Previsão de vendas em mid-market B2B erra, em média, entre 25% e 40%, segundo benchmark publicado pela Prospeo com base em pesquisa do Gartner. Trocar de método não resolve. O problema vem antes da planilha: o CRM está rodando com dados incompletos, e qualquer forecast construído em cima disso vira chute calibrado. Este artigo mostra onde sua operação perde acurácia e o que arrumar primeiro.
Por que o forecast erra mesmo com método novo?
Forecast erra porque o dado de CRM está incompleto, não porque o método é fraco. Em 76% dos registros, menos da metade dos campos críticos está preenchida, de acordo com o levantamento da Landbase publicado em 2026. Quando o AE atualiza estágio sem revisar valor, próximo passo e data de fechamento, o modelo de previsão multiplica suposição por probabilidade. Erra na primeira casa.
A pesquisa do Gartner mostra que a acurácia de forecast em B2B oscila entre 70% e 79% há anos, mesmo com onda de ferramentas novas entrando no mercado. Apenas 7% das operações cruzam 90% de acurácia, segundo o glossário de vendas do Gartner. Isso quer dizer uma coisa: o gargalo não é o algoritmo. É o input.
Nos projetos de RevOps que estruturei em mid-market brasileiro, o padrão se repete. O diretor de vendas pede a sexta mudança de metodologia em três anos. Depois descobrimos que o campo “próximo passo” tem 60% de “follow-up”, 25% em branco e 15% com data passada. Trocar BANT por MEDDPICC não resolve isso.
O que torna o dado de CRM podre na prática
Dado podre tem assinatura. São quatro vícios que aparecem em quase toda operação de mid-market:
- Estágio do funil que avança sem critério objetivo. AE move para “proposta enviada” antes do champion confirmar problema.
- Data de fechamento que viaja no tempo. Quando o trimestre vira, o AE empurra a data para a frente sem registrar o motivo.
- Valor de oportunidade congelado. O deal nasceu com ticket de R$ 80 mil. Hoje virou R$ 120 mil. Ninguém atualizou.
- Contato genérico no campo de decisor. “Comprador” registrado é o analista que abriu o ticket, não quem assina o contrato.
O State of Sales 2026 da Salesforce reforça o ponto: 51% dos líderes de vendas dizem que silos de tecnologia atrasam ou limitam suas iniciativas de IA. A IA não consegue inferir o que o vendedor não registrou. O modelo aprende com o ruído e devolve ruído melhor formatado.
Dado de CRM podre: registro de oportunidade com mais de 30% dos campos críticos em branco, vagos ou desatualizados, que inviabiliza forecast e lead scoring preditivo.
Os cinco campos que decidem a acurácia do forecast
Em vez de auditar 80 campos de CRM, foque em cinco. São os que mais movem a agulha do forecast em mid-market.
| Campo | Critério mínimo de preenchimento | Impacto no forecast |
|---|---|---|
| Estágio do funil | Critério objetivo documentado (ex: proposta lida pelo decisor) | Define probabilidade base |
| Próximo passo | Frase de ação, com data, e responsável | Sinaliza deal vivo vs morto |
| Data de fechamento | Combinada com o decisor, atualizada se mudar | Define em qual trimestre o deal entra |
| Valor | Revisado após cada proposta | Define o número do forecast |
| Decisor identificado | Nome, cargo e canal de contato | Indica risco de single-thread |
Segundo a análise da Dear Lucy sobre qualidade de dados em Salesforce, operações que limpam esses campos sobem a acurácia de forecast em até 30%. É ganho de quase um quarto sem trocar de ferramenta.
O detalhe brasileiro: em mid-market BR, o vendedor sênior costuma manter informação na cabeça e no WhatsApp. Migrar isso para o CRM exige ritual semanal de pipeline review com inspeção campo a campo. Não é controle, é higiene de dado.
Quando faz sentido colocar IA preditiva no forecast?
IA preditiva no forecast só performa depois que o CRM está limpo. A documentação do forecasting com IA da HubSpot deixa explícito: a acurácia da projeção depende da acurácia dos dados de entrada. O modelo da HubSpot atualiza nos dias 1, 7, 14, 21 e 28 do mês. Se o AE empurra a data sem atualizar valor, a projeção responde com o mesmo erro.
O CRM Curator publicou uma análise honesta do lead scoring preditivo da HubSpot: o modelo só supera regra de negócio bem ajustada quando a base passa de 5 mil deals fechados. Para mid-market com 200 a 800 deals fechados por ano, esse volume leva 6 a 8 trimestres para chegar. Antes disso, IA preditiva entrega resultado pior que uma fórmula bem pensada no Excel.
A conclusão prática para o diretor de vendas: comece com regras simples baseadas em estágio mais qualidade do “próximo passo”. Some IA quando tiver volume. Recomendo, na operação que vejo, atrasar a compra do módulo de IA do CRM em 6 meses e investir esse orçamento em RevOps para limpar dado primeiro.
Como estruturar a cadência de forecast review
Cadência boa de forecast cabe em duas reuniões por semana. Não mais. O modelo que funciona em mid-market foi descrito pela Clari no guia da forecast call e pela própria Okta em case com a Clari:
- Semana A: foco no forecast do trimestre corrente. Cada deal acima de 0,5% do número entra no debate, com revisão dos cinco campos.
- Semana B: foco na coverage do próximo trimestre. Marketing puxa a discussão com geração de pipeline por segmento.
- Antes da call: o AE submete commit, best case e pipeline em formulário curto, com motivo de mudança.
- Durante a call: gerente faz só perguntas de validação, sem discussão de desconto. Desconto é pauta separada.
- Depois da call: RevOps registra o delta semana a semana para identificar AE com viés otimista crônico.
O ponto crítico, que poucos times praticam, é o passo 5. O viés otimista de cada vendedor é mensurável. Se o AE comita R$ 500 mil há 8 semanas e fecha R$ 320 mil, o líder corrige o forecast antes de subir para a diretoria. Isso é o que move a acurácia de 70% para 85%.
O que fazer essa semana
Resumo executivo para o diretor de vendas que quer sair de “forecast errado” para “forecast confiável” sem trocar de CRM nem comprar IA nova.
- Audite os cinco campos críticos nas top 50 oportunidades abertas. Conte quantas têm os cinco preenchidos com critério.
- Defina o critério objetivo de avanço de estágio com o time. Documente em uma página só.
- Instaure a cadência semanal alternada (forecast vs pipeline) com inspeção campo a campo.
- Meça o viés otimista por AE nas últimas 8 semanas. Quem comita 1,5x acima do que fecha precisa de coaching, não de meta nova.
- Adie qualquer compra de IA preditiva de forecast até que 80% dos cinco campos estejam limpos. Use o orçamento em RevOps.
Forecast errado em 40% custa decisão errada de headcount, comissão e investimento. Não é problema de método. É problema de dado que ninguém quis encarar. Se você quer ler mais sobre como estruturar essa base, vale ver os artigos sobre regra dos 3x em pipeline coverage e pipeline hygiene para diretor de vendas.
Perguntas frequentes
Comentários (0)