7 eksempler på salgsprognoser for ledere inden for omsætningsdrift

Indtægtsstyring er en løbende proces, hvor man forudser og planlægger virksomhedens økonomiske fremtid, og salgsprognoser er en integreret del af begge dele. Men ingen prognosemodel fungerer for alle virksomheder.

Disse eksempler på salgsprognoser viser dig hvordan du laver en omsætningsprognose ved hjælp af forskellige målepunkter og formler.

Ved slutningen af denne artikel vil du forstå en række metoder til salgsprognoser og være i stand til at bruge de data, du har, til at fremskrive og planlægge for fremtiden.

Hvorfor er salgsprognoser så vigtige for indtægtsstyring?

Med alt det, salgsteams skal nå, kan nogle kolleger føle, at prognoser bare er endnu en ting på opgavelisten. Men prognoser påvirker salgsteamet og virksomheden på mange niveauer. Disse salgsfremskrivninger hjælper med at fastsætte forventninger for et kvartal eller et år. De gør det muligt for salgschefer og deres teams at fastsætte rimelige mål og kvoter. Uden data og prognoser kan du nemt ende med mål, der enten ikke udfordrer salgsrepræsentanterne eller kræver det uopnåelige.

For RevOps-teams hjælper salgsprognoser dig med at estimere ikke kun omsætning, men også omkostninger. Når du har en idé om, hvor meget du vil sælge, giver det input til dine ansættelsesplaner for salg, marketing og kundesucces. Nøjagtige salgsprognoser gør det muligt at udnytte muligheder på markedet ved at justere medarbejderantal, salgsværktøjer og budgetter.

Nøjagtige salgsprognoser er også et vigtigt værktøj til at hjælpe virksomheder med at planlægge betydelig vækst, så det er afgørende at have de bedste metoder til salgsprognoser . For SaaS-virksomheder i vækst eller andre startups kan hurtig vækst betyde, at sidste års tal ikke er lige så nyttige, når man planlægger det næste år. Nøjagtige fremskrivninger, der inddrager nye data og markedsundersøgelser, hjælper virksomheder i vækst med at vide, hvad de kan forvente.

Salgsprognoser kan også være værdifulde, når man skal tiltrække investorer og partnere. Selv hvis din virksomhed i øjeblikket er meget lille, kan prognoser baseret på meningsfulde data hjælpe med at kommunikere organisationens potentiale.

Endelig er prognoser vigtige for at vurdere og revurdere din salgsproces. Du kan se, om dine prognoser er nøjagtige, for at teste dine antagelser om vinder­sandsynlighed og andre målepunkter.

Selv når salgsprognoserne afviger, kan de føre til procesforbedringer. Lad os for eksempel sige, at din faktiske salgsomsætning ligger under dine fremskrivninger. Du kan derefter sammenligne hvert trin i processen for at finde ud af hvorfor. Måske indsamlede du det forventede antal kundeemner, men din vinderrate var lavere end forventet. Nu ved du, at du enten skal justere dine prognoseberegninger eller finde måder at forbedre din vinderrate på.

Dine kunders behov og forventninger udvikler sig hele tiden, så du kan opleve, at din salgsdrift også skal udvikle sig. Når dine prognoser ikke stemmer overens med dine resultater, er det tid til at vurdere hvorfor.

7 eksempler på salgsprognoser

Jeg har valgt disse eksempler på de bedste metoder til salgsprognoser. Jeg gennemgår, hvilke oplysninger prognosen bruger, samt fordelene og ulemperne ved hver tilgang.

1. Intuitive salgsprognoser

Som navnet antyder, afhænger intuitive salgsprognoser af salgsteamets holdninger og subjektive vurderinger.

Sådan fungerer det

Ved intuitiv prognosticering vil en RevOps-leder bede salgsteams om at angive sandsynligheden for at vinde de salgsmuligheder, de arbejder på i øjeblikket. I sin absolut enkleste form kan du lave en intuitiv prognose ved at spørge hver salgsrepræsentant, hvor meget de mener, at de vil levere i løbet af et salgskvartal eller et år. Derefter lægger du blot disse intuitive vurderinger sammen for at skabe en samlet salgsprognose.

Hvis du ønsker en lidt mere detaljeret vurdering, kan du også bede hver salgsrepræsentant om at kombinere to vurderinger:

• Hvor meget omsætning aftalen vil generere (i dollars)
• Hvor sandsynligt det er, at de afslutter aftalen inden for en given periode (i procent)

Du kan derefter gange sandsynligheden for at vinde med aftalens størrelse. Du udfører denne beregning for hver aftale og lægger tallene sammen for at estimere den pågældende persons forventede salg.

Hver salgsrepræsentant foretager disse vurderinger for hver salgsmulighed, som vedkommende er ansvarlig for. Derefter kan du samle værdien og sandsynligheden for hver aftale for at lave en salgsprognose for de enkelte repræsentanter og salgsteamet som helhed.

Eksempel på intuitiv salgsprognose

Lad os sige, at du har fem salgsrepræsentanter, og at du spørger hver af dem, hvor meget de vil sælge inden udgangen af kvartalet. Hvert teammedlem sender dig sit bedste estimat, og du får følgende tal:

Derefter lægger du disse tal sammen for at generere salgsprognosen for det pågældende kvartal: $460,000.

Hvis du ville se nærmere på hver enkelt aftale, ville du bede hver sælger om at estimere de individuelle aftalestørrelser og sandsynligheden for at lukke dem i dette kvartal. Lad os se på en teammedlems aftaler som et eksempel.

Du ville foretage de samme beregninger for hver sælgers salgsmuligheder og derefter lægge deres samlede forventede salg sammen for at skabe en samlet salgsprognose.

Fordele

• Gør det muligt for nye virksomheder med begrænsede historiske data at prognosticere salget
• Indhenter input fra sælgere, der arbejder direkte med aftalerne

Ulemper

• Baseret på vurderinger, ikke data
• Kræver vidende og erfarne salgsteams

2. Historisk prognosticering

Historisk salgsprognosticering bygger på princippet om, at tidligere resultater er den bedste indikator for fremtidige resultater. Den bruger faktiske salgsdata fra tidligere kvartaler eller år til at prognosticere fremtidig omsætning.

Sådan fungerer det

Vi bruger hele tiden historiske data til at lave prognoser. Når vi har brug for at købe noget, baserer vi ofte vores forventninger til prisen på, hvornår vi sidst købte det. Med historisk salgsprognosticering begynder du med tidligere data og foretager derefter justeringer baseret på en række faktorer, såsom ændringer i priser, branchens eller markedets tilstand og størrelsen på dit salgsteam.

Eksempel på historisk salgsprognosticering

For at forstå, hvordan en virksomhed kunne bruge historisk prognosticering, kan vi antage, at din virksomhed havde en salgsomsætning på $2 million sidste år. Hvis du virkelig forventede ingenting ville ændre sig, kunne du prognosticere, at du også ville sælge for $2 million i år. Men i de fleste tilfælde er historisk prognosticering lidt mere kompleks.

Måske ser vi på data fra de seneste år og finder ud af, at salget i gennemsnit er vokset med 10% hvert år. Du kan derefter bruge de historiske vækstdata til at justere de historiske salgsdata.

• Salget i det foregående år = $2,000,000
• Gennemsnitlig årlig vækst = 10%
• Salgsprognose = $2,200,000

$2 million i salg med en forventet vækst på 10% giver en prognose på $2.2 million. Sådan kan historisk prognosticering kombinere forskellige målepunkter for at skabe en mere præcis prognose.

Problemet er, at der er mange variabler, når det gælder salg. Måske har din konkurrent netop lanceret et nyt produkt, der er meget populært. Eller måske har din bedste sælger forladt virksomheden. Når du prognosticerer salg ved hjælp af historiske data, skal du beslutte, hvilke faktorer der er vigtige nok til at indgå i dine beregninger.

Fordele

• Hurtigt og nemt at beregne
• Baseret på bekræftede historiske data

Ulemper

• Tager ikke højde for interne eller eksterne ændringer
• Ikke nyttigt for virksomheder med høj vækst

3. Prognosticering baseret på salgscykluslængde

På en måde bygger prognosticering baseret på salgscykluslængde også på historiske data, nemlig den gennemsnitlige længde af en virksomheds salgscyklus.

Sådan fungerer det

Salgscykluslængden er den gennemsnitlige tid, det tager for et nyt kundeemne at nå status som lukket og vundet. Hvis du fik et nyt kundeemne i dag, hvornår ville du så forvente, at aftalen blev lukket?

Disse tidsforløb kan variere meget afhængigt af den type produkt, du sælger, størrelsen på den potentielle kunde, prisniveauet og meget mere. Derfor er det så vigtigt at bruge dine egne data om salgscyklussen.

Med data fra din platform til styring af kunderelationer beregner du den gennemsnitlige længde af din salgscyklus. Derefter sammenligner du den gennemsnitlige salgscykluslængde med, hvor længe hver af dine salgsmuligheder har befundet sig i salgscyklussen.

Eksempel på prognosticering baseret på salgscykluslængde

Det første trin i denne prognose er at beregne den gennemsnitlige længde af din salgscyklus. Hvis du vil holde det helt enkelt, kan du lægge længden af salgscyklussen for hver lukket og vundet aftale sammen og dividere den med antallet af aftaler.

Ulempen ved denne metode er, at den ikke tager højde for de handler, du mister. Heldigvis findes der en simpel ligning, der kan afhjælpe dette. Du begynder med at lægge salgscykluslængderne for alle dine handler i en given periode sammen, uanset om du vandt eller tabte dem. Derefter dividerer du denne sum med antallet af handler, du vandt i perioden. Dette justerer længden af din salgscyklus for at undgå alt for optimistiske prognoser. Eksemplet nedenfor viser, hvordan beregningen af den gennemsnitlige salgscyklus med dine tabte handler ændrer resultaterne.

Ved hjælp af denne ligning kommer vi frem til en salgscyklus på 45 dage. Derefter ser du på hver potentiel handel og spørger, om den vil nå 45 dage inden for den periode, du laver prognoser for.

Fordele

• Baseret på omfattende data
• Prognoser baseret på din salgscyklus

Ulemper

• Kræver en dyb forståelse af din salgscyklus
• Cykluslængden kan variere på tværs af kundeemneprofiler

4. Prognoser baseret på salgsmulighedens stadie

Prognoser baseret på salgsmulighedens stadie bruger strukturen i din salgsproces til at estimere sandsynligheden for, at du vinder en handel inden for en given periode. I modsætning til andre metoder tager den højde for, at kundeemner, der er nået langt i din salgsproces, har større sandsynlighed for at blive kunder.

Sådan fungerer det

Når du bruger metoden med salgsmulighedens stadie, estimerer du sandsynligheden for, at en handel bliver afsluttet, baseret på hvilket stadie i salgsprocessen den befinder sig på. Du kan for eksempel fastslå, at ethvert kundeemne, der har nået det sidste stadie, har 90 % sandsynlighed for at blive afsluttet, mens dem i stadiet med produktdemonstration har 40 % sandsynlighed for at blive afsluttet.

For at beregne din salgsprognose for en given periode (en måned, et kvartal osv.) anvender du denne sandsynlighed på hver potentiel handel. Du multiplicerer sandsynligheden med den estimerede handelsstørrelse for at fremskrive fremtidige salgsindtægter.

Eksempel på prognose baseret på salgsmulighedens stadie

Lad os sige, at din virksomhed opdeler købsrejsen i fem handelsstadier og tildeler hvert af dem en vinderesandsynlighed.

• Kundeemnestadie = 5 % vinderesandsynlighed
• Kvalificeret stadie = 15 % vinderesandsynlighed
• Demonstrationsstadie = 40 % vinderesandsynlighed
• Prøveperiode-stadie = 60 % vinderesandsynlighed
• Tilbudsstadie = 90 % vinderesandsynlighed

Derefter ser du på hver handel og multiplicerer dens estimerede værdi med vinderesandsynligheden for dens salgsmulighedsstadie.

Du estimerer for eksempel, at kundeemne A kan blive en handel på $20,000. Det befinder sig i øjeblikket i prøveperiodestadiet i købsrejsen, så der er 60 % sandsynlighed for, at det resulterer i en underskrevet kontrakt.

$20,000 handelsstørrelse x .6 vinderesandsynlighed = $12,000 forventet salg

Du gentager denne proces for hver salgsmulighed og lægger det forventede salg sammen for at beregne en samlet salgsprognose.

Fordele

• Tager højde for kundeemnestadiet
• Medregner alle handler i salgspipelinen

Ulemper

• Justerer ikke for den tid, der bruges i kundeemnestadiet

5. Prognoser baseret på kundeemneværdi

Alle salgsprofessionelle ved, at ikke alle kundeemner er ens. Prognoser baseret på kundeemneværdi sætter forskellene mellem forskellige typer kundeemner i centrum for salgsfremskrivningerne.

Sådan fungerer det

Som mange af de andre metoder trækker denne metode på dine historiske data for at lave forudsigelser om, hvordan bestemte typer kundeemner vil udvikle sig. Du ved for eksempel måske, at kundeemner i en bestemt branche typisk fører til de største handler. Eller måske er kundeemner mere tilbøjelige til at blive kunder, når de tager den første kontakt via dit website.

Prognoser baseret på kundeemneværdi kombinerer typisk den gennemsnitlige handelsstørrelse for en bestemt type kundeemne med den gennemsnitlige konverteringsrate for denne type. Dette giver dig en gennemsnitlig kundeemneværdi for lignende kundeemner.

Eksempel på prognose baseret på kundeemneværdi

Lad os for eksempel sige, at dine kunder typisk falder inden for en af de følgende tre brancher:

• Restauranter
• Hoteller
• Underholdning

Ved hjælp af tidligere data fastlægger du den gennemsnitlige aftalestørrelse for hver af dem samt vinder­sandsynligheden. Du ganger aftalestørrelsen med vinder­sandsynligheden for at beregne en leadværdi for hver leadtype.

For at udarbejde en salgsprognose ganger du antallet af hver leadtype med dens leadværdi.

Fordele

• Datadrevet uden ekstrem kompleksitet
• Trækker på dine historiske salgstendenser

Ulemper

• Udelukker andre vigtige faktorer som f.eks. mulighedernes stadie
• Tager ikke højde for afvigende observationer

6. Pipelineprognoser

Pipelineprognoser kan være meget præcise … hvis du har de rigtige data og den rigtige teknologi. Da de analyserer hver enkelt aftale baseret på flere faktorer, kræver de typisk et værktøj til salgsprognoser.

Sådan fungerer det

Pipelineprognoser er udviklet til at udnytte alt det, du ved om din salgspipeline og salgsproces. Hver aftale, der er tildelt en salgsrepræsentant, analyseres ud fra flere faktorer, som virksomheden selv vælger.

Ved hjælp af data fra dit CRM kan intelligent software til salgsprognoser f.eks. kombinere den potentielle aftalestørrelse ikke kun med mulighedens stadie, men også med faktorer som aftaletype, tidslængde i de forskellige stadier og endda vinderprocenten for den repræsentant, der arbejder med aftalen.

Med adgang til en stor datamængde kan den rigtige prognosesoftware levere særligt præcise fremskrivninger. Hvis du derimod ikke tilføjer nye data og sørger for at holde dine data rene, bliver beregningerne mindre pålidelige.

Eksempel på pipelineprognose

Lad os sige, at du konfigurerer din software til pipelineprognoser, så den tager højde for følgende faktorer:

• Potentiel aftalestørrelse
• Mulighedens stadie
• Leadkilde
• Den potentielle kundes branche

Værktøjet ville hente data om hver faktor fra dit CRM og gennemgå tallene for at beregne det forventede salg for hver aftale og for salgsteamet som helhed. Selve beregningerne kan være ekstremt komplekse.

Hvis du f.eks. begynder med en potentiel aftalestørrelse på $100,000, kan du fastslå, at det aktuelle mulighedsstadie indikerer en sandsynlighed på 50% for at blive kunde. Hvis leadkilden imidlertid er en kundehenvisning, vil det sandsynligvis øge vinder­sandsynligheden. Og måske er kunder i den potentielle kundes branche mindre tilbøjelige til at vælge dit produkt.

Dit RevOps-team skulle samarbejde med prognosesoftwaren for at beslutte, hvordan disse faktorer skulle vægtes i beregningerne.

Fordele

• Meget datadrevet
• Tager højde for faktorer ud over mulighedens stadie

Ulemper

• Kræver normalt software til salgsprognoser
• Kræver rene og regelmæssigt opdaterede data

7. Multivariable prognoser

Ligesom pipelineprognoser inddrager multivariable prognoser flere datapunkter for at evaluere potentielle aftaler og forudsige fremtidige salgsindtægter. Mens pipelineprognoser specifikt fokuserer på salgspipelinen, kan multivariable prognoser omfatte en bredere vifte af interne og eksterne faktorer.

Sådan fungerer det

Med multivariable salgsprognoser ser du ikke kun på aftalestørrelse, mulighedens stadie og leadtype. Denne metode inddrager ofte markedsforhold som økonomien, sæsonudsving og konkurrenternes handlinger for at forudsige efterspørgslen efter dit produkt. Ved at gennemgå både interne og eksterne data giver multivariable prognoser et helhedsorienteret billede af dine salgsmuligheder.

Eksempel på multivariable prognoser

Dette er endnu en metode, der hurtigt kan blive meget kompleks. Derfor er den typisk afhængig af analysesoftware til at afveje alle de konkurrerende faktorer. En analytiker inden for salgsprognoser kan indtaste aktuelle leaddata fra sit CRM, historiske omsætningstal, brede økonomiske indikatorer og andre målepunkter.

Hvis din virksomhed eksempelvis sælger luksusbiler, vil du naturligvis tage højde for, hvor mange leads du har, når du laver prognoser. Men du vil måske derefter bruge demografiske data til at justere sandsynligheden for at lukke aftalen samt økonomisk indsigt til at forudsige, om en recession vil reducere efterspørgslen efter dit produkt. Og så er der det faktum, at bilindustrien er sæsonbetonet.

Avancerede analyseværktøjer (og dygtige analytikere) vejer alle disse detaljer op mod hinanden for at udarbejde en salgsomsætningsprognose, der afspejler virksomhedens, branchens og økonomiens tilstand.

Fordele

• Meget nøjagtig og databaseret
• Inkluderer eksterne faktorer som sæsonudsving

Ulemper

• Kræver normalt avancerede analyseværktøjer
• Kræver rene og opdaterede data fra flere kilder

Sådan vælger du en metode til salgsprognoser

Ligesom alle salgsteams ikke bruger præcis de samme metoder til at lukke aftaler, bruger de heller ikke alle de samme prognosemetoder. Hvis det var tilfældet, ville dette have været en meget kortere liste. Den rigtige prognosemetode afhænger af din virksomhedstype, virksomhedens modenhed, de data og værktøjer, du har adgang til, samt andre faktorer.

Når du vælger en proces til salgsprognoser, er nogle vigtige spørgsmål, du bør stille dig selv:

• Vil jeg bruge en nedefra-og-op- eller oppefra-og-ned-prognosemetode?
• Har jeg de oplysninger, jeg skal bruge til en databaseret tilgang, eller er jeg nødt til at begynde med mere subjektive metoder?
• Hvor moden og stabil er min branche og min virksomhed? Er der årlige eller andre langsigtede markedscyklusser, der påvirker salget?
• Har jeg software til salgsprognoser eller ressourcerne til at anskaffe det?

Du kan opleve, at en prognosemetode, der fungerede for din virksomhed på et tidspunkt, ikke længere er det bedste valg. Selvom det kan være fristende at gentage det, der fungerede tidligere, bør du altid spørge dig selv, om din virksomheds, branches og datas tilstand har ændret sig, og hvordan det påvirker dine metoder til salgsprognoser.

Afsluttende tanker

Ingen salgsprognose kan forudsige fremtiden perfekt, men den kan hjælpe dit team med at fastsætte salgsmål, fordele budgettet og administrere ressourcerne. Og med så mange forskellige prognoseteknikker kan selv nye virksomheder eller virksomheder med en kompleks salgscyklus udarbejde meningsfulde fremskrivninger.

Du kan vælge et af eksemplerne ovenfor som model for din prognose, eller du kan kombinere forskellige elementer for at skabe en tilpasset formel.

Hvis du vil have ugentlige artikler og indsigter fra eksperter i omsætningsdrift, kan du abonnere på CRO Club-nyhedsbrevet.