Prognozowanie sprzedaży - Sales Forecasting

Prognozowanie sprzedaży - Sales forecasting to proces przewidywania przyszłych przychodów na podstawie danych z pipeline’u sprzedaży, historii wyników oraz założeń biznesowych. W B2B – przy długich cyklach i wysokich wartościach kontraktów – to kluczowe narzędzie do planowania produkcji, zatrudnienia, inwestycji czy cash flow. W literaturze wyróżnia się m.in. metody oparte na: danych historycznych, analizie pipeline’u (pipeline forecasting), badaniach rynkowych oraz opinii ekspertów. 

Pipeline forecasting – najpraktyczniejsze podejście w CRM – polega na analizie każdej szansy (opportunity) w lejku i przypisaniu jej prawdopodobieństwa wygranej w zależności od etapu, wieku szansy, wielkości kontraktu, typu dealu czy tego, kto jest po stronie klienta decydentem. Następnie wartość każdej szansy mnoży się przez prawdopodobieństwo i sumuje, uzyskując prognozę. Dla B2B to wygodne, bo lejek jest relatywnie „krótki liczbowo” (kilkadziesiąt–kilkaset szans), ale każda duża.

W CRM mogłoby to wyglądać tak:

• każda Opportunity ma pole probability wynikające z etapu (np. Qualify 10%, Offer 40%, Negotiation 70%, Verbal Yes 90%),
• można dodać dodatkowe modyfikatory (np. obniżyć prawdopodobieństwo, jeśli szansa jest „przeterminowana” względem typowego czasu trwania etapu),
• raport „Prognoza sprzedaży” sumuje:
  • pipeline weighted (suma wartości × prawdopodobieństwo),
  • best case (suma wszystkich szans od określonego etapu w górę),
  • commit (tylko szanse ręcznie oznaczone przez handlowca i zaakceptowane przez menedżera).

Przykład (upraszczając):

Łączna prognoza ważona: 334 000 zł.

Dla zarządu firm B2B ważne jest nie tylko „ile na fakturach teraz”, ale ile realnie dowieziemy w kolejnych miesiącach. W CRM prognozowanie może być:

• widoczne z poziomu kokpitów (dashboardów) dla zarządu,
• rozbite wg segmentu (np. produkcja vs logistyka), regionów i handlowców,
• powiązane z planami (budżet) – różnica plan vs forecast.

Dodatkowy poziom „dojrzałości” to włączenie danych historycznych: na podstawie danych z CRM można skorygować prawdopodobieństwa etapów (np. faktycznie z Negotiation wygrywamy 55% szans, więc zamiast ręcznie ustalanego 70% lepiej przyjąć wartość empiryczną). To jest dobry wstęp do późniejszego zastosowania AI/ML nad danymi CRM.