Resumo
O exercício explora como prever os efeitos de mudanças nos preços de produtos utilizando o TimeGPT, uma ferramenta de previsão de séries temporais no Python. Usando elasticidade-preço, é possível medir a resposta da demanda a variações de preço. O exemplo prático utiliza dados de vendas de abacates nos EUA.
O código em Python completo deste exercício está disponível para os membros do Clube AM.
Introdução
“Se eu aumentar o preço, o que vai acontecer com as vendas?” é um tipo de pergunta que pode estar sempre presente na cabeça de empresários e profissionais que trabalham em áreas de precificação, otimização de receita e data analytics.
Uma forma de responder este tipo de pergunta é através de ferramentas analíticas de microeconomia, como a análise de elasticidade. Entretanto, além da análise histórica, podemos evoluir para a previsão, isto é, a mudança dos valores do volume conforme um aumento futuro no preço.
Elasticidade
A elasticidade é um conceito econômico que permite medir a resposta em uma variável (ex: demanda) dada uma variação em outra variável (ex: preço). Dessa forma, a elasticidade fornece uma compreensão facilitada sobre a mudança de comportamento de uma variável (ex: consumidores) conforme a mudança de outra variável (ex: vendedores).
A elasticidade-preço da demanda (EPD) mensura a sensibilidade da demanda por um produto/serviço dado variações no preço. Dessa forma, a EPD mede a variação percentual na quantidade demandada em resposta a variação percentual no preço, mantendo todos outros fatores relevantes inalterados. (ex: renda).
Para entender melhor os conceitos acima em um exercício aplicado, veja o post Análise de Elasticidade preço com Python
Como incorporar a elasticidade na previsão?
Um exercício simples que podemos criar é repassar um aumento/diminuição do preço do produto na variável de entrada para a previsão, isto é, criarmos uma previsão com os preços “normais”, e depois, compararmos a previsão com os preços alterados.
TimeGPT
TimeGPT é uma ferramenta avançada de previsão de séries temporais, capaz de identificar padrões e tendências, permitindo realizar previsões. Sua flexibilidade permite adaptar-se a uma variedade de séries temporais, independentemente de sua complexidade ou características específicas.
Em contraste com modelos de linguagem, como o LLM, o TimeGPT é otimizado exclusivamente para tarefas de previsão, o que significa que é treinado especificamente para minimizar erros nesse contexto. Já abordamos na Análise Macro como usar o TimeGPT no Python, para mais detalhes, acesse os exercícios TimeGPT e a previsão automática usando IA no Python,Modelagem preditiva de séries temporais hierárquicas no Python usando TimeGPT e Prevendo Demanda de Energia usando TimeGPT no Python ou veja mais sobre a biblioteca em seu site.
Dados
Para exemplificar, vamos utilizar um conjunto de dados com preços e quantidades de abacate da Hass Avocado Board para a economia dos Estados Unidos. Os dados são disponibilizados publicamente, e podemos usar o Python para coleta-los.
Previsão
Vamos realizar a previsão dos dados. Para isso, separamos a amostra de treino e teste, com a amostra de teste consistindo nos últimos 24 valores. A comparação vai ser útil para verificarmos a acurácia do modelo TimeGPT para a amostra de dados selecionada.
Previsão com mudança de preço
Temos no resultado acima a previsão do volume vendido conforme os valores de venda ocorridos. Agora, como podemos simular o volume vendido conforme mudanças no preço?
Temos somente que adicionar o valor da mudança de preço na nossa feature para representar o impacto da elasticidade, isto é, em quanto o aumento ou diminuição do preço afeta o volume demandado.
Vejamos o resultado para quando aumentamos/diminuímos em 10% o preço médio do Abacate.
Vamos combinar as três previsões criadas. Podemos ver que, como usual, a demanda aumenta (diminui) se reduzirmos (aumentarmos) o preço na maioria das regiões e nas comparações. Em outras palavras, quando o preço médio do abacate cai, a quantidade de venda aumenta e vice-versa.
Um adendo que podemos considerar reside no fato de que em algumas observações da previsão a regra acima não se aplica. Temos que levar em consideração outras variáveis que afetam a série que não foram adicionadas (sazonalidade, clima, etc) bem como o erro de previsão do modelo TimeGPT.
Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!
Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, fale com a gente no Whatsapp e veja como fazer parte do Clube AM, clicando aqui.
