Previsão de Vendas com Regressão Linear

Uma técnica valiosa para prever as vendas é o uso de algoritmos de Machine Learning, como a regressão linear.

Neste tutorial vamos apresentar um exemplo prático usando código Python para ilustrar a aplicação da regressão linear nesse contexto.

Regressão Linear

A regressão linear é um método estatístico que permite relacionar uma variável dependente (vendas, neste caso) com uma ou mais variáveis independentes (investimento em marketing). O objetivo é encontrar a melhor linha reta que descreve a relação entre essas variáveis, permitindo-nos fazer previsões com base nessa relação.

Exemplo Prático:

Para demonstrar o processo de previsão de vendas usando regressão linear, usaremos um exemplo fictício. Vamos supor que temos uma loja de roupas online e queremos prever as vendas com base no investimento mensal em marketing.

Aqui está um exemplo de como poderíamos organizar nossos dados:

import pandas as pd

# Criando um dataframe de exemplo
data = {'Investimento_Marketing': [20, 25, 40, 52, 67, 72, 81],
        'Vendas_Mensais': [118, 142, 225, 260, 295, 335, 364]}

df = pd.DataFrame(data)

Neste exemplo, temos duas colunas: "Investimento_Marketing" e "Vendas_Mensais". Cada linha representa um mês, e os valores nas colunas indicam o investimento e o total de vendas para aquele mês.

Podemos ver melhor os dados usando o comando .head():

df.head()

Agora, vamos realizar a análise de regressão linear para prever as vendas com base no investimento.

Usaremos a biblioteca scikit-learn, que fornece uma implementação fácil de usar da regressão linear em Python:

from sklearn.linear_model import LinearRegression

# Separando as variáveis independentes (X) e a variável dependente (y)
X = df[['Investimento_Marketing']]
y = df['Vendas_Mensais']

# Criando uma instância do modelo de regressão linear
model = LinearRegression()

# Treinando o modelo
model.fit(X, y)

Vamos definir um target de 63k para nosso modelo:

investimento_novo = [[63]]  # target
previsao_vendas = model.predict(investimento_novo)

Retornando o resultado final:

print("A previsão de vendas é de:", previsao_vendas[0])

Plotando o resultado em um gráfico:

import matplotlib.pyplot as plt
import numpy as np

plt.scatter(df['Investimento_Marketing'], df['Vendas_Mensais'])
plt.scatter(63, reg.predict([[63]])[0], color="k")
x = np.array(df['Investimento_Marketing'])
y = reg.intercept_ + x*reg.coef_
plt.plot(x,y,"r")
plt.show()

Conclusão:

Neste exemplo, utilizamos o modelo de regressão linear para prever as vendas com base em um investimento em marketing de $63k. A previsão de vendas é retornada como resultado.

A regressão linear é uma técnica muito utilizada para este tipo de pergunta em cenários de negócio. Ao usar a regressão linear, podemos identificar padrões e tendências na relação entre variáveis, permitindo que façamos previsões confiáveis das vendas futuras.