How to make accurate sales forecasts?

Making good sales forecasts with results can be learned. And there are a number of options for doing so. If you work in sales at a B2B company, you've almost certainly been asked your opinion on future sales. Like, "How much do you think you'll sell in the next quarter?"

Does it make sense? Do the rough estimates of many salespeople produce good sales forecasts? There are many ways to make forecasts: from gut feeling estimates to simple to very complex models based on mathematics and statistics. Some are simply better than others. Before we look at the different forecast options, let's address the following question:

Sales Forecasts: what are they?

Waar dacht je als eerste aan toen je het woord “sales forecasts” las? Onze gok is omzetprognoses. En dat is juist. Maar omzetprognoses zijn slechts een van de vele soorten prognoses die nuttig zijn voor de verkoop. Denk er eens over na: welke predictions about your B2B sales could make your job even easier?

Voorspellingen zoals “welke prijs zal jouw klant hoogstwaarschijnlijk accepteren” (dynamic pricing) of “welke klant dreigt te vertrekken” (churn predictions), behoeden jou voor onaangename verrassingen en geven je de tijd om te handelen. Amazon heeft van een ander type verkoopvoorspelling een beroemdheid gemaakt: de “cross-selling voorspelling”.

We zijn er zeker van dat je bekend bent met de volgende zinnen: “andere klanten kochten ook…” of “misschien bent u ook geïnteresseerd in dit…”. Het doel van cross-selling is dat een klant – naast het oorspronkelijke product – ook een ander product koopt. Cross-selling is goed voor meer dan 25% van de omzet van Amazon. Je ziet dus dat omzetvoorspellingen niet de enige waardevolle voorspellingen zijn die de verkoop kunnen helpen.

Hoe prognoses tot stand komen – de “menselijke” optie.

Je zou verbaasd zijn hoeveel B2B-bedrijven hun omzet voorspellen via enquêtes onder verkoopmedewerkers en door een flinke dosis onderbuikgevoel. Dat is misschien haalbaar als je één of twee sales op de baan hebt en een heel klein gamma aan producten aanbiedt. Maar wanneer wordt het écht lastig? When you have many customers or products, it is difficult to keep an overview.

Een ander knelpunt zijn de gedetailleerde prognoses. Een omzetprognose is een getal dat de totale verkoop over een bepaalde periode omvat. Maar wat als het dieper gaat. Toekomstige omzet per klant of product. Onze ervaring is dat “menselijke” voorspellingen op dit gedetailleerde niveau niet beter zijn dan toeval.

Hoe voorspellingen tot stand komen – de “statistische modellen”.

Om het principe achter deze modellen uit te leggen, nemen we een van de eenvoudigste om te helpen: een lineaire functie. Een snel voorbeeld: een klant koopt al een jaar lang elke maand voor € 100 bij u. Dan kan je vrij goed voorspellen hoeveel omzet je met deze klant in de komende drie maanden zal maken. Geen rocket science.

What was needed to make these sales forecasts?

  • Historical data: the customer has always bought €100 in the last few months.
  • Patroonherkenning: je gaat ervan uit dat de klant het “patroon” zal aanhouden (elke maand 100 €).
  • Extrapolation: Based on this pattern, you calculate (100 € x 3) how much the customer will earn in 3 months.

Unfortunately, not many sales processes follow this straightforward pattern. Human behaviour in particular does not. And yes, purchases in B2B also count as human behaviour.

Hoe kan “wiskunde” menselijk gedrag voorspellen?

Door patronen in het verleden. Niet zulke eenvoudige patronen als een lineaire functie – maar ze zijn er wel, en het principe is vergelijkbaar (historische gegevens, patroonherkenning en extrapolatie). Want aankopen gebeuren niet willekeurig. Als je in een groothandel of bij een industriële fabrikant werkt, weet je dat jouw klanten al bepaalde regelmatigheden en voorkeuren in hun aankopen hebben.

  • To name but a few:
  • how often they buy,
  • how much they buy,
  • how much they have paid in the past,
  • at what intervals they buy.
  • And many more.

Dit zijn allemaal criteria op basis waarvan voor elke klant een voorspelling kan worden “gebouwd”. Welk statistisch model moet worden gebruikt, hangt af van het doel van de voorspelling. Dus, wat wil ik weten? Of de klant risico loopt op churn? Hier moet je de waarschijnlijkheid van churn berekenen. Dat kan bijvoorbeeld worden gedaan met behulp van een probability tree.

What price could he accept? A price corridor per customer and product would have to be created here. As you can see, these projections are very time-consuming and cannot be done manually for hundreds of customers and products.

So how does it work?

Through the use of artificial intelligence, the quality of sales forecasts has increased enormously in recent years. The reason for this is that the algorithms behind them can incorporate very many characteristics into their forecasts. They are masters at recognising patterns in large data sets (machine learning). Zo is ook het woord “predictive analytics” (of specifiek gerelateerd aan verkoop: “predictive sales analytics”) ingeburgerd geraakt.

Also read more about the changing data analytics in the B2B sector!

Don't spend your time in manual Excel spreadsheets. The time of data analysis professionals is also valuable and limited. Automate sales forecasting through tools such as Trendskout. This way, you and your sales team can focus on your customers.

The minimum requirement for sales forecasts.

One thing must be clear. Forecasts - and therefore sales forecasts - are never 100% accurate. We cannot predict the future to the nearest degree because none of us knows that or has a crystal ball.

The aim of forecasting and all models behind it is to approximate future reality as closely as possible. To explain this, let us take Amazon again.

Herinner je je zich de productsuggesties “what else might interest you…”? Daaronder suggereert Amazon jou verschillende artikelen. En elk product waar je NIET op klikt, is een foute voorspelling. Nogal wat foute voorspellingen, is het niet? Als je alleen rekening houdt met een paar individuele voorspellingen, ja. MAAR over de hele massa is dit Amazon suggestie algoritme zo goed dat het ¼ van de totale verkoop binnenhaalt!

So, what is the minimum requirement for a sales forecasting model? It must at least be better than chance. Amazon has about 500 million consumer products. So the minimum requirement for the Amazon algorithm is that these suggestions are better accepted than completely randomly offered products.

What Trendskout does for your sales forecasts

With the Trendskout platform you can render your data at lightning speed. The platform switches between all possible models at an enormous speed. This gives you an unparalleled learning curve. Once the algorithm has been determined, it can be fine-tuned. All this is done on the basis of your datasets. After that short learning curve, we continue to optimise the output. Without having to recruit a data scientist. Without major financial efforts. With a maximum return.

Wondering how we can make Trendskout work for you? Book a free demo! In 30 minutes we show you the added value of our platform for your company, your sales, your turnover.

Stay up to date with the latest news on AI

GDPR
This field is for validation purposes and should be left unchanged.

How do organizations benefit from AI and Machine Learning?

Gain access to our Resource Center with interesting business cases and how-to's.

Share on Facebook
Share on Twitter
Share on LinkedIn
Share on Pinterest
Share via email