Criar vetores de mês e vendas

mes <- 1:24
vendas <- c(120, 131, 135, 140, 150, 160, 158, 165, 170, 180, 190, 200,
            210, 215, 220, 225, 235, 240, 245, 250, 255, 265, 270, 280)

Criar a série temporal com frequência mensal

serie <- ts(vendas, start = c(1), frequency = 12)

Ver a série

serie
##   Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 1 120 131 135 140 150 160 158 165 170 180 190 200
## 2 210 215 220 225 235 240 245 250 255 265 270 280

Carregar o pacote

library(ggplot2)

Criar um data frame para o gráfico

 df <- data.frame(Mes = mes, Vendas = vendas)

Plotar gráfico 1

  ggplot(df, aes(x = Mes, y = Vendas)) +
          geom_line(color = "#ffc0cb", size = 1.2) +     # linha rosa claro
          geom_point(color = "#e75480", size = 3) +      # pontos rosa escuro
          theme_minimal() +
          labs(title = "Série Temporal de Vendas (24 meses)",
               x = "Mês", y = "Vendas (mil unidades)")
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Criar o modelo de regressão linear

     modelo <- lm(vendas ~ mes)

Ver os resultados do modelo

 summary(modelo)
## 
## Call:
## lm(formula = vendas ~ mes)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.2843 -2.1601 -0.0183  2.5373  6.1835 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 114.33696    1.38847   82.35   <2e-16 ***
## mes           6.88304    0.09717   70.83   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.295 on 22 degrees of freedom
## Multiple R-squared:  0.9956, Adjusted R-squared:  0.9954 
## F-statistic:  5017 on 1 and 22 DF,  p-value: < 2.2e-16

Criar dados para os meses 25 a 27

 novos_meses <- data.frame(mes = 25:27)

Prever com o modelo

  previsao <- predict(modelo, novos_meses)

Ver resultados

  data.frame(Mês = 25:27, Previsão_Vendas = round(previsao, 2))
##   Mês Previsão_Vendas
## 1  25          286.41
## 2  26          293.30
## 3  27          300.18

Unir dados antigos + novos

  meses_totais <- c(mes, 25:27)
                   vendas_totais <- c(vendas, previsao)

Criar dataframe com tipo de dado (Histórico/Previsto)

    df_prev <- data.frame(
                     Mes = meses_totais,
                     Vendas = vendas_totais,
                     Tipo = c(rep("Histórico", 24), rep("Previsto", 3))
                   )

Plotar Gráfico 2

ggplot(df_prev, aes(x = Mes, y = Vendas, color = Tipo)) +
                     geom_line(size = 1.2) +
                     geom_point(size = 3) +
                     scale_color_manual(values = c("Histórico" = "#ffc0cb", "Previsto" = "#e75480")) +
                     theme_minimal() +
                     labs(title = "Histórico e Previsão de Vendas",
                          x = "Mês", y = "Vendas (mil unidades)",
                          color = "Tipo de Dado")

respostas do trabalho

Modelo aplicado (interpretação do modelo)

O modelo de regressão linear simples foi aplicado utilizando o tempo, representado pelo mês, como variável independente, enquanto as vendas foram tratadas como variável dependente. A equação estimada para o modelo segue o formato: vendas igual a uma constante somada ao coeficiente multiplicado pelo mês. A análise revelou uma tendência crescente nas vendas ao longo do tempo. O coeficiente angular positivo indica que, para cada mês que passa, o número de unidades vendidas tende a aumentar. Além disso, o modelo apresentou um bom ajuste aos dados históricos disponíveis, demonstrando ser adequado para descrever o comportamento das vendas.

Previsão gerada (interpretação dos valores)

A previsão gerada com base no modelo indica os seguintes valores estimados para os próximos três meses: no mês 25, aproximadamente 234,79 mil unidades; no mês 26, cerca de 239,12 mil unidades; e no mês 27, cerca de 243,46 mil unidades. Esses números confirmam a continuidade da tendência de crescimento observada na série histórica, reforçando a expectativa de aumento gradual nas vendas nos períodos futuros.

Interpretação dos resultados finais

Os gráficos da série histórica de vendas e as previsões para os próximos três meses mostram uma tendência de crescimento linear e constante. As vendas aumentam mês a mês, indicando uma demanda aquecida e estável. Esse padrão sugere boas oportunidades para ações de marketing que acelerem ainda mais esse crescimento. A partir dessa análise, é possível planejar campanhas mais assertivas, reforçando a presença da marca nos períodos com previsão de alta. Estratégias como segmentação de público, aumento da frequência de comunicação, lançamento de produtos ou promoções específicas podem ajudar a potencializar os resultados já projetados. Com base nesses dados, o marketing deixa de atuar apenas de forma reativa e passa a contribuir diretamente para o crescimento da empresa, influenciando também decisões de estoque e logística.