Inntektsstyring er en kontinuerlig prosess med å forutse og planlegge for selskapets økonomiske fremtid, og salgsprognoser er en integrert del av begge deler. Men ingen prognosemodell fungerer for alle virksomheter.
Disse eksemplene på salgsprognoser viser deg hvordan du prognostiserer inntekter ved hjelp av ulike måltall og formler.
Når du er ferdig med denne artikkelen, vil du forstå en rekke metoder for salgsprognoser og kunne bruke dataene du har til å fremskrive og planlegge for fremtiden.
Hvorfor er salgsprognoser så viktige for inntektsstyring?
Med alt salgsteamene må oppnå, kan noen kolleger føle at prognoser bare er enda en oppgave på gjøremålslisten. Men prognoser påvirker salgsteamet og virksomheten på mange nivåer. Disse salgsfremskrivningene bidrar til å sette forventninger for et kvartal eller et år. De gjør det mulig for salgsledere og teamene deres å sette realistiske mål og kvoter. Uten data og prognoser kan du lett ende opp med mål som enten ikke utfordrer salgsrepresentantene, eller som krever det som ikke er oppnåelig.
For RevOps-teamet hjelper salgsprognoser deg med å anslå ikke bare inntekter, men også kostnader. Når du har en idé om hva salget vil bli, gir det grunnlag for bemanningsplanene for salg, markedsføring og kundeopplevelse. Nøyaktige salgsprognoser gjør det mulig å utnytte muligheter i markedet ved å justere bemanning, salgsverktøy og budsjetter.
Nøyaktige salgsprognoser er også et viktig verktøy for å hjelpe virksomheter med å planlegge betydelig vekst, så det er avgjørende å ha gode metoder for salgsprognoser . For SaaS-selskaper eller andre oppstartsbedrifter i vekst kan rask vekst bety at fjorårets tall ikke er like nyttige når man planlegger for det kommende året. Nøyaktige fremskrivninger som inkluderer nye data og markedsundersøkelser, hjelper selskaper i vekst med å vite hva de kan forvente.
Salgsprognoser kan også være verdifulle for å tiltrekke seg investorer og partnere. Selv om selskapet ditt for øyeblikket er svært lite, kan prognoser basert på meningsfulle data bidra til å kommunisere virksomhetens potensial.
Til slutt er prognoser viktig for å vurdere og revurdere salgsprosessen. Du kan se om prognosene dine er nøyaktige, for å teste antakelsene dine om sannsynlighet for gevinst og andre måltall.
Selv når salgsprognoser viser seg å være feil, kan de føre til prosessforbedringer. La oss for eksempel si at de faktiske salgsinntektene dine er lavere enn fremskrivningene. Da kan du sammenligne hvert trinn i prosessen for å finne ut hvorfor. Kanskje samlet du inn det forventede antallet potensielle kunder, men vinningsprosenten var lavere enn forventet. Nå vet du at du enten må justere prognoseberegningene eller finne måter å øke vinningsprosenten på.
Kundenes behov og forventninger er i stadig utvikling, så du kan oppleve at salgsdriften også må utvikle seg. Når prognosene dine ikke samsvarer med resultatene, er det på tide å undersøke hvorfor.
7 eksempler på salgsprognoser
Jeg har valgt disse eksemplene på de beste metodene for salgsprognoser. Jeg skal gå gjennom hvilken informasjon prognosen bruker, samt fordelene og ulempene ved hver tilnærming.
Have an account? Log In
1. Intuitive salgsprognoser
Som navnet antyder, er intuitive salgsprognoser avhengige av meningene og de subjektive vurderingene til salgsteamet ditt.
Slik fungerer det
Ved intuitiv prognostisering vil en RevOps-leder be salgsteamene sine om å tallfeste sannsynligheten for å vinne mulighetene de for øyeblikket arbeider med. I sin aller enkleste form kan du lage en intuitiv prognose ved å spørre hver salgsrepresentant hvor mye de tror de vil levere i løpet av et salgskvartal eller et år. Deretter legger du ganske enkelt sammen disse intuitive vurderingene for å lage en samlet salgsprognose.
For et litt mer detaljert estimat kan du også be hver salgsrepresentant om å kombinere to vurderinger:
- Hvor mye inntekt avtalen vil generere (i dollar)
- Hvor sannsynlig det er at de vil avslutte avtalen i løpet av en bestemt tidsperiode (som en prosentandel)
Deretter kan du multiplisere sannsynligheten for å vinne med avtalens størrelse. Du utfører denne beregningen for hver avtale og legger sammen tallene for å anslå personens forventede salg.
Hver salgsrepresentant gjør disse vurderingene for hver mulighet de har ansvar for. Deretter kan du samle verdien og sannsynligheten for hver avtale for å prognostisere salg for individuelle representanter og salgsteamet som helhet.
Eksempel på en intuitiv salgsprognose
La oss si at du har fem salgsrepresentanter, og at du spør hver av dem hvor mye de kommer til å selge innen utgangen av kvartalet. Hvert teammedlem sender deg sitt beste estimat, og du får følgende tall:
Du legger deretter sammen disse tallene for å utarbeide salgsprognosen for kvartalet: $460,000.
Hvis du ønsket å se nærmere på hver avtale, ville du bedt hver selger om å anslå størrelsen på de enkelte avtalene og sannsynligheten for at de blir avsluttet dette kvartalet. Vi ser på avtalene til ett teammedlem som et eksempel.
Du ville gjort de samme beregningene for hver selgers salgsmuligheter og deretter lagt sammen den totale forventede omsetningen deres for å utarbeide en samlet salgsprognose.
Fordeler
- Gjør det mulig for nye selskaper med lite historiske data å prognostisere salg
- Innhenter innspill fra selgere som arbeider direkte med avtalene
Ulemper
- Basert på meninger, ikke data
- Krever kunnskapsrike og erfarne salgsteam
2. Historisk prognostisering
Historisk salgsprognostisering bygger på prinsippet om at tidligere resultater er den beste indikatoren på fremtidige resultater. Den bruker faktiske salgsdata fra tidligere kvartaler eller år til å prognostisere fremtidige inntekter.
Slik fungerer det
Vi bruker historiske data til å lage prognoser hele tiden. Når vi trenger å kjøpe noe, baserer vi ofte forventningene til kostnadene på forrige gang vi kjøpte det. Med historisk salgsprognostisering begynner du med tidligere data og gjør deretter justeringer basert på en rekke faktorer, for eksempel prisendringer, bransjens eller markedets tilstand og størrelsen på salgsteamet ditt.
Eksempel på historisk salgsprognostisering
For å forstå hvordan et selskap kan bruke historisk prognostisering, kan vi si at selskapet ditt hadde $2 million i salgsinntekter i fjor. Hvis du virkelig forventet at ingenting skulle endre seg, kunne du prognostisere at du også ville selge for $2 million i år. Men i de fleste tilfeller er historisk prognostisering litt mer kompleks.
La oss kanskje se på data fra de siste årene og finne ut at salget i gjennomsnitt har vokst med 10 % hvert år. Du kan da bruke de historiske vekstdataene til å justere de historiske salgsdataene.
- Salget i foregående år = $2,000,000
- Gjennomsnittlig årlig vekst = 10 %
- Salgsprognose = $2,200,000
$2 million i salg med en forventet vekst på 10 % gir en prognose på $2.2 million. Slik kan historisk prognostisering kombinere ulike måltall for å gi en mer nøyaktig prognose.
Problemet er at det finnes mange variabler når det gjelder salg. Kanskje har konkurrenten din nettopp lansert et nytt produkt som er svært populært. Eller kanskje den beste selgeren din har sluttet i selskapet. Når du prognostiserer salg ved hjelp av historiske data, må du avgjøre hvilke faktorer som er viktige nok til å tas med i beregningene.
Fordeler
- Raskt og enkelt å beregne
- Basert på bekreftede historiske data
Ulemper
- Tar ikke hensyn til interne eller eksterne endringer
- Lite nyttig for selskaper med høy vekst
3. Prognostisering basert på lengden på salgssyklusen
På en måte bygger prognostisering basert på lengden på salgssyklusen også på historiske data, nærmere bestemt den gjennomsnittlige lengden på selskapets salgssyklus.
Slik fungerer det
Lengden på salgssyklusen er tiden det i gjennomsnitt tar for et nytt kundeemne å nå statusen «vunnet». Hvis du fikk et nytt kundeemne i dag, når ville du forvente at avtalen ble avsluttet?
Disse tidslinjene kan variere mye, avhengig av hvilken type produkt du selger, størrelsen på den potensielle kunden, prisnivået og mer. Derfor er det så viktig å bruke dine egne data om salgssyklusen.
Med data fra plattformen for kunderelasjonshåndtering beregner du den gjennomsnittlige lengden på salgssyklusen. Deretter sammenligner du denne gjennomsnittlige lengden med hvor lenge hver av salgsmulighetene dine har vært i salgssyklusen.
Eksempel på prognostisering basert på lengden på salgssyklusen
Det første trinnet i denne prognosen er å beregne den gjennomsnittlige lengden på salgssyklusen. Hvis du vil holde det veldig enkelt, kan du legge sammen lengden på salgssyklusen for hver avsluttede og vunne avtale og dele den på antallet avtaler.
Ulempen med denne metoden er at den ikke tar høyde for avtalene du mister. Heldigvis finnes det en enkel formel som løser dette. Du begynner med å legge sammen lengden på salgssyklusen for alle avtalene dine i en bestemt tidsperiode, enten du vant eller tapte dem. Deretter deler du denne summen på antallet avtaler du vant i perioden. Dette justerer lengden på salgssyklusen for å unngå overdrevent optimistiske prognoser. Eksempelet nedenfor viser hvordan beregningen av den gjennomsnittlige salgssyklusen med tapte avtaler endrer resultatene.
Ved å bruke denne formelen kommer vi frem til en salgssyklus på 45 dager. Deretter ser du på hver potensielle avtale og spør om den vil nå 45 dager innenfor tidsperioden du lager prognose for.
Fordeler
- Basert på omfattende data
- Prognoser basert på salgssyklusen din
Ulemper
- Krever en dyp forståelse av salgssyklusen din
- Lengden på syklusen kan variere mellom ulike kundeprofiler
4. Prognoser basert på avtalenes stadier
Prognoser basert på avtalenes stadier bruker strukturen i salgsprosessen din til å anslå sannsynligheten for at du vinner en avtale i løpet av en bestemt tidsperiode. I motsetning til andre metoder tar den høyde for at potensielle kunder som har kommet langt i salgsprosessen, har større sannsynlighet for å bli kunder.
Slik fungerer det
Når du bruker metoden med prognoser basert på avtalenes stadier, anslår du sannsynligheten for at en avtale blir avsluttet, basert på hvilket stadium i salgsprosessen den befinner seg i. Du kan for eksempel fastslå at alle potensielle kunder som har nådd det siste stadiet, har 90 % sannsynlighet for å avslutte avtalen, mens de som befinner seg på produktdemonstrasjonsstadiet, har 40 % sannsynlighet for å avslutte avtalen.
For å beregne salgsprognosen din for en bestemt tidsperiode (en måned, et kvartal osv.) bruker du denne sannsynligheten på hver potensielle avtale. Du multipliserer sannsynligheten med den estimerte avtalestørrelsen for å anslå fremtidige salgsinntekter.
Eksempel på prognoser basert på avtalenes stadier
La oss si at selskapet ditt deler kjøpsreisen inn i fem avtaleområder og tilordner hvert av dem en sannsynlighet for å vinne.
- Kontaktstadiet = 5 % sannsynlighet for å vinne
- Kvalifiseringsstadiet = 15 % sannsynlighet for å vinne
- Demonstrasjonsstadiet = 40 % sannsynlighet for å vinne
- Prøvestadiet = 60 % sannsynlighet for å vinne
- Tilbudsfasen = 90 % sannsynlighet for å vinne
Deretter ser du på hver avtale og multipliserer den estimerte verdien med sannsynligheten for å vinne i det aktuelle avtaleområdet.
La oss for eksempel si at du anslår at potensiell kunde A kan bli en avtale på $20,000. Kunden befinner seg for øyeblikket på prøvestadiet i kjøpssyklusen, så det er 60 % sannsynlighet for at det vil føre til en signert kontrakt.
$20,000 avtalestørrelse x .6 sannsynlighet for å vinne = $12,000 prognostisert salg
Du gjentar denne prosessen for hver mulighet og legger sammen det forventede salget for å beregne en samlet salgsprognose.
Fordeler
- Tar høyde for kontaktstadiet
- Tar alle avtaler i salgstrakten i betraktning
Ulemper
- Justerer ikke for tiden som brukes på kontaktstadiet
5. Prognoser basert på verdien av potensielle kunder
Alle som jobber med salg, vet at ikke alle potensielle kunder er like. Prognoser basert på verdien av potensielle kunder setter forskjellene mellom ulike typer potensielle kunder i sentrum for salgsprognosene.
Slik fungerer det
I likhet med mange av de andre metodene bruker også denne historiske data til å lage prognoser for hvordan bestemte typer potensielle kunder vil utvikle seg. Du vet for eksempel kanskje at potensielle kunder i en bestemt bransje vanligvis har de største avtalene. Eller kanskje det er større sannsynlighet for at potensielle kunder blir kunder når de tar den første kontakten via nettstedet ditt.
Prognoser basert på verdien av potensielle kunder kombinerer vanligvis den gjennomsnittlige avtalestørrelsen for en bestemt type potensiell kunde med den gjennomsnittlige konverteringsfrekvensen for denne typen. Dette gir deg en gjennomsnittlig verdi for potensielle kunder med tilsvarende kjennetegn.
Eksempel på prognoser basert på verdien av potensielle kunder
La oss for eksempel si at kundene dine vanligvis tilhører én av de tre følgende bransjene:
- Restauranter
- Hoteller
- Underholdning
Ved hjelp av tidligere data fastslår du den gjennomsnittlige avtaleverdien for hver av dem, samt sannsynligheten for å vinne avtalen. Du multipliserer avtaleverdien med vinnersannsynligheten for å komme frem til en kundeemneverdi for hver kundeemnetype.
For å lage en salgsprognose multipliserer du antallet av hver kundeemnetype med kundeemneverdien.
Fordeler
- Datadrevet uten ekstrem kompleksitet
- Bygger på dine historiske salgstrender
Ulemper
- Utelater andre viktige faktorer, som salgsmulighetsstadium
- Tar ikke høyde for avvik
6. Prognoser for salgspipeline
Prognoser for salgspipeline kan være svært nøyaktige … hvis du har riktige data og riktig teknologi. Fordi metoden analyserer hver enkelt avtale basert på flere faktorer, krever den vanligvis et verktøy for salgsprognoser.
Slik fungerer det
Prognoser for salgspipeline er utformet for å dra nytte av alt du vet om salgspipelinen din og salgsprosessen. Hver avtale som er tildelt hver salgsrepresentant, analyseres basert på flere faktorer som selskapet velger.
Ved hjelp av data fra CRM-systemet ditt kan for eksempel smart programvare for salgsprognoser kombinere den potensielle avtaleverdien ikke bare med salgsmulighetsstadiet, men også med faktorer som avtaletype, hvor lenge avtalen har vært i de ulike stadiene, og til og med vinneraten til representanten som arbeider med avtalen.
Med tilgang til en stor mengde data kan riktig prognoseprogramvare gi spesielt nøyaktige fremskrivninger. Men hvis du ikke tilfører nye data og holder dataene dine rene, blir beregningene mindre pålitelige.
Eksempel på prognoser for salgspipeline
La oss si at du konfigurerer programvaren for prognoser for salgspipeline slik at den tar hensyn til følgende faktorer:
- Potensiell avtaleverdi
- Salgsmulighetsstadium
- Kilde for kundeemnet
- Potensiell kundes bransje
Verktøyet ville hentet data knyttet til hver faktor fra CRM-systemet ditt og behandlet tallene for å produsere den forventede omsetningen for hver avtale og for salgsteamet som helhet. Selve beregningene kan være svært komplekse.
Hvis du for eksempel begynner med en potensiell avtaleverdi på $100,000, kan du fastslå at det nåværende salgsmulighetsstadiet indikerer 50 % sannsynlighet for å bli kunde. Hvis kilden til kundeemnet imidlertid er en kundehenvisning, vil det sannsynligvis øke vinnersannsynligheten. Og kanskje er det mindre sannsynlig at kunder i den potensielle kundens bransje velger produktet ditt.
RevOps-teamet ditt må samarbeide med prognoseprogramvaren for å avgjøre hvordan disse faktorene skal vektes i beregningene.
Fordeler
- Svært datadrevet
- Tar hensyn til faktorer utover salgsmulighetsstadiet
Ulemper
- Krever vanligvis programvare for salgsprognoser
- Krever rene og jevnlig oppdaterte data
7. Prognoser med flere variabler
I likhet med prognoser for salgspipeline innarbeider prognoser med flere variabler flere datapunkter for å evaluere potensielle avtaler og forutsi fremtidige salgsinntekter. Mens prognoser for salgspipeline fokuserer spesifikt på salgspipelinen, kan prognoser med flere variabler inkludere et bredere spekter av interne og eksterne faktorer.
Slik fungerer det
Med salgsprognoser basert på flere variabler vurderer du ikke bare avtaleverdi, salgsmulighetsstadium og kundeemnetype. Denne metoden innarbeider ofte markedsforhold som økonomien, sesongvariasjoner og konkurrentenes handlinger for å forutsi etterspørselen etter produktet ditt. Ved å gå gjennom både interne og eksterne data gir prognoser med flere variabler et helhetlig bilde av salgsmulighetene dine.
Eksempel på prognoser med flere variabler
Dette er en annen metode som kan bli svært kompleks svært raskt. Derfor er den vanligvis avhengig av analyseprogramvare for å balansere alle de konkurrerende faktorene. En analytiker for salgsprognoser kan legge inn aktuelle kundeemnedata fra sitt CRM-system, historiske omsetningstall, brede økonomiske indikatorer og andre måltall.
Hvis selskapet ditt for eksempel selger luksusbiler, vil du naturligvis ta hensyn til hvor mange potensielle kunder du har når du lager prognoser. Men du vil kanskje deretter bruke demografiske data til å justere sannsynligheten for å avslutte avtalen, samt økonomisk innsikt for å forutsi om en resesjon vil redusere etterspørselen etter produktet ditt. I tillegg kommer det faktum at bilindustrien er sesongavhengig.
Avanserte analyseverktøy (og dyktige analytikere) veier alle disse detaljene opp mot hverandre for å utarbeide en salgsinntektsprognose som gjenspeiler virksomhetens, bransjens og økonomiens tilstand.
Fordeler
- Svært nøyaktig og datadrevet
- Inkluderer eksterne faktorer som sesongvariasjoner
Ulemper
- Krever vanligvis avanserte analyseverktøy
- Krever rene og oppdaterte data fra flere kilder
More Articles
Slik velger du en metode for salgsprognoser
Akkurat som alle salgsteam ikke bruker nøyaktig de samme metodene for å avslutte avtaler, bruker de heller ikke de samme prognosemetodene. Hvis det var tilfelle, ville dette ha vært en mye kortere liste. Den riktige prognosemetoden avhenger av hvilken type virksomhet du driver, hvor moden virksomheten er, hvilke data og verktøy du har tilgang til, samt andre faktorer.
Når du velger en prosess for salgsprognoser, er noen viktige spørsmål du bør stille deg:
- Vil jeg bruke en nedenfra-og-opp- eller ovenfra-og-ned-metode for prognoser?
- Har jeg informasjonen jeg trenger for å bruke en datadrevet tilnærming, eller må jeg begynne med mer subjektive metoder?
- Hvor moden og stabil er bransjen og virksomheten min? Finnes det årlige eller andre langsiktige markedssykluser som påvirker salget?
- Har jeg programvare for salgsprognoser, eller ressurser til å skaffe det?
Du kan oppleve at en prognosemetode som fungerte for virksomheten din på et bestemt tidspunkt, ikke lenger er det beste valget. Selv om det kan være fristende å gjenta det som fungerte tidligere, bør du alltid spørre deg selv om virksomhetens, bransjens og dataenes tilstand har endret seg, og hvordan dette påvirker metodene dine for salgsprognoser.
Ofte stilte spørsmål
Har du fortsatt spørsmål? Her er noen raske svar på vanlige spørsmål.
Avsluttende tanker
Ingen salgsprognose kan forutsi fremtiden perfekt, men den kan hjelpe teamet ditt med å sette salgsmål, fordele budsjettet og administrere ressurser. Og med så mange ulike prognoseteknikker kan selv nye virksomheter eller virksomheter med en kompleks salgssyklus lage meningsfulle prognoser.
Du kan velge ett av eksemplene ovenfor som modell for prognosene dine, eller kombinere ulike elementer for å lage en egendefinert formel.
For å få ukentlige artikler og innsikt fra eksperter innen inntektsoperasjoner, abonner på nyhetsbrevet fra The CRO Club.
