O que é série vis-à-vis na prática
Série vis a vis é um conceito usado em análise comparativa de dados quando você precisa colocar duas ou mais séries lado a lado para identificar padrões, discrepâncias ou correlações que ficam invisíveis quando cada uma é analisada isoladamente. O termo vem do francês e significa literalmente "face a face". Na prática, significa sobrepor, alinhar ou comparar séries temporais, conjuntos de dados ou métricas em paralelo. Isso é bastante comum em finanças, mas também aparece em ciência de dados, controle de qualidade e marketing digital. A ideia central é simples: se você tem uma série de vendas e uma série de gastos com mídia, colocar elas uma em frente à outra no mesmo gráfico ou planilha revela se realmente existe relação entre as duas, ou se é apenas coincidência visual.
Como montar uma análise serie vis a vis
O primeiro passo é garantir que as séries estejam na mesma frequência temporal. Eu já perdi tempo analisando uma correlação que parecia fortíssima, só para descobrir depois que uma série era mensal e a outra semanal. Alinhar os períodos foi o que mudou tudo. No final, a correlação real era quase nula. Isso acontece com frequência quando se pega dados de fontes diferentes sem normalizar as datas primeiro. Depois de alinhar, a técnica mais direta é plotar as duas séries no mesmo eixo Y ou usar eixos Y separados com escalas normalizadas entre zero e um. A versão com escalas separadas é mais honesta visualmente, mas a normalizada facilita a comparação de formato de movimento, o que costuma ser o objetivo real.
Se você está usando Python, o matplotlib ou o seaborn resolvem isso em poucas linhas. Um exemplo básico: import matplotlib.pyplot as plt
plt.plot(data['série_a'], label='Série A')
plt.plot(data['série_b'], label='Série B')
plt.legend()
👉 Clique no botão abaixo para saber mais sobre o assunto!
Para quem trabalha com Excel ou Google Sheets, basta inserir um gráfico de linhas com múltiplas séries e ajustar os eixos secundários se as escalas forem muito diferentes. Dica prática: use escala logarítmica quando uma série varia muito mais que a outra. Evita que uma delas fique achatada e ilegível no gráfico. Um ponto que pouca gente menciona é a questão dos outliers. Séries com picos esporádicos distorcem completamente a percepção visual. No meu caso, trabalhei com uma série de cliques e outra de conversões onde um único evento promocional gerou um pico de 40 vezes acima da média em uma delas. O gráfico vis-à-vis parecia mostrar uma relação perfeita entre as duas, mas bastava aplicar uma média móvel de sete dias para ver que a correlação real era muito mais fraca. Esse é um erro clássico de interpretação.
Outro detalhe importante é o lag. Muitas vezes a série A não influencia a série B no mesmo período, mas sim com um atraso de algumas semanas. Testar diferentes defasagens antes de concluir que não há relação economiza horas de análise equivocada. Em R, você pode usar a função ccf() para verificar correlação cruzada com defasagens automaticamente. Em Python, a função cross_corr do statsmodels faz algo similar.
Limitações que ninguém avisa
Série vis a vis não prova causalidade. Isso parece óbvio, mas é onde a maioria das pessoas erra. Duas séries poderem ser plotadas juntas não significa que uma cause a outra. Co-incidência visual é diferente de mecanismo causal. Se você precisa de causalidade, correção de variáveis omitidas, experimentos controlados ou modelos causais como o do Judea Pearl são mais adequados. Também funciona mal quando as séries têm sazonidades diferentes. Uma série trimestral colocada contra uma diária gera ruído visual que dificulta qualquer leitura útil. Nesse caso, o melhor é agregar a série de maior frequência antes de fazer a comparação.
Quando não usar
Se suas séries têmNatureza qualitativamente diferente — por exemplo, uma é uma contagem de eventos e a outra é uma taxa percentual — o vis-à-vis direto não agrega valor. Você ganha mais transformando ambas em z-scores primeiro, ou escolhendo outra técnica como análise de cluster ou redução de dimensionalidade. Ferramentas como o PCA podem mostrar relações que o olho não capta em um gráfico simples de duas séries. Para quem quer ir além, o livro "Naked Statistics" do Charles Wheelan tem uma seção prática sobre comparação de séries que evita muita armadilha conceitual. E se o seu foco é análise financeira, o pacote quantmod do R automatiza boa parte do processo de alinhamento e visualização comparativa.
