Aula 1Considerações de implantação: periodicidade de retreinamento, pipelines de dados, monitoramento de drift e backtesting de previsõesPlaneje a implantação de sistemas de previsão de receita, incluindo periodicidade de retreinamento, pipelines de dados automatizados, monitoramento de drift de dados e conceito, e backtesting contínuo para garantir desempenho estável em condições de mercado mutáveis.
Projetando pipelines de dados robustosAgendando retreinamentos e atualizaçõesMonitorando drift de dados e conceitoBacktesting contínuo e benchmarkingEstratégias de alertas e rollbackAula 2Comunicando previsões aos stakeholders: visualização de previsões pontuais e intervalos, análise de cenários, transparência de premissasComunique previsões de receita de forma eficaz aos stakeholders usando visualizações claras de previsões pontuais e intervalares, análise de cenários e documentação transparente de premissas, limitações e considerações de risco do modelo.
Visualizando previsões pontuais e intervalaresDesign de análise de cenários e what-ifExplicando drivers e features principaisDocumentando premissas e limitesAdaptando mensagens aos stakeholdersAula 3Modelos de séries temporais de aprendizado de máquina: random forests/gradient boosting com features defasadas, XGBoost/LightGBM e modelos de sequência (LSTM/GRU)Treine modelos de aprendizado de máquina para previsão de receita em séries temporais, incluindo ensembles de árvores com features defasadas e modelos de sequência como LSTM e GRU, lidando com não-estacionariedade, sazonalidade e heterogeneidade em nível de produto.
Random forests com features defasadasGradient boosting, XGBoost, LightGBMModelos de previsão globais versus locaisModelos de sequência com LSTM e GRUTratando não-estacionariedade e escalonamentoAula 4Formulando objetivos de previsão e horizontes de avaliação (ex.: próximos 3, 6, 12 meses)Defina metas de previsão para produtos bancários principais selecionando alvos de predição, horizontes e granularidade, alinhando-os com decisões de negócios como orçamento, precificação, planejamento de liquidez e necessidades de relatórios regulatórios ou de risco.
Escolhendo alvos e unidades de receitaSelecionando horizontes e frequência de previsãoAlinhando previsões com decisões de negóciosGranularidade por produto, segmento e regiãoTratando produtos novos e históricos curtosAula 5Identificando e obtendo dados de séries temporais (séries financeiras públicas, volumes de pagamentos, técnicas de geração sintética)Aprenda a identificar, avaliar e obter dados de séries temporais para previsão de receita bancária, incluindo métricas internas de produtos, séries financeiras públicas e dados sintéticos que aumentam com segurança registros históricos escassos ou ruidosos.
Catalogando séries de receita de produtos internosUsando fontes públicas de dados macro e de mercadoColetando dados de volume de pagamentos e transaçõesAvaliando qualidade de dados, lacunas e revisõesGeração de dados sintéticos para cenários de estresseAula 6Treinamento e ajuste de hiperparâmetros: busca em grade/aleatória, otimização bayesiana, pontuação temporalOtimize o desempenho do modelo usando estratégias estruturadas de ajuste de hiperparâmetros, incluindo busca em grade e aleatória, otimização bayesiana e pontuação temporal que respeita a ordenação temporal e foca em horizontes críticos para o negócio.
Definindo espaços de busca e priorsTrade-offs de busca em grade e aleatóriaFluxos de otimização bayesianaValidação e pontuação temporalParada antecipada e limites de recursosAula 7Ensembling de modelos e reconciliação: média simples de modelos, ensembles ponderados, stacking para séries temporaisCombine múltiplos modelos de previsão de receita bancária usando médias simples, ensembles ponderados e stacking, e aplique reconciliação hierárquica para garantir previsões coerentes entre produtos, agências e níveis organizacionais.
Média simples e ponderada de modelosStacking e meta-aprendizes para sériesDiversidade e correlação entre modelosReconciliação hierárquica e agrupadaAvaliando estabilidade de ensembles ao longo do tempoAula 8Métodos baseline de séries temporais: ARIMA, ETS, modelos ingênuos e sazonalmente ingênuos, decomposição (tendência/sazonalidade)Explore modelos baseline de séries temporais para receita bancária, incluindo ingênuos, sazonalmente ingênuos, ARIMA, ETS e decomposição, para estabelecer desempenho de referência e interpretar tendência e sazonalidade antes de usar modelos complexos de aprendizado de máquina.
Benchmarks ingênuos e sazonalmente ingênuosDecomposição clássica de tendência e sazonalidadeModelagem ARIMA para séries de receita bancáriaSuavização exponencial e variantes ETSComparando baselines entre produtosAula 9Engenharia de features para receita: defasagens, médias/média móvel std, diferenciação, efeitos calendário, indicadores de feriados, efeitos de coorte, flags de marketing/campanhaEngenhe features preditivas para receita bancária, incluindo defasagens, estatísticas móveis, diferenciação, efeitos de calendário e feriados, indicadores de coorte e ciclo de vida, e flags de marketing ou campanha que capturam mudanças de demanda e quebras estruturais.
Features de defasagem e lead para receitaMédias móveis, volatilidade e ratiosEfeitos de calendário, feriados e pagamentoFeatures baseadas em coorte e ciclo de vidaFlags de impacto de marketing e campanhasAula 10Divisão de dados e validação cruzada para séries temporais: divisões treino/validação/teste, CV de janela expansiva, CV bloqueadaProjete divisões de dados e esquemas de validação cruzada conscientes do tempo para previsão de receita, incluindo abordagens rolantes e bloqueadas, para evitar vazamento, simular uso em produção e obter estimativas confiáveis de desempenho do modelo ao longo do tempo.
Divisões holdout de treino, validação e testeValidação de janela rolante e expansivaValidação cruzada bloqueada para sazonalidadePrevenindo vazamento temporal em featuresBacktesting sobre múltiplas origens de previsãoAula 11Métricas de avaliação e análise de erro: MAE, RMSE, MAPE, sMAPE simétrico, intervalos de predição e coberturaAvalie previsões de receita usando métricas como MAE, RMSE, MAPE, sMAPE simétrico e cobertura de intervalos, e realize análise detalhada de erros por segmento, horizonte e regime para descobrir vieses e fraquezas do modelo.
Métricas de erro dependentes de escalaMétricas de erro percentual e relativoIntervalos de predição e coberturaDiagnósticos em nível de horizonte e segmentoAnálise de erro por regime e eventosAula 12Regressores macro e externos: usando IPC, desemprego, taxas de juros, mobilidade, Google Trends; seleção de features e alinhamento de defasagensIncorpore regressores macroeconômicos e externos em modelos de receita, como IPC, desemprego, taxas de juros, mobilidade e tendências de busca, e aprenda técnicas para alinhamento de defasagens, escalonamento e seleção de features para evitar overfitting.
Selecionando indicadores macro relevantesAlinhando defasagens entre macro e receitaTransformando e escalonando dados externosSeleção de features e regularizaçãoSobreposições de estresse e cenários com macros
