library(readr)
library(readxl) 
library(writexl)
library(openxlsx)
library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(reshape2)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ymd)
library(lubridate)
## 
## Attaching package: 'lubridate'
## The following objects are masked from 'package:ymd':
## 
##     isoweek, mday, month, quarter, wday, yday, year, ymd
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union
library(readxl)
Vendas <- read_excel("Vendas.xlsx")
print(Vendas)
## # A tibble: 113,202 × 5
##    vendedor dias     venda_diaria   ano   mes
##       <dbl> <chr>           <dbl> <dbl> <dbl>
##  1   101101 2017-1-1         372.  2017     1
##  2   101101 2017-1-1         139.  2017     1
##  3   101101 2017-1-1         354.  2017     1
##  4   101101 2017-1-1         241.  2017     1
##  5   101101 2017-1-1         123.  2017     1
##  6   101101 2017-1-1         165.  2017     1
##  7   101101 2017-1-1         253.  2017     1
##  8   101101 2017-1-1         393.  2017     1
##  9   101101 2017-1-1         304.  2017     1
## 10   101101 2017-1-1         255.  2017     1
## # ℹ 113,192 more rows
library(readxl)
Salario_base <- read_excel("Salario_base.xlsx")
print(Salario_base)
## # A tibble: 22 × 7
##    `Número de Inscrição` Nome   Sobrenome   Setor    Cargo   Contrato           
##                    <dbl> <chr>  <chr>       <chr>    <chr>   <dttm>             
##  1                101101 Nome1  Sobrenome1  Operação Operad… 2017-01-01 00:00:00
##  2                101102 Nome2  Sobrenome2  Operação Operad… 2017-01-02 00:00:00
##  3                101103 Nome3  Sobrenome3  Operação Operad… 2017-08-01 00:00:00
##  4                101104 Nome4  Sobrenome4  Operação Operad… 2018-10-01 00:00:00
##  5                101105 Nome5  Sobrenome5  Operação Operad… 2018-10-01 00:00:00
##  6                101106 Nome6  Sobrenome6  Operação Operad… 2018-10-01 00:00:00
##  7                101107 Nome7  Sobrenome7  Operação Operad… 2019-03-01 00:00:00
##  8                101108 Nome8  Sobrenome8  Operação Operad… 2019-03-01 00:00:00
##  9                101109 Nome9  Sobrenome9  Operação Operad… 2021-05-01 00:00:00
## 10                101110 Nome10 Sobrenome10 Operação Operad… 2021-05-01 00:00:00
## # ℹ 12 more rows
## # ℹ 1 more variable: Salario_base <dbl>
vendas_totais_mes <- Vendas %>%
  group_by(ano, mes) %>%
  summarise(vendas_totais_mes = sum(venda_diaria)) %>%
  arrange(ano, mes)
## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.
comissoes_totais_mes <- vendas_totais_mes[,3] * 0.05 # 5% Sobre as Vendas Realizadas

encargos_totais_mes <- vendas_totais_mes[,3] * 0.28 # INSS Do Colaborador 20% + FGTS 8% = 28% De Encargos

gastos_totais_mes <- encargos_totais_mes + comissoes_totais_mes
ts_comissoes_mes <- ts(comissoes_totais_mes, start = c(2017,1),
                        
                        frequency = 12)
plot(ts_comissoes_mes)

Gerando previsões de 12 meses pós finalização da tabela ts_comissoes_mes

Previsão 01

forecast(ts_comissoes_mes, 12,10)
##          Point Forecast    Lo 10    Hi 10
## Apr 2023       29679.13 29362.63 29995.62
## May 2023       33757.28 33321.96 34192.60
## Jun 2023       31327.49 30799.45 31855.54
## Jul 2023       27859.17 27252.40 28465.93
## Aug 2023       27269.83 26593.44 27946.22
## Sep 2023       27147.43 26407.95 27886.91
## Oct 2023       30091.89 29294.30 30889.49
## Nov 2023       33347.66 32495.90 34199.42
## Dec 2023       37603.51 36700.83 38506.19
## Jan 2024       27134.92 26184.05 28085.80
## Feb 2024       24178.12 23181.37 25174.86
## Mar 2024       27631.18 26590.58 28671.78
plot(forecast(ts_comissoes_mes, 12, 5))

# Previsão 02

ajuste <- HoltWinters(ts_comissoes_mes)
prev <- forecast(ajuste, 12 ,level = 5)
print(prev)
##          Point Forecast     Lo 5     Hi 5
## Apr 2023       31926.15 31736.93 32115.36
## May 2023       37741.39 37536.25 37946.53
## Jun 2023       35900.77 35680.86 36120.69
## Jul 2023       30337.39 30103.63 30571.15
## Aug 2023       29692.99 29446.16 29939.82
## Sep 2023       29346.88 29087.64 29606.12
## Oct 2023       33416.43 33145.34 33687.51
## Nov 2023       38523.73 38241.30 38806.17
## Dec 2023       43904.49 43611.15 44197.83
## Jan 2024       28341.71 28037.85 28645.57
## Feb 2024       25428.24 25114.21 25742.26
## Mar 2024       30521.07 30197.20 30844.95
ajuste<- HoltWinters(ts_comissoes_mes, alpha = TRUE)
prev <- forecast( ajuste, 12, level = 5)
plot(prev)

# Previsão 03

ajuste <- HoltWinters(ts_comissoes_mes, alpha = TRUE , beta = TRUE)
prev <- forecast(ajuste, 12, level =5)
plot(prev)