Aula 1Considerações de implantação: cadência de retreinamento, pipelines de dados, monitoramento de drift e backtesting de previsõesPlaneje a implantação de sistemas de previsão de receita, incluindo cadência 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.
Projeto de pipelines de dados robustosAgendamento de retreinamento e atualizaçõesMonitoramento de drift de dados e conceitoBacktesting e benchmarking contínuosEstratégias de alertas e rollbackAula 2Comunicação de previsões para stakeholders: visualização de previsões pontuais e intervalos, análise de cenários, transparência de premissasComunique previsões de receita de forma eficaz para stakeholders usando visualizações claras de previsões pontuais e intervalares, análise de cenários e documentação transparente de premissas, limitações e considerações de risco do modelo.
Visualização de previsões pontuais e intervalaresProjeto de análise de cenários e what-ifExplicação de drivers e features principaisDocumentação de premissas e limitesAdaptação de mensagens para 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 GRUTratamento de não-estacionariedade e escalonamentoAula 4Formulação de 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.
Escolha de alvos e unidades de receitaSeleção de horizontes e frequência de previsãoAlinhamento de previsões com decisões de negóciosGranularidade por produto, segmento e regiãoTratamento de novos produtos e históricos curtosAula 5Identificação e obtenção de 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 augmentam com segurança registros históricos escassos ou ruidosos.
Catálogo de séries de receita de produtos internosUso de fontes públicas de dados macro e de mercadoColeta de dados de volume de pagamentos e transaçõesAvaliação de 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.
Definição de 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 para receita bancária usando médias simples, ensembles ponderados e stacking, e aplique reconciliação hierárquica para garantir previsões coerentes em produtos, filiais e níveis organizacionais.
Média simples e ponderada de modelosStacking e meta-aprendizes para sériesDiversidade e correlação entre modelosReconciliação hierárquica e agrupadaAvaliação de estabilidade de ensembles ao longo do tempoAula 8Métodos de baseline para séries temporais: ARIMA, ETS, modelos ingênuos e sazonalmente ingênuos, decomposição (tendência/sazonalidade)Explore modelos de baseline para séries temporais de 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 ML.
Benchmarks ingênuos e sazonalmente ingênuosDecomposição clássica de tendência e sazonalidadeModelagem ARIMA para séries de receita bancáriaSuavização exponencial e variantes ETSComparação de baselines entre produtosAula 9Engenharia de features para receita: defasagens, médias/médias móveis e desvios, 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 de holdout treino, validação e testeValidação de janela rolante e expansivaValidação cruzada bloqueada para sazonalidadePrevenção de 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: uso de 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.
Seleção de indicadores macro relevantesAlinhamento de defasagens entre macro e receitaTransformação e escalonamento de dados externosSeleção de features e regularizaçãoSobreposições de estresse e cenários com macros
