7 exempel på försäljningsprognoser för ledare inom intäktsverksamhet

Varför är försäljningsprognoser så viktiga för intäktsverksamheten?

Med allt som säljteam måste hinna med kan vissa kollegor känna att prognostisering bara är ytterligare en sak på att-göra-listan. Men prognostisering påverkar säljteamet och företaget på många nivåer. Dessa försäljningsprognoser bidrar till att fastställa förväntningarna för ett kvartal eller ett år. De gör det möjligt för försäljningschefer och deras team att sätta rimliga mål och kvoter. Utan data och prognoser kan du lätt hamna med mål som antingen inte utmanar säljarna eller kräver det ouppnåeliga.

För RevOps-team hjälper försäljningsprognoser dig att uppskatta inte bara intäkter utan även kostnader. När du har en uppfattning om hur din försäljning kommer att se ut påverkar det dina rekryteringsplaner för försäljning, marknadsföring och kundframgång. Korrekta försäljningsprognoser gör det möjligt för dig att dra nytta av möjligheter på marknaden genom att justera personalstyrka, försäljningsverktyg och budgetar.

Korrekta försäljningsprognoser är också ett viktigt verktyg för att hjälpa företag att planera för betydande tillväxt, så det är avgörande att ha bästa praxis för försäljningsprognoser . För växande SaaS-företag eller andra nystartade företag kan snabb tillväxt innebära att fjolårets siffror inte är lika användbara när man planerar för nästa år. Korrekta prognoser som omfattar nya data och marknadsundersökningar hjälper växande företag att veta vad de kan förvänta sig.

Försäljningsprognoser kan också vara värdefulla för att attrahera investerare och partner. Även om ditt företag för närvarande är mycket litet kan prognoser baserade på meningsfulla data hjälpa till att kommunicera organisationens potential.

Slutligen är prognostisering viktigt för att utvärdera och omvärdera din försäljningsprocess. Du kan se om dina prognoser är korrekta för att testa dina antaganden om vinstsannolikhet och andra mätvärden.

Även när försäljningsprognoser leder fel kan de bidra till förbättringar av processerna. Låt oss till exempel säga att dina faktiska försäljningsintäkter blir lägre än dina prognoser. Du kan då jämföra varje steg i processen för att ta reda på varför. Du kanske samlade in det förväntade antalet leads, men din vinstgrad var lägre än väntat. Nu vet du att du antingen behöver justera dina prognosberäkningar eller hitta sätt att öka din vinstgrad.

Dina kunders behov och förväntningar förändras ständigt, så du kan upptäcka att även din försäljningsverksamhet behöver utvecklas. När dina prognoser inte stämmer överens med dina resultat är det dags att utvärdera varför.

7 exempel på försäljningsprognoser

Jag valde dessa exempel på de bästa metoderna för försäljningsprognoser. Jag går igenom vilken information prognosen använder samt fördelarna och nackdelarna med varje metod.

Get Free Access

Join the next generation of CROs and unlock trends, tips, and tools to help you tackle today's challenges and prepare for the future of GTM.

Get Free Access

Have an account? Log In

1. Intuitiv försäljningsprognostisering

Som namnet antyder bygger intuitiv försäljningsprognostisering på åsikter och subjektiva uppskattningar från ditt säljteam.

Så fungerar det

Vid intuitiv prognostisering ber en RevOps-ledare sina säljteam att kvantifiera sannolikheten för att vinna de möjligheter de för närvarande arbetar med. I sin enklaste form kan du skapa en intuitiv prognos genom att fråga varje säljare hur mycket de tror att de kommer att sälja under ett kvartal eller ett år. Sedan adderar du helt enkelt dessa intuitiva uppskattningar för att skapa en övergripande försäljningsprognos.

För en något mer detaljerad uppskattning kan du också be varje säljare att kombinera två uppskattningar:

• Hur stora intäkter affären kommer att generera (i dollar)
• Hur sannolikt det är att de kommer att slutföra affären under en viss tidsperiod (i procent)

Du kan sedan multiplicera sannolikheten för att vinna med affärens storlek. Du utför denna beräkning för varje affär och adderar siffrorna för att uppskatta säljarens förväntade försäljning.

Varje säljare gör dessa bedömningar för varje möjlighet som de ansvarar för. Du kan sedan sammanställa värdet och sannolikheten för varje affär för att prognostisera försäljningen för enskilda säljare och säljteamet som helhet.

Exempel på intuitiv försäljningsprognostisering

Låt oss säga att du har fem säljare och frågar var och en av dem hur mycket de kommer att sälja före kvartalets slut. Varje teammedlem skickar sin bästa uppskattning till dig, och du får följande siffror:

Du lägger sedan ihop dessa siffror för att generera försäljningsprognosen för kvartalet: $460,000.

Om du ville titta närmare på varje affär skulle du be varje säljare att uppskatta storleken på de enskilda affärerna och sannolikheten för att slutföra dem under det här kvartalet. Vi tittar på en teammedlems affärer som exempel.

Du skulle göra samma beräkningar för varje säljares möjligheter och sedan lägga ihop deras totala beräknade försäljning för att skapa en övergripande försäljningsprognos.

Fördelar

• Gör det möjligt för nya företag med begränsad historisk data att prognostisera försäljningen
• Ber om input från säljare som arbetar direkt med affärerna

Nackdelar

• Bygger på åsikter, inte data
• Kräver kunniga och erfarna säljteam

2. Historisk prognostisering

Historisk försäljningsprognostisering bygger på principen att tidigare resultat är den bästa indikatorn på framtida resultat. Den använder faktiska försäljningsdata från tidigare kvartal eller år för att prognostisera framtida intäkter.

Så fungerar det

Vi använder historiska data för att göra prognoser hela tiden. När vi behöver köpa något baserar vi ofta våra kostnadsförväntningar på den senaste gången vi köpte det. Med historisk försäljningsprognostisering börjar du med tidigare data och gör sedan justeringar baserat på ett antal faktorer, till exempel förändringar i pris, branschens eller marknadens tillstånd och storleken på ditt säljteam.

Exempel på historisk försäljningsprognostisering

För att förstå hur ett företag kan använda historisk prognostisering kan vi säga att ditt företag hade 2 miljoner dollar i försäljningsintäkter förra året. Om du verkligen förväntade dig att ingenting skulle förändras, skulle du kanske prognostisera att du även i år kommer att sälja för 2 miljoner dollar. Men i de flesta fall är historisk prognostisering lite mer komplex.

Vi kanske tittar på data från de senaste åren och upptäcker att försäljningen i genomsnitt har ökat med 10 % varje år. Du kan då använda den historiska tillväxtdatan för att justera de historiska försäljningsdata.

• Försäljning föregående år = $2,000,000
• Genomsnittlig årlig tillväxt = 10%
• Försäljningsprognos = $2,200,000

2 miljoner dollar i försäljning med en förväntad tillväxt på 10 % ger en prognos på 2,2 miljoner dollar. Så här kan historisk prognostisering kombinera olika mätvärden för en mer exakt prognos.

Problemet är att det finns många variabler när det gäller försäljning. Din konkurrent kanske precis har lanserat en ny produkt som är mycket populär. Eller så kan din bästa säljare ha lämnat företaget. När du prognostiserar försäljning med hjälp av historiska data måste du avgöra vilka faktorer som är tillräckligt viktiga för att ta med i dina beräkningar.

Fördelar

• Snabbt och enkelt att beräkna
• Bygger på bekräftade historiska data

Nackdelar

• Tar inte hänsyn till interna eller externa förändringar
• Inte användbart för företag med hög tillväxt

3. Prognostisering baserad på försäljningscykelns längd

På sätt och vis bygger prognostisering baserad på försäljningscykelns längd också på historiska data, närmare bestämt den genomsnittliga längden på ett företags försäljningscykel.

Så fungerar det

Försäljningscykelns längd är den genomsnittliga tid det tar för en ny potentiell kund att nå statusen avslutad-vunnen. Om du fick en ny potentiell kund i dag, när skulle du förvänta dig att affären avslutas?

Dessa tidsramar kan variera kraftigt beroende på vilken typ av produkt du säljer, storleken på den potentiella kunden, prisnivån med mera. Därför är det så viktigt att använda dina egna data om försäljningscykeln.

Med hjälp av data från din plattform för kundrelationshantering beräknar du den genomsnittliga längden på din försäljningscykel. Därefter jämför du den genomsnittliga längden på försäljningscykeln med hur länge var och en av dina möjligheter har befunnit sig i försäljningscykeln.

Exempel på prognostisering baserad på försäljningscykelns längd

Det första steget i den här prognosen är att beräkna den genomsnittliga längden på din försäljningscykel. Om du vill hålla det riktigt enkelt kan du lägga ihop längden på försäljningscykeln för varje avslutad och vunnen affär och dividera den med antalet affärer.

Nackdelen med den här metoden är att den inte tar hänsyn till de affärer du förlorar. Lyckligtvis finns det en enkel ekvation som löser detta. Du börjar med att lägga ihop längden på säljcykeln för alla dina affärer under en viss tidsperiod, oavsett om du vann eller förlorade dem. Sedan dividerar du summan med antalet affärer du vann under den perioden. Detta justerar längden på säljcykeln för att undvika alltför optimistiska prognoser. Exemplet nedan visar hur beräkningen av den genomsnittliga säljcykeln med dina förlorade affärer förändrar resultaten.

Med hjälp av den här ekvationen kommer vi fram till en säljcykel på 45 dagar. Därefter tittar du på varje potentiell affär och frågar dig om den kommer att nå 45 dagar inom den tidsperiod som du gör prognosen för.

Fördelar

• Bygger på omfattande data
• Prognoser baserade på din säljcykel

Nackdelar

• Kräver en djup förståelse av din säljcykel
• Cykelns längd kan skilja sig mellan olika prospektpersonas

4. Prognoser baserade på affärsstadium

Prognoser baserade på affärsstadium använder strukturen i din säljprocess för att uppskatta sannolikheten att du vinner en affär under en viss tidsperiod. Till skillnad från andra metoder tar den hänsyn till att prospekt som har kommit mycket långt i din säljprocess har större sannolikhet att bli kunder.

Så fungerar det

När du använder metoden med affärsstadium uppskattar du sannolikheten att en affär avslutas baserat på vilket stadium i säljprocessen den befinner sig i. Du kan till exempel fastställa att ett prospekt som har nått det sista stadiet har 90 % sannolikhet att avsluta affären, medan prospekt i stadiet för produktdemonstration har 40 % sannolikhet att avsluta affären.

För att beräkna din försäljningsprognos för en viss tidsperiod (en månad, ett kvartal osv.) tillämpar du den sannolikheten på varje potentiell affär. Du multiplicerar sannolikheten med den uppskattade affärsstorleken för att prognostisera framtida försäljningsintäkter.

Exempel på prognos baserad på affärsstadium

Anta att ditt företag delar upp köpresan i fem affärsstadier och tilldelar varje stadium en sannolikhet att vinna affären.

• Leadstadiet = 5 % sannolikhet att vinna
• Kvalificeringsstadiet = 15 % sannolikhet att vinna
• Demonstrationsstadiet = 40 % sannolikhet att vinna
• Teststadiet = 60 % sannolikhet att vinna
• Offertstadiet = 90 % sannolikhet att vinna

Därefter tittar du på varje affär och multiplicerar dess uppskattade värde med sannolikheten att vinna för dess affärsstadium.

Du uppskattar till exempel att prospekt A kan bli en affär på $20,000. Prospektet befinner sig för närvarande i teststadiet av köpprocessen, så det finns 60 % sannolikhet att det leder till ett undertecknat avtal.

Affärsstorlek på $20,000 x .6 sannolikhet att vinna = $12,000 prognostiserad försäljning

Du upprepar den här processen för varje möjlighet och lägger ihop den prognostiserade försäljningen för att beräkna en övergripande försäljningsprognos.

Fördelar

• Tar hänsyn till leadstadiet
• Omfattar alla affärer i säljtratten

Nackdelar

• Justerar inte för den tid som tillbringas i leadstadiet

5. Prognoser baserade på leadvärde

Alla säljare vet att alla leads inte är likadana. Prognoser baserade på leadvärde sätter skillnaderna mellan olika typer av leads i centrum för försäljningsprognoserna.

Så fungerar det

Precis som många av de andra metoderna hämtar även den här metoden information från dina historiska data för att göra förutsägelser om hur vissa typer av leads kommer att utvecklas. Du kanske till exempel vet att prospekt inom en viss bransch tenderar att ha de största affärerna. Eller så kanske leads har större sannolikhet att konvertera till kunder när de tar den första kontakten via din webbplats.

Prognoser baserade på leadvärde kombinerar vanligtvis den genomsnittliga affärsstorleken för en viss typ av lead med den genomsnittliga konverteringsgraden för typen. Detta ger dig ett genomsnittligt leadvärde för liknande prospekt.

Exempel på prognos baserad på leadvärde

Anta till exempel att dina kunder vanligtvis tillhör en av följande tre branscher:

• Restauranger
• Hotell
• Underhållning

Med hjälp av tidigare data fastställer du den genomsnittliga affärsstorleken för varje typ samt vinstsannolikheten. Du multiplicerar affärsstorleken med vinstsannolikheten för att få fram värdet för varje leadtyp.

För att skapa en försäljningsprognos multiplicerar du antalet lead av varje typ med dess leadvärde.

Fördelar

• Datadrivet utan extrem komplexitet
• Utgår från dina historiska försäljningstrender

Nackdelar

• Utesluter andra viktiga faktorer, till exempel affärsmöjlighetens fas
• Tar inte hänsyn till avvikande värden

6. Prognostisering av försäljningspipeline

Prognostisering av försäljningspipelinen kan vara mycket träffsäker … om du har rätt data och teknik. Eftersom den analyserar varje affär utifrån flera faktorer kräver den vanligtvis ett verktyg för försäljningsprognoser.

Så fungerar det

Prognostisering av försäljningspipelinen är utformad för att dra nytta av allt du vet om din försäljningspipeline och din försäljningsprocess. Varje affär som tilldelats en säljare analyseras utifrån flera faktorer som företaget själv väljer.

Med hjälp av data från ditt CRM kan intelligent programvara för försäljningsprognoser till exempel kombinera den potentiella affärsstorleken inte bara med affärsmöjlighetens fas, utan även med faktorer som affärstyp, hur länge affären befunnit sig i olika faser och till och med vinstfrekvensen för den representant som arbetar med affären.

Med tillgång till en stor mängd data kan rätt prognosprogramvara ge särskilt träffsäkra prognoser. Men om du inte tillför nya data och håller dina data rena blir beräkningarna mindre tillförlitliga.

Exempel på prognostisering av försäljningspipeline

Anta att du konfigurerar programvaran för prognostisering av försäljningspipelines så att den tar hänsyn till följande faktorer:

• Potentiell affärsstorlek
• Affärsmöjlighetens fas
• Leadkälla
• Den potentiella kundens bransch

Verktyget skulle hämta data om varje faktor från ditt CRM och bearbeta siffrorna för att ta fram den prognostiserade försäljningen för varje affär och för säljteamet som helhet. Själva beräkningarna kan vara extremt komplexa.

Om du till exempel börjar med en potentiell affärsstorlek på $100,000 kan du komma fram till att den aktuella fasen för affärsmöjligheten innebär en sannolikhet på 50 % att den blir en kund. Om leadkällan däremot är en kundrekommendation skulle det sannolikt öka vinstsannolikheten. Och kunder inom den potentiella kundens bransch kanske är mindre benägna att välja din produkt.

Ditt RevOps-team skulle behöva samarbeta med prognosprogramvaran för att avgöra hur dessa faktorer ska viktas i beräkningarna.

Fördelar

• Mycket datadrivet
• Tar hänsyn till faktorer utöver affärsmöjlighetens fas

Nackdelar

• Kräver vanligtvis programvara för försäljningsprognoser
• Kräver rena och regelbundet uppdaterade data

7. Prognostisering med flera variabler

Precis som prognostisering av försäljningspipelinen använder prognostisering med flera variabler flera datapunkter för att utvärdera potentiella affärer och förutsäga framtida försäljningsintäkter. Medan prognostisering av försäljningspipelinen fokuserar specifikt på försäljningspipelinen kan prognostisering med flera variabler omfatta ett bredare spektrum av interna och externa faktorer.

Så fungerar det

Med försäljningsprognoser baserade på flera variabler tar du inte bara hänsyn till affärsstorlek, affärsmöjlighetens fas och leadtyp. Den här metoden omfattar ofta marknadsförhållanden som ekonomin, säsongsvariationer och konkurrenternas agerande för att förutsäga efterfrågan på din produkt. Genom att gå igenom både interna och externa data ger prognostisering med flera variabler en heltäckande bild av dina försäljningsmöjligheter.

Exempel på prognostisering med flera variabler

Det här är ännu en metod som snabbt kan bli mycket komplex. Därför förlitar den sig vanligtvis på analysprogramvara för att väga samman alla konkurrerande faktorer. En analytiker som arbetar med försäljningsprognoser kan mata in aktuella leaddata från sitt CRM, historiska intäktssiffror, övergripande ekonomiska indikatorer och andra mätvärden.

Om ditt företag till exempel säljer lyxbilar skulle du naturligtvis ta hänsyn till hur många leads du har när du gör prognosen. Men du kanske sedan använder demografiska data för att justera sannolikheten för att du slutför affären, samt ekonomiska insikter för att förutsäga om en lågkonjunktur kommer att minska efterfrågan på din produkt. Dessutom är fordonsindustrin säsongsbetonad.

Avancerade analysverktyg (och skickliga analytiker) väger alla dessa detaljer mot varandra för att skapa en försäljningsintäktsprognos som återspeglar företagets, branschens och ekonomins tillstånd.

Fördelar

• Mycket exakt och datadriven
• Inkluderar externa faktorer som säsongsvariationer

Nackdelar

• Kräver vanligtvis avancerade analysverktyg
• Kräver rena och uppdaterade data från flera källor

More Articles

• Välkommen till CRO-klubben: Ta intäktsledarskapet till nästa nivå

Så väljer du en metod för försäljningsprognoser

Precis som alla säljteam inte använder exakt samma metoder för att slutföra affärer använder de inte heller samma prognosmetoder. Om så vore fallet skulle det här ha varit en mycket kortare lista. Rätt prognosmetod beror på vilken typ av företag du har, företagets mognad, vilka data och verktyg du har tillgång till samt andra faktorer.

När du väljer en process för försäljningsprognoser är några viktiga frågor att ställa dig:

• Vill jag använda en nedifrån-och-upp- eller uppifrån-och-ned-metod för prognoser?
• Har jag den information jag behöver för att använda ett datadrivet tillvägagångssätt, eller behöver jag börja med mer subjektiva metoder?
• Hur mogen och stabil är min bransch och mitt företag? Finns det årliga eller andra långsiktiga marknadscykler som påverkar försäljningen?
• Har jag programvara för försäljningsprognoser eller resurser för att skaffa sådan?

Du kanske upptäcker att en prognosmetod som fungerade för ditt företag tidigare inte längre är det bästa valet. Även om det är frestande att upprepa det som fungerade tidigare bör du alltid fråga dig om företagets, branschens och datans tillstånd har förändrats och hur det påverkar dina metoder för försäljningsprognoser.

Vanliga frågor

Har du fortfarande frågor? Här är några snabba svar på vanliga frågor.

Vilken metod för försäljningsprognoser används mest?

Hur gör jag mer exakta försäljningsprognoser?

Vilken är den snabbaste tekniken för försäljningsprognoser?

Behöver jag programvara för försäljningsprognoser?

Avslutande tankar

Ingen försäljningsprognos kan förutsäga framtiden perfekt, men den kan hjälpa ditt team att sätta försäljningsmål, fördela budget och hantera resurser. Och med så många olika prognostekniker kan även nya företag eller företag med en komplex försäljningscykel skapa meningsfulla prognoser.

Du kan välja ett av exemplen ovan som modell för din prognos, eller kombinera olika delar för att skapa en anpassad formel.

För att få veckovisa artiklar och insikter från experter inom intäktsverksamhet, prenumerera på CRO-klubbens nyhetsbrev.