[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122510-pt":3,"doc-seo-122510-112":30,"detail-sidebar-cat-0-pt-112":83},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":4,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},122510,962085571259,"Theodora","https://ap-avatar.wpscdn.com/davatar_29158cc5080c5b710cf443261637dec0",32,"Pesquisa e Relatórios","Modelo Preditivo de Vendas com Técnicas de Machine Learning","Trabalho de conclusão de curso com foco na definição de metas de vendas mais justas, propondo um modelo preditivo para estimar o volume comercial usando técnicas de machine learning. O estudo utiliza a biblioteca Prophet para prever séries temporais com base em dados diários de vendas dos seis gerentes do time. Treinamentos e projeções individuais são agregados na escala mensal para apoiar a composição de metas por gerente e a meta global da companhia, considerando sazonalidades e tendências históricas.","Universidade Federal do Paraná  \nSetor de Ciências Exatas Departamento de Estatística  \nMBA em Advanced Analytics & Business Optimization  \nAlvaro Bastos Goto  \nMODELO PREDITIVO DE VENDAS COMTÉCNICAS DE MACHINE LEARNING  \nCuritiba  \nAlvaro Bastos Goto  \nMODELO PREDITIVO DE VENDAS COM TÉCNICAS  \nDE MACHINE LEARNING  \nMonografia apresentada ao MBA em Advanced Analytics & Business Optimization da Universidade Federal do Paraná como requisito parcial para a obtenção do grau de especialista.  \nOrientador: Prof. Gustavo Valentim Loch  \nCuritiba  \nMBA em Advanced Analytics & Business Optimization [aabo.leg.ufpr.br](aabo.leg.ufpr.br)  \nUniversidade Federal do Paraná Trabalho de Conclusão de Curso, nº 01, 01 (2025)  \nModelo Preditivo de Vendas com Técnicas de Machine Learning  \nPredictive Sales Model using Machine Learning Techniques  \nAlvaro Bastos Goto 1 , Gustavo Valentim Loch2  \n1 Aluno do MBA em Advanced Analytics & Business Optimization, [alvarogoto@yahoo.com.br](alvarogoto@yahoo.com.br)  \n2 Professor do Departamento deAdministração Geral e Aplicada, [gustavo.valentim@ufpr.br](gustavo.valentim@ufpr.br)  \nA definição de metas de vendas é uma prática comum nas empresas e tem como objetivo estabelecer, paradeterminados períodos, o volume de vendas que a equipe comercial deve alcançar para atingir o faturamentoesperado pela companhia. Um dos principais desafios é definir metasjustasjá que cada equipe está inserida em cenários distintos. No presente trabalho foi utiliado um modelo preditivo para estimar o volume de vendasusando técnica de machine learning para aplicação em um caso real. Com a biblioteca Prophet, que utilizatécnicas para previsão de séries temporais, foram treinados os dados de vendas diárias de cada um dos seis gerentes que compõem a equipe. A partir disto, foi possível projetar os volumes para o ano seguinte, e assim, estabelecer as metas das equipes.  \nPalavras-chave: Modelo Preditivo, Previsão de Vendas, Machine Learning, Prophet  \nSetting sales targets is a common practice in companies and aims to establish, for specific periods, the sales volume that the commercial team must achieve to reach the company’s expected revenue. One of the main challenges is defining fair targets, since each team operates in different scenarios. This article aimed to build a predictive model to estimate sales volume using machine learning techniques. Using the Prophet library, oneof the most advanced for time series forecasting, the model was trained with the daily sales data of each of the six managers on the team. Based on this, it was possible to project the sales volumes for the following year and thus establish the teams’ targets..  \nKeywords: Predictive Model, Sales Forecasting, Machine Learning, Prophet  \n1. Introdução  \nUma empresa bem-sucedida costuma elaborar antecipadamente o orçamentodo ano seguinte, com o propó sito de planejar adequadamente seu fluxo financeiro. Neste processo, a definição das metas de vendas constitui uma etapa fundamental. Mais do que um instrumento de monitoramento, as metas garantem que o volume projetado de vendas seja compatível com o faturamento esperado pela organização. É usual que as empresas possuam equipes comerciais, e um dos principais desafios na formulação de metas consiste em estabelecer objetivos equitativos, sobretudo quandoessas equipes atuam em cenários distintos, sujeitas a  \ndiferenças de mercado e particularidades regionais.  \nA análise de séries temporais é um instrumento fundamental para compreender o comportamento histó rico das vendas e suas propriedades estruturais. Essaabordagem permite identificar tendências, sazonalidades e padrões recorrentes ao longo do tempo, for-  \nnecendo subsídios para estimativas de valores futuros. Diversas técnicas de machine learning podem ser aplicadas a séries temporais, nas quais os dados históricossão treinados para gerar projeções sob diferentes níveis de complexidade.  \nAtualmente a definição das metas fica a cargo de umanalista da empresa, que estipula ","cbCaijcLeUTDQB48","https://ap.wps.com/l/cbCaijcLeUTDQB48","pdf",813998,1,6,"Portuguese","pt",112,"# Introdução\n## Metas de vendas e desafios\n## Análise de séries temporais e machine learning\n## Objetivo do estudo e uso da Prophet\n# Análise\n## Conjunto de dados e período analisado\n## Normalização dos dados e motivação","[{\"question\":\"Como os dados de vendas são tratados antes do treinamento do modelo?\",\"answer\":\"Os volumes diários de cada gerente foram normalizados, dividindo cada valor pelo maior volume diário observado na série histórica para preservar propriedades dinâmicas e permitir comparabilidade.\"}]","Modelo Preditivo de Vendas com Técnicas de Machine Learning | PDF",1785811017,9,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":78,"head_meta":80,"extra_data":82,"updated_unix":28},"predictive-sales-model-with-machine-learning-techniques","",{"@graph":36,"@context":77},[37,54,68],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/pt/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/pt/document/predictive-sales-model-with-machine-learning-techniques/122510/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":62,"encodingFormat":61,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-04",true,{"@type":65,"interactionType":66,"userInteractionCount":4},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71],{"name":72,"@type":73,"acceptedAnswer":74},"Como os dados de vendas são tratados antes do treinamento do modelo?","Question",{"text":75,"@type":76},"Os volumes diários de cada gerente foram normalizados, dividindo cada valor pelo maior volume diário observado na série histórica para preservar propriedades dinâmicas e permitir comparabilidade.","Answer","https://schema.org",{"og:url":52,"og:type":79,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":81,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":84},[85,90,94,98,102,106,110,112,116,120],{"id":86,"doc_module":4,"doc_module_name":46,"category_name":87,"show_sort_weight":88,"slug":89},26,"Contos e Romances",60,"story-novel",{"id":91,"doc_module":4,"doc_module_name":46,"category_name":92,"show_sort_weight":88,"slug":93},46,"Estilo de Vida","lifestyle",{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":88,"slug":97},28,"Exames","exam",{"id":99,"doc_module":4,"doc_module_name":46,"category_name":100,"show_sort_weight":88,"slug":101},47,"Geral","general",{"id":103,"doc_module":4,"doc_module_name":46,"category_name":104,"show_sort_weight":88,"slug":105},29,"Histórias em Quadrinhos","comic",{"id":107,"doc_module":4,"doc_module_name":46,"category_name":108,"show_sort_weight":88,"slug":109},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":88,"slug":111},"research-report",{"id":113,"doc_module":4,"doc_module_name":46,"category_name":114,"show_sort_weight":88,"slug":115},33,"Religião e Espiritualidade","religion-spirituality",{"id":117,"doc_module":4,"doc_module_name":46,"category_name":118,"show_sort_weight":88,"slug":119},31,"Saúde e Cuidados","healthcare",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":88,"slug":123},45,"Tecnologia","technology"]