Vendas
Última Atualização:
Paulo Faustino
Há 3 coisas distintas que quase toda a gente trata como se fossem uma só, e a mistura entre elas explica a maior parte das previsões que não servem para nada.
Uma previsão é uma estimativa do que vai acontecer, dadas as condições conhecidas e o que se sabe do passado. É uma afirmação sobre o mundo, e pode estar certa ou errada.
Um objetivo é o que gostarias que acontecesse. Não tem obrigação de ser realista, tem obrigação de ser motivador e de estar alinhado com o que a empresa precisa. Um objetivo não está certo nem errado, está atingido ou não atingido.
Um plano é o conjunto de ações que pretendes executar para aproximar a previsão do objetivo. É a ponte entre ambos.
Quando estas 3 coisas colapsam num único número, acontece sempre a mesma coisa: o objetivo puxa a previsão para cima e o plano deixa de existir, porque o número já incorpora o otimismo que devia estar nas ações.
Este problema não é exclusivo de empresas pequenas nem de gestores inexperientes. Um caso documentado envolve um comité de previsão de turismo composto por economistas, investigadores seniores e representantes de várias entidades públicas e privadas, cujo processo consistia em gerar previsões estatísticas e depois ajustá-las por consenso em 2 rondas sucessivas. Quando os resultados publicados foram confrontados com os dados reais que entretanto se tornaram disponíveis, verificou-se que as previsões continuavam sistematicamente otimistas. Os autores que analisaram o caso colocam a questão de forma direta: apesar de o comité afirmar explicitamente na sua metodologia que produzia previsões e não metas, poderá tratar-se de um caso em que ambas foram confundidas, e estarão os produtores das previsões suficientemente separados de quem as usa?
A separação entre quem prevê e quem tem de atingir é o primeiro requisito de uma previsão honesta, e é também o que mais empresas se recusam a montar, porque implica admitir que o comercial que tem de bater o número não é a melhor pessoa para o estimar.
Porque a tua previsão está sistematicamente inclinada para o mesmo lado
Chegamos à evidência que devia mudar a forma como olhas para qualquer número que te seja entregue.
Foram recolhidas, por 4 investigadores, mais de 60.000 previsões e resultados reais em 4 empresas com cadeias de abastecimento, estudo publicado no International Journal of Forecasting. Em cada uma delas, o processo era o mesmo que a maioria das empresas usa: um sistema produzia uma previsão inicial e depois pessoas ajustavam-na com base no que sabiam.
Em 3 das 4 empresas, os ajustes humanos aumentaram a precisão em média. Isto é boa notícia e costuma ser onde a citação acaba. O que interessa está na análise detalhada:
Os ajustes maiores tendiam a produzir melhorias médias maiores na precisão.
Os ajustes mais pequenos danificavam frequentemente a precisão.
Os ajustes positivos, ou seja, para cima, eram muito menos prováveis de melhorar a precisão do que os ajustes negativos.
Os ajustes positivos eram também feitos na direção errada com mais frequência, o que os autores interpretam como um viés geral para o otimismo.
Traduzindo para a tua reunião mensal: quando alguém pega numa estimativa e a sobe ligeiramente porque tem um bom pressentimento sobre aquele cliente, está estatisticamente a piorar a previsão. Quando alguém a corta de forma significativa porque sabe algo concreto que o histórico não captura, está provavelmente a melhorá-la.
A assimetria não é aleatória. Ajustar para cima é socialmente confortável e ajustar para baixo exige justificação. O resultado é uma máquina que produz otimismo por construção organizacional, independentemente da qualidade das pessoas envolvidas.
Vale a pena perceber a mecânica, porque a conclusão prática não é abandonar o julgamento humano.
A literatura sobre este ponto é clara quanto a 3 coisas. A primeira é que os praticantes ajustam muito mais frequentemente do que deviam, e muitas vezes por razões erradas. Ao ajustar uma previsão estatística, quem a usa cria uma sensação de propriedade e de credibilidade sobre ela. A previsão passa a ser sua.
A segunda é que os ajustes não devem tentar corrigir um padrão sistemático que se pense ter escapado ao modelo. Isso está demonstrado como ineficaz, porque as pessoas tendem a ler padrões inexistentes em séries com ruído. Os modelos são substancialmente melhores a captar padrões nos dados, e nesse terreno o julgamento apenas prejudica.
A terceira é o critério que separa o ajuste útil do inútil: só se deve ajustar quando existe informação adicional importante que o modelo não incorpora. Não uma intuição, não uma sensação sobre a evolução do mercado. Informação concreta.
Exemplos que passam o teste:
Um contrato assinado que ainda não produziu faturação e que não existe no histórico.
A perda confirmada de um cliente que representa uma fatia relevante da receita.
Uma alteração legislativa com data conhecida que afeta a procura do teu setor.
A entrada de um concorrente com capacidade instalada muito superior à tua.
Uma campanha promocional de dimensão sem precedente no histórico da empresa.
Exemplos que não passam:
O comercial acha que aquele cliente vai fechar.
A equipa está mais motivada este trimestre.
O mercado parece estar a recuperar.
Os últimos 2 meses correram melhor do que a média.
E há uma prática de processo que a investigação identifica como eficaz e que custa zero: obrigar a documentar e justificar cada ajuste por escrito. Isso torna mais difícil sobrepor-se à estimativa base e protege contra ajustes desnecessários. Quem tem de escrever a razão pensa 2 vezes antes de mexer no número.
Uma nota adicional sobre reuniões, que é quase cómica se não fosse cara. Quando os ajustes são feitos em painel, convém tratar primeiro os mercados e produtos mais importantes, porque os participantes cansam-se e tendem a fazer menos ajustes à medida que o dia avança. A ordem da agenda influencia a previsão.
O problema específico do funil comercial
Tudo o que ficou dito acima aplica-se a previsões construídas a partir de histórico. Mas em vendas há uma segunda fonte de números, que é o funil de oportunidades em curso, e ela tem patologias próprias.
O método habitual é atribuir uma probabilidade a cada fase e multiplicar pelo valor. Uma proposta enviada vale 50%, uma negociação avançada vale 75%, e assim por diante. É simples, é o que as ferramentas fazem por defeito, e tem 3 problemas que raramente são discutidos.
As percentagens são inventadas. Na esmagadora maioria das empresas, aqueles números nunca foram calculados a partir de dados próprios. Vieram de um valor por defeito de uma ferramenta ou de uma sugestão de um consultor. A percentagem correta para "proposta enviada" na tua empresa é a fração histórica de propostas enviadas que efetivamente fecharam, e é uma conta que se faz em 20 minutos com os últimos 24 meses de dados.
As oportunidades mortas não saem. Um funil sem higiene acumula negócios que ninguém tocou há meses e que continuam a somar valor ponderado. A regra que resolve isto é operacional e não analítica: qualquer oportunidade sem interação registada durante mais tempo do que o teu ciclo médio de venda sai da previsão, independentemente do que o comercial disser.
A data de fecho é sempre a mesma. Existe um padrão universal em que as datas previstas de fecho se concentram no último dia do mês ou do trimestre. Isso não reflete o comportamento dos clientes, reflete o calendário de incentivos internos.
Este último ponto merece desenvolvimento próprio, porque é onde a previsão deixa de ser um problema técnico.
Se a remuneração variável depende de atingir um número que a própria pessoa ajudou a definir, criaste um conflito de interesses estrutural.
O comportamento resultante tem 2 formas opostas e ambas destroem a previsão:
Subestimar deliberadamente, para que o objetivo seja fixado abaixo do que é realista e a probabilidade de o superar aumente. Aparece quando o objetivo do próximo período é calculado a partir da previsão do atual.
Sobrestimar deliberadamente, para parecer confiante perante a chefia ou para justificar recursos. Aparece quando a previsão é vista como um sinal de compromisso em vez de uma estimativa.
Não há folha de cálculo que corrija isto. Corrige-se com desenho organizacional, e as opções são poucas:
Separar formalmente quem produz a previsão de quem responde pelo objetivo, ainda que seja a mesma pessoa a fornecer os dados de base.
Medir e publicar a precisão histórica de cada previsor, não apenas o resultado atingido.
Desligar o cálculo do objetivo do próximo período da previsão feita para o atual.
A terceira é a mais importante e a menos praticada. Enquanto a previsão for o input do objetivo, ninguém tem incentivo para a fazer bem. A forma como está construído o comissionamento de vendas determina a honestidade dos números que sobem na organização, e é raro alguém fazer essa ligação de forma explícita.
Os dados que precisas de ter antes de prever seja o que for
Vale a pena parar um momento na matéria-prima, porque é aqui que a maior parte das tentativas falha antes de chegar a qualquer método.
Uma previsão só é tão boa quanto a série histórica que a alimenta, e há defeitos comuns que invalidam qualquer cálculo feito por cima deles.
Faturação registada por data de emissão e não por data de entrega ou de prestação. Se emites em blocos no fim do mês, a tua série reflete o teu processo administrativo e não o comportamento da procura.
Meses com número diferente de dias úteis tratados como equivalentes. Um mês com 19 dias úteis e outro com 23 não são comparáveis, e a diferença de 21% em capacidade produtiva aparece na série como se fosse variação de procura.
Devoluções e notas de crédito lançadas no mês em que ocorreram em vez de corrigirem o mês da venda original. Isto cria picos negativos artificiais que o modelo vai tentar explicar.
Alterações de perímetro não sinalizadas. Uma linha de produto descontinuada, um cliente grande que entrou ou saiu, uma aquisição. A série continua a parecer contínua e deixou de o ser.
Períodos excecionais não marcados. Uma promoção sem precedentes, uma rutura de fornecimento, um encerramento forçado. Se não estiverem identificados, entram na série como padrão normal.
A correção destes defeitos é aborrecida e faz mais pela precisão do que qualquer melhoria de método. Antes de discutir que modelo usar, verifica se a série que tens descreve o que aconteceu no negócio ou o que aconteceu no departamento administrativo.
Há ainda uma decisão de granularidade que convém tomar conscientemente. Prever a faturação total é mais fácil e menos útil. Prever por linha de produto, por segmento de cliente ou por canal dá números individualmente menos precisos, mas a soma tende a ser mais estável do que qualquer um deles isoladamente, e sobretudo permite perceber de onde vem o desvio quando ele acontece. A regra prática: desce ao nível em que consegues agir, e não abaixo disso.
Passemos ao construtivo. Não é preciso software caro nem competências estatísticas avançadas para produzir algo defensável.
Método 1: base histórica com sazonalidade. Pega nos últimos 24 a 36 meses de faturação mensal. Calcula a média dos últimos 12 meses. Calcula, para cada mês do ano, o rácio entre a faturação desse mês e a média do ano a que pertence, e depois faz a média desses rácios ao longo dos anos disponíveis. Isso dá-te um índice de sazonalidade por mês. A previsão para um mês futuro é a tendência recente multiplicada pelo índice desse mês.
É rudimentar e é surpreendentemente difícil de bater em negócios estáveis. Também tem um mérito que os métodos sofisticados não têm: qualquer pessoa consegue perceber de onde veio o número e discutir os pressupostos.
Método 2: funil ponderado com taxas próprias. Calcula as tuas taxas reais de conversão por fase a partir do histórico, não das que a ferramenta sugere. Aplica-as ao valor em funil, depois de o limpar. Ajusta pelo ciclo médio de venda, ou seja, uma oportunidade que entrou há 2 semanas num ciclo de 3 meses não conta para o mês seguinte.
Método 3: capacidade. Este é o menos usado e o mais revelador. Quantas propostas consegue a tua equipa produzir por mês, dado o tempo disponível e o número de pessoas? Multiplica pela taxa de fecho e pelo valor médio. Se o resultado for muito inferior à previsão que veio do funil, não tens um problema de previsão, tens um problema de aritmética: estás a prever mais negócios do que consegues fisicamente trabalhar.
A construção de cada um destes métodos depende de existir um processo documentado que produza dados comparáveis. Um playbook de vendas com fases definidas de forma consistente é o que torna possível calcular taxas de conversão que signifiquem alguma coisa, porque garante que "proposta enviada" quer dizer o mesmo para toda a gente.
A regra que quase ninguém aplica e que melhora a precisão de graça
Aqui está a recomendação com melhor relação entre esforço e retorno de toda a literatura sobre previsão.
Não escolhas o melhor método. Combina os métodos.
A quarta edição da maior competição de previsão do mundo avaliou 61 métodos sobre 100.000 séries temporais reais. Das 17 abordagens mais precisas, 12 eram combinações de métodos. Este resultado não foi uma surpresa isolada: repetiu-se nas 3 competições anteriores e em inúmeros estudos empíricos independentes.
A razão é intuitiva quando se pensa nela. Métodos diferentes erram de formas diferentes. Ao combiná-los, os erros que apontam em direções opostas cancelam-se parcialmente, e o resultado tende a ser mais estável do que qualquer método individual, incluindo aquele que por acaso foi o melhor no período anterior.
A aplicação prática é simples: calcula a previsão pelos 3 métodos descritos acima e usa a média. Não a melhor, não aquela em que confias mais. A média.
Vale a pena registar a consequência incómoda desta regra. Aquilo que muitas empresas fazem, que é discutir qual dos números está certo até chegarem a um consenso, é pior do que somar os 3 e dividir por 3 sem discussão nenhuma. A discussão introduz ancoragem, hierarquia e otimismo. A média aritmética não introduz nada.
A tentação da inteligência artificial e o que a evidência mostra
É neste ponto que aparece sempre a mesma sugestão: e se usarmos aprendizagem automática?
Existe um estudo de acesso aberto que responde a isto com dados. Esse estudo comparou 8 métodos estatísticos tradicionais com 10 métodos de aprendizagem automática sobre 1.045 séries temporais mensais reais, medindo a precisão fora da amostra em múltiplos horizontes.
Os resultados:
Os métodos de aprendizagem automática foram dominados pelos estatísticos em ambas as medidas de erro usadas e em todos os horizontes examinados.
Os 6 métodos mais precisos do estudo eram estatísticos.
O método ingénuo de referência, que é essencialmente repetir o valor do período homólogo com ajuste sazonal, foi mais preciso do que metade dos métodos de aprendizagem automática testados.
Os requisitos computacionais dos métodos de aprendizagem automática eram consideravelmente superiores.
Convém dizer o que isto não significa. Não significa que a aprendizagem automática não sirva para prever, e os próprios autores são explícitos quanto ao potencial da área. Significa que a sofisticação não compra precisão por si só, e que uma empresa que não consegue produzir uma previsão decente com uma média móvel e um índice de sazonalidade também não a vai produzir com uma rede neuronal.
Existem aplicações da tecnologia em contexto comercial com valor demonstrável, sobretudo em qualificação, priorização e apoio à conversa de vendas, e vale a pena perceber onde é que a inteligência artificial aplicada a vendas tem retorno real. Substituir a disciplina de previsão não é um desses sítios.
O erro de avaliar uma previsão pelo ajuste ao passado
Há um resultado no mesmo estudo que merece uma secção própria porque desmonta uma crença enraizada.
Existe uma tentação natural de avaliar um modelo pela forma como ele reproduz os dados históricos. Se a linha da previsão passa em cima da linha da realidade nos últimos 3 anos, o modelo parece bom.
Os números do estudo dizem o contrário. Um dos métodos de rede neuronal apresentou um erro de ajuste ao histórico de 2,11%, melhor do que o método estatístico de referência, que teve 2,59%. Quando se mediu a precisão sobre dados que os modelos não tinham visto, a ordem inverteu-se: 8,39% para a rede neuronal contra 7,19% para o método estatístico. E 3 dos métodos com melhor ajuste ao histórico estavam entre os piores a prever o futuro.
A explicação chama-se sobreajustamento. Um modelo suficientemente flexível consegue reproduzir tanto o padrão como o ruído dos dados passados, e o ruído, por definição, não se repete.
A implicação prática para quem gere é direta: nunca avalies uma previsão pela forma como ela reproduz o passado que já conheces. Avalia-a sobre períodos que ela não viu. Constrói o modelo com os dados até há 6 meses, prevê os 6 meses seguintes, e compara com o que aconteceu de facto. É a única forma honesta de testar.
Como medir se a tua previsão presta
Isto leva-nos à parte que quase nenhuma empresa tem montada, e sem a qual todo o resto é decorativo.
Uma previsão só melhora se for medida. E medir exige 3 coisas.
Guardar as previsões. Com data em que foram feitas, horizonte a que se referem e valor. Uma previsão que é substituída pela seguinte sem deixar registo não pode ser avaliada.
Calcular o erro e o viés separadamente. O erro mede a magnitude do desvio, independentemente do sinal. O viés mede se os desvios se concentram sistematicamente de um lado. São problemas diferentes com soluções diferentes: erro alto sem viés é um problema de método; viés persistente é um problema de incentivos ou de otimismo, e é o mais comum.
Comparar com uma referência trivial. Este é o passo que separa a análise séria da encenação. Antes de te congratulares por uma previsão com 12% de erro, calcula qual teria sido o erro se simplesmente tivesses repetido o valor do mesmo mês do ano anterior. Se o método simples ganhar, todo o trabalho que puseste na previsão elaborada teve valor negativo.
Vale a pena montar isto de forma permanente em vez de fazer o exercício uma vez por ano. Um painel de gestão que mostre, lado a lado, previsão anterior, resultado real, erro e viés acumulado dos últimos 12 meses custa pouco a construir e muda o tom das reuniões, porque deixa de ser possível discutir o futuro sem que o histórico de acertos esteja visível.
Prever um intervalo em vez de um número
Uma previsão pontual é sempre falsa. A questão é apenas por quanto.
Isto não é uma provocação retórica: a probabilidade de acertares exatamente no valor da faturação de um mês é essencialmente nula. O que interessa é a distribuição dos resultados possíveis, e trabalhar com um intervalo altera a natureza das decisões que se tomam a partir dela.
Uma forma pragmática de construir esse intervalo sem estatística formal:
Calcula o erro percentual das tuas últimas 12 previsões mensais.
Ordena esses erros e identifica o valor abaixo do qual ficam 10% deles e o valor abaixo do qual ficam 90%.
Aplica ambas as percentagens à previsão atual. Tens um cenário baixo e um cenário alto empíricos, construídos a partir do teu próprio historial de erro em vez de números inventados.
O que fazer com cada cenário é onde reside o valor:
O cenário baixo dita as decisões irreversíveis. Contratações, compromissos de renda, investimento em capacidade. Só se compromete o que o cenário pessimista aguenta.
A previsão central dita o planeamento operacional. Stocks, escalas, orçamento de atividade.
O cenário alto dita a preparação de contingência. O que precisas de ter pronto para não perder vendas se correr melhor do que o esperado.
Esta lógica liga-se diretamente ao orçamento de tesouraria, onde a previsão deixa de ser uma discussão sobre ambição e passa a ser uma questão de solvência. Uma empresa que planeia despesa com base no cenário otimista está a apostar a continuidade num número que ela própria produziu.
E há uma peça que costuma ser esquecida: prever faturação não é prever recebimento. Entre uma coisa e outra existe o prazo de pagamento, a taxa de incumprimento e o ritmo real de cobrança, variáveis que têm de entrar em qualquer trabalho sobre fluxo de caixa e que fazem com que 2 meses com a mesma faturação prevista possam ter perfis de tesouraria completamente distintos.
O horizonte que interessa não é o que costumas usar
Uma última distinção de método, e é das que mais mudam a utilidade prática do exercício.
Perguntar "quanto vamos faturar" sem especificar o horizonte é impreciso ao ponto de tornar a resposta inútil, porque previsões a horizontes diferentes servem decisões diferentes e têm precisões muito diferentes.
Horizonte curto, até 3 meses. Serve para decisões operacionais: escalas, stocks, tesouraria imediata. É onde a precisão é maior e onde o funil de oportunidades tem mais peso relativo face ao histórico.
Horizonte médio, 3 a 12 meses. Serve para decisões de recursos: contratações, investimento em capacidade, compromissos contratuais. É onde a combinação de métodos rende mais.
Horizonte longo, acima de 12 meses. Serve para decisões estruturais e deve ser tratado como cenário, não como previsão. O erro cresce de forma não linear com o horizonte e a precisão aparente destes números é quase sempre ilusória.
O erro frequente é usar o mesmo número para os 3 fins. Uma previsão anual apresentada com detalhe mensal cria a ilusão de que se sabe o que vai acontecer em novembro com a mesma confiança com que se sabe o que vai acontecer no mês seguinte. Não se sabe, e as decisões que se tomam com base nessa falsa equivalência são precisamente as caras.
Um teste simples para calibrar isto: calcula o teu erro médio para previsões a 1 mês, a 3 meses e a 6 meses, separadamente. Se nunca fizeste esta separação, é provável que descubras que o erro a 6 meses é várias vezes superior ao erro a 1 mês. Essa diferença é a medida do que podes e não podes comprometer com antecedência, e é uma informação que vale mais do que qualquer refinamento do método.
O caso particular dos ciclos longos
Nem todos os negócios têm o mesmo problema, e vale a pena distinguir.
Num negócio com muitas transações pequenas e recorrentes, o histórico é rico e a lei dos grandes números trabalha a teu favor. A previsão baseada em série temporal funciona bem e o funil individual importa pouco.
Num negócio com poucos negócios grandes e ciclos de vários meses, a situação inverte-se. O histórico tem poucos pontos, cada negócio individual move a agulha, e a variância é enorme. Aqui, a previsão por série temporal é quase inútil e o trabalho tem de ser feito oportunidade a oportunidade.
Para quem opera em vendas B2B com ciclos longos, há adaptações específicas que fazem diferença:
Prever por escalões em vez de por valor total. Separa os negócios grandes, que se preveem individualmente com critérios explícitos, dos pequenos, que se preveem estatisticamente.
Usar critérios objetivos de avanço de fase, verificáveis por terceiros. Não "o cliente mostrou interesse", mas "o cliente confirmou orçamento aprovado e data de decisão".
Prever a data com base no ciclo observado, não na data que o cliente disse. Um cliente que diz "decidimos em janeiro" num negócio cujo ciclo médio é de 7 meses e que entrou em novembro está a dizer o que gostaria, não o que vai acontecer.
Assumir que uma parte dos negócios não se perde para concorrentes, perde-se para a inação. Em muitas empresas, a decisão de não decidir é o resultado mais frequente e raramente aparece como cenário no funil.
A qualidade destes dados depende inteiramente da disciplina de registo. Um funil de vendas preenchido de forma inconsistente produz previsões que parecem rigorosas e não são, o que é pior do que não ter previsão nenhuma, porque gera confiança injustificada.
Quando a previsão muda o resultado que estava a prever
Há uma característica das previsões de vendas que as distingue de prever o tempo ou a procura de eletricidade, e que raramente é considerada.
O que se prevê pode ser influenciado pela previsão. Se anuncias à equipa que o trimestre vai ser fraco, é possível que se torne mais fraco. Se anuncias que vai ser excecional, é possível que o esforço aumente. As previsões em contexto comercial podem tornar-se profecias autorrealizáveis ou autodestrutivas, e isso é uma diferença de fundo face a domínios onde o objeto previsto é indiferente à previsão.
A consequência prática não é esconder a previsão. É separar registos e audiências:
A previsão técnica, produzida com método, guardada, medida e usada para decisões de compromisso financeiro.
A comunicação à equipa, que é uma decisão de gestão sobre motivação e foco, e que não tem de coincidir com a primeira.
Isto não é duplicidade. É reconhecer que o número que serve para decidir se podes contratar mais uma pessoa e o número que serve para orientar o esforço de uma equipa cumprem funções diferentes e não têm de ser o mesmo.
O processo mensal que substitui a reunião de adivinhação
Reduzido ao essencial, o ciclo tem 6 passos e cabe numa hora por mês.
Congelar o resultado do mês anterior e registar o erro e o viés face às previsões que tinham sido feitas para ele com 1, 3 e 6 meses de antecedência.
Correr os métodos de base sem intervenção humana e registar os 3 resultados separadamente.
Combinar por média simples, sem discussão.
Aplicar ajustes apenas com informação documentada, cada um com uma linha escrita a justificar o quê, o porquê e o valor.
Produzir os 3 cenários a partir da distribuição histórica de erro.
Rever a precisão acumulada dos últimos 12 meses antes de fechar a reunião, e não depois.
O último passo é o que faz o sistema aprender. Quando a primeira coisa que se vê na reunião é a fotografia de quão bem se previu no passado recente, a conversa sobre o futuro fica automaticamente mais sóbria.
Este ciclo pressupõe uma peça que muitas empresas não têm: alguém que responda pela previsão como responsabilidade própria, distinta de responder pelas vendas. Não tem de ser uma função a tempo inteiro, mas tem de ser uma função. Quando a previsão é responsabilidade de toda a gente, é responsabilidade de ninguém, e o que sobe para a gestão é a soma dos otimismos individuais.
Para quem gere uma operação comercial e quer montar isto de forma sistemática, ligando a previsão ao funil, ao processo e à estrutura de incentivos, é exatamente esse o terreno da imersão CHECKMATE: Comercial, onde a discussão sai da folha de cálculo e passa para a arquitetura de decisão que produz os números.
O que fazer quando o histórico não serve
Falta o caso mais difícil, e convém não fingir que tem solução limpa: um produto novo, um mercado novo, uma empresa nova. Sem histórico, os métodos descritos acima não se aplicam.
Existem 3 abordagens defensáveis, todas imperfeitas:
Analogia. Procurar o padrão de adoção de produtos comparáveis, próprios ou de terceiros, e usá-lo como forma da curva, ajustando a escala. Exige honestidade na escolha da analogia, porque a tentação é escolher o caso de sucesso.
Decomposição. Em vez de prever a receita diretamente, prever os componentes que a geram e multiplicá-los. Número de contactos possíveis, taxa de resposta, taxa de conversão, valor médio. Cada componente é mais fácil de estimar e mais fácil de contestar do que o número final.
Cenários explícitos. Construir 3 narrativas coerentes, com pressupostos escritos, e tratar a previsão como um intervalo largo assumido em vez de um número falsamente preciso.
O que não é defensável é apresentar um número único com casas decimais para algo sobre o qual não existe informação. A precisão aparente de um número inventado não o torna menos inventado, torna-o mais perigoso, porque induz decisões de compromisso que a informação disponível não suporta.
A distância entre uma previsão útil e uma ficção com formato de tabela mede-se em 3 hábitos, e nenhum deles exige investimento. Guardar o que se previu antes de saber o resultado. Comparar depois, sem apagar o que correu mal. E verificar se o método elaborado bate a alternativa trivial de repetir o ano anterior, porque com surpreendente frequência não bate. O que torna isto raro não é a dificuldade técnica, é o desconforto. Um sistema que mede a precisão das previsões produz, ao fim de alguns meses, um registo público de quem costuma acertar e quem costuma inflacionar, e poucas organizações querem essa informação disponível. É mais confortável recomeçar todos os trimestres com um número novo, otimista e sem passado. O preço desse conforto paga-se em contratações feitas sobre receita que não chegou, em stock comprado para procura que não apareceu e em compromissos assumidos com base num número que ninguém, olhando para trás, conseguiria explicar de onde veio.
