Você sabe o que é o algoritmo Holt-Winters? Também chamado de método de suavização exponencial tripla, esse algoritmo é muito utilizado quando há a necessidade de calcular previsões em séries temporais que possuam tendência e sazonalidade.
Por isso, em busca de uma maior competitividade, muitas empresas estão investindo em ciência de dados para realizar diferentes tipos de previsões, aprimorar a sua gestão e melhorar os seus investimentos.
Continue lendo este artigo para saber mais sobre esse algoritmo, compreender a sua funcionalidade e conhecer os benefícios por ele proporcionados. Siga conosco!
O que é o algoritmo Holt-Winters?
O algoritmo Holt-Winters é uma das técnicas de previsão mais populares para séries temporais. Apesar de existir há décadas, ele ainda é muito utilizado em aplicativos voltados para fins de detecção de anomalias e, especialmente, na previsão de tempo.
Esse modelo é uma extensão do modelo de Holt (suavização exponencial dupla), desenvolvido por Winter. A sua capacidade de previsão é simples, mas muito poderosa. Ele pode lidar com muitos padrões sazonais complicados, simplesmente encontrando o valor central e adicionando os efeitos de inclinação e sazonalidade.
Para que ele serve?
As técnicas da série temporal trabalham com dados numéricos coletados em um período de tempo. Dessa forma, esse método é usado para prever valores futuros da série, compreendendo as observações numéricas anteriores.
Confira, abaixo, algumas utilizações que encontramos papers sobre o assunto:
- previsão de demanda a partir de histórico de sazonalidade;
- cálculo do tempo de visita de turistas em um determinado local;
- dados dos scripts da Bolsa de Valores NSE durante um período de tempo;
- análise dos dados mensais do desemprego;
- previsão do tempo e da taxa de temperatura diária;
- sazonalidade de dados de vendas em um e-commerce.
Quais são os seus benefícios?
Ao fazer o uso desse algoritmo, podemos contar com uma previsão bastante precisa. Desde que, claro, sua utilização seja feita da forma correta e se tenha histórico suficiente para tanto. Confira, a seguir, os principais benefícios proporcionados por ele.
1. Simples implementação
São necessárias apenas 3 informações para a sua aplicação: previsão para o período mais recente, valor real para esse período e o valor da constante de suavização, um fator de ponderação que reflete o peso concedido aos valores de dados mais recentes.
2. Realiza previsões precisas
Um método de suavização exponencial produz uma previsão para um período futuro. Ao se utilizar a técnica de projeção de tendência, previsões futuras poderão ser geradas. Ela é considerada precisa por levar em consideração a diferença entre as projeções reais e o que realmente aconteceu.
3. Confere maior importância a observações recentes
Os dados observados representam a soma de dois ou mais componentes. Um deles é o erro aleatório, ou seja, a diferença entre o valor observado e o valor verdadeiro. Assim, a variação aleatória é negligenciada, tornando muito mais fácil perceber o fenômeno subjacente.
A modelagem de séries temporais é uma área fascinante, com relevância e impacto práticos. Os modelos de Holt-Winters são muito eficientes, pois eles apresentam resultados bastante próximos da realidade. Vale ressaltar que os seus dados devem ser sempre associados a uma análise minuciosa de mercado.
Utilizando o algoritmo no monitoramento
Como a OpServices atua com a monitoração de dados de infraestrutura e negócios, isso gera uma grande quantidade de dados para se analisar. Um insight que tivemos no passado foi utilizar o algoritmo Holt-Winters para detecção de comportamentos anômalos.
A nossa plataforma, o OpMon, permite a criação automática de linhas de base (baselines), que representam o comportamento normal e esperado do ambiente de TI ou de negócio. A análise dos dados historicos pode gerar alarmes em tempo real de mudanças no comportamento padrão. Veja o exemplo, na interface:
O período de amostragem das linhas de base é configurável por semana, mês, ano, ou calendário customizável, podendo ser aferida a sazonalidade de uma métrica monitorada. Ou seja, é possível adaptar o modelo aos intervalos de tempo relevantes ao negócio, como datas comemorativas e feriados.
O OpMon calcula o comportamento esperado utilizando dados históricos analisados pelo algoritmo preditivo. Para evitar falsos positivos e alertas em excesso é possível configurar limites de confiança, tornando os alarmes e alertas mais sensíveis a variação deste comportamento esperado.
Como padrão, as notificações são enviadas de forma automática aos responsáveis para detecção de comportamentos anômalos, sem a necessidade de configurações.
A detecção de anomalias do negócio, calculadas a partir do algoritmo, gera limites de confiança superiores e inferiores dos recursos monitorados baseados no comportamento histórico, permitindo a detecção de picos de utilização de recursos fora do esperado, tanto para cima como para baixo das linhas de base. A cada nova checagem do OpMon é aplicado um cálculo de previsão baseado nas configurações realizadas.
Comportamento esperado = comportamento histórico x algoritmo preditivo
Este modelo permite uma monitoração comportamental e adaptativa do negócio, tornando-se mais precisa à medida que o histórico disponível para o cálculo aumenta.
Utilizando o algoritmo no monitoramento
Agora que você já sabe o que é o algoritmo Holt-Winters, que tal continuar a aprimorar os seus conhecimentos e descobrir mais sobre ciência de dados?
Quer saber mais informações sobre o funcionamento da plataforma e os nossos modelos comerciais? Agende uma Demo Online do OpMon com nosso time de especialistas e descubra como você pode garantir alta disponibilidade dos recursos de TI e visualizar indicadores de negócio através de dashboards em real-time.
