Você já tentou prever a receita da sua software house pro próximo trimestre?
Se sim, provavelmente fez uma de duas coisas: abriu uma planilha e chutou baseado no feeling, ou contratou alguém caro pra montar um modelo que ficou obsoleto em dois meses. Na minha experiência com 300+ software houses, previsão de receita é uma das maiores dores — todo mundo quer, quase ninguém faz direito.
E aí o Google solta isso aqui: TimesFM 2.5. Um modelo que prevê qualquer série temporal — receita, churn, demanda, carga de servidor — com 5 linhas de Python. Sem treinar nada. Sem dataset rotulado. Sem data scientist. Zero-shot.
Isso muda o jogo pra quem constrói software.
O que é o TimesFM
TimesFM é um modelo fundacional de séries temporais criado pelo Google Research. Pensa nele como um “GPT para dados que mudam no tempo”. Assim como o GPT foi treinado em bilhões de textos e consegue responder perguntas sem nunca ter visto seu prompt antes, o TimesFM foi treinado em mais de 100 bilhões de pontos de dados temporais reais e consegue prever o futuro de qualquer série sem nunca tê-la visto.
O projeto tem 14.000+ stars no GitHub, 1.200 forks, e a versão 2.5 acabou de sair no dia 31 de março de 2026 — há 3 dias.
E é open source. Apache 2.0. Grátis.
Por que isso importa pra sua software house
Vou ser direto: se a sua SH vende software para varejo, logística, financeiro, SaaS, ou qualquer coisa que envolva dados ao longo do tempo, o TimesFM é uma arma que você precisa ter no arsenal.
Até agora, pra oferecer forecasting pros seus clientes, você tinha três opções:
- Contratar data scientists — caro e escasso
- Usar ARIMA ou Prophet — bom, mas exige tunning manual pra cada caso
- Pagar plataformas SaaS — tipo TimeGPT da Nixtla, que cobra por previsão
O TimesFM elimina as três. Você carrega o modelo pré-treinado, joga seus dados, e ele prevê. Sem treinar. Sem configurar. Sem pagar API.
O que mudou na versão 2.5
A versão 2.5 é a mais impressionante até agora. O Google conseguiu fazer algo raro em IA: tornar o modelo menor E melhor ao mesmo tempo.
- Parâmetros: 500M → 200M (60% menor)
- Contexto: 2.048 → 16.384 pontos (8x mais histórico numa passada)
- Quantile head: novo módulo de 30M params que dá previsão probabilística — não só o valor previsto, mas a faixa de incerteza (percentis 10 a 90)
- Forecast horizon: até 1.000 steps futuros
- Covariáveis (XReg): suporte restaurado — você pode incluir variáveis externas que afetam a previsão
- Frequency indicator: removido — o modelo detecta a frequência sozinho
O resultado? #1 no GIFT-Eval, o benchmark de referência criado pela Salesforce pra avaliar modelos de séries temporais. Primeiro lugar tanto em point prediction quanto em probabilistic prediction. E é o primeiro foundation model da história a bater o AutoTheta em frequências de segundo nível.
Como funciona na prática
A instalação é simples:
git clone https://github.com/google-research/timesfm.git
cd timesfm
uv venv && source .venv/bin/activate
uv pip install -e .[torch]E pra prever, 5 linhas:
import timesfm, numpy as np
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
"google/timesfm-2.5-200m-pytorch"
)
model.compile(timesfm.ForecastConfig(
max_context=1024, max_horizon=256,
use_continuous_quantile_head=True
))
point, quantile = model.forecast(
horizon=12, inputs=[seus_dados_historicos]
)O point te dá o valor previsto. O quantile te dá as faixas de confiança — “com 90% de certeza, a receita vai estar entre X e Y”.
E se sua SH usa Google Cloud, fica ainda mais fácil. O TimesFM está integrado nativamente no BigQuery. Uma query SQL:
SELECT * FROM AI.FORECAST(
MODEL `meu_projeto.timesfm`,
TABLE `historico_vendas`,
STRUCT(12 AS horizon)
)Previsão de 12 meses de vendas. Numa query. Sem Python, sem ML, sem infra.
Os números que impressionam
Vou listar porque os números falam por si:
- 200M de parâmetros — roda até em laptop com GPU consumer
- 16.384 de contexto — equivale a ~45 anos de dados diários numa passada
- 100B+ de time-points de treino — o maior corpus de séries temporais já usado
- #1 em GIFT-Eval — benchmark que avalia 24 datasets de 7 domínios
- Zero-shot — funciona sem treinamento adicional
- Previsão probabilística — não só o ponto, mas a faixa de incerteza
- BigQuery nativo — AI.FORECAST, AI.EVALUATE, AI.DETECT_ANOMALIES
- Apache 2.0 — pode usar, modificar e vender. Livre.
7 formas de usar na sua software house
Aqui é onde fica prático. Na minha experiência mentorando 300+ SHs, esses são os use cases que mais fazem sentido:
1. Previsão de receita MRR/ARR — Joga seu histórico de faturamento mensal e prevê os próximos 12 meses com faixas de confiança. Ideal pra planejamento financeiro e pitch pra investidor.
2. Forecast de demanda — Prevê picos de demanda de clientes pra alocar time com antecedência. Acabou aquele “estamos sem gente pro projeto que começa segunda”.
3. Churn prediction — Séries de uso do produto, tickets abertos, NPS ao longo do tempo. TimesFM prevê a tendência e você age antes do cliente cancelar.
4. Capacity planning — Prevê carga de servidores, consumo de infra, custos de cloud. Escala antes de estourar.
5. Sales forecasting — Prevê fechamento de vendas no pipeline. Dá visibilidade real pro time comercial.
6. Detecção de anomalias — O BigQuery tem AI.DETECT_ANOMALIES integrado. Identifica automaticamente comportamentos fora do padrão — fraude, bugs, quedas inexplicáveis.
7. Oferecer como feature no seu produto — Se sua SH vende ERP, CRM ou dashboard, integra o TimesFM e oferece forecasting como feature premium pro seu cliente. Diferencial competitivo real.
O que eu penso
O TimesFM é o tipo de projeto que separa as software houses que estão prestando atenção das que vão acordar atrasadas.
Não porque previsão de séries temporais seja novidade — não é. ARIMA existe desde os anos 70. Mas porque o Google fez o que o GPT fez pro texto: democratizou. Antes, pra ter um forecasting decente, você precisava de um data scientist, meses de desenvolvimento, e infraestrutura pesada. Agora, 5 linhas de Python ou uma query SQL.
E olha a velocidade: a versão 2.5 tem metade dos parâmetros da 2.0 e é mais precisa. Isso é maturidade. Não é mais experimento de laboratório — é ferramenta de produção. Está no BigQuery. Está no AlloyDB. Tem paper no ICML.
Se você constrói software pra qualquer vertical que lida com dados temporais — e eu não consigo pensar numa que não lide — precisa pelo menos experimentar o TimesFM. Clonar o repo, rodar o exemplo, e ver com seus próprios dados. O custo é zero. O upside é enorme.
Sou Thulio, mentoro 300+ SHs desde 2016.
