Co to jest prognozowanie sprzedaży i jak przewidywać przyszłe wyniki?

Firma posiada otwarte oferty na 600 000 zł.

Na pytanie o przewidywaną sprzedaż w tym miesiącu pada więc odpowiedź:

Mamy około 600 tysięcy w pipeline.

Problem polega na tym, że część ofert została wysłana dwa miesiące temu. Kilku klientów nie odpowiada. Jeden projekt prawdopodobnie przejdzie na następny kwartał. Inny nadal czeka na zatwierdzenie budżetu. Dwie szanse są dopiero na etapie pierwszych rozmów.

Łączna wartość możliwości rzeczywiście wynosi 600 000 zł.

Nie oznacza to jednak, że firma sprzeda za 600 000 zł.

Pipeline pokazuje potencjał. Prognoza sprzedaży próbuje odpowiedzieć na znacznie trudniejsze pytanie:

Ile z tego potencjału rzeczywiście może zamienić się w sprzedaż w określonym czasie?

Dobra prognoza nie jest obietnicą ani wróżeniem. Jest możliwie najlepszym oszacowaniem przygotowanym na podstawie aktualnych szans, historycznych wyników, prawdopodobieństwa wygranej, terminów decyzji oraz jakości danych znajdujących się w CRM.

Jeżeli firma potrafi prognozować sprzedaż, łatwiej planuje:

• przychody,
• płynność finansową,
• wydatki,
• zatrudnienie,
• moce realizacyjne,
• budżety marketingowe,
• zakupy i inwestycje.

Jeżeli prognoza opiera się wyłącznie na intuicji, firma może przez kilka miesięcy wierzyć w projekty, które w rzeczywistości już dawno przestały być realnymi szansami.

Co to jest prognozowanie sprzedaży?

Prognozowanie sprzedaży, czyli sales forecasting, to proces szacowania przyszłych wyników sprzedażowych w określonym okresie.

Prognoza może dotyczyć:

• przychodu,
• wartości podpisanych kontraktów,
• liczby nowych klientów,
• liczby zamówień,
• wartości abonamentów,
• marży.

W sprzedaży B2B i usługach prognoza jest często budowana na podstawie aktywnego pipeline sprzedażowego.

Analizowane są między innymi:

• wartość szans,
• ich etap,
• prawdopodobieństwo wygrania,
• planowana data zamknięcia,
• wiek szansy,
• historyczna skuteczność sprzedaży.

W e-commerce prognozowanie może częściej wykorzystywać:

• historyczną sprzedaż,
• sezonowość,
• ruch,
• współczynnik konwersji,
• średnią wartość zamówienia,
• planowane kampanie.

Metoda powinna więc odpowiadać modelowi biznesowemu.

Prognoza sprzedaży a pipeline sprzedażowy

Pipeline i forecast są ze sobą silnie związane, ale nie oznaczają tego samego.

Pipeline sprzedażowy pokazuje wszystkie aktywne szanse sprzedażowe.

Forecast próbuje określić, które z tych szans i w jakiej wartości prawdopodobnie zostaną zamknięte w określonym czasie.

Przykład:

Firma posiada:

• 300 000 zł w kwalifikacji,
• 200 000 zł w ofertach,
• 100 000 zł w finalnych negocjacjach.

Łączny pipeline wynosi:

600 000 zł.

Forecast na bieżący miesiąc może jednak wynosić tylko 120 000 zł, ponieważ większość szans posiada późniejsze terminy decyzji albo znajduje się jeszcze bardzo wcześnie w procesie.

Pipeline mówi:

Co potencjalnie możemy sprzedać?

Forecast mówi:

Co prawdopodobnie sprzedamy w tym okresie?

Prognoza sprzedaży a cel sprzedażowy

Forecast nie jest również tym samym co target.

Cel sprzedażowy określa oczekiwany wynik.

Forecast określa przewidywany wynik.

Jeżeli cel miesięczny wynosi 200 000 zł, a forecast wskazuje 130 000 zł, problemu nie należy rozwiązywać zmianą prognozy na 200 000 zł.

Prognoza ma pokazywać rzeczywistą sytuację.

Różnica pomiędzy celem a przewidywanym wynikiem powinna prowadzić do działania:

• pozyskania dodatkowych szans,
• przyspieszenia wybranych procesów,
• poprawy follow-upu,
• zwiększenia aktywności sprzedażowej,
• korekty planów biznesowych.

Forecast nie powinien być dostosowywany do oczekiwań zarządu. To oczekiwania powinny być konfrontowane z danymi.

Dlaczego prognozowanie sprzedaży jest ważne?

Sprzedaż wpływa na większość pozostałych decyzji biznesowych.

Jeżeli firma przewiduje trzy duże projekty w kolejnym miesiącu, może potrzebować:

• dodatkowych ludzi,
• zewnętrznych wykonawców,
• zakupu materiałów,
• rezerwacji czasu,
• większej płynności.

Jeżeli projekty nie zostaną podpisane, firma może zostać z kosztami bez odpowiadającego im przychodu.

W drugą stronę słaba prognoza może doprowadzić do sytuacji, w której sprzedaż rośnie szybciej niż możliwości realizacyjne.

Forecast pomaga wcześniej zobaczyć oba ryzyka.

Jakie dane są potrzebne do prognozy sprzedaży?

W modelu opartym na szansach potrzebne są przede wszystkim:

• aktualny etap szansy,
• wartość,
• planowany termin zamknięcia,
• prawdopodobieństwo wygranej,
• data utworzenia,
• ostatnia aktywność,
• następne działanie.

Dodatkowo warto posiadać dane historyczne:

• win rate,
• konwersję etapów,
• średni czas sprzedaży,
• średni czas na poszczególnych etapach,
• odsetek projektów przesuwanych na późniejsze okresy,
• różnice pomiędzy segmentami klientów.

Prognoza jest tak dobra, jak dane wejściowe.

Jeżeli CRM zawiera nieaktualne szanse, przypadkowe daty i nieprawidłowe wartości, nawet najbardziej zaawansowany model będzie generował pozornie precyzyjne, ale błędne wyniki.

Najprostsza prognoza sprzedaży

Najprostszą metodą jest analiza szans, które według aktualnych informacji mają zostać zamknięte w danym okresie.

Przykład:

• projekt A: 20 000 zł,
• projekt B: 30 000 zł,
• projekt C: 50 000 zł.

Wszystkie posiadają planowaną decyzję w sierpniu.

Prosta prognoza wynosi:

100 000 zł.

Metoda jest jednak bardzo optymistyczna, ponieważ zakłada wygranie każdej szansy.

Może mieć sens tylko przy projektach praktycznie potwierdzonych, gdzie pozostały formalności.

Prognoza ważona prawdopodobieństwem

Bardziej realistyczny model może uwzględniać prawdopodobieństwo wygrania szansy.

Przykład:

• 20 000 zł przy prawdopodobieństwie 30 procent,
• 30 000 zł przy prawdopodobieństwie 50 procent,
• 50 000 zł przy prawdopodobieństwie 80 procent.

Ważona wartość wynosi:

• 6 000 zł,
• 15 000 zł,
• 40 000 zł.

Łączny forecast:

61 000 zł.

To nadal nie oznacza, że firma sprzeda dokładnie 61 000 zł.

Jest to oczekiwana wartość statystyczna wynikająca z przyjętych prawdopodobieństw.

Skąd brać prawdopodobieństwo wygranej?

Najprostszym rozwiązaniem jest przypisanie prawdopodobieństwa do każdego etapu pipeline.

Przykład:

• kwalifikacja: 10 procent,
• rozpoznanie potrzeb: 25 procent,
• oferta: 40 procent,
• negocjacje: 70 procent,
• finalna decyzja: 90 procent.

Problem pojawia się wtedy, gdy wartości zostały wymyślone podczas konfiguracji CRM.

Znacznie lepiej policzyć historyczną konwersję.

Jeżeli w poprzednich 12 miesiącach:

• 100 szans dotarło do etapu oferty,
• 35 zakończyło się wygraną,

historyczne prawdopodobieństwo wygrania szansy znajdującej się na tym etapie wynosi około 35 procent.

Taka wartość jest bardziej wiarygodna niż arbitralne 50 procent.

Prawdopodobieństwo etapu a konkretna szansa

Dwie szanse znajdujące się na tym samym etapie nie muszą mieć identycznego ryzyka.

Przykład:

Obie mają status „oferta wysłana”.

Szansa A:

• klient potwierdził budżet,
• zakres został zaakceptowany,
• termin realizacji jest pilny,
• oferta zostanie omówiona jutro.

Szansa B:

• oferta została wysłana miesiąc temu,
• klient nie odpowiada,
• nie potwierdzono budżetu,
• nie ma ustalonego terminu decyzji.

Obie mogą znajdować się w tej samej kolumnie CRM, ale ich rzeczywiste prawdopodobieństwo jest zupełnie inne.

Dlatego dojrzała prognoza powinna uwzględniać nie tylko etap.

Forecast category – kategorie prognozy

Niektóre procesy wykorzystują kategorie określające poziom pewności konkretnej szansy.

Można zastosować na przykład:

Pipeline

Aktywna szansa istnieje, ale jest jeszcze za wcześnie, aby uwzględniać ją w konkretnym forecast.

Best case

Sprzedaż może wydarzyć się w danym okresie, jeżeli proces przebiegnie korzystnie.

Commit

Osoba odpowiedzialna uważa, że szansa z dużym prawdopodobieństwem zostanie zamknięta w danym okresie.

Closed

Sprzedaż została już wygrana.

Taki model pozwala oddzielić wszystkie możliwe szanse od tych, na które firma rzeczywiście liczy w bieżącym okresie.

Commit nie oznacza gwarancji

Nawet bardzo zaawansowana szansa może zostać utracona.

Klient może:

• stracić budżet,
• zmienić priorytet,
• wybrać konkurencję,
• przesunąć projekt,
• zmienić osobę decyzyjną.

Kategoria commit powinna oznaczać wysoką pewność opartą na konkretnych informacjach, a nie formalną gwarancję.

Planowana data zamknięcia

Jednym z najważniejszych pól forecastu jest planowana data zamknięcia.

Powinna odpowiadać przewidywanemu momentowi:

• podpisania umowy,
• akceptacji zamówienia,
• otrzymania wiążącej decyzji,
• innego zdarzenia definiującego wygraną.

Data powinna wynikać z procesu klienta.

Jeżeli klient mówi:

Zarząd podejmuje decyzję 25 sierpnia.

jest to znacznie bardziej wartościowa informacja niż automatycznie wpisany ostatni dzień miesiąca.

Problem przesuwanych dat zamknięcia

Jednym z najbardziej charakterystycznych problemów CRM jest szansa, której data zamknięcia wygląda następująco:

• 31 maja,
• później 30 czerwca,
• później 31 lipca,
• później 31 sierpnia.

Szansa nie zrobiła postępu. Zmieniana jest jedynie data, aby nadal wyglądała jak aktualna.

Takie zachowanie poważnie psuje prognozowanie.

Warto analizować:

• ile razy data została przesunięta,
• o ile dni,
• dlaczego termin się zmienił.

Wielokrotnie przesuwana szansa powinna mieć niższy poziom zaufania niż podobna szansa z potwierdzonym terminem.

Forecast a wiek szansy

Im dłużej szansa pozostaje otwarta ponad typowy cykl sprzedaży, tym ostrożniej należy ją traktować.

Jeżeli średni projekt jest zamykany w 45 dni, szansa otwarta przez 220 dni wymaga weryfikacji.

Może nadal być realna, ale powinien istnieć konkretny powód:

• procedura przetargowa,
• odłożony budżet,
• złożony proces decyzyjny.

Jeżeli takiej przyczyny nie ma, forecast może być sztucznie zawyżany.

Forecast a czas na etapie

Ważny jest nie tylko całkowity wiek szansy, ale również czas spędzony na bieżącym etapie.

Jeżeli typowa oferta jest rozpatrywana przez 10 dni, a jedna pozostaje na tym etapie od 50 dni bez kontaktu, prawdopodobieństwo wygranej powinno być ponownie ocenione.

Analiza czasu na etapie pomaga wykrywać:

• zatory,
• brak follow-upu,
• martwe szanse,
• etapy wymagające poprawy procesu.

Forecast a follow-up

Prognoza nie może być wiarygodna, jeżeli firma nie posiada aktualnych informacji od klientów.

Regularny follow-up pozwala aktualizować:

• termin decyzji,
• zakres,
• wartość,
• budżet,
• ryzyka,
• konkurencję.

Szansa bez kontaktu od kilku tygodni nie powinna posiadać takiego samego poziomu pewności jak aktywna rozmowa.

Follow-up jest więc nie tylko działaniem sprzedażowym. Jest również mechanizmem poprawiającym jakość danych używanych do forecastu.

Prognozowanie na podstawie historycznego win rate

Firma może również stosować prostą prognozę statystyczną.

Jeżeli:

• pipeline w danym etapie wynosi 400 000 zł,
• historyczny win rate dla tego etapu wynosi 25 procent,

oczekiwana wartość wynosi:

100 000 zł.

Metoda dobrze działa przy większej liczbie podobnych szans.

Przy kilku dużych projektach wynik może być bardzo niestabilny. Jedna przegrana szansa o wartości 200 000 zł całkowicie zmieni rezultat.

Prognozowanie na podstawie konwersji etapów

Można analizować również szanse znajdujące się wcześniej w pipeline.

Przykład:

• 100 szans w kwalifikacji,
• 60 procent przechodzi do analizy,
• 50 procent z nich otrzymuje ofertę,
• 30 procent ofert kończy się wygraną.

Takie dane pomagają oszacować przyszłą sprzedaż w dłuższym horyzoncie.

Im wcześniejszy etap, tym większa niepewność.

Forecast krótkoterminowy i długoterminowy

Prognoza na najbliższe dwa tygodnie może być oparta głównie na konkretnych zaawansowanych szansach.

Prognoza na następne sześć miesięcy musi częściej uwzględniać:

• historyczne tempo generowania nowych szans,
• sezonowość,
• średni cykl sprzedaży,
• przewidywane działania marketingowe.

Nie należy oczekiwać takiej samej dokładności od obu prognoz.

Im dalszy horyzont, tym większy zakres niepewności.

Rolling forecast

Rolling forecast jest prognozą regularnie aktualizowaną w przesuwającym się horyzoncie czasowym.

Zamiast przygotować forecast raz na początku roku i później tylko porównywać rzeczywistość z nieaktualnym planem, firma może co miesiąc aktualizować prognozę kolejnych miesięcy.

Przykładowo zawsze analizuje następne 6 miesięcy.

W sierpniu:

sierpień – styczeń.

We wrześniu:

wrzesień – luty.

Takie podejście lepiej reaguje na rzeczywiste zmiany w pipeline.

Prognozowanie sprzedaży w małej firmie

Mała firma nie potrzebuje skomplikowanego systemu statystycznego.

Nawet prosta prognoza może być bardzo użyteczna.

Wystarczy regularnie przeglądać:

• otwarte szanse,
• wartość,
• termin decyzji,
• aktualny status,
• kolejne działanie,
• realistyczne prawdopodobieństwo.

Przykładowo można podzielić sprzedaż na:

• prawie pewną,
• realnie możliwą,
• wczesny pipeline.

Najważniejsze jest utrzymanie aktualności danych.

Prognozowanie sprzedaży w usługach

W usługach projektowych częstym problemem jest nierównomierna wartość szans.

Firma może posiadać:

• 10 projektów po 5 000 zł,
• jeden projekt za 100 000 zł.

Duża szansa może całkowicie zdominować forecast.

Warto wtedy analizować scenariusze:

• bez dużego projektu,
• z dużym projektem,
• z częściową realizacją.

Pozwala to zobaczyć, jak bardzo wynik zależy od jednej decyzji klienta.

Prognozowanie sprzedaży w B2B

W B2B szczególnie ważne są informacje dotyczące procesu decyzyjnego.

Warto przy szansie wiedzieć:

• kto podejmuje decyzję,
• czy budżet został zatwierdzony,
• czy istnieje procedura zakupowa,
• czy firma porównuje konkurencję,
• czy znany jest termin,
• jakie formalności pozostały.

Szansa, w której sprzedawca zna jedynie osobę zainteresowaną rozwiązaniem, powinna być traktowana ostrożniej niż proces z potwierdzonym budżetem i udziałem osoby decyzyjnej.

Prognozowanie w e-commerce

Sklep internetowy zwykle nie posiada klasycznego pipeline dla każdego klienta.

Prognozę można budować na podstawie historycznych zależności.

Przykładowy uproszczony model:

Prognozowany przychód = prognozowany ruch × współczynnik konwersji × średnia wartość zamówienia

Jeżeli sklep przewiduje:

• 100 000 sesji,
• konwersję 2 procent,
• średnią wartość zamówienia 250 zł,

prognoza wynosi:

100 000 × 2 procent × 250 zł = 500 000 zł.

Model trzeba następnie skorygować między innymi o:

• sezonowość,
• kampanie,
• promocje,
• dostępność produktów,
• zmiany cen.

Sezonowość sprzedaży

Nie każda sprzedaż jest równomierna przez cały rok.

Sklep może generować największy obrót w listopadzie i grudniu.

Firma B2B może obserwować spadek decyzji w okresie wakacyjnym.

Inna branża może zależeć od sezonu budowlanego, roku szkolnego albo budżetów rocznych klientów.

Prognoza powinna uwzględniać takie wzorce.

Porównywanie sierpnia do lipca może dawać mniej informacji niż porównanie sierpnia bieżącego roku z sierpniem poprzednich lat.

Trend a sezonowość

Wzrost sprzedaży może wynikać z trendu, sezonowości albo jednocześnie z obu czynników.

Jeżeli firma rośnie średnio o 20 procent rocznie, nie powinna automatycznie kopiować wartości z poprzedniego roku.

Z drugiej strony wzrost z października do listopada może być zwykłym efektem sezonowym, a nie dowodem na trwałe przyspieszenie biznesu.

Prognoza powinna próbować rozdzielić te zjawiska.

Prognoza na podstawie poprzedniego okresu

Najprostszy model historyczny może zakładać podobny wynik jak wcześniej.

Na przykład:

sprzedaż w przyszłym miesiącu = sprzedaż w analogicznym miesiącu poprzedniego roku.

Model może być użyteczny przy stabilnym biznesie, ale pomija:

• wzrost firmy,
• zmiany cen,
• zmiany oferty,
• nowe kanały marketingowe,
• sytuację rynkową.

Powinien być punktem odniesienia, a nie automatyczną prawdą.

Prognoza a nowe źródła sprzedaży

Nowa kampania, nowy produkt albo wejście na kolejny rynek utrudniają forecast, ponieważ firma nie posiada danych historycznych.

W takim przypadku warto budować kilka scenariuszy:

• konserwatywny,
• bazowy,
• optymistyczny.

Każdy powinien posiadać jawne założenia.

Przykład:

Scenariusz bazowy zakłada 100 leadów miesięcznie i 10 procent konwersji do klienta.

Jeżeli rzeczywiste dane po dwóch miesiącach pokazują konwersję 4 procent, model powinien zostać zaktualizowany.

Scenariusz konserwatywny

Zakłada bardziej ostrożny rozwój sytuacji.

Może uwzględniać:

• niższy win rate,
• przesunięcie części projektów,
• mniejszą wartość zamówień,
• wolniejsze pozyskiwanie leadów.

Pomaga odpowiedzieć:

Co się stanie, jeżeli sprzedaż będzie wyraźnie słabsza od oczekiwań?

Scenariusz bazowy

Powinien przedstawiać najbardziej realistyczne oczekiwanie przy obecnej wiedzy.

Nie jest średnią pomiędzy pesymizmem i optymizmem.

Powinien wynikać z aktualnych danych.

Scenariusz optymistyczny

Pokazuje możliwy wynik przy korzystnym przebiegu sprzedaży.

Nie powinien jednak zakładać:

• wygrania każdej szansy,
• braku przesunięć,
• idealnej realizacji wszystkich kampanii.

Scenariusz optymistyczny nadal powinien być możliwy, a nie fantastyczny.

Forecast a planowanie zasobów

Prognoza sprzedaży powinna być użyteczna również poza działem sprzedaży.

Może informować o przyszłym obciążeniu:

• produkcji,
• zespołu projektowego,
• magazynu,
• obsługi klienta,
• logistyki.

Firma usługowa posiadająca wysoki forecast na kolejny kwartał może wcześniej zabezpieczyć odpowiednie moce realizacyjne.

Firma handlowa może odpowiednio planować zapasy.

Forecast a cash flow

Sprzedaż nie zawsze oznacza natychmiastowy wpływ pieniędzy.

Projekt może zostać podpisany w sierpniu, ale płatność nastąpić:

• we wrześniu,
• w kilku transzach,
• po zakończeniu realizacji.

Dlatego prognozy sprzedaży nie należy utożsamiać z prognozą przepływów pieniężnych.

Oba modele mogą korzystać z tych samych danych, ale odpowiadają na inne pytania.

Forecast a przychód księgowy

Podobnie podpisanie kontraktu nie zawsze oznacza natychmiastowe rozpoznanie całego przychodu.

W zależności od modelu biznesowego realizacja może trwać kilka miesięcy.

Firma powinna jednoznacznie określić, co właściwie prognozuje:

• wartość podpisanych umów,
• fakturowanie,
• przychód,
• wpływy pieniężne.

Mieszanie tych wartości prowadzi do nieporozumień.

Forecast a marża

Dwa miesiące mogą wygenerować ten sam przychód, ale zupełnie inną rentowność.

Jeżeli firma posiada dane o przewidywanej marży projektów, warto przygotowywać również forecast marżowy.

Przykład:

• projekt A: 100 000 zł sprzedaży i 40 000 zł marży,
• projekt B: 100 000 zł sprzedaży i 15 000 zł marży.

Z perspektywy przychodu są identyczne.

Z perspektywy biznesu nie są.

Forecast według produktu lub usługi

Warto rozbić prognozę według:

• produktów,
• usług,
• segmentów,
• rynków,
• kanałów.

Może się okazać, że 80 procent przyszłej sprzedaży zależy od jednej kategorii.

Taka koncentracja jest istotną informacją o ryzyku.

Forecast według źródła leada

Połączenie pipeline z marketingiem pozwala również oceniać przyszłą sprzedaż generowaną przez różne źródła.

Przykładowo:

• SEO tworzy pipeline o wartości 200 000 zł,
• Google Ads 150 000 zł,
• polecenia 300 000 zł.

Po uwzględnieniu win rate wyniki mogą wyglądać zupełnie inaczej.

Polecenia mogą mieć znacznie wyższe prawdopodobieństwo wygranej niż zimne kampanie.

Dzięki temu marketing może być oceniany nie tylko liczbą leadów, ale również wartością przyszłej sprzedaży.

Forecast a CAC

Prognoza może pomóc planować wydatki na pozyskanie klientów.

Jeżeli przyszły pipeline jest wyraźnie zbyt mały w stosunku do celu, firma może wcześniej zwiększyć aktywność marketingową.

Nie należy jednak automatycznie zwiększać budżetu reklamowego bez sprawdzenia:

• jakości obecnych leadów,
• konwersji do szans,
• win rate,
• długości cyklu sprzedaży.

Problem może nie leżeć w liczbie leadów, lecz w ich dalszej obsłudze.

Forecast a pipeline coverage

Pipeline coverage porównuje wartość pipeline z celem sprzedażowym.

Jeżeli:

• cel wynosi 200 000 zł,
• pipeline wynosi 600 000 zł,

coverage wynosi:

3:1.

Czy to dużo?

To zależy od win rate.

Jeżeli firma historycznie wygrywa 40 procent wartości pipeline, 3:1 może być rozsądnym poziomem.

Jeżeli wygrywa tylko 10 procent, pipeline jest prawdopodobnie za mały.

Forecast a sales velocity

Sales velocity pokazuje tempo przepływu wartości przez proces sprzedaży.

Wpływają na nią:

• liczba szans,
• średnia wartość,
• win rate,
• długość cyklu.

Forecast może korzystać z tych informacji do oceny, czy obecna liczba szans wystarczy do osiągnięcia przyszłego wyniku.

Forecast a długość cyklu sprzedaży

Jeżeli typowa sprzedaż trwa 90 dni, leady pozyskane dzisiaj prawdopodobnie nie uratują wyniku bieżącego miesiąca.

To bardzo ważna informacja dla planowania.

Firma może posiadać słaby forecast na wrzesień i jednocześnie bardzo wysoki napływ nowych leadów.

Oba fakty mogą być prawdziwe, ponieważ nowe szanse wpłyną dopiero na kolejne miesiące.

Forecast a nowe leady

Prognoza bardziej odległych okresów może uwzględniać oczekiwaną liczbę nowych szans.

Przykład:

• marketing generuje średnio 100 leadów miesięcznie,
• 20 procent zostaje szansami,
• 25 procent szans zostaje klientami,
• średnia wartość sprzedaży wynosi 10 000 zł.

Z 100 leadów można statystycznie oczekiwać:

• 20 szans,
• 5 klientów,
• 50 000 zł sprzedaży.

To bardzo uproszczony model, ale pozwala połączyć marketing z przyszłym pipeline.

Forecast a CRM

CRM powinien być podstawowym źródłem danych dla prognozy sprzedaży opartej na szansach.

Powinien pozwalać sprawdzić:

• wartość pipeline,
• wartość według etapów,
• planowane terminy,
• weighted pipeline,
• wiek szans,
• następne działania,
• historyczne wygrane i przegrane.

Najważniejsze jest jednak to, aby CRM był aktualizowany podczas codziennej pracy, a nie dopiero przed przygotowaniem forecastu.

Forecast a jakość danych CRM

Najbardziej typowe problemy to:

• stare szanse,
• nieaktualne wartości,
• brak terminów,
• przesuwane daty,
• brak powodów przegranej,
• brak zakończenia martwych procesów.

Jeżeli połowa pipeline jest nieaktualna, forecast będzie systematycznie przeszacowywany.

Dlatego regularny pipeline hygiene jest częścią prognozowania sprzedaży.

Forecast a automatyzacja

System może automatycznie wykrywać dane pogarszające jakość prognozy.

Przykłady:

• planowana data zamknięcia już minęła,
• szansa nie ma następnego zadania,
• od ostatniego kontaktu minęło 30 dni,
• szansa wielokrotnie zmieniała termin,
• czas na etapie przekroczył historyczną normę.

Automatyzacja procesów może tworzyć alerty, zadania albo raporty wskazujące takie wyjątki. Nie powinna jednak samodzielnie zmieniać prognozy bez jasno określonej reguły biznesowej.

Czy sztuczna inteligencja może prognozować sprzedaż?

Może wspierać prognozowanie, szczególnie gdy firma posiada dużą liczbę historycznych danych.

Model może analizować:

• etap,
• wiek szansy,
• aktywność,
• segment klienta,
• historię podobnych projektów,
• tempo zmian.

Może następnie szacować prawdopodobieństwo wygranej albo przewidywany termin zamknięcia.

Nie rozwiązuje jednak podstawowych problemów.

Jeżeli CRM nie zawiera wiarygodnych danych, model będzie uczył się nieaktualnych i błędnych informacji.

Najpierw potrzebny jest stabilny proces i poprawna struktura danych.

Prognoza statystyczna a ocena handlowca

System widzi dane, ale handlowiec może posiadać informacje, których jeszcze nie zapisano w żadnym polu.

Na przykład:

Klient formalnie jest na etapie negocjacji, ale podczas rozmowy powiedział, że zarząd prawdopodobnie zamrozi cały projekt.

Taka informacja powinna wpływać na forecast.

Z drugiej strony handlowcy mogą być naturalnie zbyt optymistyczni.

Dlatego warto łączyć:

• model statystyczny,
• aktualne informacje jakościowe.

Jedno nie powinno całkowicie zastępować drugiego.

Forecast bias – systematyczny błąd prognozy

Warto analizować, czy firma regularnie:

• przeszacowuje sprzedaż,
• niedoszacowuje sprzedaży.

Jeżeli przez 12 miesięcy forecast jest niemal zawsze o 25 procent wyższy od wyniku, nie są to już pojedyncze pomyłki.

Model posiada systematyczny optymistyczny bias.

Może wynikać z:

• zbyt wysokich prawdopodobieństw,
• martwych szans,
• nadmiernego zaufania do terminów,
• niskiej jakości kwalifikacji.

Jak mierzyć dokładność forecastu?

Najprostszym sposobem jest regularne porównywanie prognozy z rzeczywistym wynikiem.

Przykład:

• forecast: 120 000 zł,
• rzeczywista sprzedaż: 100 000 zł.

Różnica wynosi 20 000 zł.

Warto analizować nie tylko wielkość błędu, ale również jego kierunek.

Jeżeli prognoza raz jest za wysoka, a raz za niska, błędy mogą się częściowo równoważyć.

Jeżeli zawsze jest za wysoka, model wymaga korekty.

Forecast accuracy

Nie istnieje jedna uniwersalna metoda obliczania dokładności odpowiednia dla każdego biznesu.

Firma może analizować:

• procentową różnicę prognozy i wyniku,
• średni bezwzględny błąd,
• trafność kategorii commit,
• odsetek szans zamkniętych w deklarowanym terminie.

Najważniejsze jest stosowanie jednej metody w czasie.

Slip rate – przesuwanie sprzedaży

Slip rate pokazuje, jaka część szans oczekiwanych w danym okresie zostaje przesunięta na później.

Przykład:

Forecast zakładał 10 decyzji w sierpniu.

4 zostały przesunięte na wrzesień.

Wysoki slip rate może oznaczać:

• zbyt optymistyczne terminy,
• brak znajomości procesu klienta,
• słaby follow-up,
• zbyt wczesne przesuwanie szans do końcowych etapów.

Prognozowanie według cohort sprzedażowych

Firma może analizować grupy szans utworzone w podobnym okresie.

Przykładowo:

• szanse utworzone w styczniu,
• w lutym,
• w marcu.

Można sprawdzić:

• jak szybko przechodzą przez pipeline,
• ile z nich zostaje wygranych,
• jaka jest ich końcowa wartość.

Takie dane pomagają prognozować przyszłe wyniki nowych grup leadów.

Prognoza a koncentracja pipeline

Forecast może wyglądać dobrze, ale być bardzo ryzykowny.

Przykład:

Prognoza wynosi 200 000 zł.

150 000 zł pochodzi z jednego projektu.

Oznacza to, że 75 procent przewidywanego wyniku zależy od jednej decyzji.

Warto więc analizować nie tylko wartość forecastu, ale również jego strukturę.

Forecast a klienci istniejący i nowi

Sprzedaż od istniejących klientów może mieć inny win rate niż pozyskiwanie nowych.

Warto osobno analizować:

• nowe logo,
• upselling,
• cross-selling,
• odnowienia.

Prognoza może być dużo bardziej stabilna, jeżeli część przychodu pochodzi z przewidywalnych odnowień.

Prognozowanie odnowień

W modelu abonamentowym albo kontraktowym ważne jest prognozowanie:

• odnowień,
• rezygnacji,
• upgrade,
• downgrade.

Nie wystarczy założyć, że 100 procent obecnego przychodu pozostanie.

Historyczna retencja i churn powinny wpływać na forecast kolejnego okresu.

Prognoza a Customer Lifetime Value

Forecast najczęściej koncentruje się na sprzedaży w konkretnym okresie, a CLV na wartości klienta w całej relacji.

Oba wskaźniki mogą się uzupełniać.

Firma może prognozować:

• ile nowych klientów pozyska,
• jaką przeciętną wartość wygenerują w kolejnych miesiącach.

Jest to szczególnie przydatne w modelach abonamentowych oraz e-commerce z częstymi zakupami powtarzalnymi.

Prognoza a jakość kwalifikacji

Jeżeli pipeline regularnie zawiera dużą liczbę szans, które nigdy nie powinny były powstać, forecast będzie chronicznie zawyżony.

Problem może znajdować się na początku procesu.

Warto wtedy sprawdzić:

• kiedy lead staje się szansą,
• czy potrzeba została potwierdzona,
• czy istnieje realny projekt,
• czy klient odpowiada profilowi.

Lepsza kwalifikacja może zmniejszyć nominalną wartość pipeline, ale jednocześnie zwiększyć jego wiarygodność.

Prognoza a powody przegranej

Powody przegranych pomagają zrozumieć, dlaczego wcześniejsze prognozy się nie realizowały.

Jeżeli większość szans z końcowego etapu jest tracona z powodu:

• braku budżetu,
• wyboru konkurencji,
• anulowania projektu,

firma może lepiej ocenić ryzyko przyszłych podobnych szans.

Bez zdefiniowanych powodów przegranych forecast traci jedno z najważniejszych źródeł wiedzy historycznej.

Jak często aktualizować forecast?

Częstotliwość zależy od tempa sprzedaży.

Przy krótkim cyklu prognoza może wymagać codziennej aktualizacji.

W długim B2B wystarczający może być dokładny przegląd tygodniowy.

Nie oznacza to jednak, że CRM ma być aktualizowany tylko raz w tygodniu.

Zmiany powinny być zapisywane w momencie uzyskania nowej informacji.

Tygodniowy przegląd forecastu

Podczas przeglądu warto sprawdzić:

• co zostało wygrane,
• co zostało przegrane,
• co przesunęło termin,
• które szanse zmieniły kategorię,
• które nie posiadają aktywności,
• jak zmieniła się wartość prognozy.

Najważniejsze pytanie nie brzmi tylko:

Ile wynosi forecast?

Warto również zapytać:

Dlaczego zmienił się od poprzedniego tygodnia?

Forecast history

Warto zachowywać historyczne wersje prognozy.

Jeżeli system zawsze pokazuje tylko bieżący stan, trudno sprawdzić, co przewidywano miesiąc wcześniej.

Historia pozwala analizować:

• dokładność,
• zmiany wartości,
• przesuwanie projektów,
• systematyczne błędy.

Bez historii każda nieudana prognoza może zostać wyjaśniona po fakcie bez możliwości dokładnej weryfikacji.

Dashboard forecastu sprzedaży

Praktyczny dashboard może pokazywać:

• cel,
• sprzedaż już zamkniętą,
• commit,
• best case,
• pełny pipeline,
• weighted pipeline,
• szanse zagrożone,
• przesunięte terminy.

Dzięki temu można szybko ocenić:

• co jest już pewne,
• czego nadal brakuje do celu,
• gdzie istnieje największe ryzyko.

Najczęstsze błędy w prognozowaniu sprzedaży

Sumowanie całego pipeline

Każda otwarta szansa jest traktowana jak przyszła sprzedaż.

Mylenie forecastu z celem

Prognoza jest dostosowywana do oczekiwanego wyniku.

Domyślne prawdopodobieństwa

CRM używa 10, 50 i 90 procent bez analizy historycznych danych.

Nieaktualne szanse

Martwe projekty nadal zwiększają forecast.

Brak realnych dat zamknięcia

Każda szansa kończy się ostatniego dnia miesiąca.

Ciągłe przesuwanie dat

Projekt pozostaje w forecast tylko dzięki zmianie terminu.

Ignorowanie wieku szansy

Oferta bez kontaktu od pół roku jest traktowana identycznie jak aktywne negocjacje.

Ignorowanie czasu na etapie

System nie wykrywa, że proces zatrzymał się w jednym miejscu.

Brak informacji od klienta

Forecast opiera się na domysłach zamiast aktualnego follow-upu.

Zbyt duży optymizm handlowców

Każda pozytywna rozmowa otrzymuje bardzo wysokie prawdopodobieństwo.

Zbyt duże zaufanie do statystyki

Model ignoruje ważne informacje jakościowe o konkretnym projekcie.

Brak scenariuszy

Firma posiada tylko jedną liczbę i nie analizuje ryzyka.

Brak pomiaru dokładności

Nikt nie sprawdza, czy prognozy w ogóle były trafne.

Brak historii forecastu

Nie można porównać wcześniejszych przewidywań z późniejszym wynikiem.

Mylenie sprzedaży z cash flow

Podpisana umowa jest traktowana jak pieniądze już znajdujące się na koncie.

Brak połączenia z marketingiem

Firma widzi słaby przyszły pipeline dopiero wtedy, gdy jest już za późno, aby wygenerować odpowiednią liczbę nowych szans.

Prognozowanie na błędnych danych CRM

Zaawansowany model analizuje bazę, której podstawowe pola nie są aktualne.

Pytania do samodzielnego audytu prognozowania sprzedaży

1. Czy odróżniam pipeline od forecastu?
2. Czy odróżniam forecast od celu sprzedażowego?
3. Czy wiem dokładnie, co prognozuję: umowy, przychód, marżę czy wpływy?
4. Czy każda aktywna szansa posiada aktualną wartość?
5. Czy każda posiada realną datę zamknięcia?
6. Czy data wynika z procesu klienta?
7. Czy wiem, ile razy data była przesuwana?
8. Czy każda szansa posiada następne działanie?
9. Czy znam datę ostatniego kontaktu?
10. Czy znam średni wiek wygrywanych szans?
11. Czy znam średni czas na poszczególnych etapach?
12. Czy stosuję historyczne win rate?
13. Czy prawdopodobieństwa etapów wynikają z danych?
14. Czy rozróżniam pipeline, best case i commit?
15. Czy kategoria commit posiada jasne kryteria?
16. Czy regularnie usuwam martwe szanse z aktywnego forecastu?
17. Czy przegrane szanse pozostają w CRM?
18. Czy zapisuję powody przegranej?
19. Czy analizuję slip rate?
20. Czy znam win rate według etapu?
21. Czy znam długość cyklu sprzedaży?
22. Czy wiem, jak duży pipeline jest potrzebny do realizacji celu?
23. Czy forecast uwzględnia sezonowość?
24. Czy analizuję koncentrację na kilku dużych projektach?
25. Czy oddzielam nowych klientów od upsellingu i odnowień?
26. Czy forecast jest połączony z danymi marketingowymi?
27. Czy słaby przyszły pipeline uruchamia działania odpowiednio wcześnie?
28. Czy porównuję prognozę z rzeczywistym wynikiem?
29. Czy wiem, czy systematycznie zawyżam lub zaniżam forecast?
30. Czy przechowuję historię wcześniejszych prognoz?
31. Czy prognoza prowadzi do konkretnych decyzji biznesowych?

Jak wdrożyć prognozowanie sprzedaży krok po kroku?

Etap 1: określ, co prognozujesz

Należy zdecydować, czy forecast dotyczy wartości podpisanych umów, przychodu, marży, zamówień czy liczby klientów.

Etap 2: uporządkuj pipeline

Nie można budować wiarygodnej prognozy na nieaktualnych szansach.

Etap 3: zdefiniuj etapy

Każdy etap musi posiadać jednoznaczne znaczenie.

Etap 4: uporządkuj wartości szans

Wszystkie powinny być liczone według tej samej zasady.

Etap 5: uporządkuj daty zamknięcia

Terminy powinny wynikać z aktualnych informacji od klientów.

Etap 6: policz historyczny win rate

Warto sprawdzić skuteczność całego pipeline i poszczególnych etapów.

Etap 7: sprawdź długość cyklu sprzedaży

Pozwoli to ocenić, które nowe szanse mogą realnie wpłynąć na konkretny okres.

Etap 8: przygotuj pierwszy model

Może to być prosty weighted pipeline oparty na historycznych konwersjach.

Etap 9: wprowadź kategorie forecastu

W bardziej złożonej sprzedaży warto rozdzielić pipeline, best case i commit.

Etap 10: dodaj informacje jakościowe

Budżet, proces decyzyjny i aktualne ryzyka powinny wpływać na ocenę konkretnej szansy.

Etap 11: zdefiniuj scenariusze

Forecast konserwatywny, bazowy i optymistyczny pomaga ocenić zakres możliwych wyników.

Etap 12: wdroż regularny przegląd

Prognoza powinna być aktualizowana wraz z nowymi informacjami z pipeline.

Etap 13: zachowuj historię

Poprzednie wersje forecastu są potrzebne do oceny dokładności.

Etap 14: mierz błędy

Należy sprawdzać zarówno wielkość różnicy, jak i systematyczny kierunek błędu.

Etap 15: automatyzuj kontrolę jakości danych

System może wykrywać stare szanse, przekroczone terminy i brak kolejnych działań.

Etap 16: wykorzystuj prognozę do decyzji

Forecast powinien wpływać na marketing, finanse, zasoby i planowanie realizacji.

Najważniejsze wnioski

Prognozowanie sprzedaży pozwala oszacować przyszłe wyniki na podstawie aktualnych szans, danych historycznych i informacji o procesie klienta.

Dobra prognoza:

• nie jest sumą wszystkich otwartych ofert,
• nie jest celem sprzedażowym,
• wykorzystuje aktualny pipeline,
• uwzględnia prawdopodobieństwo wygranej,
• korzysta z realistycznych dat zamknięcia,
• analizuje wiek i czas szans na etapie,
• wykorzystuje historyczny win rate,
• uwzględnia informacje uzyskane podczas follow-upu,
• mierzy przesuwanie projektów,
• jest regularnie porównywana z rzeczywistym wynikiem.

Największym błędem jest przekonanie, że duży pipeline automatycznie oznacza wysoką przyszłą sprzedaż. Pipeline może mieć wartość miliona złotych i jednocześnie składać się głównie ze starych ofert, projektów bez budżetu i decyzji przesuwanych od kilku miesięcy.

Dobra prognoza może być niższa i mniej efektowna, ale powinna być wiarygodna. Jeżeli pokazuje problem, spełnia swoją funkcję. Pozwala zareagować zanim brak sprzedaży pojawi się na rachunku bankowym.

Jeżeli firma posiada CRM i pipeline, ale nadal trudno odpowiedzieć, ile sprzedaży realnie można spodziewać się w kolejnych tygodniach lub miesiącach, mogę przeanalizować strukturę danych, etapy, wartości, terminy, win rate i sposób aktualizowania szans. Sprawdzam również miejsca, w których warto wdrożyć automatyczne kontrole i przepływy danych, aby forecast opierał się na aktualnym stanie sprzedaży zamiast na ręcznie składanym raporcie. Celem nie jest stworzenie systemu, który zawsze trafi idealnie, lecz prognozy wystarczająco wiarygodnej, aby można było na jej podstawie podejmować realne decyzje biznesowe.