Seu produto cresce (tendência) E tem sazonalidade (junho sobe sempre). Um método que captura os dois? Holt-Winters.
Mais complexo, mas acurado demais.
O problema com métodos simples
Média móvel ignora tendência. Regressão linear ignora sazonalidade.
Holt-Winters faz os dois ao mesmo tempo.
Componentes de Holt-Winters
Nível (level): Valor base atual. Como está a demanda agora (ajustando sazonalidade).
Tendência (trend): Está crescendo ou decaindo? Em qual taxa?
Sazonalidade (seasonality): Qual é o fator multiplicador do mês/semana? Junho é 1.5x a base?
Fórmula combina os três pra prever.
Exemplo com números
Produto com crescimento de 2% ao mês E sazonalidade (junho = 1.5x).
Holt-Winters detecta:
– Nível: 100 (base)
– Tendência: +2% ao mês
– Sazonalidade: jan=0.9, fev=0.95, …, jun=1.5, …
Previsão pra junho próximo:
= (Nível atual × crescimento de 12 meses) × (fator de junho)
= (100 × 1.02^12) × 1.5 ≈ 180
Captura crescimento (100 → 126) E sazonalidade (126 × 1.5 ≈ 190, considere ajuste).
Quando usar
Produto crescente com sazonalidade clara. Exemplo: marca nova em moda (crescimento) que tem picos sazonais (verão, inverno).
Atacado com variação semanal + mensal. Segunda é pico, domingo é fundo (semanal). Janeiro é calmo, junho é corrido (sazonalidade).
Não use se: Demanda é caótica (sem sazonalidade clara), ou tendência não é constante (cresce explosivo de repente).
Como implementar
Python: `from statsmodels.tsa.holtwinters import ExponentialSmoothing`
R: `forecast::ets()`
Excel: não tem built-in, mas pode aproximar manualmente.
Mais fácil: usar SaaS de previsão que faz pra você.
O que precisa pra funcionar
– Mínimo 2 ciclos sazonais de dados. Se sazonalidade é mensal, precisa de 24 meses. Se semanal, 8 semanas.
– Dados sem outliers extremos. Um mês louco (promoção emergencial) pode quebrar modelo.
– Sazonalidade consistente. Se padrão muda (junho costuma ser pico, mas ano que vem não é), modelo falha.
Teste de acurácia
Rode modelo nos últimos 12 meses de dados.
Compare previsão vs. realidade (MAPE, abaixo).
Se erro é < 10%, modelo é acurado. Se > 20%, pode não ser confiável.
Ajuste fino
Holt-Winters tem parâmetros (alpha, beta, gamma) que controlam quanto peso cada componente (nível, tendência, sazonalidade) tem.
Automático geralmente acha valores bons. Manual é pra quem quer control fino.
Não recomenda ajustar manual sem entender o que faz.
Quando falha
Se Black Friday é outlier (janeiro normal, novembro 10x), Holt-Winters pode se confundir (acha que novembro é novo normal).
Solução: remover outliers antes, ou usar seasonal naive (simples, não Holt-Winters).
Holt-Winters = crescimento + sazonalidade. Complexo, mas poderoso pra demanda preditível. Teste 7 dias grátis.