Modelo de Previsão SaaS: Prever MRR com 3 Variáveis

A maioria dos modelos de previsão SaaS falha porque tenta resolver coisas demais. Fundadores abrem uma planilha e começam a adicionar suposições de aquisição, taxas de conversão, splits de canal, churn por coorte, expansão por nível de plano, impacto de contratação na capacidade e sensibilidade de preço. Cada variável parece útil. Juntas, produzem um modelo que é tecnicamente completo e praticamente inútil, variáveis demais para confiar, complexo demais para atualizar, e otimista demais porque cada suposição individual foi levemente generosa demais.

O modelo de previsão de 3 variáveis parte de uma premissa diferente: um fundador que quer saber como o MRR do próximo mês vai ficar não precisa de um modelo que prevê tudo. Precisa de um modelo que capture os três movimentos que realmente impulsionam a mudança na receita recorrente.

O que é um modelo de previsão SaaS?

Um modelo de previsão SaaS é uma forma repetível de estimar como a receita recorrente vai mudar no próximo período baseado num pequeno número de suposições honestas. Não é uma predição, nenhuma previsão é. É uma estimativa estruturada que dá ao fundador um número concreto contra o qual medir o negócio, mais uma faixa de cenários que mostra quão sensível esse número é às suposições com maior probabilidade de estarem erradas.

A definição mais estreita o distingue de um modelo financeiro SaaS completo: um modelo de previsão foca no movimento do MRR, enquanto um modelo financeiro também cobre custos, caixa e runway. Para a maioria dos fundadores, o modelo de previsão é a primeira e mais frequentemente usada camada, atualizado mensalmente para produzir o MRR final esperado, depois comparado com o real para calibrar suposições. O guia financeiro de startups do Y Combinator faz um ponto similar: comece com o modelo mais simples que responda a pergunta operacional, e conquiste complexidade apenas quando o negócio exigir.

Para o modelo mais amplo que inclui custos e runway, veja Modelo Financeiro SaaS: A Planilha Mínima Que Prevê o Runway.

Toda previsão precisa de uma base de MRR limpa. Obtenha a sua do Stripe em 90 segundos →

As 3 variáveis que são suficientes

Os três movimentos que explicam quase toda mudança de MRR num produto SaaS em estágio inicial:

Variável 1: Novo MRR. A receita recorrente esperada de clientes que não estão pagando atualmente. Esta é a contribuição de aquisição, quanta receita recorrente fresca vai provavelmente entrar de novos clientes pagantes neste período. Use médias recentes como ponto de partida; não modele taxas de conversão heroicas.

Variável 2: MRR de Expansão. A receita recorrente adicional esperada de clientes existentes fazendo upgrade ou aumentando uso. Pode ser zero se ainda não existe um caminho de upgrade, mas não deve ser omitida do modelo, porque assumir que não existe torna a previsão menos precisa assim que o comportamento de upgrade existir.

Variável 3: MRR Perdido. A receita recorrente que se espera perder. Esta é a variável mais comumente subestimada, fundadores tendem a aplicar a taxa de churn do mês passado de forma otimista ou assumir “este mês vai ser melhor.” Use médias recentes; no cenário pessimista, use médias recentes multiplicadas por 1,2–1,3 para testar sensibilidade.

A fórmula principal

MRR do Próximo Mês = MRR Atual + Novo MRR + MRR de Expansão − MRR Perdido

Esse é o modelo completo. Adicionar MRR de contração como quarta variável vale a pena assim que o negócio tiver atividade mensurável de downgrade, mas para a maioria dos SaaS em estágio inicial, o churn abrange a maior parte do vazamento e a versão de três variáveis é precisa o suficiente.

Para as definições limpas do que pertence ao MRR, veja O Que É MRR? A Versão Limpa.

Por que o modelo de 3 variáveis funciona

Mais detalhe num modelo de previsão não produz mais precisão, produz mais lugares para o otimismo se esconder. Um modelo de 30 variáveis onde cada variável é 5% otimista demais produz uma previsão que está sistematicamente errada na mesma direção toda vez, sem forma óbvia de identificar onde o erro entrou.

O modelo de 3 variáveis tem três lugares onde as suposições podem ser verificadas e calibradas contra o real. Quando a previsão erra, fica imediatamente claro se o novo MRR foi superestimado, o MRR perdido foi subestimado, ou a expansão estava ausente. Esse diagnóstico é o que faz o modelo melhorar ao longo do tempo.

Esse modelo também captura a estrutura do problema corretamente: a capacidade do fundador de influenciar o MRR está concentrada exatamente nesses três movimentos, encontrar novos clientes, criar caminhos de upgrade e reter os existentes. Um modelo com 30 variáveis dispersa a atenção do fundador por dimensões que ele tem capacidade limitada de mudar no curto prazo. O modelo de 3 variáveis a foca. O relatório State of the Cloud da Bessemer mostra consistentemente que as empresas SaaS de melhor desempenho otimizam em torno de um pequeno número de alavancas operacionais, taxa de aquisição, expansão e churn, em vez de tentar gerenciar dezenas de variáveis simultaneamente.

Um exemplo trabalhado: prevendo MRR com 3 variáveis

Um produto de analytics SaaS no mês quatro. Estado atual:

MRR Atual: 10.000€

Variáveis de previsão para o próximo mês:

Novo MRR: 1.500€
MRR de Expansão: 600€
MRR Perdido: 500€

Previsão caso base:

MRR do Próximo Mês = 10.000 + 1.500 + 600 − 500 = 11.600

MRR final previsto: 11.600€

A previsão está completa. Agora o trabalho útil começa: verificar as suposições.

Essas variáveis são honestas?

Novo MRR de 1.500€, é baseado em taxas de conversão recentes aplicadas ao pipeline atual? Ou é um número redondo que pareceu certo? Se os últimos três meses de novo MRR foram 1.200€, 1.100€ e 1.300€, então 1.500€ é otimista. Uma estimativa mais conservadora usa a média recente: 1.200€.

MRR de Expansão de 600€, a expansão tem sido consistente nesse nível, ou é variável? Se a expansão foi 800€ no mês passado e 200€ no mês anterior, usar 600€ como estimativa pode ser razoável mas merece escrutínio.

MRR Perdido de 500€, está separado entre voluntário e falha de pagamento? Churn por falha de pagamento é parcialmente recuperável com uma sequência de dunning; churn voluntário requer trabalho de produto. Se os meses recentes mostram 200–250€ de churn por falha de pagamento, uma sequência de dunning bem implementada poderia reduzir o MRR perdido realizado. A previsão deve refletir churn alcançável, não churn aspiracional.

Três cenários com a mesma fórmula

O valor do modelo de 3 variáveis se multiplica quando rodado em três cenários em vez de um. A estrutura de cenários é simples: mude as três variáveis para refletir diferentes realidades operacionais, calcule o MRR final para cada, e compare a diferença.

Caso base, suposições operacionais atuais:

Novo MRR: 1.500€ · Expansão: 600€ · Perdido: 500€
Previsão: 10.000 + 1.500 + 600 − 500 = 11.600€

Caso otimista, aquisição levemente melhor, melhor retenção:

Novo MRR: 1.800€ · Expansão: 700€ · Perdido: 450€
Previsão: 10.000 + 1.800 + 700 − 450 = 12.050€

Caso pessimista, crescimento mais lento, maior churn:

Novo MRR: 1.200€ · Expansão: 500€ · Perdido: 700€
Previsão: 10.000 + 1.200 + 500 − 700 = 11.000€

Tabela lado a lado:

Cenário	Novo MRR	Expansão	Perdido	MRR Final	Diferença vs Base
Base	1.500	600	500	11.600	,
Otimista	1.800	700	450	12.050	+450
Pessimista	1.200	500	700	11.000	−600

A diferença entre base e pessimista é 600€ no MRR final, o que é 7.200€ anualizado. Esse é o risco operacional sobre o qual o fundador deveria estar pensando, não o número polido do meio.

Para a metodologia completa de teste de estresse por cenários, veja Modelagem de Cenários para Bootstrappers: Teste de Estresse em 15 Minutos.

O hábito de previsão que torna o modelo útil

Um modelo de previsão que é criado uma vez e nunca comparado com o real é apenas uma opinião formatada. O modelo se torna útil pela repetição:

Antes do mês: defina as três variáveis para o período baseado em tendências recentes e expectativas atuais. Produza uma previsão base, otimista e pessimista.

Durante o mês: rastreie novo MRR, expansão e churn conforme se materializam. O NoNoiseMetrics mostra isso em tempo real a partir do Stripe, sem rastreamento manual necessário.

Depois do mês: compare previsão com real. Se a previsão errou, identifique qual variável estava errada e em quanto. Ajuste a metodologia de suposição (não apenas o número) para o próximo mês.

Esse ciclo, prever, rastrear, comparar, calibrar, é o que faz um modelo de 3 variáveis produzir estimativas progressivamente melhores. A primeira previsão será imprecisa. A sexta ou sétima será calibrada para como esse negócio específico realmente se comporta.

Para a camada de comparação, veja Orçamento vs Real: O Ciclo Semanal Que Te Mantém Vivo. Os dados da Pesquisa SaaS da KeyBanc Capital Markets mostram que fundadores que rastreiam previsão vs real mensalmente tomam decisões de alocação de capital materialmente melhores do que aqueles que revisam anualmente.

Erros comuns em modelos de previsão SaaS

Variáveis demais. Cada variável adicional é outro lugar para o otimismo se esconder. Fundadores que constroem modelos de previsão com 15 variáveis raramente têm dados para popular 15 variáveis honestamente, a maioria das variáveis são palpites que se compõem numa saída estruturalmente otimista. Três variáveis honestas batem quinze palpites.

Ancorar novo MRR em aspirações em vez de dados reais. A estimativa mais confiável do novo MRR do próximo mês é uma média levemente ajustada dos meses recentes. Fundadores que preveem novo MRR baseado em potencial, “temos cinco leads bons”, sistematicamente superestimam essa variável. Use dados reais como âncora; ajuste para cima apenas quando uma mudança específica e concreta na atividade de aquisição justificar.

Ignorar MRR de Expansão. Uma simplificação comum que reduz a precisão do modelo conforme o negócio amadurece. Se o produto tem um caminho de upgrade e clientes estão usando, o MRR de expansão contribui materialmente para o crescimento do MRR mês a mês. Omiti-lo faz o modelo subestimar o MRR nos meses bons e faz o novo MRR parecer mais importante do que é.

Subestimar MRR Perdido. O erro mais pervasivo. Fundadores aplicam o churn real do mês passado, que frequentemente foi um mês bom, em vez de uma média ponderada. O cenário pessimista existe especificamente para pressionar essa suposição. O que acontece se o churn for 40% maior que o esperado? Essa resposta deve informar quanto runway é genuinamente confortável, não o caso base polido.

Sem comparação com o real. Uma previsão que nunca é verificada contra o que realmente aconteceu não pode melhorar. Este é o passo crítico que a maioria dos fundadores pula, frequentemente porque a comparação revela que as suposições estavam erradas, o que é desconfortável mas necessário.

Quando adicionar uma 4a variável: MRR de Contração

MRR de contração (receita recorrente perdida por downgrades, sem cancelamento total) vale a pena adicionar como quarta variável assim que se tornar uma parte mensurável e material do negócio. Em SaaS estágio inicial onde a maioria dos clientes está em planos fixos, a contração é frequentemente próxima de zero e pode ser seguramente incorporada ao MRR perdido conceitualmente.

O sinal de que contração merece sua própria linha: se eventos de downgrade aparecem consistentemente nos dados do Stripe, clientes movendo de Growth para Starter, ou reduzindo número de assentos, e o impacto agregado é mais de 5–10% do MRR perdido, rastreie separadamente. A intervenção para contração (estrutura de preços, clareza de packaging, fricção de downgrade) é diferente da intervenção para cancelamento total, e o modelo deve refletir essa diferença.

Modelo de previsão de receita SaaS: a versão automatizada

Uma ferramenta de previsão de receita útil não requer trabalho manual de planilha. A versão automatizada mínima:

Puxar MRR atual de uma fonte de faturamento confiável (eventos de assinatura do Stripe)
Mostrar as três variáveis históricas, média recente de novo MRR, média recente de expansão, média recente de MRR perdido, como padrões
Permitir que o fundador ajuste cada variável e alterne entre cenários
Exibir MRR final previsto para cada cenário lado a lado
Depois que o mês fecha, comparar previsão com real e mostrar o delta por variável

O NoNoiseMetrics está construindo isso como parte do previsor de runway, uma ferramenta leve que produz uma previsão de 3 variáveis a partir de dados ao vivo do Stripe, sem precisar de planilha nem de população manual de variáveis.

Modelo JSON para uma previsão SaaS de 3 variáveis

{
  "saas_forecast_model": {
    "period": "2026-05",
    "currency": "EUR",
    "current_mrr": 10000,
    "inputs": {
      "new_mrr": 1500,
      "expansion_mrr": 600,
      "churned_mrr": 500
    },
    "formula": "current_mrr + new_mrr + expansion_mrr - churned_mrr",
    "forecast_ending_mrr": 11600
  },
  "scenarios": {
    "base": {
      "new_mrr": 1500,
      "expansion_mrr": 600,
      "churned_mrr": 500,
      "ending_mrr": 11600
    },
    "upside": {
      "new_mrr": 1800,
      "expansion_mrr": 700,
      "churned_mrr": 450,
      "ending_mrr": 12050
    },
    "downside": {
      "new_mrr": 1200,
      "expansion_mrr": 500,
      "churned_mrr": 700,
      "ending_mrr": 11000
    }
  },
  "forecast_habit": {
    "before_month": "Definir 3 variáveis a partir de médias recentes",
    "during_month": "Rastrear dados reais do faturamento",
    "after_month": "Comparar previsão vs real; calibrar suposições"
  }
}

FAQ

O que é um modelo de previsão SaaS?

Um modelo de previsão SaaS é uma forma repetível de estimar como a receita recorrente vai mudar no próximo período baseado num pequeno número de suposições explícitas. A versão mínima usa três variáveis, novo MRR, MRR de expansão e MRR perdido, para prever o MRR final do próximo mês a partir da base atual.

Como você prevê MRR para SaaS?

A fórmula é: MRR do Próximo Mês = MRR Atual + Novo MRR + MRR de Expansão − MRR Perdido. Use médias mensais recentes como base para cada variável em vez de metas aspiracionais. Rode a previsão em três cenários (base, otimista, pessimista) para entender a faixa de resultados realistas.

Quais variáveis mais importam num modelo de previsão SaaS?

Novo MRR (contribuição de aquisição), MRR de expansão (contribuição de upgrade) e MRR perdido (vazamento). O MRR perdido é tipicamente a variável mais consequente porque é a mais comumente subestimada. Para a maioria dos produtos SaaS em estágio inicial, essas três variáveis explicam a grande maioria da mudança de MRR mês a mês.

Quão detalhado deve ser um modelo de previsão SaaS?

Apenas tão detalhado quanto a qualidade dos dados disponíveis pode suportar. Três variáveis, honestamente populadas a partir de dados reais recentes, produzem previsões mais confiáveis do que quinze variáveis populadas com estimativas. Complexidade deve ser conquistada por necessidades específicas do negócio, não aplicada para criar uma impressão de sofisticação.

Qual a diferença entre um modelo de previsão SaaS e um modelo financeiro SaaS?

Um modelo de previsão SaaS foca em projetar o movimento da receita recorrente, novo MRR, expansão, churn e MRR final. Um modelo financeiro SaaS é mais amplo e inclui custos, queima, caixa e runway. A maioria dos fundadores deve começar com o modelo de previsão (leve, atualizado mensalmente) e incorporá-lo num modelo financeiro quando o rastreamento de custos e runway se tornar material para decisões.

Quão preciso é um modelo de previsão SaaS de 3 variáveis?

A precisão depende da qualidade e honestidade das três variáveis, não do número de variáveis. Um modelo de 3 variáveis calibrado contra seis meses de dados reais tipicamente supera um modelo de 30 variáveis populado com estimativas de primeira tentativa. O modelo se torna mais preciso pelo ciclo mensal de comparação previsão-vs-real, não pela adição de mais variáveis.

Qual a diferença entre modelo de previsão de receita SaaS e modelo de receita SaaS?

Um modelo de previsão de receita SaaS projeta o movimento futuro de MRR baseado em suposições explícitas. Um modelo de receita SaaS pode se referir à estrutura mais ampla de preços e monetização, o modelo que determina como o produto cobra os clientes. Ambos são úteis; respondem perguntas diferentes.

Fazer previsões com MRR sujo é fazer previsões erradas. Comece com números nos quais você pode confiar →