Umsatzprognose - mindestens von Reps - ist tot

Umsatzprognose - mindestens von Reps - ist tot
Da Vertriebs- und Finanzteams ihre Umsatzprognosen für 2015 erstellen, werden die Umsatzprognosen noch genauer unter die Lupe genommen. Das wirft einen Blick auf eines der großen Paradoxa des Verkaufs: Optimismus und laterales Denken sind das Markenzeichen eines "näher & rdquo; und die Hauptattribute eines lausigen Prognostikers.

Da Vertriebs- und Finanzteams ihre Umsatzprognosen für 2015 erstellen, werden die Umsatzprognosen noch genauer unter die Lupe genommen. Das wirft einen Blick auf eines der großen Paradoxa des Verkaufs: Optimismus und laterales Denken sind das Markenzeichen eines "näher & rdquo; und die Hauptattribute eines lausigen Prognostikers.

Related: Startup Business Prognosen sind nicht Black Magic, nur Smart Business

Aber wenn Unternehmen loben Reps für all diesen Optimismus und Querdenken zu streben, ist es unaufrichtig, die gleichen Wiederholungen zu setzen in der Strafbox, um die falsche Nummer anzurufen.

Einige würden argumentieren, dass Prognosen ein notwendiges Übel sind, da es Verantwortlichkeit antreibt. Dafür sorgen Quoten und variable Vergütungen. Andere behaupten, dass das Know-how der Vertriebsmitarbeiter aus erster Hand für den Prognoseprozess entscheidend ist. Ein CSO Insights-Bericht hat dieses Missverständnis aufgehalten, als festgestellt wurde, dass 54 Prozent der von den Vertretern prognostizierten Deals niemals schließen.

In den meisten Fällen werden Unternehmen besser bedient, indem sie Reps verkaufen und Forecasting einer neuen Reihe von Technologien überlassen Datenwissenschaft. Nach unserer Erfahrung haben Kunden viel zu gewinnen, wenn sie manuelle Prognoseprozesse durch einen Ansatz ersetzen, der sich auf Predictive Analytics konzentriert.

Tatsächlich erreichen diese Prozesse eine durchschnittliche Prognoseprognose von 82 Prozent für jedes einzelne Geschäft (gegenüber die 46 Prozent CSO Insights berichtet) und über 95 Prozent Genauigkeit in der aggregierten (gegenüber dem Branchendurchschnitt von 76 Prozent). Als Ergebnis erhalten Verkaufsteams zusätzliche zweieinhalb Stunden Verkaufszeit (die durchschnittliche Zeit, die nach Sirius Decisions für Prognosen aufgewendet wird). Hier sind drei Gründe warum:

1. Eine unvoreingenommene Sichtweise

Der Vorteil datenwissenschaftlicher Vorhersagen liegt darin, dass sie nicht durch die inhärenten Verzerrungen verzerrt werden, die bei der Eingabe von Daten durch den Menschen auftreten. Ein typisches Beispiel: Ein Unternehmen, das wir kennen, hat kürzlich eine Reihe von Vorhersagealgorithmen implementiert, um zu bestimmen, welche Angebote seine Vertriebsmitarbeiter schließen würden. Nach einigen Tagen kam das Unternehmen zu dem Schluss, dass die Modelle ungenau sein müssten. Tatsächlich deuteten die Modelle an, dass die Vertreter bessere Chancen hatten, Deals zu gewinnen, wenn sie gegen andere Anbieter konkurrierten, im Vergleich zu denen, bei denen überhaupt keine Konkurrenten im Rennen waren.

Aber als die Unternehmensanalysten die spezifischen Deals genauer unter die Lupe nahmen gelernt, dass die Modelle doch recht hatten. Es stellte sich heraus, dass die meisten Vertreter, die angaben, dass keine Wettbewerber in Betracht gezogen wurden, dies taten, weil sie ihre Hausaufgaben nicht gemacht hatten. Sie waren sich der Wettbewerber, der Haushaltsfaktoren und des Entscheidungsprozesses des Kunden nicht bewusst. Wäre dieser Schlüsselfaktor nicht aufgedeckt worden, hätten die Mitglieder des Teams weiter daran gedacht, dass ein Mangel an Wettbewerb ihre Chancen, Geschäfte abzuschließen, tatsächlich beeinträchtigt hätte.

2. Die Fähigkeit, vorauszusehen, was vor uns liegt

Zendesk ist ein ausgezeichnetes Beispiel für ein Unternehmen, das die Leistungsfähigkeit von Predictive Analytics zur Steigerung der Prognosegenauigkeit genutzt hat. Das Geschäft hat einen relativ kurzen Verkaufszyklus, so dass viele der bis zum Ende des Quartals geschlossenen Verträge nicht einmal in der Pipeline sind, wenn das Quartal beginnt.

Verwandte: Warum Ihre Verkaufsprognose von der Realität abgekoppelt ist

Dass es keinen Einblick in das gibt, was schlussendlich schliesst, ist die Art von Dingen, die die Verkaufsmanager in der Nacht wach halten. Glücklicherweise greift Predictive Analytics das Problem so auf, dass manuelle Analysen nicht mithalten können. Die besten Vorhersagemodelle projizieren die Einnahmen, die die aktuelle Pipeline erzielen wird, indem sie bestimmen, welche Transaktionen geschlossen werden und wann. Dann gehen diese Modelle einen Schritt weiter, indem sie die Einnahmen aus Geschäften berechnen, die die Unternehmen noch nicht identifiziert haben (klingt zu gut, um wahr zu sein?).

Durch die Analyse historischer Verkaufszyklen, aktueller Transaktionsgeschwindigkeit und externer makroökonomischer Faktoren, Diese Modelle können Ergebnisse liefern, die selbst die besten Prognostiker neidisch machen.

3. Eine Fähigkeit, sich ständig anzupassen

Sobald Kunden ein Vorhersagemodell bereitgestellt haben, fragen sie oft, wann die Berater zurückkommen müssen, um sie neu abzustimmen. & quot; nie & quot; ist meine Antwort. Heutzutage sind die besten Vorhersagelösungen darauf angewiesen, dass Maschinen lernen, sich neu auszurichten. Um dies zu erreichen, evaluieren Algorithmen ständig die Korrelation zwischen den einzelnen Geschäftsattributen wie Geografie, Industrie oder Produkt und den gewünschten Ergebnissen wie Gewinnraten und Schliessungsterminen.

Wenn neue Korrelationen entstehen, werden sie in den Vorhersagen automatisch. Wenn zum Beispiel ein Unternehmen beschließt, in einen internationalen Markt einzusteigen, kann ein Merkmal wie Geographie plötzlich von immateriell zu hoch relevant werden. Vergleichen Sie die sich ständig weiterentwickelnde Art solcher Algorithmen mit der statischen Qualität von Tabellenkalkulationsmodellen. Es ist nicht ungewöhnlich, dass ein Analyst ein solches Modell aufstellt und es dann nicht für mehrere Quartale wiederholt. In einer Umgebung, in der sich die Veränderungsrate ständig erhöht, ist maschinelles Lernen einer der zwingendsten Aspekte der modernen Datenwissenschaft.

Fortschritte in diesem Bereich zwingen uns dazu, eine grundlegende Verkaufsannahme zu überdenken, die Verkaufsprofis besitzen sollten die Vorhersage. Wenn Predictive Analytics in kürzerer Zeit bessere Ergebnisse liefert, ist es vielleicht an der Zeit, ein paar Vorhersagemodelle anzuheuern, damit die Mitarbeiter wieder das tun können, was sie am besten können: closing.

Verwandte Themen: Wie Predictive Analytics für Ihr Unternehmen funktioniert