Forecasting em Facilities: técnicas por tamanho de empresa
Sem forecast estruturado, "orçado é o que gasta". Resultado: 15–20% de desvio é normal. Gestor faz orçamento em janeiro com "chute", em junho descobre que vai estourar. Solução simples: histórico de 12 meses últimos, média móvel de 3 meses, ajusta trimestral. Ferramenta: Excel. Tempo: 2h/mês. Ganho: desvio cai para 5–8%, permite ação corretiva com 2 meses de antecedência.
Forecast mensal é padrão, ajusta trimestral. Problema: é rígido (assume linearidade). Realidade: sazonalidade de energia (verão vs inverno), crescimento de headcount, mudanças de tarifa. Solução: rolling forecast mensal (atualiza previsão dos meses restantes com novo contexto). Ferramenta: Excel avançado ou Power BI. Tempo: 4h/mês. Ganho: avisa desvios 2–3 meses antes, permite negociação com fornecedor ou ajuste orçamentário.
Forecast contínuo com modelos de regressão, cenários dinâmicos (pessimista/realista/otimista). Dados incluem variáveis exógenas (temperatura, tarifa, headcount). Ferramenta: Python, R, BI com ML integrado. Tempo: 10–20h/mês (mas automatizado). Ganho: accuracy 2–3%, forecasting com confiança de ±2–3%, permite hedge de risco (p.ex., travamento de preço de energia).
Forecasting de Facilities
é a técnica de prever despesas futuras (próximos meses ou trimestres) baseada em histórico, padrões sazonais e variáveis de contexto (headcount, tarifa, clima). Objetivo é avisar desvios antecipadamente, permitindo ação corretiva, negociação com fornecedor ou aprovação executiva de aumento orçamentário antes da surpresa.
Técnicas de Forecasting: qual escolher para cada despesa
Não existe uma técnica única. A escolha depende da natureza da despesa (fixa vs variável), estabilidade histórica e disponibilidade de dados. Aqui estão as 5 principais.
1. Naïve (ingênuo):
Assume que valor do período anterior será igual (ex: "janeiro foi R$ 20k, faço forecast de fevereiro = R$ 20k"). Vantagem: simples, sem dados necessários. Desvantagem: accuracy baixa (8–15%). Apropriado: dados muito estáveis (ex: contrato fixo de limpeza que não muda). Não apropriado: energia (sazonal), manutenção (imprevisível).
2. Média móvel:
Média dos últimos N meses (ex: média dos últimos 3 meses = (R$ 20k + R$ 21k + R$ 19k) / 3 = R$ 20k). Vantagem: reduz ruído (picos isolados não puxam média), requer pouco dado (3–6 meses de história). Desvantagem: accuracy moderada (5–10%), não detecta trend. Apropriado: despesa com variabilidade moderada mas sem trend claro (ex: limpeza com pequenas variações). Não apropriado: despesa com trend claro (ex: energia que sobe todo ano por tarifa, headcount que cresce).
3. Sazonalidade:
Ajusta para padrão de ciclo (ex: energia verão é 20% mais alta, inverno 10% mais baixa). Técnica: calcular índice sazonal (energia junho / média anual). Depois, forecast naïve ou média móvel × índice sazonal. Vantagem: captura padrão repetível. Desvantagem: requer 2–3 anos de história para calibrar. Apropriado: energia, água (ciclo anual claro), alguns serviços (férias de colégio = mais segurança). Não apropriado: despesa sem padrão sazonal claro (ex: manutenção de elevador).
4. Regressão linear:**** Modelar baseado em variável driver (ex: energia = função da temperatura, headcount, tarifa). Fórmula: Energia = A + B×Temperatura + C×Headcount + D×Tarifa. Vantagem: explica por quê (não é caixa-preta). Desvantagem: requer dados de contexto, precisa de 6–12 meses para calibrar. Apropriado: despesa com driver claro (ex: energia × temperatura, gastos de RH × headcount). Não apropriado: despesa com múltiplos drivers desconhecidos (ex: manutenção corretiva = muito aleatória).
5. Expert judgment:
Opinião fundamentada baseada em contexto conhecido. Ex: "vamos crescer 20% headcount no Q2, então despesa de limpeza/segurança sobe 20%". Vantagem: incorpora mudanças estruturais conhecidas. Desvantagem: viés humano (otimismo, pessimismo). Apropriado: quando há mudança planejada (expansão, contração, mudança de padrão). Não apropriado: baseline sem mudança conhecida.
Para cada tipo de despesa — técnica apropriada:
Limpeza (contrato fixo) = Naïve ou Média Móvel. Energia (sazonal) = Sazonalidade ou Regressão. Manutenção (imprevisível) = Média Móvel + Contingência. Pessoal (estruturado) = Expert Judgment + Histórico. Água/Gás = Sazonalidade.
Rolling Forecast: como funciona na prática
Rolling forecast é a técnica mais poderosa para avisar desvios antecipadamente. Você atualiza previsão todo mês com novo contexto.
Conceito:
Todo mês, você tem realizado de janeiro até mês atual + projeção para meses restantes. Exemplo: em junho, você tem realizado de jan-jun (6 meses). Projeta jul-dez (6 meses restantes) com base em novo contexto (tarifa aumentou? headcount mudou? temperatura será diferente?).
Implementação com exemplo numérico — Energia:
Orçamento para 2024 = R$ 240k (média R$ 20k/mês). Realizado janeiro-junho = R$ 150k (média R$ 25k/mês = está acima do orçado). Novo contexto em junho: tarifa aumentou 10% em julho, você contratou 50 pessoas. Revisão: se continuar R$ 25k/mês × 6 meses restantes + 10% de tarifa = R$ 165k para jul-dez. Forecast revisado: R$ 150k (jan-jun) + R$ 165k (jul-dez revisado) = R$ 315k (em vez de R$ 240k). Comunicar a CFO: "estamos projetando R$ 315k para energia em 2024. Orçado foi R$ 240k. Diferença R$ 75k. Causa: tarifa aumentou 10%, headcount cresceu 50%." CFO aprova ajuste orçamentário ou você economiza em outra categoria.
Frequência de revisão:
Mensal para despesa sazonal (energia). Trimestral para despesa mais estável (limpeza). Se contexto muda (nova tarifa, novo contrato), revisa imediatamente.
Vantagem chave:
Avisa desvio 2–3 meses antes de virar fato. Sem rolling forecast, você descobre em dezembro que "estourou orçamento de energia" (muito tarde para corrigir). Com rolling forecast, você descobre em agosto (4 meses de antecedência), tem tempo de ação.
Tabela de exemplo - Forecast de Energia:
| Mês | Orçado | Realizado | Forecast Anterior | Contexto | Forecast Revisado |
|---|---|---|---|---|---|
| jan | 20k | 22k | - | - | - |
| fev | 20k | 23k | 20k | - | - |
| mar | 20k | 24k | 21k | Verão chegando | - |
| abr | 20k | 25k | 21k | Verão, AC máximo | - |
| mai | 20k | 26k | 22k | Verão forte | - |
| jun | 20k | 25k | 23k | Verão terminando | - |
| Acumulado | 120k | 145k | - | - | 145k |
| jul-dez (forecast) | 120k | - | 120k | Tarifa +10% | 150k |
| TOTAL ANO | 240k | - | 265k | - | 295k |
Observação: forecast é atualizado todo mês com novo realizado + novo contexto. No exemplo, foi conservador (assumiu média de 25k para jul-dez, mais 10% tarifa = 27.5k).
Sinais de alerta para revisar forecast
Nem toda mudança requer revisão imediata, mas esses sinais garantem que você deve rever.
Realizado acumulado > orçado acumulado em 10% ou mais:
Se você orçou R$ 100k para 6 meses e já gastou R$ 110k (55k acumulado em 3 meses = R$ 110k/ano), é sinal de que forecast é pessimista. Revise.
Mudança de contexto estrutural:
Empresa cresce 50% headcount, muda de imóvel, nova tarifa de energia, incorpora aquisição. Todos são sinais de que drivers mudaram. Revise forecast com novo contexto.
Contrato foi rescindido ou renegociado:
Limpeza de R$ 15k/mês virou R$ 12k/mês (renegociação bem-sucedida). Manutenção foi terceirizada (novo custo). Revise.
Sazonalidade diferente do normal:
Clima anômalo (inverno muito frio este ano, AC vai rodar mais). Colheita atrasa (empresa rural gasta mais em operação). Pandemia (despesa de saúde aumenta). Revise.
Frequência de revisão:
Mensal é padrão. Se sinais aparecem between meses, revisa imediatamente (não espera próximo mês).
Accuracy e KPIs de forecasting
Qual é um bom forecast? Aqui estão métricas.
MAPE (Mean Absolute Percentage Error):
Diferença % média entre forecast e realizado. Exemplo: forecast R$ 100k, realizado R$ 95k, erro = 5%. Se você faz forecast de 12 meses, tira média dos 12 erros percentuais, resultado é MAPE. Alvo: 5–10%. Excelente < 5%. Ruim > 15%.
Bias (viés):
Você tende a forecast alto ou baixo? Se forecast = R$ 100k e realizado = R$ 95k todo mês (error -5%), você está biased alto (forecasting mais alto que realizado). Solução: ajustar modelo. Bias zero é alvo.
Rastreamento de accuracy por técnica:
Se usa naïve, sazonalidade, regressão em paralelo, qual funciona melhor? Compare MAPE de cada. Exemplo: naïve MAPE 12%, sazonalidade MAPE 7%, regressão MAPE 6%. Use regressão. Com o tempo, técnicas melhoram (mais dados, melhor calibração).
Frequency tracking:
Mensalmente, compare forecast vs realizado. Aprender. "Por que fevereiro foi 15% acima do forecast? Temperatura aumentou 5 graus, AC rodou mais. Próximo fevereiro, considero temperatura no forecast."
Comunicação de accuracy:
Comunique a CFO: "Meu forecast de energia tem MAPE 6%. Quer dizer que erro esperado é ±6% da previsão. Para orçamento, assuma range de ±6%: se forecast R$ 100k, aprovisione R$ 94–106k." Transparência reduz surpresa.
Ferramentas para forecasting: de simples a sofisticado
Tecnologia é enabler, não pré-requisito. Comece simples.
Simples (Excel):
Fórmulas de média móvel, sazonalidade manual. Exemplo: =AVERAGE(B1:B6) para média de 6 meses. Crescimento para sazonalidade: =AVERAGE(jan2023, jan2022) / AVERAGE(2023, 2022). Tempo: 2h/mês. Custo: R$ 0 (Excel já tem). Apropriado: PME, até R$ 1M de despesa de facilities. Limitation: não é automático (precisa manual), hard vizualizar trend.
Intermediário (Power BI, Tableau):
Dashboard conectado a dados de despesa (contabilidade, CMMS, BMS). Fórmulas de forecast computadas automaticamente. Visualização de forecast vs realizado (gráfico, trend). Tempo: 4h/mês (mostly monitoramento). Custo: R$ 5–20k/ano. Apropriado: empresa média com 5+ imóveis ou > R$ 5M de facilities. Limitation: requer estrutura de dados (dados devem estar em banco centralizado).
Sofisticado (Python, R, modelos ML):
Regressão múltipla, séries temporais (ARIMA), machine learning (gradient boosting). Exemplo: dados de temperatura, tarifa, headcount, consumo histórico ? modelo prevê consumo com ±2–3% accuracy. Tempo: 10–20h inicial, depois 2–4h/mês (automático). Custo: R$ 50–200k para implementação + R$ 10–30k/ano. Apropriado: grande empresa com dados granulares e vontade de ML. Limitation: requer cientista de dados ou consultoria, é "black box" (difícil explicar por quê ao CFO).
Recomendação por porte:
PME: Excel + rolling forecast mensal. Médio: Power BI + rolling forecast mensal. Grande: BI + ML (opcional, depende de apetite de sofisticação). Ganho é 80% com 20% de esforço (Excel), resto é diminishing return.
Comunicação de revisão orçamentária baseada em forecast
Forecast avisa desvio. Agora você precisa comunicar a CFO. Como fazer sem parecer que "errou" no orçamento?
Não diga:
"O orçamento foi errado" (defensivo, fecha discussão).
Diga:
"Contexto mudou (tarifa aumentou 10%, headcount cresceu 20%). Recalculei forecast com novo contexto. Previsão revisada: R$ 315k em vez de R$ 240k. Diferença R$ 75k é explicada por: tarifa +10% = R$ 24k, headcount +20% = R$ 48k, ajustes menores = R$ 3k. CFO quer aprovar aumento, ou economizar em categoria X?"
Traga dados:
Mostre gráfico de realizado vs forecast. "Aqui está histórico: jan-jun realizado, jul-dez projetado com novo contexto. Quer questionar alguma linha?" CFO vê visualização, tem confiança.
Cenários:
Em vez de um número, ofereça 3: pessimista (R$ 330k), realista (R$ 315k), otimista (R$ 290k). "Qual cenário você quer usar para planejar?" CFO escolhe, você não tira a bala sozinho.
Ação sugerida:
"Para manter orçamento original (R$ 240k), sugiro: (1) renegociar tarifa (economia R$ 24k), (2) consolidar fornecedores (economia R$ 10k), (3) reduzir headcount em 10% (economia R$ 25k), total R$ 59k. Rest (R$ 16k) aumenta orçamento. Vamos tentar renegociação + consolidação?" CFO sente que você não só reclama, mas propõe solução.
Sinais de que você precisa de forecasting estruturado
Nem toda empresa precisa, mas esses sinais indicam que faz diferença:
- Seu orçamento sempre erra (desvio > 10% é comum).
- Você descobre overspend em dezembro (muito tarde para corrigir).
- Contexto muda (tarifa, headcount) durante o ano e ninguém ajusta forecast.
- Você quer prever despesa com ±5% de accuracy (em vez de ±15%).
- Você tem múltiplas filiais/imóveis e quer consolidar forecast corporativo.
Caminhos para implementar forecasting
Implemente rolling forecast mensal em Excel: pegue histórico 12 meses, calcule média móvel 3 meses, projete para meses restantes, atualize todo mês. Para energia/água, adicione sazonalidade (inverno vs verão). Comunique revisões a CFO mensalmente com gráfico + cenários.
Consultoria de forecasting pode desenhar modelo inicial, treinar equipe em rolling forecast, implementar em Excel ou BI, acompanhar 3 meses. Custo: R$ 10–20k. Apropriado se você quer sofisticação (regressão, ML) ou múltiplas filiais.
Forecast bem feito avisa desvios 2–3 meses antes, permitindo ação corretiva. Sem ele, você descobre na última hora e CFO corta à força. Estruture rolling forecast mensal para sua empresa.
Encontrar fornecedores de Facilities no oHub
Ferramentas: comece com Excel (simples). Depois Power BI (intermediário). ML é overkill para maioria das empresas.
Dúvidas frequentes
Qual é a diferença entre orçamento e forecast?
Orçamento é planejado no início do ano (janeiro), pressupõe que contexto não muda. Forecast é atualizado mensalmente com novo contexto (tarifa mudou, headcount mudou). Orçamento é "meu plano". Forecast é "minha previsão atual". Exemplo: orçei R$ 240k em janeiro. Em junho, contexto mudou, faço forecast revisado de R$ 315k. CFO aprova aumento. Diferença: orçamento é estático, forecast é dinâmico.
Qual técnica de forecast é melhor?
Depende da despesa. Limpeza (fixo) = naïve. Energia (sazonal) = sazonalidade. Manutenção (variável) = média móvel. Pessoal (estruturado) = expert judgment. Não existe "melhor" universal. Use a técnica apropriada para cada categoria, meça accuracy (MAPE), mude se não funcionar.
Preciso de BI sofisticado (Power BI, Tableau) para fazer forecast?
Não. Excel é suficiente para 80% das empresas. Power BI ajuda se você tem múltiplas filiais ou quer dashboard automático. ML (Python, R) é overkill para maioria. Comece com Excel, evoluir conforme necessidade.
Como eu comunico desvio a CFO sem parecer que errei no orçamento?
Use dados: "contexto mudou (tarifa +10%, headcount +20%). Recalculei forecast. Nova previsão: R$ 315k. Diferença R$ 75k é explicada por X, Y, Z. Cenários: pessimista/realista/otimista. Qual você quer usar?" Transparência + dados + cenários = confiança. CFO vê que você não errou, contexto é que mudou.
Com que frequência devo revisar forecast?
Mensal é padrão para despesa sazonal (energia, água). Trimestral para despesa estável (limpeza). Imediatamente se contexto muda (novo contrato, fusão, mudança de imóvel). Não precisa diário; dados mudam lentamente. Mensal captura 95% de mudanças com 20% de esforço.
Referências
- Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). Online: https://otexts.com/fpp3/
- ABRAFAC (2023). Forecasting e Planejamento Orçamentário em Facilities. Disponível em www.abrafac.org.br
- Estimativa Editorial — Práticas de Rolling Forecast em Facilities Brasileiras (2024).