário: calendário único (feriados/fins de semana/salários), horário local (UTC + apresentações locais).
Unidades e consistência: DAU/WAU/MAU, GGR/Net, ARPU, retenção (D7/D30), conversões de vórtices, latency p95 - armazenar como vitrines individuais com fórmulas explícitas.
Reguladores (X): promoção/bônus, campanhas, variação de preços, lançamentos de conteúdo, eventos esportivos, taxas de câmbio, tempo (se relevante).
Anomalias e omissões: Marcamos, não removemos cegamente; para eventos - bandeiras «one-off».
Estabilidade de diagramas: os pontos de turno de versão de produto/medição são captados como eventos.

3) Tipos de KPI e características de modelagem

Volume aditivo (receitas, depósitos): Os ETS/ARIMA/GBM/Temporal-NN funcionam bem.
Lóbulos e conversões: linhas de logit, modelos beta-binômios, regressão com restrições [0,1].
Coeficientes e relações (ARPU): modelamos o numerador e o denominador separadamente, em seguida a composição.
Filas intermitentes (eventos raros, chargeback): Croton/SBA/TSB, abordagens zero-inflated.
Hierarquias (strana→brend→kanal): Recordation: Bottom-Up, Top-Down, MinT.
KPI composto (GGR, por exemplo): disagregue drivers: tráfego x conversão x frequência x cheque médio.

4) Modelos: de base para avançados

Basline: Naive, Seasonal Naive, Drift - necessário para uma avaliação honesta.
Clássicos da série ETS/ARIMA/SARIMA; Prophet para estações rápidas e feriados.
Regressores: ARIMAX/ETS + X, regressão dinâmica, TBATS para múltiplas estações.
Busting de gradiente/NN de tabela: LightGBM/XGBoost/TabNet com blacks, estatísticas de janelas, calendário e promoção.
Temporais NN: N-Beats, TNT (Temporal Fusion Transformer) - para séries multi e ricas X.
Probabilidades: regressão quântil (pinball loss), Gaussian/Student-t, quantile forests/GBM.
Causalidade e cenários: DiD/SC para avaliar o efeito da promoção; uplift para planejar «o que acontece se ligarmos».

5) Descomposição e sinais

T + S + R: tendência + sazonalidade (dia da semana/mês/hora) + saldo.
Lagoas e janelas: 'y _\t-1... t-28 a.r.', meio deslizando/std, . suavização; «Caudas de Natal».
Categóricos: país/canal/OS como embeddings/one-hot.
Eventos: lançamentos/promoções/banners - binários/intensidade.
Controle Leakage, apenas informações do passado.

6) Avaliação e backtesting

Splits: rolling/expeding origin; bloqueamos a sazonalidade (semanas/meses múltiplos).
Métricas de nível: MAE, RMSE, MAPE/sMAPE, WAPE (mais confiável em zeros).
Métricas prováveis: pinball loss (q = 0. 1/0. 5/0. 9), CRPS, calibração de espaçamento (coverage, SHARP).
Métricas de eventos/conjunções: precisão/recall por detecção de emissão.
Regra Basline: O modelo deve ganhar do Seasonal Naive.
Estabilidade: dispersões de erro por segmento/feriado; out-of-time (últimas semanas N).

7) Previsão hierárquica e negociação

Bottom-Up: resumimos «baixo»; Simples, mas barulhento.
Top Down: Distribuímos em partes históricas.
MinT (optimal reconciação): Minimiza a cobiça de erros - o melhor compromisso para o «baixo» rico.
Prática: ensinar modelos básicos em cada nível, depois concordar.

8) Previsões e interpretações prováveis

Quantili: q10/q50/q90 → planejamento «pessimista/base/otimista».
Espaçamento: cobertura de destino (por exemplo, 80 %/95%); Verificamos a calibragem.
Custo de risco: Planeje com o VaR/expected condicional shortfall para KPI com perdas assimétricas (a falta de oferta é mais cara que a reprograma, e vice-versa).

9) Simulação de cenário

Cenários exógenos: «sem promoção/s promoção», «curso de £10%», «final de futebol».
What-if: Alterando X (intensidade das campanhas, limites, preços) → previsão KPI e intervalos de confiança.
A ponte (bridge) de fatores: contribuição de estações, promoção, preços, tendência, choque/incidente.

10) Circuito de operação e MLOs

Taxa de reaproveitamento: KPI de curto prazo - diária/semanal; mensais - T + 1/T + 3.
Camadas/artefatos (paridade online/offline), registro de modelos, versões de dados/fórmulas KPI.
Monitoramento: WAPE/SMAPE sobre a janela deslizante, revestimento de intervalos, à deriva de sinais (PSI), atraso dos fids, SLA geração.
Alertas: aumento do erro> limiar, intervalos não calibrados, destruição da sazonalidade.
Fail-safe: degradação → retrocesso para Seasonal Naive/ETS; modelos freeze em picos de festa.
Histeresis: liminares diferentes de ativação/desligamento de «regressores promocionais» para não «piscar».

11) Especificidades de alimentos e iGaming-KPI (mapa modelo)

Tráfego/atividade: DAU/WAU/MAU, considerando os jogos-dias/lançamentos.
Monetização: GGR/Net, depósitos, ARPU/ARPU - forte sazonalidade «noite/fim de semana/feriado».
Retenção: D1/D7/D30 - é melhor prever como probabilidade (logit) com calendário.
Riscos: rate chargeback (intermitente), RG (políticas/feriados), antifrod.
Operações: latency p95/p99, erros de transação compatíveis com anomalias/influências causais de lançamento.

12) Modelos de artefatos

A. Passaporte de previsão KPI

KPI/código: 'GGR _ EUR' (versão da fórmula)

Horizonte/passo: 8 semanas, dia

Hierarquia: brend→strana→platforma

Regressores: 'promo _ spend', 'fixtures _ flag', 'holiday', 'fx _ rate'

Modelo: 'TNT _ v4' (q10/q50/q90) + MinT reconciação

Métricas: WAPE (abs. alvo ≤ 8%), coverage 90% - interdição ≥ 85%

SLO: geração de ≤ 10 min depois das 06:00; liga de dados ≤ 1 h

Proprietários: Monetização Analytics; data de revisão 2025-10-15

Relatório de Resolução-ready (esqueleto)

Título: «GGR: previsão de 8 semanas, q10/q50/q90»

Chave: Risco de falência na 3ª semana 22% (ES = - € X)

Drivers: + sazonalidade de fim de semana, + efeito promo, - FX

Recomendações: deslocar o orçamento para semanas de baixo risco, elevar os limites para os canais A/B

C pseudo-código Pipline (rápido)

python
1) load data y, X, calendar = load_series_and_regressors()
2) build features ds = make_lags_and_windows(y, X, lags=[1,7,14,28], roll=[7,14,28])
ds = add_calendar_features(ds, calendar) # holidays, dow, month_end
3) split cv = rolling_backtest(ds, folds=6, horizon=28)
4) models m1 = ETSx(). fit(ds. train)         # baseline m2 = LightGBMQuantiles(q=[0. 1,0. 5,0. 9]). fit(ds. train)
5) evaluate scores = evaluate([m1,m2], cv, metrics=['WAPE','pinball'])
6) retrain full + reconcile forecasts = reconcile_minT(train_and_forecast([m2], hierarchy))
7) report + push publish(forecasts, scores, sla=timedelta(minutes=10))

13) Erros frequentes e anti-pattern

MAPE a zeros: use WAPE/sMAPE.
Média média: Agregue números/denominadores separadamente.
Ignorar feriados/lançamentos: Adicione regressores e datas «pós».
Fichas com informações futuras (target leakage).
Modelos muito «inteligentes» sem beisline: Primeiro, ganhe o Seasonal Naive.
Espaçamento não calibrado: «bonito, mas vazio» - verifique o coverage.
Incoerência das hierarquias: sem a reconciação, o plano geral é dissolvido.
Falta de fail-safe, no auge das festas, o modelo «pendura», os planos desmoronam.

14) Monitoramento de venda

Qualidade: WAPE rolling, pinball por quanteis, coverage 80/95%.
Estabilidade: PSI por sinais fundamentais, à deriva da sazonalidade.
Operações: tempo de geração, dados,% de folbacks.
Alerts: regra 3g para erro, violação do SLO, separação de hierarquias.
Runibuk: modo freeze, desligamento de regressores «ruidosos», força-freeze.

15) Folha de cheque antes do lançamento

• KPI definido e versionalizado (camada semântica)
• Calendário/feriado/regravação concordados e testados
• Os Basline (Naive/Seasonal) foram derrotados no backtesting
• Métricas selecionadas (WAPE/pinball) e liminares de destino
• Os intervalos estão calibrados; cenários «pessimista/base/otimista» reunidos
• Hierarquias concordam (MinT/Top-Down)
• MLOps: horário de treinamento, monitoramento, alertas, fail-safe
• Documentação: passaporte de previsão, receitas SQL/fiche, incidentes de runibook

Resultado

A previsão do KPI é uma arquitetura de soluções: definições claras, calendário rico e regravadores, baslines justos, previsões prováveis, alinhamento hierárquico, MLOs estável e planejamento de cenários. Este caminho fornece expectativas plausíveis, riscos gerenciáveis e relatórios «decise-ready» que alimentam diretamente planejamento, marketing, operações e compliance.