Pipeline e forecast: taxas de conversão, velocidade de vendas e previsão de receita

O pipeline de R$ 400 mil que fecha o mês em R$ 60 mil

Considere uma situação hipotética: uma empresa de software B2B abre o mês com 40 negócios no pipeline, somando R$ 400.000. A diretoria planeja com base nesse total. No dia 30, entram R$ 60.000. Ninguém mentiu; o problema é que uma soma de valores abertos mede o tamanho do pipeline, e não o que dele vai se converter. Previsão de receita começa quando se troca a pergunta “quanto temos aberto?” por “quanto, com que probabilidade e até quando?”.

A pergunta tem história no marketing e nas vendas B2B. Livros como Receita Previsível, de Aaron Ross e Marylou Tyler, trataram a geração de receita como um processo com etapas medidas, em vez de um dom individual do vendedor, e a documentação de CRMs como Salesforce e HubSpot passou a trazer ferramentas de forecast integradas ao pipeline. A ferramenta, porém, só devolve o que recebe. A seguir, a ordem de trabalho: limpar os dados, medir a conversão, entender a velocidade, escolher o método e planejar com faixas. Os objetos e as etapas que sustentam esse trabalho estão em CRM na prática: contatos, negócios, etapas e tarefas.

Higiene: o que está no pipeline sem merecer estar

Três defeitos aparecem com frequência em pipelines infláveis. O primeiro é o negócio parado: oportunidade que não recebeu nenhuma atividade há um período maior que o ciclo típico de decisão. Alguns CRMs sinalizam isso (o Pipedrive, por exemplo, tem um recurso de negócios “estagnados”, conforme sua documentação), e em outros basta um filtro por data da última atividade. O segundo é a data de fechamento que anda: o vendedor empurra a data prevista de mês em mês para o negócio continuar no forecast. O terceiro é a etapa sem critério: “proposta enviada” que significa apenas “mandei um PDF”.

Um teste simples de higiene, aplicável hoje: separe os negócios abertos em três grupos. Os que têm próxima ação com data futura, os que têm ação vencida e os que não têm ação alguma. Só o primeiro grupo pertence ao forecast. Os outros dois exigem uma decisão: retomar com uma ação concreta ou encerrar com motivo registrado. Quem faz essa limpeza uma vez por semana descobre que o total do pipeline encolhe. Essa redução não é uma perda; é o número que sempre foi real, aparecendo.

Há uma observação que a literatura de ferramentas raramente faz: histórico de datas. Um negócio cuja data prevista de fechamento foi alterada várias vezes é um sinal de risco mais forte do que muitos campos de texto preenchidos. Se o CRM guarda o histórico de alterações do campo, vale um relatório de “negócios com data adiada mais de uma vez”; se não guarda, uma coluna extra na planilha resolve.

Conversão por etapa e velocidade de vendas, com números hipotéticos

A taxa de conversão por etapa é a fração de negócios que passa de uma etapa para a seguinte. A tabela abaixo é inteiramente hipotética: uma empresa fictícia que recebe 200 leads em um mês.

Oito negócios ganhos, com ticket hipotético de R$ 9.000, resultam em R$ 72.000. Agora uma observação que muda a priorização: o trecho mais estreito é a passagem de proposta para ganho (25%). Melhorar cinco pontos percentuais ali (de 25% para 30%) leva os ganhos de 8 para 9,6 e a receita de R$ 72.000 para R$ 86.400. Os mesmos cinco pontos na primeira passagem (de 40% para 45%) levam a receita a R$ 81.000. Como as taxas se multiplicam, o ganho relativo de um ponto é maior onde a taxa é menor. É esse tipo de comparação que o simulador de pipeline faz com os seus números: você informa leads, conversões por etapa, ticket e ciclo, e ele mostra a receita prevista, a velocidade de vendas e o trecho mais estreito do funil.

A velocidade de vendas (sales velocity) combina quatro variáveis em uma única medida de receita por unidade de tempo:

velocidade = (número de oportunidades × taxa de ganho × ticket médio) ÷ duração do ciclo

Com números hipotéticos: 40 oportunidades, taxa de ganho de 25%, ticket de R$ 12.000 e ciclo de 60 dias dão 40 × 0,25 × 12.000 = R$ 120.000, divididos por 60, ou R$ 2.000 por dia. Em 30 dias, a leitura aproximada é R$ 60.000. A fórmula é útil como diagnóstico porque aponta quatro alavancas: mais oportunidades, mais ganho, ticket maior, ciclo menor.

O cuidado de especialista está no que a fórmula esconde: as alavancas não são independentes. Dar desconto para encurtar o ciclo reduz o ticket; abrir o topo do funil com leads pouco qualificados aumenta o número de oportunidades e derruba a taxa de ganho. Uma melhoria que mexe em uma variável sem medir as outras pode deixar a velocidade igual ou pior. Por isso, a fórmula deve ser recalculada após cada mudança, com dados reais de um período comparável, e não tomada como promessa de ganho.

Três métodos de forecast, três jeitos de errar

Etapa ponderada. Cada negócio recebe uma probabilidade conforme a etapa, e o forecast é a soma de valor × probabilidade. Em um exemplo hipotético: 10 negócios em diagnóstico (R$ 9.000 cada, probabilidade de 15%), 6 em proposta (30%) e 3 em negociação (55%) resultam em R$ 13.500 + R$ 16.200 + R$ 14.850 = R$ 44.550. O defeito é duplo. Em muitos CRMs, as probabilidades de etapa vêm como um padrão configurado, uma suposição de quem montou a ferramenta, e não uma medida do seu negócio. E o resultado é um número que, com poucos negócios, nunca acontece: os 3 negócios em negociação, de R$ 9.000 cada, só podem render R$ 0, R$ 9.000, R$ 18.000 ou R$ 27.000, e o valor esperado de R$ 14.850 não está entre essas possibilidades. O método melhora com volume e piora com negócios grandes e raros.

Histórico de conversão. Usa as taxas reais das suas etapas, medidas em negócios já fechados, e o ciclo típico, para projetar o que deve se converter no período. Ele corrige o palpite de probabilidade, mas pressupõe que o futuro se parece com o passado. Mudanças de oferta, de preço, de canal ou de vendedor invalidam parte da série, e com poucos negócios fechados a taxa oscila muito. Não existe um número universal de negócios a partir do qual a série “passa a valer”; o que existe é o hábito de mostrar a faixa, não só o ponto.

Categorias de compromisso. O vendedor classifica cada negócio em categorias como compromisso (commit), melhor caso (best case) e pipeline, uma lógica que aparece, por exemplo, nas categorias de previsão da documentação da Salesforce. É o método que usa o conhecimento do vendedor sobre o cliente. Também é o mais exposto ao viés: otimismo infla o compromisso, e o medo de errar o esvazia. Um exemplo hipotético: compromisso de R$ 18.000 (dois negócios), melhor caso de mais R$ 27.000 (três negócios). O gestor lê isso como uma faixa de R$ 18.000 a R$ 45.000, não como R$ 45.000.

Dos três, nenhum vence sempre. A prática mais robusta é calcular dois ou três e examinar onde divergem. Quando o método ponderado aponta R$ 44.550 e o de categorias, um piso de R$ 18.000, a divergência pergunta onde está o risco: provavelmente nas três negociações em aberto.

Planejar com faixas e rever as premissas

Uma previsão útil tem três elementos: um piso (o que já está comprometido), uma expectativa (o que o histórico sugere) e um teto (o que ocorre se tudo der certo), todos com data. Decisões como contratar, comprar estoque ou aumentar investimento em mídia devem se apoiar no piso e no esperado, não no teto. Quando a faixa é muito larga, a conclusão é que falta informação: leads em excesso no topo, ciclos longos demais ou etapas sem critério.

Dois ritos sustentam isso. O primeiro é a revisão semanal, restrita aos negócios que não se moveram: o vendedor diz em voz alta o que vai acontecer a seguir. O segundo é o acompanhamento de erro: no fim do mês, comparar o que foi previsto com o que foi realizado e anotar o motivo da diferença (negócio grande que escorregou, conversão pior, ciclo mais longo). Depois de alguns meses, o time sabe se o seu forecast tende a errar para cima ou para baixo, e pode corrigir a premissa certa. O custo e o retorno dessa máquina, por sua vez, são tratados em analytics de marketing e vendas com CAC, LTV, ROI e atribuição.

No entanto, o método tem limites que convém admitir. Em operações com poucos negócios por mês, de ticket alto e ciclo longo, a estatística é frágil: duas vendas a mais ou a menos mudam a taxa de ganho em muitos pontos, e uma planilha sofisticada dá falsa precisão. Nesses casos, a previsão por negócio, conversada um a um, é mais honesta do que qualquer fórmula. Há também a questão do incentivo: se o forecast do vendedor é usado para cobrar meta, a tendência é protegê-lo, e o dado perde valor. Separar a reunião de previsão da reunião de cobrança é um desenho de processo, não de ferramenta.

Olhando adiante, os recursos de IA que CRMs e plataformas de vendas vêm incorporando para prever fechamento deverão tornar a conta mais automática, e ao mesmo tempo mais opaca. O que se pode afirmar com segurança é que o modelo aprende com os dados que recebe: com etapas sem critério e datas adiadas, ele aprende o ruído. Se esses recursos melhoram de fato a precisão em cada operação, só o acompanhamento de erro do próprio time responde.

Os cursos da academia que trabalham a análise de pipeline com os dados do seu negócio estão em nossa página de cursos.