Salgsprognoser i B2B – utfordringer og løsninger

Toppleder, kommersiell leder eller CFO i en bedrift som selger til bedriftsmarkedet? Synes du det er vanskelig å forutse kommende inntekter grunnet lange salgssykluser, få og store anbud eller et svært konkurransepreget marked? Du er ikke alene – dette er vanskelig, men ikke umulig. Selv om det ikke finnes en universell løsning eller metodikk som kan gi perfekte salgsprognoser, er det flere faktorer som kan påvirke situasjonen. Her har jeg samlet noen refleksjoner som kan hjelpe deg med å forbedre salgsprognosene i B2B-virksomheter.

Våre forretningssystemer

Hva er B2B?

B2B står for «Business to Business» og beskriver handel mellom to bedrifter. I praksis kjøper én bedrift produkter og tjenester fra en annen bedrift, i motsetning til B2C (Business to Customer) der forbrukeren kjøper produkter eller tjenester direkte fra bedriften. 

Typiske utfordringer i B2B-handel

Bedrifter med begrenset produksjonskapasitet må kunne styre hvilke forpliktelser de tar på seg, og derfor er salgsprognoser avgjørende. Gode salgsprognoser kan være fundamentale av en rekke grunner, blant annet:

• Produksjonsbedrifter med komplekse logistikkjeder trenger solide data for å bestille riktig antall råvarer.
• Børsnoterte selskaper er avhengige av å avklare forventninger hos investorer. 
• Personellintensive bedrifter trenger gode verktøy for planlegging av bemanning.

Tenk helhetlig når du velger CRM-system

Jeg har jobbet med å levere CRM-systemer til B2B-bedrifter i over 30 år. Som kommersiell leder, har jeg sett mange tilnærminger til hvordan man løser problemstillinger gjennom CRM-systemet. Noen har vært gode, mens andre har vært mindre gode. Én ting er sikkert; man løser ikke problemet ved kun å kjøpe et IT-system. Faktisk er noe av det verste jeg har opplevd, at ledere primært kjøper et CRM-system for å oppnå gode salgsprognoser. De tenker ikke på at systemet først og fremst må støtte salgsarbeidet, altså bidra til at selgerne blir mer effektive.

For mange høres sikkert et system som omfavner alle salgsmuligheter forlokkende. Hele salgstrakten blir dekket, med løpende klassifisering og vurdering av sannsynligheten for å vinne, og som også er koblet opp mot en periodisk rapportering. Dette er likevel ikke en gunstig vei å fortsette nedover. 

Det er nemlig sannsynlig at dette oppleves som et påtvunget system som fungerer som et rapporteringssystem i motsetning til et verktøy som skal sikre gevinster og muligheter. Nøkkelen til å lykkes med å forutse salgsprognoser – og holde motivasjonen oppe, ligger i å utnytte dataene du har tilgjengelig. Disse ligger i medarbeidernes arbeidsprosess. Derfor bør du i stedet satse på å effektivisere selgernes hverdag og legge til rette for at de kan selge mer på mindre tid. Når dette er på plass, kan du etter hvert berike utbyttet av dataene med analyser og strukturerte vurderinger. Da får du et fornuftig grunnlag som du kan produsere en salgsprognose basert på.

Oppdag fordelen av et CRM-system 

Kritiske faktorer som påvirker salgsprognosene

Når du skal definere salgsprognosene, bør du starte med å gjøre en analyse av hvilke faktorer som påvirker forutsigbarheten i salget. Her tar jeg deg gjennom noen av momentene du bør vurdere i denne analysen. 

Sannsynlighet for å vinne salget

Det kan være vanskelig å definere hvor gode sjanser du har for å vinne salget fordi de kan forandre seg hyppig. Her bør du prioritere et godt informasjonsgrunnlag, og jeg anbefaler at dere samarbeider om å gjøre disse vurderingene i fellesskap.

• Konkurransen: Dere er tre tilbydere igjen i prosessen; betyr det at sannsynligheten for å vinne er 33%, eller er den høyere? 
• Pris: Hvordan stiller dere i forhold til konkurrentene? Tenk på hva som skjer (og hva dere bør gjøre) hvis konkurrenten plutselig senker prisen. 
• Kundesegment: Finnes det kunder som favoriserer dere framfor konkurrentene deres? Betyr dette at dere har gode sjanser for å vinne i sluttforhandlinger?
• Produkt: Hvordan besvarer produktet eller produktene deres på behovet til kundene? 

Usikkerhet i tidsestimater

Det er svært få CRM-systemer som knytter salgsprognoser til spesifikke tidspunkter. De periodebaserte prognosene i systemet baserer seg kanskje på når kontrakten blir signert, men ofte tar salgene lengre tid enn hva som er forventet i første omgang. 
En løsning på dette er å modellere sjansen for at kontrakten blir signert og trår i kraft i intervaller: 

• Mars: Det er 50% sjanse for at vi mottar kontrakten (forventet kontraktdato)
• April: 30% sjanse (én måned forsinket)
• Mai: 15% (to måneder forsinket)
• Juni: 5% (tre måneder forsinket) 

En slik kvantifisering av tidsusikkerheten for hver kontrakt vil kunne gi en solid kvalitetsforbedring av prognosearbeidet, spesielt for planlegging av mange perioder av gangen og rapportering på dette utad. 
Periodisering påvirker også hvor komplekse disse prognosene blir. Det er nemlig lettere å lage en god prognose for en lengre periode, slik som kvartaler og måneder, mens det er vanskeligere over uker eller dager. Det er derfor viktig å velge prognoseperiode basert på bedriftens egenart og tidsusikkerhet.

Usikkerhet i omfang eller verdi

I tillegg til usikkerhet i tidsestimat, kan det være usikkerheter i hvor store gevinster kontrakten sikrer. Da kan det være en god idé å lage en high-end og en low-end versjon, eller en grunnversjon med forskjellige opsjoner som kunden velger fra. Dette gir et grunnlag som man kan basere salgsprognosene på. 

Hvordan man lager disse prognosene varierer mellom bedrifter, men det er viktig at alle også tar høyde for usikkerheten i prognosene. Disse må man modellere, for eksempel med tre tall for høyeste, forventet eller laveste verdi eller en avansert modell som tydelig viser sannsynlighet for hvert mulig utfall. Tenk også på variasjoner på produktnivå og hvordan kontantstrømmen ser ut (enkeltbetaling ved kontraktsinngåelse, milepælsbasert betaling eller fast/variable månedlig betaling). 

Psykologisk usikkerhet

Vurderingsbaserte prognoser vil alltid være preget av om en enkeltperson er optimist eller pessimist. I mange organisasjoner hvor det er en hierarkisk opprulling av prognosen, vil ledere på neste nivå ofte korrigere for dette basert på sin erfaring med kunden eller samarbeidspartneren. Da må man likevel ta høyde for hvor optimistisk eller pessimistisk denne lederen er. 
Analysedata som sammenligner faktiske tall med vurderingene som de forskjellige personene har tatt, vil kunne gi en korreksjonsfaktor som kan benyttes. Dersom du ikke bruker slike vurderingsbaserte prognoser, men heller ser på dataene i salgssystemet og summerer opp, bør du huske at disse dataene også er lagt inn av mennesker. Det finnes derfor en sjanse for at den enkeltes innstilling til verden har påvirket dataene.  

Organisatoriske og kulturelle forhold

Kultur på arbeidsplassen kan påvirke salgsmøter, særlig hvor prognoser blir diskutert. I en fryktbasert ledelseskultur hvor salgsarbeidet speiles i salgsmøtet, kan selgere for eksempel vise for positive tall i et forsøk på å fremstå kompetente og droppe estimatene ved et tapt salg. De kan også presentere urealistiske salgsmuligheter og la dem skli over tid før de forsvinner.

En klassisk organisatorisk faktor er «sandbagging» som ofte gjør seg gjeldende i prestasjonsbaserte organisasjoner. Enkeltpersoner som har oppnådd budsjettet sitt i en gitt periode forsøker bevisst å drøye et salg til en senere periode, eller gjemmer noe potensial unna i reserve, i tilfelle et annet salg ikke skulle lande som forventet. 

Press ovenfra og nedover i organisasjoner kan også forekomme. Ledere som har påtatt seg for store mål, eller opplever en nedgang i markedet, kan presse organisasjonen under seg til å fremstille verden for positiv, både i prognoser og i underliggende salgsprosessdata. Slike organisasjonsmessige og kulturelle forhold er viktige å ta med i planleggingen av en prognoseprosess og -metodikk, men først og fremst handler dette om å dyrke fram god salgsledelse som fremmer kvalitet i alt arbeid, inkludert prognosematerialet.

Sesongsvingninger

Sesongsvingninger gjentar seg år til år og bør tas hensyn til, men de er i utgangspunktet ikke lette å isolere fra andre påvirkningsfaktorer. For eksempel, kan bedriften ha oppbemannet salgsstyrken sin gjennom en strategisk satsing på vekst, eller forbedret produktene sine som har gjort dem mer attraktive for folk. Plutselige markedshendelser som Covid, finanskrisen eller DotCom-krisen påvirker også salget. 

Derfor er CRM viktig 

Husk å vurdere selve prognoseprosessen

Produktstrukturer, lengde på salgs- og produksjonsprosesser, geografisk utbredelse og ikke minst lederstil i salg er faktorer som bør vurderes når man designer prognoseprosessen. Dette er en vurderingsbasert metodikk, der noen velger å hente relevante tall fra laveste nivå, som vil si salgsmulighetene som ligger i systemet, og periodiserer og summerer opp totalen fra disse. Andre velger å rulle det opp hierarkisk i løpet av en prognoseperiode, hvor selgerne ferdigstiller data på dag 1, førstelinjeledere dag 2, annenlinjeledere dag 3 før det når toppen av hierarkiet.  
Alternativt kan man bruke en kombinasjon, hvor selgere kun legger inn operasjonelle data og sannsynligheter, mens lederne gjør en skjønnsmessig vurdering av tall for totaler, subtotaler og eller enkeltsalg for sitt nivå. Det er ikke noen klar fasit på hva som er best her, men tidshorisont, kadens og budsjett påvirker alltid prosessen.

Tidshorisont

Hvor langt fram i tid skal man lage prognoser? Noen bedrifter driver med «Beyond Budgeting» og kjører 5-kvartalers prognoser for alle tall i virksomheten, som kan være en god løsning i mange tilfeller. Det er imidlertid ikke nødvendigvis det rette for den klassiske vurderingsbaserte prognosen basert på pågående salg. Ser man lenger fram enn varigheten på en vanlig salgsprosess, kjenner man normalt ikke til alle salgsprosessene som prognoseperioden(e) omfatter.

Det er lettere å lage prognoser på et identifisert pågående salg enn et som ikke har startet enda. Da bør man se på andre metoder for å komplettere prognosetallene. Ofte har inneværende periode en god dekning fra pågående salg, mens fremtidige prognoseperioder har en lavere dekning. Om prognosehorisonten ikke er for lang sammenlignet med salgstiden, er denne underdekningen ofte så liten at noen opererer med en «plugg» – et potensielt salg som dekker alt av ukjent potensiell omsetning som erfaringsmessig kommer når det er en gitt tid igjen av prognoseperioden.

Kadens

Kadensen i prognoseprosessen kan påvirke kvaliteten. Kjøres den ukentlig kan den få høyere kvalitet om det er stor fart på bevegelse i tallmaterialet. Men samtidig kan det være lettere å legge godt arbeid i prognosen for de enkelte som bidrar, om de ikke må gjøre det for ofte.

Budsjett

Salgsmål og budsjett påvirker en vurderingsbasert prognose. Såframt de er realistiske, vil en selger eller salgsleder alltid ønske å levere i tråd med forventning. Selv om det ligger an til dårligere tall, fristes mange til å levere en prognose som oppfyller budsjettet i det lengste. Likeledes vil en som er i ferd med å gjøre det bra ikke alltid ønske å flagge det før kontraktene faktisk er vunnet. Disse effektene gjør at prognoser kan få en tendens til å samvariere mer med budsjettet enn det som er reelt. Om denne effekten er sterk nok, er det kanskje en grunn til å droppe budsjettet og bare ha prognoser?

Prognosemetodikk

Så langt har jeg dekket den klassiske salgsprognosen som er basert på data i et CRM-system, hvor man følger et salg gjennom salgsprosessen fram til det vinnes eller tapes. Denne vurderingsbaserte metodikken er ikke nødvendigvis den eneste veien til mål. 

Er salgsprosessene korte, produktspekteret stort, ordrevolumet høyt, konkurransesituasjonen intens eller prognosehorisonten lang, kan det være nyttig å vurdere andre metodikker, hvor usikkerhetsfaktorene ofte er de samme, men beslutningsgrunnlaget er annerledes. Under finner du en liste over alternative metodikker som du kan benytte deg av når du gjør en salgsprognose. 

Prognose basert på historikk

Kjent tallmateriale fra tidligere omsetning er et godt utgangspunkt for å legge en salgsprognose. Dette kan hjelpe deg med å fremskrive en forventet omsetning, der tidligere års data korrigeres med kjente og estimerte faktorer. Slike faktorer kan for eksempel være:

• Observert markedsvekst
• Inflasjon
• Forventet endring i markedsandel, for eksempel som følge av endring i salgskapasitet, produksjonsbegrensninger eller endring i markedsføring 

Det er enkelt å utføre denne analysen, og for bedrifter med høye ordrevolum og mindre ordrestørrelser med lite kompleksitet, kan denne analysen gi tilstrekkelig innsikt. For bedrifter hvor utfallet av noen få, store salg kan påvirke virksomheten voldsomt, blir det et for snevert bilde. 

Prognose basert på historikk og pågående salg

I denne prognosen bruker man salgshistorikk i kombinasjon med data fra pågående salg i CRM som analysegrunnlag. Data rulles gjerne opp i hierarkier, men det gjøres ikke en vurdering underveis, utover en sannsynlighet for å vinne salget eller en inndeling i prognosekategori (oppside, forventet, vunnet eller tapt). Hierarkiene kan være orientert mot det organisatoriske, det produktmessige eller det geografiske – eller en kombinasjon av flere. 

Denne prognosen brukes ofte sammen med målstyring, hvor man bruker flere KPI-er enn bare omsetning, for eksempel antall salg i perioden. Dette kan fungere ved en kort tidshorisont og dersom den gjennomsnittlige salgstiden er lengre enn prognoseperioden. Motsatt kan den være mindre gunstig ved få, store kontrakter og lange tidshorisonter. Man kan forbedre prognosen ytterligere ved å kombinere den eksisterende dataen med kjente trenddata som for eksempel sesongsvingninger eller forventet markedsvekst.

Maskinlæringsbasert prognose

Over tid har man bygget opp et system med store mengder verdifulle data. Dette kan man bruke til en analyse ved hjelp av kunstig intelligens. Da benytter man seg av maskinlæringsteknikker for å lage prognosen. Roboten lærer seg det tradisjonelle oppsettet i CRM-systemet som er basert på tidligere prognoser. Dette kan være prognoser for produktenheter eller inntekt for en gitt periode, og prognosene kan rulle opp i forskjellige hierarkier som kan følge organisasjon, territorier eller annet. 

Ved hjelp av kunstig intelligens, lagres informasjonen automatisk, og over tid vil maskinlæringen oppdage hvordan sluttresultatet av en salgsprosess blir påvirket underveis. Forklaringsvariablene som fremkommer av dette brukes så for å lage en bedre prognose av data fra salg i den gitte perioden, pågående salg og forventede, ikke oppstartede salg. Maskinlæringsbaserte prognoser kan ta tid i oppstartsfasen, men kan gi gode resultater i mange tilfeller. Vær oppmerksom på at resultatene kan være mindre pålitelige om det skjer raske endringer som ikke fanges opp av forklaringsvariablene i AI-modellen.

Avanserte metodikker med tilleggseffekter

De siste 2–3 årene har det skjedd mange utviklinger innen salg, spesielt på grunn av generativ AI. Dersom man kaller maskinlæringsbaserte prognoser for prediktive metoder, kan noen av de nye AI-baserte prognosene kalles preskriptive metoder. Ikke bare leverer de prognoser basert på datagrunnlag, men de kommer også med forslag til andre tiltak, for eksempel hvordan salgsresultatene kan forbedres. Dette kan være gjennom ytterligere analyse og flere forklaringsvariabler, men også fordi de utvider selve datagrunnlaget for analysen.

Gjennom for eksempel analyse av kundedialog i kundesentre eller e-postutveksling, avdekker man kundens kjøpsvillighet og hvilken atferd som påvirker den. Dette er innsikt som selgeren kan bruke for å vinne salget. Andre kombinerer eksterne markedsdata for å berike prognosene, gjøre risikoanalyse eller bistå med forbedring av salgsstrategi basert på kombinasjonen av pågående salg og markedsutvikling.

Det finnes også metoder for å optimalisere produksjonsplanlegging basert på AI-prognoser i kombinasjon med eksterne data og egne ERP-data. Dette er et område i rask utvikling, og i dag mer enn noensinne tidligere, handler det om å få tilgang til et omfattende datasett av høy kvalitet som man bruker fornuftig. Forventningen er at mange av de nyere verktøyene på dette området vil kunne lede til forbedring, ikke bare i salg, men også i markedsføring, kundeservice og strategi/forretningsutvikling.

IT verktøy som hjelper deg i prosessen

Alle de store CRM-leverandørene som Salesforce, Microsoft, SAP, Oracle, m.fl. har funksjoner som støtter salgsprognoser. Mens alle tilbyr historikkbaserte prognoser, er også AI-baserte prognoser under rask utvikling. De suitebaserte leverandørene med både ERP og CRM har også fordelen av å kunne bruke ordrehistorikk og andre prognoserelaterte data på en enklere måte.

I tillegg til de klassiske leverandørene, finnes det også en del nisjeleverandører med spesialisering på området. Eksempler er ValueOrbit som tilbyr «AI Forecast Coaching», som er en måte å bruke prognosene til å forbedre salgsarbeidet. C3 som har sterkt fokus på prognoser som samspiller med ERP slik at produksjon kan optimaliseres. En nykommer i sterk vekst som er verdt å nevne, er Gong, som leverer «Revenue Intelligence». Den bruker CRM-data og analyserer blant annet kundedialogene for å forbedre salgsprosesser og salgsprognoser.

Til slutt

Med et stort antall forklaringsvariabler, kan det være utfordrende å designe salgsprognoser i B2B-bedrifter. Det er likevel et betydelig gevinstpotensial i form av bedret salg, optimalisert produksjonsplanlegging, riktigere bemanning, bedre ekstern rapportering, støtte til strategi/forretningsplanlegging, bedre likviditetsstyring og mye mer.

Mine beste råd for å lykkes på området er:

• Ta hensyn til virksomhetens modenhet. Velg metoder og verktøy som passer til deres nivå. Start med det grunnleggende og bruk deres erfaringer til å forbedre prosessene løpende. 
• Sett sammen gode tverrfaglige team. Dere bør ha med folk med god forretningsforståelse innen salg, markedsføring og økonomi, i tillegg til eksperter som forstår de aktuelle teknologiene som påvirker bransjen. 
• Ha en realistisk forventning. Ikke regn med at salgsprognosene blir perfekte fra dag 1, og husk at det finnes realiserbare gevinster på alle nivå. 

Lyst til å dykke videre ned i dette fagområdet for å se om dere kan identifisere noen mulige gevinster? Ta kontakt med meg.