Previsão de demanda no Excel é o processo de projetar as vendas futuras a partir do histórico usando funções nativas da planilha: média móvel para séries estáveis, suavização exponencial para séries com nível variável e PREVISÃO.ETS para séries com sazonalidade. O que separa uma planilha que funciona de uma que engana não é a fórmula, é o preparo da base e a medição honesta do erro.
O que o Excel resolve bem no forecast (e o que ele nunca vai resolver)
Existe um preconceito confortável de que planilha é coisa de operação imatura. Não é verdade. O Excel resolve muito bem três coisas: rodar os métodos estatísticos clássicos, deixar o cálculo visível célula a célula (o que é ótimo para aprender e para auditar) e permitir que você teste uma ideia em minutos, sem projeto de TI.
O que ele nunca vai resolver é o que não é cálculo. A planilha não sabe que houve ruptura em março, que a promoção de outubro puxou a venda de novembro para trás, nem que o cliente mudou o mix. Ela também não tem controle de acesso, trilha de auditoria nem versão única da verdade. Em outras palavras: o Excel é excelente como motor de cálculo e frágil como sistema de processo.
Intuição em uma frase
O Excel erra pouco na conta e muito na governança. Por isso a maior parte dos problemas de previsão em planilha não se resolve trocando de fórmula, e sim arrumando o histórico e o processo em volta dela.
Antes da fórmula: como a sua base precisa estar
Este é o passo que quase todo tutorial pula, e é o que mais determina o resultado. A previsão precisa nascer de uma base em formato de lista, não de uma tabela cruzada bonita de apresentação. A regra é simples: uma linha por SKU e por período.
| SKU | Ano-Mês | Realizado | Baseline | Ajuste | Plano final |
|---|---|---|---|---|---|
| ABC-100 | 2025-01 | 1.200 | 1.150 | 0 | 1.150 |
| ABC-100 | 2025-02 | 1.310 | 1.220 | +80 | 1.300 |
| ABC-100 | 2025-03 | 980 | 1.240 | 0 | 1.240 |
Repare nas três colunas separadas no fim: baseline (o que a estatística disse), ajuste (o que a área comercial acrescentou ou tirou, com justificativa) e plano final (a soma). Manter as três separadas parece burocracia e é, na verdade, o que permite responder mais tarde à pergunta que sempre chega: o erro veio do modelo ou veio do palpite? Sem essa separação, você nunca vai saber, e a discussão vira opinião contra opinião.
Nesse formato, uma tabela dinâmica resolve qualquer agregação que a reunião pedir (por família, por canal, por trimestre) sem que você precise refazer a conta. E é exatamente essa estrutura que sustenta o processo de consenso de demanda dentro do ciclo de S&OP.
Método 1: média móvel, quando ela serve e por que atrasa a tendência
A média móvel é a média dos últimos N períodos. Se o histórico está na coluna B a partir da linha 2, a média móvel de 3 meses é:
=MÉDIA(B2:B4) para prever o período da linha 5, arrastando a fórmula para baixo.
Ela serve bem quando a demanda oscila em torno de um patamar estável. E falha de um jeito específico e previsível: como olha só para trás, ela atrasa qualquer mudança de nível. Se a demanda começa a subir de verdade, a média móvel sobe depois, sempre subestimando durante a virada. Quanto maior a janela, maior o atraso.
Por isso a escolha da janela é um trade-off explícito: janelas curtas respondem rápido e absorvem ruído; janelas longas são estáveis e chegam atrasadas. Não existe janela ótima universal, existe a janela que erra menos na sua série, e isso se mede.
Método 2: suavização exponencial, o que o alfa realmente controla
A suavização exponencial simples resolve a limitação anterior dando mais peso ao passado recente. A fórmula é enxuta:
Previsão(t+1) = α × Realizado(t) + (1 − α) × Previsão(t)
Na planilha, com o realizado em B e a previsão em C: =$F$1*B3+(1-$F$1)*C3, onde F1 guarda o alfa. Travar a célula do alfa com cifrões é o que permite testar valores diferentes sem reescrever nada.
O alfa vai de 0 a 1 e controla a memória do modelo. Alfa alto (0,5 ou mais) faz a previsão perseguir o último dado, boa para séries que mudam de patamar, ruim para séries ruidosas. Alfa baixo (0,1 a 0,2) produz uma curva suave e teimosa, ótima para demanda estável e lenta para reagir a mudanças reais.
Um detalhe prático: você precisa de um valor inicial para a primeira previsão. O costume é usar a média dos primeiros períodos. Isso influencia pouco depois de alguns ciclos, mas evita que a série comece torta.
Método 3: PREVISÃO.ETS, o Holt-Winters embutido no Excel
Quando a série tem sazonalidade, os dois métodos anteriores ficam devendo, porque nenhum deles sabe que dezembro é diferente de fevereiro. A função PREVISÃO.ETS aplica Holt-Winters, que trata nível, tendência e sazonalidade ao mesmo tempo.
=PREVISÃO.ETS(data_alvo; valores; linha_do_tempo; sazonalidade)
Deixar o argumento de sazonalidade como 1 faz o Excel detectar o ciclo sozinho. Informar 12 força sazonalidade anual em série mensal, que costuma ser o mais seguro quando você já conhece o negócio.
As armadilhas, que ninguém conta:
- Ela exige linha do tempo com intervalo constante. Meses faltando quebram o resultado, e faltar mês é comum quando o item passou por ruptura.
- Precisa de pelo menos dois ciclos completos (24 meses para sazonalidade anual). Com menos, ela tende a tratar ruído como padrão.
- Ela não sabe nada de promoção, lançamento ou descontinuação. Se o seu histórico tem um pico promocional, ela vai projetar aquele pico como se fosse comportamento normal.
Exemplo resolvido: a mesma série, os três métodos lado a lado
Vamos usar 12 meses de um item com nível subindo e um pico em novembro. A pergunta é qual método erraria menos ao prever cada mês.
| Mês | Realizado | Média móvel (3) | Suavização (α = 0,3) |
|---|---|---|---|
| Jul | 1.000 | 980 | 990 |
| Ago | 1.050 | 1.000 | 993 |
| Set | 1.120 | 1.017 | 1.010 |
| Out | 1.180 | 1.057 | 1.043 |
| Nov | 1.900 | 1.117 | 1.084 |
| Dez | 1.240 | 1.393 | 1.329 |
Duas leituras saltam. Primeira: nos meses de subida constante (agosto a outubro), os dois métodos ficam abaixo do realizado, que é o atraso estrutural de quem só olha para trás. Segunda, e mais importante: em novembro houve um pico de 1.900, e nenhum dos dois previu, porque a informação da promoção não estava na série. Pior: em dezembro os dois superestimam, porque incorporaram o pico como se fosse o novo normal.
Essa é a lição central do exemplo, e vale mais que qualquer fórmula: o modelo estatístico só enxerga o que está no histórico. Evento que não foi tratado no dado vira erro duas vezes, no mês do evento e no mês seguinte.
Como escolher o método comparando o erro
Escolha por medição, não por preferência. Calcule o erro de cada método na mesma janela e compare. Use WMAPE em vez de MAPE: o MAPE trata um SKU de 10 unidades com o mesmo peso de um de 10.000, e itens pequenos com erro percentual gigante distorcem a média.
WMAPE = Σ|Realizado − Previsto| ÷ Σ Realizado
Na planilha: =SOMA(ABS(B2:B13-C2:C13))/SOMA(B2:B13) confirmando com Ctrl+Shift+Enter nas versões que exigem fórmula matricial, ou usando SOMARPRODUTO para evitar isso.
E faça o teste que separa profissional de amador: compare o seu método com a previsão ingênua (repetir o realizado do mês anterior). Se o seu modelo não bate esse baseline trivial, o esforço de prever está destruindo valor. É exatamente isso que a Autopsia de Forecast calcula, e você pode colar a sua série lá sem enviar nada para servidor nenhum.
O passo que quase todo mundo pula: baseline separado do ajuste
Voltando às três colunas do começo. O baseline é o número da estatística. O ajuste é a intervenção humana, com dono e justificativa. O plano final é a soma. Manter isso separado permite medir uma coisa que muda o jogo: o ajuste comercial melhorou ou piorou a previsão?
Em muitas operações, quando essa conta é feita pela primeira vez, o resultado é desconfortável: o ajuste piora o número na média, ainda que acerte em casos específicos. Isso não significa remover a área comercial da mesa, significa direcionar a intervenção para onde ela realmente agrega (lançamento, promoção, mudança de cliente) e deixar o resto no automático.
Montando a planilha de trabalho: abas, travas e o que não deixar solto
- Aba 1, dados brutos: o extrato como veio do sistema, sem edição manual. Nunca digite por cima do original.
- Aba 2, base tratada: a lista SKU × período, já com limpeza documentada em coluna própria.
- Aba 3, cálculo: os métodos e o erro, com parâmetros (alfa, janela) em células nomeadas e travadas com cifrões.
- Aba 4, plano: baseline, ajuste, justificativa e plano final, que é o que vai para a reunião.
Proteja as células de fórmula, deixe editáveis apenas as de entrada e registre a data de atualização em local visível. Parece exagero até o dia em que duas versões do arquivo circulam e ninguém sabe qual é a boa.
Os cinco sinais de que a planilha virou risco operacional
- Existe mais de uma versão do arquivo circulando por e-mail.
- Uma única pessoa sabe onde estão as travas e o que cada aba faz.
- O fechamento leva horas, e um erro no meio obriga a refazer tudo.
- Não há como saber quem alterou o quê, nem quando, nem por quê.
- O recálculo ficou lento ou instável com o volume atual de SKUs.
Repare que nenhum desses sinais é sobre a fórmula estar errada. Todos são sobre processo e risco. Enquanto eles não aparecem, a planilha é uma escolha legítima e barata. Quando aparecem, o problema deixou de ser de cálculo.
Onde isso se encaixa no ciclo maior
A previsão estatística é a entrada do processo, não o fim dele. Ela alimenta a etapa de demanda dentro do ciclo de S&OP, que confronta esse número com capacidade, suprimento e finanças até virar um plano único. Se você quiser o contexto completo de como essa peça se encaixa, o guia de S&OP costura tudo.
E se quiser apenas conferir se a sua previsão atual está boa, a calculadora de acurácia devolve MAPE, WMAPE e BIAS a partir dos seus pares de realizado e previsto.