Projeto Algoritmo - Fase 3

library(forecast) 
library(fpp)
library(fpp2)     
library(tseries)
library(patchwork)
library(mFilter)

library(dplyr)
library(quantmod)
library(zoo)
library(data.table)

library(naivebayes)
library(neuralnet)
library(DMwR2)
library(plogr)
library(ggplot2)
library(psych)

library(colorizer)
library(readxl)

Salario_base <- read_excel("Salario_base.xlsx")
View(Salario_base) 

library(readxl)
Vendas <- read_excel("Vendas.xlsx")
View(Vendas)

library(readxl)
Salario_base_2 <- read_excel("Salario_base_2.xlsx")
View(Salario_base_2)

Mudança de colunas na base de salário.

 pagamentos_realizados <- Salario_base %>% 
   select( n_inscricao = 'Número de Inscrição', 
           nome = Nome,
           sobrenome = Sobrenome,
           setor = Setor,
           cargo = Cargo,
           contrato = Contrato,
           salario_base = Salario_base)

Transferindo a base de dados da planilha em Excel, para leitura no Rstudio.

Salario_base <- read_excel("Salario_base.xlsx")

View(Salario_base)

Vendas <- read_excel("Vendas.xlsx")

View(Vendas)

Variação do salário base do ano de 2017 a 2023.

ts_salario_base_2 <- ts(Salario_base_2[,2], start = c(2017,1) , frequency = 12)
plot(ts_salario_base_2)

Cálculo dos encargos mensais.

vendas_mes <- Vendas %>%
  group_by(ano, mes) %>%
  summarise(venda_mensal = sum(venda_diaria)) %>%
  arrange(ano, mes)

## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.

comissoes_mes <- vendas_mes[,3] * 0.05

pagamentos_mes <- Salario_base_2[,2] + comissoes_mes

encargos_mes <- pagamentos_mes * 0.28

ts_encargos_mes <- ts(encargos_mes, start = c(2017,1) , frequency = 12)

plot(ts_encargos_mes)

Tendência, sazonalidade e erros do modelo de previsão.

ts_comissoes_mes1 <- ts(comissoes_mes, start = c(2017,1),
                        frequency = 12)

plot(ts_comissoes_mes1)

plot(decompose(ts_comissoes_mes1))

forecast(ts_comissoes_mes1,12,50)

##          Point Forecast    Lo 50    Hi 50
## Apr 2023       29679.13 27980.33 31377.92
## May 2023       33757.28 31420.70 36093.86
## Jun 2023       31327.49 28493.19 34161.80
## Jul 2023       27859.17 24602.33 31116.00
## Aug 2023       27269.83 23639.31 30900.35
## Sep 2023       27147.43 23178.25 31116.61
## Oct 2023       30091.89 25810.76 34373.02
## Nov 2023       33347.66 28775.81 37919.50
## Dec 2023       37603.51 32758.36 42448.66
## Jan 2024       27134.92 22031.09 32238.76
## Feb 2024       24178.12 18828.08 29528.15
## Mar 2024       27631.18 22045.74 33216.62

plot(forecast(ts_comissoes_mes1,12,50))

autoplot(ts_comissoes_mes1)

tendencia <- decompose(ts_comissoes_mes1)$trend                 

sazonalidade <- decompose(ts_comissoes_mes1)$seasonal           

errosdomodelodeprevisao <- decompose(ts_comissoes_mes1)$random 

accuracy(forecast(ts_comissoes_mes1,12,50))

##                    ME    RMSE      MAE      MPE     MAPE      MASE         ACF1
## Training set 301.2928 2271.43 1648.413 1.666501 14.74015 0.3214203 -0.008353213