Tomadas de decisões baseadas em dados estão cada vez mais em tendência, por diversos motivos (veja a matéria da Forbes). Ao falar de negócios, não é incomum ouvirmos comparações de desempenho (venda mensal, desistência semanal, reativação trimestral e etc). Normalmente, esse período é definido por alguma convenção ou pessoa experiente. Inclusive, é possível ter dois períodos diferentes para o mesmo propósito (venda mensal e trimestral).
A dor de cabeça começa quando precisamos considerar a presença de feriados, meses com baixa demanda e outras ressalvas que podem fazer toda a diferença no final. E aqui vai mais uma ressalva: Será que você está usando o período certo para o seu tipo de análise?
Veja abaixo como saber se o período e a análise, considerada pelo seu negócio, estão alinhados.
Obviamente, existem convenções muito bem definidas para alguns propósitos e, para esses casos, talvez não seja produtivo criar uma alternativa.
O objetivo é explorar problemas mais abertos, como: comparação de vendas antes e depois de uma ação de negócio, demanda por período e outros. Nesses casos, saber períodos iguais em demanda é essencial para fazer uma comparação justa. E não é impossível que esses períodos sejam semanais com começo na quarta feira, por exemplo. Afinal, cada segmento de mercado tem as suas singularidades.
Na Arquivei, temos uma variedade enorme de clientes e segmentos de mercados. Analisar caso a caso manualmente é impossível, por isso usamos técnicas analíticas para descobrir o tempo em que cada negócio funciona.
Dessa forma, os históricos nos indicam qual a melhor direção. Para ilustrar melhor vamos mostrar a ideia do método que usamos com um caso público de vendas:
Venda de roupas entre 1988 e 2011 no Reino Unido com picos no final do ano
O gráfico acima retrata a venda de roupas entre 1988 e 2011 no Reino Unido com picos no final do ano. Se passar algum tempo olhando para o gráfico talvez perceba que existe uma certa repetição no movimento de vendas, apesar do crescimento. Se ligarmos os pontos, usando um gráfico de linhas, essa ideia se reafirma. Veja:
Venda de roupas entre 1988 e 2011 no Reino Unido, repetição no movimento de vendas
Nesse caso, será que a comparação mensal é uma boa escolha? Se não, então qual o período ideal?
Existem inúmeras métricas para ajudar nessa tarefa. Particularmente, gosto bastante de uma chamada Autocorrelative Function (ou ACF). Basicamente, correlaciona o seu histórico de dados e aponta o tempo em que começou a existir tendência de repetição. E então se sabe quanto tempo a demanda se renova e os resultados podem ser comparados de forma mais justa. Essa repetição (ou sazonalidade) é o que procuramos para determinar o período de comparação. O gráfico abaixo mostra os resultados do ACF para a venda de roupas desconsiderando o crescimento anual:
Resultados do ACF para a venda de roupas desconsiderando o crescimento anual
Os melhores resultados do ACF (acima de 0.8) neste cenário apontam sazonalidade de 12 em 12 meses. Isso significa que, dado o histórico inicial, o melhor período de comparação é o anual. Todas outras comparações se confundem pela particularidade de cada mês.
Como determinar esse período a partir do gráfico? Resumidamente, os pontos com picos de correlação são: 0, 12 e 24. Esses números se referem ao tempo adicionado ao começo do período que devemos considerar para que o padrão se repita. O resultado 0 (zero) é conhecido como trivial (ou óbvio), pois todo ponto é altamente ligado (ou correlacionado) a si mesmo. Os outros dois são mais interessantes: indicam que a cada 1 e 2 anos o padrão se repete. O que faz sentido, pois se o padrão é anual, também será repetido nos seus múltiplos (2,3 ou 4 anos, por exemplo).
Ficou interessado em saber mais sobre os seus dados? Faça download através dos nossos relatórios avançados e tente aplicar o ACF.
Clique aqui para aprender a fazer esse cálculo pelo excel.
Ou aqui se quiser saber detalhes sobre a análise do caso vendas de roupas.
Caso tenha dúvidas, mande um e-mail para marcus.araujo@arquivei.com.br
Compartilhe nas redes sociais
