Forecast Accuracy no Brasil em 2024 e 2025: como você está medindo seu FA?

Em 2024, o Forecast Accuracy médio no Brasil foi 66%. Em 2025, foi 65%. 

Os números vêm do benchmarking nacional conduzido pela Plannera, que analisou 50 empresas em 2024 e 75 empresas em 2025. 

A primeira reação costuma ser automática: 

“65% é pouco.” 

Mas essa pode ser a pergunta errada. 

A pergunta correta talvez seja: 

O que significa operar com 65% de Forecast Accuracy? 

Porque 65% de acuracidade não é um número neutro. Ele implica, matematicamente, que 35% do volume previsto está deslocado da demanda real, considerando erro percentual absoluto ponderado (WMAPE). 

E isso muda completamente a discussão. 

Neste artigo, vamos além do número. Vamos entender: 

• O que os dados de 2024 e 2025 realmente mostram 

• Por que a acuracidade não “salta” estruturalmente 

• O que separa erro inevitável de erro evitável 

• Como usar Forecast Accuracy no S&OP e no S&OE sem distorcer decisões 

• E por que o problema do mercado pode não ser prever mal, mas usar mal a previsão 

1- O que os 65% realmente significam 

A variação entre o benchmarking de 2024 e o benchmarking de 2025, estatisticamente, é irrelevante. 

Isso indica estabilidade estrutural da previsibilidade no mercado brasileiro. 

Mas o que significa 65%? 

No estudo, o cálculo foi padronizado como: 

FA = 1 – WMAPE 
(Erro percentual absoluto ponderado pelo volume real, em lag 1)  

Ou seja: 

• Se FA = 65% 

• Então WMAPE ≈ 35% 

Isso representa exposição direta a: 

• Excesso de estoque 

• Ruptura 

• Replanejamento de capacidade 

• Ajustes emergenciais no S&OE 

• Pressão sobre capital de giro 

Forecast Accuracy não é número acadêmico. 

É medida de exposição ao risco operacional. 

2- A grande dispersão: o mercado não é homogêneo 

Um dado chama atenção imediatamente: 

Em 2025, os resultados variaram de 14% a 96%. 

Isso revela algo importante: 

O Brasil não tem “um problema médio”. Tem níveis muito diferentes de maturidade e complexidade. 

Se o maior FA foi 96% (Saúde Animal) e o menor foi 14% (Insumos Agrícolas), estamos falando de realidades operacionais completamente distintas. 

A pergunta então deixa de ser: 

“Qual é o FA médio do Brasil?” 

E passa a ser: 

“Qual é o nível de variabilidade estrutural do seu negócio?” 

A) O que é comum entre setores com melhor acuracidade média 

De forma geral, os setores que apresentam Forecast Accuracy média mais elevada compartilham alguns elementos estruturais: 

• portfólios menos fragmentados 

• menor peso de itens com demanda altamente errática 

• menor dependência de promoções e eventos pontuais 

• ciclos de vida de produto mais longos 

Esses fatores reduzem a variabilidade natural da demanda, o que facilita a construção de previsões mais estáveis. Ainda assim, os próprios dados mostram que mesmo nesses setores existe uma diferença relevante entre empresas, indicando que processo e decisão continuam sendo determinantes. 

B) O que aparece com frequência nos setores com menor acuracidade 

Nos setores com Forecast Accuracy média mais baixa, o padrão é outro. Eles tendem a operar em contextos marcados por: 

• portfólios extensos e pulverizados 

• alta concentração de SKUs de baixa previsibilidade 

• forte influência de promoções, eventos sazonais, campanhas ou contratos 

• Distância significativa do consumidor final  

Nesses ambientes, a baixa acuracidade não é, por si só, sinal de falha do planejamento. Muitas vezes, ela reflete a própria natureza da demanda. O risco surge quando essa característica não é reconhecida e o forecast passa a ser cobrado como se fosse estável. 

3- Por que a acuracidade não dá um salto estrutural? 

Mesmo com: 

• Ferramentas melhores 

• Mais empresas participando 

• Processos de S&OP mais difundidos 

O FA médio não saiu da faixa 65–66%. 

Isso não é fracasso. 

É limite estrutural. 

Existem três fatores que ajudam a explicar isso. 

A) Variabilidade não eliminável 

Nem toda variabilidade é erro de processo. 

Setores como Insumos Agrícolas apresentaram média de 50% em 2025. 

Clima, câmbio, sazonalidade agrícola e volatilidade macroeconômica introduzem variabilidade estrutural. 

Forecast não elimina incerteza. 

Ele organiza incerteza. 

B) Complexidade de portfólio 

Em 2024, empresas com até 100 SKUs tiveram FA médio de aproximadamente 83,9%, enquanto empresas acima de 5.001 SKUs ficaram próximas de 51%. 

Isso não significa que “portfólio grande é mal gerido”. 

Significa que: 

• Mais SKUs → mais padrões de comportamento 

• Mais interdependência 

• Mais esforço analítico diluído 

• Maior exposição a eventos específicos 

Complexidade amplia erro esperado. 

C) Carga de SKUs por analista 

Os dados mostram que acima de 500 SKUs por analista a queda de FA pode chegar a 10 p.p.. 

Aqui existe mecanismo claro: 

• Menos tempo por item 

• Menor revisão qualitativa 

• Menor capacidade de detectar exceções 

Não é modelo estatístico. 

É capacidade humana. 

4- O erro mais comum: tratar Forecast Accuracy como meta 

Esse talvez seja o ponto mais importante. 

Forecast Accuracy não deveria ser tratado como meta isolada. 

Porque FA é consequência de: 

• Variabilidade 

• Segmentação 

• Complexidade 

• Maturidade de processo 

Quando o indicador vira meta de cobrança: 

• Ajustes manuais aumentam 

• Conservadorismo artificial cresce 

• Bias se instala 

• Aprendizado diminui 

O relatório mostra que empresas com FA semelhante lidam de maneira muito diferente com o erro. 

O que muda não é o número. 

É a governança. 

5- Como usar a matriz ABC/XYZ para melhorar o Forecast Accuracy (na prática) 

Se o mercado opera estruturalmente com 65% de Forecast Accuracy médio, a pergunta não é: 

“Como aumentar o FA global?” 

É: 

“Onde faz sentido exigir maior previsibilidade, e onde não faz?” 

É aqui que a matriz ABC/XYZ deixa de ser ferramenta teórica e passa a ser instrumento decisório. 

Primeiro: o que a matriz ABC/XYZ realmente organiza? 

A segmentação combina duas dimensões: 

ABC → impacto financeiro (volume, receita ou margem) 
XYZ → comportamento da demanda (variabilidade) 

Isso cria 9 quadrantes possíveis. 

O erro conceitual mais comum é cobrar a mesma acuracidade para todos. 

Isso é tecnicamente incorreto. 

Segundo: o problema que a matriz resolve 

Quando você mede Forecast Accuracy agregado: 

• O erro dos itens A/X se dilui 

• O ruído dos itens C/Z distorce percepção 

• O time tenta melhorar tudo ao mesmo tempo 

• O esforço analítico é mal distribuído 

A consequência? 

Muito esforço onde o impacto é baixo. 
Pouco esforço onde o impacto é alto. 

Terceiro: Como aplicar a matriz ABC/XYZ para melhorar o forecast 

Passo 1 — Calcule ABC pelo impacto real 

Classifique SKUs por: 

• Receita anual 

• Volume movimentado 

• Margem (idealmente) 

Itens A devem representar ~70–80% do impacto. 

Não é regra fixa, é diretriz. 

Passo 2 — Classifique XYZ pela variabilidade 

Use coeficiente de variação (CV): 

• X → baixa variabilidade 

• Y → média variabilidade 

• Z → alta variabilidade 

Aqui está o ponto crítico: 

Itens Z não têm erro alto porque o forecast é ruim. 
Eles têm erro alto porque são estruturalmente voláteis. 

Passo 3 — Defina expectativa de Forecast Accuracy por quadrante 

Depois de segmentar a demanda, o próximo passo é ajustar expectativas por perfil, não aplicar uma meta única para todos os itens. 

De forma ilustrativa (não como regra universal), poderíamos ter: 

• A/X → maior expectativa de previsibilidade 

• A/Y → expectativa intermediária 

• A/Z → foco em mitigação de risco, não em perfeição 

Perceba: 

O ponto central não é atingir “80%” ou qualquer valor fixo.  

Você para de perseguir acuracidade média.  

Você passa a perseguir eficiência alocativa de esforço. 

Quarto: qual é a conexão com os dados do benchmark e o impacto direto no S&OP e no S&OE? 

Os relatórios mostram que empresas com portfólio grande tendem a ter menor FA médio. 

Isso não significa que planejam pior. 

Significa que possuem maior proporção de itens Y e Z. 

Sem segmentação: 

• Acuracidade média parece ruim 

• Mas o erro pode estar concentrado em itens de baixo impacto 

A matriz ABC/XYZ permite revelar isso. 

Quando você leva a matriz para o ciclo de S&OP: 

• Demand Review foca A/X e A/Y 

• Supply Review analisa risco concentrado 

• Executive não discute SKU irrelevante 

O fórum sobe de nível. 

No curto prazo, no S&OE: 

• Itens X → replanejamento mínimo 

• Itens Z → monitoramento contínuo 

Você para de reagir a ruído. 

6- O que realmente melhora o Forecast Accuracy? 

Não é apenas algoritmo melhor. 

É: 

• Segmentação correta 

• Expectativa coerente por perfil 

• Alocação de esforço analítico 

• Governança diferenciada por criticidade 

A matriz ABC/XYZ não melhora previsão sozinha. 

Ela melhora decisão. 

E decisões melhores reduzem erro evitável. 

7- Forecast Accuracy não explica tudo 

Forecast Accuracy mede distância média do realizado. 

Mas não explica: 

• Se erro foi concentrado 

• Se erro foi estrutural 

• Se houve ruptura 

• Se houve viés sistemático (Bias) 

Bias, por exemplo, é medido removendo o módulo do erro percentual. 

Uma empresa pode ter 65% de FA com viés zero. 

Outra pode ter 65% com forte otimismo estrutural. 

Os impactos são completamente diferentes. 

8- Diferenças entre o forecast no S&OP e forecast no S&OE 

Um dos erros mais recorrentes na governança do planejamento é usar o forecast da mesma forma em todos os fóruns de decisão. 

Mas S&OP e S&OE operam em horizontes, granularidades e níveis de risco completamente diferentes e, por isso, deveriam tratar a previsão de maneira diferente. 

No S&OP, cujo horizonte normalmente cobre de 12 a 24 meses e trabalha em nível mais agregado (família, canal ou linha de produto), o forecast não deveria ser visto como um número a ser “corrigido”, mas como uma referência para decisão.  

Ele serve para estruturar discussões sobre capacidade produtiva, posicionamento de estoque, exposição financeira e cenários de risco. 

Nesse contexto, o erro é esperado. O papel do processo não é eliminá-lo, mas absorvê-lo por meio de decisões coerentes de capacidade, cobertura e priorização. 

Já no S&OE, o horizonte é muito mais curto (semanas ou poucos meses) e a granularidade é maior. Aqui, a previsão passa a ser apenas um dos insumos. Ela é combinada com sinais reais da operação, como pedidos confirmados, consumo observado e restrições operacionais.  

O foco deixa de ser “quanto o forecast acertou” e passa a ser “como ajustar o plano diante do que está acontecendo agora”. 

O problema surge quando esses dois fóruns usam o forecast da mesma maneira. 

Quando o S&OP começa a discutir desvios de curto prazo como se fossem falhas estratégicas, ou quando o S&OE tenta reescrever constantemente o plano estrutural, o resultado é previsível: 

• replanejamento contínuo, 

• instabilidade decisória, 

• excesso de ajustes manuais, 

• desgaste do processo. 

Forecast imperfeito não é o vilão. 

O desalinhamento entre horizonte, granularidade e uso da previsão é. 

Empresas mais maduras entendem que o forecast cumpre papéis distintos em cada camada do planejamento.  

No S&OP, ele organiza o futuro provável. No S&OE, ele é ajustado pela realidade imediata. Confundir essas funções transforma variabilidade natural em ruído organizacional. 

8- O que os dados realmente ensinam 

Os dados de 2024 e 2025 mostram que: 

• O Brasil opera estruturalmente entre 65–66% de FA 

• A dispersão é alta (14%–96%) 

• Complexidade impacta previsibilidade 

• Capacidade analítica influencia resultado 

• Não houve salto estrutural 

Mas o principal aprendizado é outro: 

O problema não é conviver com 35% de erro. O problema é fingir que ele não existe. 

Empresas maduras: 

• Segmentam demanda (ABC/XYZ) 

• Diferenciam erro estrutural de erro evitável 

• Usam FA como medida de exposição 

• Integram forecast com decisão 

• Não transformam previsão em sentença 

Conclusão: prever melhor ou decidir melhor? 

Forecast Accuracy no Brasil não está “quebrado”. 

Ele está refletindo a complexidade real do ambiente. 

A pergunta estratégica não é: 

“Como sair de 65% para 80%?” 

A pergunta é: 

“Nossa estrutura decisória foi desenhada para operar com 35% de erro?” 

Porque previsão perfeita não existe. 

Mas decisão madura existe. 

E é isso que diferencia empresas que apenas medem de empresas que realmente planejam.