Die meisten Unternehmen missverstehen ihre eigene Methodik der Umsatzprognose. Sie wollen sich erst damit befassen, wenn sie das Gefühl haben, dass etwas nicht stimmt. Und bis dahin ist das Kalb oft schon ertrunken. Die Unternehmen gehen davon aus, dass Absatzprognose ist ein Frühindikator, weil er buchstäblich vorhersagt, wie sich der Umsatz periodisch verändern wird - klassisch, oder?
In Wirklichkeit ist die Prognose jedoch ein nachlaufender Indikator, denn die meisten Menschen koppeln ihre Prognose nicht von ihrem Plan und ihren Ergebnissen ab. Sie können nicht bis zum Ende des Zeitraums warten, um impulsive Maßnahmen zu ergreifen, wenn Sie Ihr Ziel verfehlt haben. Das wäre so, als würden Sie sich auf die Waage stellen und nur Sit-ups machen, weil Ihnen die Zahl nicht gefällt. Zu wenig, zu spät!
Was ist eine Umsatzprognose?
Die Absatzprognose ist die Nutzung von Fachwissen, historischen Daten, Daten zu Verkaufsaktivitäten und prädiktiven Analysetechnologien zur Schätzung des Absatzvolumens und der daraus resultierenden Einnahmen in einem zukünftigen Zeitraum. Fast jedes Vertriebsteam, und sicherlich jedes erfolgreiche Vertriebsteam, verfügt über eine Methode zur Umsatzprognose. Eine gute Umsatzprognose verwendet reale Daten, um die wahrscheinlichen Ergebnisse abzuschätzen und verlässt sich nicht auf Vermutungen. Verkaufsprognosen sind wichtig, denn sie können bei der Planung von Ressourcen und Einstellungen, der Budgetplanung, dem Risikomanagement und vielem mehr helfen.
Lesen Sie mehr, wenn Sie wissen möchten, was Erweiterte Umsatzprognose bei Trendskout beinhaltet.
Es ist also wichtig zu verstehen, dass eine Umsatzprognose dazu dienen sollte, Ihren Prozess zu lenken, und nicht andersherum. Aber lassen Sie uns zunächst einige der Methoden besprechen, die üblicherweise für Umsatzprognosen verwendet werden.
Methoden zur Umsatzprognose
Im Laufe der Zeit haben sich die Methoden der Absatzprognose erheblich weiterentwickelt. Oft sind sie durch technologische Fortschritte bedingt. Im Folgenden finden Sie alle Methoden zur Absatzprognose im Laufe der Jahre. Von den rudimentärsten Methoden bis hin zu den komplexesten und fortschrittlichsten. Dies geht Hand in Hand mit der erwarteten Genauigkeit jeder Prognosemethode:
"Bauchgefühl-Prognose" oder Bauchgefühl-Prognose
Das ist buchstäblich, wenn Sie Ihre Vertriebsmitarbeiter fragen, wie sie über ihre Geschäfte denken, wie wahrscheinlich es ist, dass sie abgeschlossen werden und wann sie erwarten, dass sie abgeschlossen werden. Es ist also ein Bottom-up-Ansatz. Aber diese Methode ist am ungenauesten und es ist, als würde man im Jahr 2023 ohne Instrumente fliegen - viel zu riskant.
Wir empfehlen diese Methode nicht, wollten sie aber der Vollständigkeit halber erwähnen. Sie wird meist von kleineren Vertriebsorganisationen, Teams mit weniger Geschäften, längeren Vertriebszyklen, größeren Vertragswerten und in traditionelleren Branchen verwendet. Diese Unternehmen verlassen sich bei der Vorhersage der Zukunft auf die Erfahrung ihrer Vertriebsmitarbeiter und Manager.
Almanach-Methode
Die Verwendung historischer Daten zur Vorhersage der zukünftigen Performance wird als Almanach-Methode bezeichnet. Die Verwendung historischer Daten und einer Wachstumsprognose kann etwas genauer sein als Ihr Bauchgefühl, aber es gibt auch einige Nachteile.
Die Almanac-Prognosemethode berücksichtigt den "Klimawandel" nicht. Wenn es einen Branchenwechsel oder eine makroökonomische Volatilität gibt, sind historische Daten möglicherweise nicht mehr relevant. Das Jahr 2020 veranschaulicht dieses Problem, da Prognosen, die auf Daten aus dem Jahr 2019 basieren, unbrauchbar wurden.
Wenn der CFO in diesem Beispiel an den Vertriebsleiter herantritt, um das 2. Quartal zu prognostizieren, schaut er sich sofort die Leistungsdaten des Vorjahres für das 2. Quartal im Vergleich zu anderen Quartalen sowie die Trends für das 2. Der Manager sieht sich auch die historischen Daten der Vertriebsaktivitäten seiner Mitarbeiter an, um Trends bei den Fähigkeiten und dem Rhythmus der einzelnen Mitarbeiter beim Abschluss von Geschäften zu erkennen.
Diese Prognosemethode ist nützlich für etablierte Unternehmen, die auf eine Vielzahl historischer Daten zurückgreifen können. Je größer der Rückstand an Leistungsdaten ist, desto genauer wird die Prognose wahrscheinlich sein.
Trichterprognose
Wenn Sie wissen, wie sich Ihr Trichter verhält, z. B. Ihre Gewinnraten und die durchschnittliche Verkaufszykluszeit, können Sie Ihre Prognosemethode entsprechend anpassen. Wir nennen dies die Trichterprognose.
Wenn Ihr Verkaufszyklus beispielsweise zwei Monate dauert und Ihre Gewinnrate im Durchschnitt 40% beträgt, können Sie diese Informationen nutzen, um eine Prognose auf der Grundlage Ihrer Pipeline-Abdeckung zu erstellen. Wenn Sie 10 Opportunities zu je 1 Mio. € haben, wäre eine sichere Prognose für das Quartal 4 Mio. €.
Die Trichterprognose hängt stark von der Reichweite, Gesundheit und Hygiene Ihrer Pipeline ab. Je länger Ihr Verkaufszyklus dauert, desto wichtiger wird dies.
Diese Prognosemethode ist am nützlichsten, wenn Ihre Geschäfte homogen und daher konsistent und vorhersehbar sind, basierend auf ihrem Status in der Pipeline.
Portfolio-Prognose
So wie ein Portfoliomanager Finanzdaten nutzt, um die Performance zu prognostizieren und Risiken abzusichern, nutzt ein Leiter eines Verkaufsteams seine Erfahrung und seine Expertenmeinung in Kombination mit den verfügbaren Verkaufsdaten, um Prognosen zu erstellen.
Diese Methode nutzt die verschiedenen bereits besprochenen Vorhersagestrategien und kombiniert sie, um eine genauere Vorhersage zu erhalten.
Ein Beispiel: Ein Vertriebsleiter hat historische Verkaufsdaten ausgewertet, die Pipeline bewertet, mit seinen Mitarbeitern besprochen, wie wahrscheinlich es ist, dass sie Geschäfte abschließen, und kann nun sein Fachwissen mit echten Daten kombinieren, um eine Prognose zu erstellen.
Diese Methode der Vorhersage kann auch dazu beitragen, Risiken zu mindern's. Wenn der Manager zum Beispiel vorhersagt, dass es ein ruhiges Quartal wird, kann er interne Ressourcen umschichten und sich hauptsächlich auf das Upsell von bestehenden Kunden, da wir wussten, dass diese zusätzlichen Einnahmen profitabler und nachhaltiger sein würden.
Multivariate Regression
Die multivariate Regression ist eine statistische Methode zur Vorhersage von Umsätzen, bei der mehrere Variablen als Inputs verwendet werden, die das gewünschte Ergebnis, in der Regel den Umsatz, beeinflussen. Die Veränderung jeder Variable hat eine entsprechende Auswirkung auf das vorhergesagte Ergebnis.
Der Ansatz der multivariaten Regression ist stark von der Vollständigkeit und Genauigkeit der Daten abhängig, da diese Werte zur Analyse und Vorhersage früherer und zukünftiger Leistungen verwendet werden. Die multivariate Regression bildet die Grundlage des maschinellen Lernens - ein Thema, auf das wir gleich noch näher eingehen werden.
In diesem Beispiel bittet der CFO den Vertriebsleiter um Rat. Daraufhin bittet der Manager seinen Datenanalysten um Hilfe, um eine Regressionsanalyse durchzuführen. Der Analyst nimmt frühere Verkaufsaktivitäten und die Ergebnisse der abgeschlossenen Opportunities (gewonnen oder verloren) und kann dann die aktuellen Verkaufsaktivitäten analysieren, um die Wahrscheinlichkeit zu bestimmen, dass ein bestimmtes Geschäft gewonnen wird.
Unternehmen, die multivariate Regression verwenden, sind in der Regel anspruchsvoller und datengesteuerter in ihrem Verkaufsansatz.
Von der Absatzprognose zur erweiterten Absatzprognose
Dies bringt uns zu der fortschrittlichsten - und leistungsfähigsten - Methode für die Absatzprognose. Moderne Algorithmen für maschinelles Lernen werden anhand historischer Daten trainiert und erhalten vom Algorithmus Gewichtungen und Verzerrungen, um das erwartete Ergebnis zu lernen. ML und KI aus den Daten auf eine Art und Weise zu lernen, die selbst den Entwicklern nicht bewusst ist oder die sie nicht verstehen.
Wenn der ML-Algorithmus ausreichend trainiert und getestet ist, können die Daten in Echtzeit analysiert werden, um rollierende Vorhersagen und hochgenaue Prognosen zu erstellen. Viele ML-Modelle haben Genauigkeitsraten im 99. Perzentil, mit einer verständlichen und akzeptablen Fehlermarge.
Trainieren Sie z.B. ein Modell auf Daten des Verkaufsteams, das einige Merkmale (Datenpunkte) wie Datum, Anzahl der Tage von der Verkaufschance bis zum Abschluss, Vertragswert und Ergebnis enthält. Durch das Training mit diesen Daten erhält das Modell Informationen über saisonale Einflüsse, die Auswirkungen des Vertragswerts auf den Verkaufszyklus und vieles mehr, die für die Eingabe ähnlicher Daten (ohne das Ergebnis) und eine genaue Prognose verwendet werden können.
Möchten Sie diese Form des Advanced Sales Forecasting bei der Arbeit sehen? Einen ersten Eindruck davon bekommen, wie dies für Ihr Unternehmen funktionieren kann? Dann buchen Sie einen Unverbindliche Demo mit unserem Team.
