Forecasting sprzedażowy: od intuicji handlowca do modelu AI. Jak prognozować sprzedaż trafniej

W większości średnich firm prognoza sprzedaży powstaje tak: dyrektor sprzedaży pyta handlowców, ile zamkną w kwartale, sumuje odpowiedzi i dodaje własną korektę. To szybkie, ale zależy od nastroju i presji na wynik.

Drugi sposób opiera się na lejku sprzedaży w CRM. Wartość każdej szansy mnoży się przez prawdopodobieństwo wygranej na danym etapie i sumuje. Trzeci sposób to model AI, który sam szacuje szanse wygranej każdej transakcji na podstawie historii firmy.

Tabela poniżej zestawia te metody. Nie są to szczeble, które trzeba przejść po kolei w ciągu roku. To raczej narzędzia na różny stan danych i różną skalę sprzedaży.

Trafność prognozy to liczba, którą niewiele firm śledzi, choć liczy się ją w prostym arkuszu. Wzór: błąd prognozy = (prognoza – wynik) ÷ wynik × 100%. Wynik dodatni oznacza, że prognoza była zawyżona, a ujemny – że zaniżona.

Ważne jest, z jakiego momentu bierzesz prognozę. Pod koniec kwartału łatwo trafić, bo większość transakcji jest już zamknięta. Zapisuj więc prognozę z ustalonego dnia, np. z pierwszego tygodnia kwartału, i porównuj ją z wynikiem.

Patrz na dwie liczby. Średni błąd bez znaku mówi, jak bardzo prognoza się myli. Średni błąd ze znakiem mówi, czy myli się zawsze w tę samą stronę.

W hipotetycznym przykładzie z tabeli poniżej średni błąd bez znaku to (20 + 9,1 + 13 + 0) ÷ 4 = 10,5%. Średni błąd ze znakiem to (20 – 9,1 + 13 + 0) ÷ 4 = 6%. Prognoza jest więc systematycznie zawyżona i warto szukać przyczyny w tym, jak handlowcy oceniają szanse.

Prognoza ważona to najprostszy krok w stronę liczb, które da się sprawdzić. Każdy etap lejka dostaje prawdopodobieństwo wygranej, a prognoza to suma wartości szans pomnożonych przez to prawdopodobieństwo.

Najczęstszy błąd to wpisanie procentów z głowy albo z podręcznika. Policz je z własnej historii: z ilu szans, które doszły do etapu „oferta wysłana” w ostatnich czterech kwartałach, firma faktycznie wygrała. Tabela poniżej pokazuje rachunek na hipotetycznych danych.

Suma ważona w tym przykładzie to 1 020 tys. zł, choć łączna wartość szans w lejku wynosi 3 mln zł. Różnica pokazuje, jak mylące jest raportowanie zarządowi samej wartości lejka bez wag.

Model AI uczy się na zamkniętych szansach: wygranych i przegranych. Jeśli handlowcy uzupełniają CRM raz w miesiącu albo wpisują do szans przypadkowe daty, model nauczy się przypadkowych wzorców.

Microsoft dla prognozowania AI w Dynamics 365 Sales wymaga ponad 10 zamkniętych szans z kompletem pól. To jednak tylko techniczne minimum. Żeby model uchwycił sezonowość, potrzebuje danych z co najmniej dwóch pełnych lat, bo z jednego roku nie odróżni sezonu od przypadku.

Poniższa lista to warunki, które warto spełnić, zanim zaczniesz rozmawiać o licencjach na AI. Każdy z nich poprawia też zwykłą prognozę ważoną.

Większość popularnych systemów CRM ma dziś funkcje prognozowania oparte na AI, zwykle w wyższych planach licencyjnych. Różnią się szczegółami, ale robią podobne rzeczy: oceniają szansę wygranej każdej transakcji i przewidują sumę na koniec okresu.

W Dynamics 365 Sales prognoza AI pojawia się jako osobna kolumna obok prognozy handlowców. System pokazuje też czynniki, które najbardziej wpłynęły na wynik. Dzięki temu kierownik widzi, dlaczego model ocenia daną transakcję niżej niż handlowiec.

Salesforce i HubSpot oferują podobne funkcje, a narzędzia w rodzaju Gong analizują nagrania rozmów handlowych. Ceny i zakres planów zmieniają się często, więc przed decyzją sprawdź aktualny cennik i zapytaj, w którym planie jest dana funkcja.

Dla zarządu przydatny bywa też Copilot w Power BI, który odpowiada na pytania o dane z raportu, np. które duże szanse nie zmieniły etapu od dwóch tygodni. Wymaga jednak płatnej pojemności Fabric lub Power BI Premium. Microsoft zastrzega też, że w części funkcji pytania w innym języku niż angielski nie są oficjalnie obsługiwane.

Częste nieporozumienie brzmi: „sprzedajemy firmom, więc nie przetwarzamy danych osobowych”. To nieprawda. Imię, nazwisko, e-mail i telefon osoby kontaktowej u klienta to dane osobowe, a notatki ze spotkań często zawierają ich więcej.

Przed włączeniem AI sprawdź trzy rzeczy. Po pierwsze, na jakiej podstawie prawnej przetwarzasz te dane. Po drugie, czy masz z dostawcą CRM umowę powierzenia przetwarzania i w jakim regionie są dane. Po trzecie, czy dostawca używa Twoich danych do trenowania modeli.

Jeśli narzędzie nagrywa i analizuje rozmowy handlowe, uczestnicy muszą o tym wiedzieć przed rozmową. To dotyczy także klientów, a nie tylko Twoich pracowników.

Poprawa prognozy to raczej kilka kwartałów konsekwencji niż jeden projekt. Poniższe kroki można zacząć w każdej firmie, która ma CRM, nawet prosty.

Najważniejsza jest kolejność. AI uruchomione od razu tylko powieli bałagan w danych. Dopiero w kroku 4 ma na czym się uczyć.

Jeśli firma zamyka kilka dużych kontraktów rocznie, model nie ma z czego się uczyć. Jeden kontrakt potrafi wtedy przesunąć wynik kwartału bardziej niż wszystkie pozostałe razem. Lepiej prognozować takie transakcje osobno, z indywidualną oceną każdej.

AI nie pomoże też tuż po zmianie modelu sprzedaży, np. po wejściu na nowy rynek lub zmianie cennika. Historia przestaje wtedy opisywać rzeczywistość, a model długo będzie powtarzał stare wzorce.

Wreszcie, prognoza nie poprawi się, jeśli handlowcy boją się pokazywać realne szanse. Gdy za niską prognozę grozi reprymenda, ludzie zawyżają liczby albo ukrywają transakcje do ostatniej chwili. To problem kultury pracy, którego żadne narzędzie nie rozwiąże.