Posso confiar nessa previsão?: Validação, estabilidade e decisão em forecast de demanda

Todo cientista de dados que trabalha com forecast já viveu essa cena: o modelo entrega WMAPE excelente em validação, entra em produção, e três meses depois a métrica desmorona. O que aconteceu? Vazamento silencioso, baseline mal-calibrado, ou apenas sorte amostral que ninguém investigou a tempo.Este livro é sobre como impedir que essa cena se repita.Há boa literatura sobre quais métodos de previsão usar, e há boa literatura sobre como implementá-los. Este livro trata da terceira pergunta, a que costuma ficar de fora: como saber se funcionou. Construir modelo ficou barato - distinguir o que funciona do que apenas parece funcionar é o que ficou difícil.Em oito princípios, Posso confiar nessa previsão? articula o ferramental que raramente aparece em cursos introdutórios: da postura epistêmica de suspeita diante do próprio resultado, passando pela engenharia da validação temporal, até a operação madura de modelos em produção. O que você vai encontrar - Validação temporal que respeita causalidade: walk-forward com janela expansiva e deslizante, e o contrato do shift que impede o futuro de vazar para o passado - Comparação estatística que sustenta decisão: bootstrap para intervalos de confiança, testes de permutação pareados e correção para múltiplas comparações - Critérios objetivos para aprovar um modelo - e para reconhecer quando ele não deve ir para produção - Diagnóstico do regime da série antes da escolha do modelo, com métodos para demanda intermitente e reconciliação hierárquica - Monitoramento contínuo depois do deploy: detecção de drift, critérios de aceite permanente e quando aposentar um modelo - Um catálogo de treze bugs previsíveis em pipelines de forecast, com sintoma, diagnóstico e correção em código - Cinco apêndices de bancada: glossário de métricas, checklist de aceite, stack de software e bibliografia comentada Código executável, não apenas listagensO livro acompanha um repositório público no GitHub com as funções em formato executável, um conjunto de dados sintético para reproduzir os exemplos, um case completo que aplica o método de ponta a ponta sobre vinte séries de regimes diferentes, e uma bateria de testes automatizados. O endereço está na introdução e no Apêndice D. Para quem é este livroCientistas de dados que trabalham com forecast e querem sair do modo "rodar modelo e reportar métrica". Analistas de S&OP e planejadores de demanda que precisam avaliar entregas técnicas com rigor. Estudantes de pós-graduação em supply chain, engenharia de produção e ciência de dados. Gerentes de projetos de IA que precisam de critérios defensáveis para decidir quando um modelo merece produção.Os exemplos usam Python com pandas, scikit-learn e as bibliotecas usuais de séries temporais. Não é preciso escrever esse código de cabeça, mas é preciso lê-lo sem esforço.Não ensina a construir o melhor modelo. Ensina a provar que o modelo funciona.