Simulação de cenários: como decidir com incerteza sem adivinhar

Modelos financeiros costumam produzir um número com duas casas decimais e uma aparência desconfortavelmente segura. A precisão da planilha, porém, não reduz a incerteza do mundo. Volume, preço, inflação, prazo, câmbio, produtividade e churn continuam sujeitos a variação. O objetivo de uma simulação não é adivinhar o futuro; é entender como a decisão se comporta sob futuros plausíveis.

Previsão é uma hipótese estruturada

Toda projeção contém premissas. Torná-las explícitas melhora a qualidade da decisão porque permite perguntar quais são observadas, quais são estimadas e quais são apenas convenções. A prática fraca esconde premissas em fórmulas; a prática madura cria uma camada de drivers.

Um business case pode ser representado por poucos elementos: clientes × ticket × margem − custo fixo − investimento − capital de giro. Quanto mais clara essa arquitetura, mais fácil testar o que realmente move o resultado.

Comece pelos drivers, não pelo resultado

Em vez de projetar “receita cresce 20%”, decomponha: número de clientes, frequência, ticket, retenção, preço e mix. Em indústria, capacidade, rendimento, refugo e disponibilidade podem ser drivers. Em serviços, headcount produtivo, utilização e preço por hora.

Drivers devem possuir unidade, fonte, responsável e faixa plausível. Isso reduz a discussão abstrata de “otimista versus pessimista” e a transforma em debate sobre mecanismos.

Análise de sensibilidade: uma variável por vez

Sensibilidade pergunta quanto o resultado muda quando uma entrada muda, mantendo as demais constantes. É útil para descobrir alavancas críticas e premissas frágeis.

Uma matriz bidimensional — por exemplo preço × volume — mostra interações simples e ajuda a identificar regiões onde a decisão muda de sinal.

Cenários: variáveis coerentes entre si

Cenário não é apenas trocar “+10%” por “-10%”. Um cenário é uma narrativa internamente coerente. Em recessão, volume pode cair, inadimplência subir, prazo aumentar e concorrência pressionar preço ao mesmo tempo. Em expansão, volume cresce, mas capacidade e mão de obra podem encarecer.

Uma estrutura comum usa três cenários: base, adverso e favorável. O valor está menos nos nomes e mais na lógica de cada combinação. É recomendável incluir também um cenário de ruptura quando existe risco assimétrico relevante.

Stress test: onde a decisão quebra?

Stress test procura limites. Qual queda de receita zera o caixa? Qual aumento de custo viola covenant? Quantos dias adicionais de recebimento exigem capital externo? Qual taxa de churn torna o CAC irrecuperável? Essas perguntas são úteis porque transformam risco em gatilhos monitoráveis.

O ponto de equilíbrio é um stress test elementar. Se margem de contribuição unitária é R$ 50 e custo fixo mensal R$ 500 mil, são necessárias 10 mil unidades para cobrir a estrutura. Se a capacidade é 9 mil, o problema não é “vender mais”; o modelo econômico precisa mudar.

Exemplo Struckel: nova unidade

Uma nova unidade exige R$ 800 mil de investimento. O caso-base assume 4 mil clientes/mês, ticket R$ 60 e margem de contribuição de 55%. A análise de sensibilidade mostra que o resultado é muito mais afetado por frequência e ticket do que por aluguel. No cenário adverso, clientes demoram seis meses a atingir maturidade e ticket fica 12% abaixo do plano; o caixa necessário dobra.

A decisão pode continuar sendo “abrir”, mas muda a arquitetura: reserva de liquidez maior, implantação faseada e gatilho de revisão após três meses. Uma boa simulação não necessariamente muda a decisão; muda a qualidade da preparação.

Quando usar probabilidade e Monte Carlo

Se existem distribuições razoáveis para as entradas, simulação Monte Carlo pode produzir uma distribuição de resultados em vez de três pontos. Isso ajuda a estimar probabilidades de prejuízo, necessidade de caixa ou retorno abaixo de um limite. Mas a sofisticação não corrige premissas ruins. Distribuições devem refletir dados, conhecimento e dependências.

Correlações entre variáveis importam: preço e volume podem não variar independentemente. Ignorá-las pode gerar cenários impossíveis.

Governança da incerteza

• Documente premissas, fontes e data de atualização.
• Defina dono para cada driver material.
• Compare realizado versus premissa, não apenas realizado versus orçamento.
• Crie gatilhos: se X ultrapassar limite, revisar decisão Y.
• Não esconda cenário ruim para “proteger” aprovação do projeto.
• Atualize o modelo quando a evidência mudar.

O objetivo é criar uma organização capaz de revisar hipóteses sem transformar revisão em culpa. Cenários são úteis justamente porque reconhecem que a primeira previsão é provisória.

Cenários como sistema de aprendizado

Depois que o período acontece, compare realizado com as premissas que sustentavam o cenário. A pergunta mais útil não é “acertamos a previsão?”, mas onde nosso modelo mental estava errado? Talvez a demanda tenha sido correta e o mix errado; talvez o preço tenha funcionado, mas o prazo de recebimento deteriorou.

Registrar essa decomposição transforma planejamento em aprendizado acumulado. Sem isso, cada orçamento recomeça do zero e a organização repete vieses.

Evite probabilidades inventadas

É comum atribuir “60% de chance” ao cenário base sem método. Probabilidades são úteis quando derivadas de dados, frequência ou elicitação estruturada; quando são apenas intuição decorada, podem dar falsa precisão. Em muitos casos, é melhor apresentar faixas, gatilhos e consequências do que uma probabilidade arbitrária.

A mesma cautela vale para distribuições em Monte Carlo. Um modelo sofisticado com parâmetros fracos pode produzir milhares de números com aparência científica e pouca informação adicional.

Referências conceituais

A abordagem combina análise de sensibilidade usada em finanças corporativas com planejamento por cenários. Trabalhos de Paul Schoemaker são referências clássicas para pensamento por cenários; em finanças, técnicas de sensibilidade, break-even, stress testing e simulação são amplamente empregadas para análise de risco.