Goede sales forecasts mét resultaat maken, kan je leren. En er zijn een aantal opties om dat te doen. Als je in de verkoop werkt bij een B2B-bedrijf, ben je vrijwel zeker wel eens gevraagd naar jouw mening over de toekomstige verkoop. Zoiets als: "Hoeveel denk je te verkopen in het volgende kwartaal?"
Is dat zinvol? Leveren de ruwe schattingen van veel verkopers goede verkoopvoorspellingen op? Er zijn veel manieren om prognoses te maken: van schattingen op basis van buikgevoel tot eenvoudige tot zeer complexe modellen op basis van wiskunde en statistiek. Sommige zijn gewoon beter dan andere. Voordat we ingaan op de verschillende opties voor prognoses, willen we eerst de volgende vraag behandelen:
Sales Forecasts: wat zijn het?
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 voorspellingen over jouw B2B-sales zouden jouw werk nog eenvoudiger kunnen maken?
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? Wanneer je veel klanten of producten hebt, is het moeilijk om het overzicht te behouden.
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.
Wat was er nodig om deze sales forecasts te doen?
- Historische gegevens: de klant heeft in de afgelopen maanden steeds € 100 gekocht.
- Patroonherkenning: je gaat ervan uit dat de klant het "patroon" zal aanhouden (elke maand 100 €).
- Extrapolatie: op basis van dit patroon berekent u (100 € x 3) hoeveel de klant in 3 maanden zal opbrengen.
Helaas volgt niet veel verkoopsprocessen dit rechtlijnige patroon. Vooral menselijk gedrag doet dat niet. En ja, aankopen in B2B tellen ook mee als menselijk gedrag.
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.
- Om er maar een paar te noemen:
- hoe vaak ze kopen,
- hoeveel ze kopen,
- hoeveel ze in het verleden hebben betaald,
- met welke intervallen ze kopen.
- En nog veel meer.
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.
Welke prijs zou hij kunnen aanvaarden? Hier zou een prijscorridor per klant en product moeten worden gemaakt. Zoals je ziet, zijn deze projecties zeer tijdrovend en niet meer manueel uitvoerbaar voor honderden klanten en producten.
Hoe werkt het dan wel?
Door het gebruik van kunstmatige intelligentie is de kwaliteit van de sales forecasts de laatste jaren enorm toegenomen. De reden hiervoor is dat de algoritmen erachter zeer veel kenmerken in hun prognoses kunnen opnemen. Zij zijn meesters in het herkennen van patronen in grote datasets (machine learning). Zo is ook het woord "predictive analytics" (of specifiek gerelateerd aan verkoop: "predictive sales analytics") ingeburgerd geraakt.
Lees ook meer over de veranderende data-analytics in de B2B-sector!
Stop je tijd niet in handmatige Excel spreadsheets. Ook de tijd van professionals op het gebied van data-analyse is waardevol en beperkt. Automatiseer verkoopvoorspellingen via tools zoals Trendskout. Op deze manier kunnen jij en jouw verkoopteam zich volledig richten op jouw klanten.
De minimumeis voor verkoopprognoses.
Eén ding moet duidelijk zijn. Voorspellingen – en dus ook sales forecasts- zijn nooit 100% accuraat. We kunnen de toekomst niet tot op de graad nauwkeurig voorspellen omdat niemand van ons dat weet of over een glazen bol beschikt.
Het doel van prognoses en alle modellen erachter is de toekomstige werkelijkheid zo dicht mogelijk te benaderen. Laten we, om dit uit te leggen, opnieuw Amazon nemen.
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!
Dus, wat is de minimale eis voor een voorspellend model voor sales forecasts? Het moet op zijn minst beter zijn dan toeval. Amazon heeft ongeveer 500 miljoen producten voor consumenten. De minimumeis voor het Amazon-algoritme is dus, dat deze suggesties beter worden geaccepteerd dan volledig willekeurig aangeboden producten.
Wat Trendskout doet voor jouw sales forecasts
Met het Trendskout platform kan je razendsnel jouw data laten renderen. Het platform switch met een enorme snelheid tussen alle mogelijke modellen. Hierdoor haal je een ongeëvenaarde leercurve. Eens het algoritme bepaald is, kan gefinetuned worden. Dit alles gebeurt op basis van jouw datasets. Na die korte leercurve gaan we de output steeds beter optimaliseren. Zonder dat je data scientist moet gaan aanwerven. Zonder grote financiële inspanningen. Met een maximale return.
Benieuwd hoe we Trendskout voor jou kunnen laten werken? Boek dan een gratis demo! In 30 minuten tonen we de meerwaarde van ons platform voor jouw bedrijf, jouw sales, jouw omzet.
