Previsão de IA: receita e margem em tempo real

Nem tudo num negócio de consultoria é previsível no mesmo grau, e tratar tudo como se fosse é o que faz as previsões perderem credibilidade. A carteira comprometida e os contratos recorrentes podem ser projetados com confiança razoável. A receita de clientes novos num trimestre não, e nenhum modelo melhora assim tanto.

A abordagem produtiva é prever cada camada em separado e apresentá-las como camadas distintas: trabalho assinado, extensões com histórico de renovação, pipeline ponderado e todo o resto. Uma direção que vê as quatro camadas discute a camada certa em vez de discutir o total.

As previsões de receita recebem atenção; as de margem constroem-se uma vez e depois divergem em silêncio. O desvio vem de um número reduzido de causas recorrentes: mix de senioridade mais pesado do que o vendido, tempo não faturável a crescer, aumentos de tarifa não aplicados e excessos absorvidos em vez de negociados.

Cada uma delas tem um indicador antecedente disponível semanas antes de aparecer nas contas. Acompanhar as quatro como um conjunto pequeno — em vez de esperar pelo valor de margem do fecho do mês — transforma um erro de previsão numa série de pequenas correções, que é a única forma em que a margem é realmente recuperável.

Uma previsão que chega como um número único convida a uma negociação sobre o número. Uma que chega como um intervalo com os pressupostos escritos convida a uma conversa sobre os pressupostos, que é a conversa que muda comportamentos.

O formato prático é curto: o intervalo, os três pressupostos que mais o movem e o que teria de ser verdade para acontecer o limite inferior ou o superior. Manter os mesmos três pressupostos visíveis mês após mês também faz a previsão melhorar, porque os erros passam a ser rastreáveis até uma crença concreta que se revelou errada.