11.6 IA na previsão: o que melhora e o que só parece melhorar
Toda reunião de forecast tem o mesmo momento. Alguém lê um número que ninguém acredita, alguém corrige o número na cabeça pela regra de bolso que aprendeu no trimestre passado, e a reunião segue discutindo negócios individuais. É nesse momento que a proposta de um modelo preditivo parece irrecusável: ela promete substituir a regra de bolso por estatística.
Antes de olhar a proposta, vale decompor o erro que ela promete atacar. Erro de previsão e erro de cobertura não são a mesma coisa, saem de causas diferentes e só uma delas é problema de modelo.
Pergunta antes de ler
A Órbita erra o forecast para baixo em média 12,5%, e errou para baixo em 5 dos últimos 6 trimestres. Um fornecedor promete cortar esse erro pela metade com um modelo preditivo treinado no histórico do CRM.
Quanto do erro da Órbita esse fornecedor consegue tocar? Escreva um percentual antes de continuar, e escreva de onde vem o erro que você acha que ele vai atacar.
A resposta intuitiva é metade, porque foi isso que o fornecedor prometeu. A resposta correta é que ele pode tocar, no máximo, algo perto de 8,7% do erro, e mesmo esse pedaço é incerto. O restante não é erro de previsão. É aritmética de cobertura de pipeline, e nenhum modelo estatístico conserta uma operação que entra no trimestre com menos pipeline do que a própria taxa de ganho exige.
Este é o capítulo em que o vocabulário de validação dos anteriores vira instrumento de compra. Você vai separar o uso de inteligência artificial em previsão de receita em três camadas com evidências muito diferentes, e vai descobrir que as duas camadas com evidência sólida não são modelos preditivos. São automação chata de captura de dado.
As três camadas, e a evidência de cada uma
- As três camadas de IA em previsão de receita
Camada A, captura. O sistema lê agenda, e-mail e gravação e escreve no CRM o que aconteceu, sem depender de alguém lembrar. Ataca ausência de dado, que é um problema observável e verificável.
Camada B, sinal. O sistema marca negócios parados, contatos que sumiram, estágios que não avançam e prazos que escorregaram. Ataca a pauta da reunião de pipeline, não o número.
Camada C, número. O sistema emite a própria previsão de receita do trimestre. Ataca a estimativa final, que é a parte que todo mundo quer comprar e a que tem menos evidência de ganho em empresas do porte da Órbita.
A regra de leitura é curta: quanto mais perto do número final, mais fraca a evidência e mais caro o erro.
Arraste o desenho para o lado para ver inteiro
A conta está inteira no dataset e cabe em duas linhas. A Órbita pratica cobertura de pipeline de 3,1× quando a própria taxa de ganho exige 3,5×. 3,1 ÷ 3,5 = 88,6%, ou seja, um erro estrutural esperado de -11,4 pontos percentuais. O erro observado foi -12,5%. A diferença entre os dois é de 1,1 pontos percentuais, e é dentro dessa faixa estreita que qualquer fornecedor de previsão vai ter que provar que vale o preço.
Guarde a frase, porque ela reaparece em toda conversa de compra de ferramenta de previsão. O forecast da Órbita não é pessimista nem otimista. Ele é uma divisão feita sobre um pipeline insuficiente, e o resultado dessa divisão é conhecido antes de o trimestre começar. Nenhuma quantidade de cobrança de precisão do time muda isso, e nenhum modelo treinado no histórico consegue prever uma receita que não tem pipeline para existir.
| Trimestre | Commit (R$ mil) | Realizado (R$ mil) | Erro | O que esse trimestre diz |
|---|---|---|---|---|
| Q3/2024 | 1.500 | 1.140 | -24,0% | Erro do tamanho de um trimestre inteiro de SMB. Não é ruído: é falta de pipeline. |
| Q4/2024 | 1.700 | 1.450 | -14,7% | Erro maior que o estrutural esperado. Aqui sobra espaço para método. |
| Q1/2025 | 1.550 | 1.300 | -16,1% | Erro maior que o estrutural esperado. Aqui sobra espaço para método. |
| Q2/2025 | 1.620 | 1.680 | 3,7% | Único acima do commit, e o commit foi o menor aumento da série. |
| Q3/2025 | 2.050 | 1.780 | -13,2% | Erro quase igual ao que a cobertura já previa. Não há o que corrigir com modelo. |
| Q4/2025 | 2.400 | 2.140 | -10,8% | Erro quase igual ao que a cobertura já previa. Não há o que corrigir com modelo. |
Seis trimestres de commit contra realizado, direto do dataset. A última coluna é a leitura, e é ela que separa um trimestre que ensina de um trimestre que só decepciona. Repare que o único acima do commit é também o de menor aumento de commit: a operação bateu o número que ela mesma tinha rebaixado. As duas colunas de dinheiro estão em R$ mil: 2.400 são R$ 2,4 milhões, e 1.140 são R$ 1,14 milhão.
Camada A: a única com prova e a única que ninguém quer comprar
A captura automática de atividade é o oposto de glamourosa. Um sistema lê a agenda, o e-mail e a gravação da reunião, identifica a conta e a oportunidade, e escreve o registro no CRM. Não prevê nada. Não estima nada. Apenas registra o que aconteceu, sem depender de um vendedor lembrar de abrir o CRM na sexta à tarde.
O ganho é verificável porque o problema é observável. A Órbita mede que o AE gasta 23,5% da semana em CRM e propostas, o que equivale a R$ 615 mil por ano de tempo carregado dos onze AE. Essa é uma medição interna, não uma estimativa de fornecedor, e é isso que a torna utilizável num business case.
Arraste o desenho para o lado para ver inteiro
Repare no passo que o Módulo 11 inteiro cobra e que este capítulo cobra de novo: tempo devolvido só vira benefício se alguém disser o que ele vira. Com a premissa declarada de que a captura devolve 25% do tempo administrativo, a Órbita recupera R$ 154 mil por ano em custo de pessoa. Se esse tempo virar cobertura de conta, ele vale 5,9% de capacidade adicional: 640 oportunidades × 5,9% = 37,6 oportunidades a mais, × 28,9% de taxa de ganho = 10,9 clientes, × R$ 37,3 mil de ACV médio de um logo novo, por cliente e por ano, = R$ 405 mil de ARR novo por safra, esse sim um total da empresa.
Se o tempo não virar cobertura nem evitar a contratação do próximo AE, o benefício é zero. Escreva zero. Um business case com uma linha de zero declarado é mais forte, diante de um CFO, que um business case com uma linha de economia que ninguém sabe onde foi parar.
Camada B: o sinal vale a pauta, não o número
A detecção automática de negócios parados é honesta sobre o que entrega. Ela não prevê receita: devolve uma lista. Na Órbita essa lista é grande e conhecida. O pipeline aberto em dezembro somava R$ 7,42 milhões, dos quais 23% estavam sem atividade há 45 dias ou mais, o que dá R$ 1,71 milhão de valor zumbi. No enterprise a proporção sobe para 41% e a idade média chega a 171 dias.
O efeito de limpar isso não é ganhar receita. É parar de mentir sobre a cobertura. O pipeline declarado para o primeiro trimestre de 2026 é R$ 5,18 milhões contra uma meta de R$ 1,56 milhão, o que parece cobertura de 3,3×. Tirando os zumbis, o pipeline vivo é R$ 3,99 milhões e a cobertura real é 2,6×. A necessária é 3,5×, o que exigiria R$ 5,46 milhões. Falta R$ 1,47 milhão de pipeline saudável. Essa é a frase que muda a reunião, e ela não precisou de modelo nenhum.
Camada C: por que score não calibrado não pode entrar no forecast
- Contaminação do pipeline ponderado
Pipeline ponderado é a soma do valor de cada oportunidade multiplicado pela sua probabilidade de fechar. Quando essa probabilidade vem de um modelo, a qualidade do resultado depende de calibração, não de ordenação: o modelo precisa acertar o número, não apenas a ordem.
O erro de calibração não se cancela na soma. Se o modelo superestima em todas as faixas, e modelos mal calibrados costumam errar sempre para o mesmo lado, o viés de cada linha se acumula em vez de se compensar. O resultado é uma previsão inflada com aparência de rigor, que é a pior combinação possível numa reunião de conselho.
Arraste o desenho para o lado para ver inteiro
ordenar não é acertar o número · pipeline ponderado exige calibração, não só lift
Regra de uso, e ela não tem exceção. Score sem gráfico de confiabilidade ordena fila e nada mais. Para entrar em previsão de receita, o modelo precisa ter calibração conferida e republicada a cada trimestre, porque calibração degrada antes de a ordenação degradar.
Na práticaÓrbita Software · forecast do Q1 de 2026
O número que vai ao conselho. O CRO vai apresentar R$ 1,48 milhão, que é o commit de R$ 1,18 milhão mais cerca de um terço do provável de R$ 940 mil, ajustado por sensibilidade. A meta é R$ 1,56 milhão. Apresentado assim, o slide diz que falta pouco.
Passo 1, aplique o viés medido. A série de 6 trimestres tem viés de -12,5%. Corrigir o forecast por ele é uma multiplicação: R$ 1,48 milhão × 0,87 = R$ 1,29 milhão. O gap contra a meta passa de R$ 80 mil para R$ 265 mil, ou 17,0% da meta.
Passo 2, confira se um modelo faria melhor. A correção acima é uma multiplicação por 0,87, feita numa planilha, em trinta segundos, sem nenhum dado além dos seis trimestres que a empresa já tem. Ela captura 91,3% da distância entre o que o time diz e o que acontece. O teto do que qualquer modelo pode adicionar são 1,1 pontos percentuais.
Passo 3, o que realmente resolve. A cobertura limpa é 2,6× contra 3,5× necessária. Faltam R$ 1,47 milhão de pipeline saudável. Esse é um problema de geração e de higiene, e tem donos nomeáveis: marketing, pré-venda e a fila de reatribuição do capítulo 11.3. Não tem nada a ver com o método de cálculo da previsão.
Passo 4, o risco de comprar a camada C mesmo assim. Suponha que a Órbita compre e alimente o pipeline ponderado com um score que prevê 11,0% na faixa de topo e observa 8,5%, superestimativa de 29,4%. O ponderado honesto sobre R$ 5,18 milhões de pipeline, à taxa de ganho de 28,9%, é R$ 1,5 milhão. Com a superestimativa embutida vira R$ 1,94 milhão. São R$ 440 mil de previsão inventada, 28,2% da meta do trimestre, agora com uma aparência de rigor que o palpite do CRO não tinha.
O veredito. A Órbita compra a camada A, porque o ganho é medido na própria operação. Compra a camada B com o benefício escrito como antecipação, e não como receita. Reprova a camada C enquanto o gráfico de confiabilidade não for entregue e enquanto a cobertura estiver abaixo de 3,5×. E registra em ata que previsão não se conserta no fim da conta.
Exercício 11.650 minutos, planilha
- Calcule o erro estrutural esperado do forecast da sua empresa a partir da razão entre cobertura praticada e cobertura necessária, e compare com o erro observado dos últimos quatro trimestres fechados.
- Calcule a cobertura limpa do seu pipeline atual, tirando tudo que está sem atividade há 45 dias ou mais. Escreva os dois números lado a lado.
- Liste os três campos que um modelo de previsão precisaria ler no seu CRM e verifique, um a um, se eles existem com histórico. Marque os que não existem.
- Metacognitivo: releia o número que você escreveu na pergunta de abertura deste capítulo. O que você deveria ter feito antes de escrever aquele número?
Conferir respostasEsconder respostas
- A conta é cobertura praticada ÷ cobertura necessária, menos 1. Se a sua empresa opera a 2,8× e precisa de 4,0×, o erro estrutural esperado é 2,8 ÷ 4,0 − 1 = −30%. Se o seu erro observado for menor que o estrutural, o time está compensando com otimismo deliberado; se for maior, existe um problema de qualidade de estágio somado ao de cobertura, e aí sim há espaço para método.
- A conta é valor aberto × (1 menos a fração zumbi) ÷ meta. Na Órbita: R$ 5,18 milhões × 0,77 ÷ R$ 1,56 milhão = 2,6×, contra os 3,3× declarados. Se a sua cobertura limpa cair mais de 20% abaixo da declarada, o problema não é forecast: é que o pipeline review nunca fecha negócio perdido.
- Os campos que denunciam ausência de dado são data da última atividade registrada, data de fechamento prevista com histórico de alterações e responsável pelo próximo passo. Na Órbita o segundo não existe, porque o CRM sobrescreve a data e o histórico não é guardado. Um modelo treinado sem histórico de deslizamento não tem acesso à variável mais preditiva do problema, e nenhum fornecedor vai contar isso na demonstração.
- Metacognitivo: você provavelmente respondeu 50% na pergunta de abertura, porque aceitou o enquadramento do fornecedor de que todo erro de previsão é erro de previsão. O que deveria ter feito antes de responder foi decompor o erro em causas antes de discutir remédio. A pergunta útil não é quanto o modelo melhora; é qual parcela do erro o modelo tem permissão de tocar.
Armadilha: multiplicar score por valor e chamar o resultado de previsão
A cena tem uma qualidade estética que a torna difícil de recusar. Alguém abre uma planilha, mostra uma coluna de valor da oportunidade, uma coluna de probabilidade vinda do modelo, uma coluna de produto e um total no rodapé. É limpo, é reprodutível e parece o oposto do palpite de 15% de gordura que o CRO aplica hoje. Todo mundo na sala prefere a planilha, e a preferência é razoável.
O problema é que a planilha herda um viés que o palpite não tinha. O palpite do CRO é arbitrário, mas é um número só, aplicado uma vez, e todo mundo sabe que é um palpite. O modelo mal calibrado aplica 29,4% de otimismo em cada uma das centenas de linhas, e como o erro tem o mesmo sinal em todas, ele não se dilui na soma: escala com o tamanho do pipeline. No Q1 da Órbita isso são R$ 440 mil.
Pior: o viés agora tem procedência. Quando o trimestre fecha abaixo, a discussão não é mais sobre gordura. É sobre o modelo, que ninguém na sala sabe auditar, e a conclusão costuma ser retreinar em vez de perguntar qual era a taxa base.
A sanção chega no conselho, e chega como perda de crédito. Um conselho que recebe duas previsões infladas seguidas para de discutir a previsão e passa a descontar tudo o que vem da gestão. A partir daí, a conversa de Série C muda de assunto: sai de plano de crescimento e entra em governança de informação.
Previsão errada com aparência de método custa mais caro que palpite assumido.
Recuperação
Responda antes de abrir. Tentar e errar consolida mais que reler.
1Nomeie as três camadas de IA em previsão de receita e diga, para cada uma, se o benefício entra no business case como receita, como custo evitado ou como antecipação de decisão.
Camada A, captura de atividade: entra como custo evitado, e só vira receita se você declarar o que o tempo liberado passa a fazer. Camada B, sinal de negócio parado: entra como antecipação de decisão, nunca como receita. Camada C, o número previsto: não entra, enquanto não houver calibração conferida e cobertura suficiente.2Uma empresa tem pipeline aberto de R$ 12 milhões, 31% dele sem atividade há mais de 45 dias, meta trimestral de R$ 2,4 milhões e win rate de 22%. Qual a cobertura limpa, qual a necessária, e o que você escreve no primeiro parágrafo do relatório?
Pipeline vivo = R$ 12 milhões × 0,69 = R$ 8,28 milhões. Cobertura limpa = R$ 8,28 milhões ÷ R$ 2,4 milhões = 3,45×. Necessária = 1 ÷ 0,22 = 4,55×. Faltam R$ 2,4 milhões × 4,55 − R$ 8,28 milhões = R$ 2,64 milhões de pipeline saudável. O primeiro parágrafo diz isso e só isso: o trimestre não tem pipeline para a meta, e a diferença tem tamanho conhecido antes de o trimestre começar.3O Módulo 4 mediu que dois gerentes classificaram 40 negócios em separado e concordaram em 61% dos casos, com kappa de 0,4. Que consequência isso tem para um modelo treinado nos estágios do CRM?Módulo 4 · 4.4
O rótulo com que o modelo aprende é inconsistente. Se dois humanos discordam em quatro de cada dez casos, o estágio não mede o que o comprador decidiu; mede quem preencheu. O modelo vai aprender o padrão de preenchimento de cada gerente e chamar isso de probabilidade de fechar. Primeiro se escreve o critério de saída de cada estágio, depois se treina qualquer coisa.4De memória, escreva a regra de uso de score em previsão e a conta que corrige um forecast pelo viés histórico.
Regra: score sem gráfico de confiabilidade só ordena fila, nunca entra em pipeline ponderado. Correção por viés: forecast corrigido = forecast apresentado × (1 + viés médio histórico), com o viés calculado como média de (realizado ÷ commit − 1) sobre pelo menos quatro trimestres fechados. Na Órbita, × 0,87.