Previsão Honesta do Orgânico

O método habitual - volume de palavra-chave vezes um CTR assumido para a posição um - produz números errados por uma ordem de grandeza e destrói a confiança quando o ano fecha. O orgânico tem um desfasamento longo e variável e depende de coisas fora do seu controlo. Uma previsão defensável constrói-se a partir da resposta histórica do seu próprio site ao seu próprio trabalho, com os pressupostos declarados para que possam ser discutidos.

O ficheiro da competência

---
name: honest-organic-forecast
description: Use quando lhe pedirem uma previsão de tráfego ou receita orgânica para uma ronda de orçamento ou um business case.
---

# Previsão Honesta do Orgânico

O método habitual - volume de palavra-chave vezes um CTR assumido para a posição um - produz números errados por uma ordem de grandeza e destrói a confiança quando o ano fecha. O orgânico tem um desfasamento longo e variável e depende de coisas fora do seu controlo. Uma previsão defensável constrói-se a partir da resposta histórica do seu próprio site ao seu próprio trabalho, com os pressupostos declarados para que possam ser discutidos.

## O que precisa primeiro

- pelo menos 13 meses do seu próprio histórico orgânico
- o desfasamento histórico entre publicar ou corrigir e um movimento mensurável neste site
- a capacidade de entrega com que se está realmente a comprometer

## Método

1. Estabeleça a base como uma linha de tendência, não o número do ano passado. Preveja o efeito incremental sobre a base e mostre as duas linhas em separado.
2. Derive o desfasamento empiricamente a partir do seu site: pegue em lotes passados de páginas publicadas ou otimizadas e meça as semanas até ao pico. O desfasamento de um domínio novo e o de um domínio estabelecido diferem o suficiente para que benchmarks emprestados sejam inúteis.
3. Modele em três cenários e rotule-os pelo pressuposto, não pelo otimismo. Diga "assume 8 páginas por mês publicadas e nenhuma regressão de template", não "melhor caso".
4. Ligue a previsão ao volume de entrega para que falhe visivelmente se a entrega derrapar. Uma previsão que continua verdadeira quando nada é entregue não é uma previsão.
5. Aplique um pressuposto de decaimento ao conteúdo existente. Desempenho estável é uma escolha que custa esforço; prever a base como estável e gratuita é a inflação mais comum nestes modelos.
6. Escreva os três pressupostos com maior probabilidade de a quebrar e a data em que cada um se torna verificável, e depois agende essas datas de verificação.

## O que isto produz

Uma previsão de três cenários com pressupostos declarados, uma curva de desfasamento empírica e pontos de controlo datados para revisão.

## Onde isto corre mal

- Usar volume de pesquisa de terceiros como input - é suavizado, arredondado e muitas vezes errado por um fator de dois ou mais para tudo abaixo de alguns milhares por mês
- Prever uma linha reta a partir de um período que continha um pico pontual, como um post viral ou uma indisponibilidade de um concorrente
- Recusar dar qualquer número quando pressionado, o que não se lê como rigor e simplesmente entrega a previsão a alguém com menos informação

---

Da biblioteca de competências da QuQi - https://www.quqi.io/pt/skills/honest-organic-forecast

O que precisa primeiro

• pelo menos 13 meses do seu próprio histórico orgânico
• o desfasamento histórico entre publicar ou corrigir e um movimento mensurável neste site
• a capacidade de entrega com que se está realmente a comprometer

Método

1. 01 Estabeleça a base como uma linha de tendência, não o número do ano passado. Preveja o efeito incremental sobre a base e mostre as duas linhas em separado.
2. 02 Derive o desfasamento empiricamente a partir do seu site: pegue em lotes passados de páginas publicadas ou otimizadas e meça as semanas até ao pico. O desfasamento de um domínio novo e o de um domínio estabelecido diferem o suficiente para que benchmarks emprestados sejam inúteis.
3. 03 Modele em três cenários e rotule-os pelo pressuposto, não pelo otimismo. Diga "assume 8 páginas por mês publicadas e nenhuma regressão de template", não "melhor caso".
4. 04 Ligue a previsão ao volume de entrega para que falhe visivelmente se a entrega derrapar. Uma previsão que continua verdadeira quando nada é entregue não é uma previsão.
5. 05 Aplique um pressuposto de decaimento ao conteúdo existente. Desempenho estável é uma escolha que custa esforço; prever a base como estável e gratuita é a inflação mais comum nestes modelos.
6. 06 Escreva os três pressupostos com maior probabilidade de a quebrar e a data em que cada um se torna verificável, e depois agende essas datas de verificação.

O que isto produz

Uma previsão de três cenários com pressupostos declarados, uma curva de desfasamento empírica e pontos de controlo datados para revisão.

Onde isto corre mal

• Usar volume de pesquisa de terceiros como input - é suavizado, arredondado e muitas vezes errado por um fator de dois ou mais para tudo abaixo de alguns milhares por mês
• Prever uma linha reta a partir de um período que continha um pico pontual, como um post viral ou uma indisponibilidade de um concorrente
• Recusar dar qualquer número quando pressionado, o que não se lê como rigor e simplesmente entrega a previsão a alguém com menos informação

Use esta skill na sua própria IA

O ficheiro é markdown simples, com o nome e o gatilho no frontmatter. Quando um assistente consegue carregar skills sozinho, é esse frontmatter que lê para decidir que esta se aplica.

Mais em Métricas e relatórios