B2B-salgsprognose rammer forkert? Sådan retter I konverteringen
Når en B2B-salgsprognose konsekvent rammer forkert, er årsagen næsten altid uklare målsegmenter og svage pipeline-stadier.
Lav konverteringsrate og upålidelig forecasting er to symptomer på samme grundproblem, og retter man segmentering og stadiedefinitioner samtidig, angriber man begge symptomer ved roden.
Hvorfor salgsprognoser rammer forkert, selv når pipelinen ser fuld ud
En fyldt pipeline er noget andet end en pålidelig pipeline, fordi antallet af åbne deals ikke siger noget om hvor realistisk hver enkelt deal reelt er.
De fleste forecasting-modeller vægter alle deals i samme pipeline-fase ens, selvom deals i den fase kan have vidt forskellig sandsynlighed for at lukke afhængigt af hvilket segment kunden tilhører.
Sælgerne oplever høj aktivitet, mens ledelsen ser et pipeline-tal der sjældent oversættes til faktisk omsætning.
Når målene primært er aktivitetsbaserede, som beskrevet i gennemgangen af hvordan B2B-salgsteams sætter mål der faktisk forbedrer performance, vokser problemet typisk kvartal for kvartal.
Den skjulte sammenhæng mellem konverteringsrate og prognosepræcision
Konverteringsrate og prognosepræcision er to sider af samme tal, fordi en prognose beregnes ud fra forventede konverteringsrater pr. pipeline-fase.
Hvis den faktiske konverteringsrate varierer markant mellem segmenter, men modellen bruger ét gennemsnitligt tal for hele pipelinen, vil prognosen ramme forkert selv i perioder med stabil aktivitet.
I mange B2B-salg er forskellen mellem segmenter større end forskellen mellem enkelte sælgere. Se også gennemgangen af hvad der er normalt for win rate i B2B salg.
Fem diagnostiske signaler på at jeres prognosemodel er i stykker
Fem signaler afslører typisk om en prognosemodel er kalibreret forkert, uanset branche eller virksomhedsstørrelse.
- Deals der sidder fast i fasen: Deals bliver konsekvent i samme fase længere end den definerede gennemsnitlige varighed, uden at blive rykket videre eller tabt.
- Vindrate varierer mellem segmenter: Vindraten for ét segment er markant højere eller lavere end gennemsnittet, men pipelinen vægtes stadig ens på tværs af segmenter.
- Faldende deal velocity: Tiden fra første møde til lukket deal stiger over flere kvartaler, selvom aktivitetsniveauet er uændret.
- Uklare fasedefinitioner: To sælgere placerer samme type deal i forskellige faser, fordi exit-kriterierne for hver fase ikke er entydige.
- Statiske target-lister: De samme konti har stået på listen i flere kvartaler uden at bevæge sig gennem pipelinen, hvilket typisk peger på forkert målretning fremfor manglende opfølgning.
Sådan forbedrer I B2B-konverteringsraten ved at rette målretning og segmentering først
Konverteringsraten stiger først markant, når salgsindsatsen rettes mod de konti der faktisk matcher den idealkundeprofil virksomheden historisk har vundet mest hos.
Eksisterende kunder er en undervurderet datakilde til at validere eller justere en idealkundeprofil, fordi de allerede har bekræftet at løsningen passer til deres situation. Metoden er beskrevet i hvordan eksisterende kunder bruges i B2B-segmentering.
Når segmenteringen er valideret, kan prioritering af konti understøttes af modeller der rangerer leads efter sandsynlighed for at konvertere, som gennemgået i artiklen om predictive lead scoring, så salgstiden bruges på de konti med størst reel chance for at lukke.
Sådan bygger I pipeline-stadier og exit-kriterier der gør prognosen pålidelig
En pipeline-fase er kun nyttig til forecasting, hvis den har et entydigt exit-kriterium der afgør hvornår en deal reelt rykker videre.
- Definér et konkret, observerbart kriterium for hver fase, for eksempel at en budgetejer har bekræftet budget skriftligt.
- Fjern faser der beskriver en aktivitet frem for en kundebeslutning, da aktivitetsbaserede faser sjældent forudsiger om en deal lukker.
- Gennemgå kvartalsvis om deals rent faktisk opfylder kriteriet for den fase de er registreret i, og flyt dem der ikke gør.
Tabel: symptomer, grundårsager og løsninger på forkerte prognoser
Nedenstående tabel samler de mest almindelige symptomer med deres sandsynlige grundårsag og den konkrete rettelse.
| Symptom | Sandsynlig grundårsag | Løsning |
|---|---|---|
| Prognosen rammer konsekvent for højt | Pipeline inkluderer deals uden bekræftet beslutningstager | Stram exit-kriterier for tidlige faser |
| Konverteringsraten varierer meget mellem kvartaler | Segmenter blandes sammen i samme forecast-model | Opdel forecasting pr. segment |
| Deals sidder fast i samme fase i lang tid | Fasen mangler et entydigt exit-kriterium | Definér observerbare kriterier pr. fase |
| Samme konti står på target-listen i flere kvartaler | Forkert målretning snarere end manglende opfølgning | Gentjek idealkundeprofilen og prioritér konti efter fit |
Tre skridt til at samle konvertering og prognose i næste kvartal
Tre skridt angriber både konverteringsrate og prognosepræcision, hvis de gennemføres i rækkefølge.
- Valider idealkundeprofilen ud fra de konti der historisk har konverteret bedst, og prioritér pipelinen derefter.
- Definér entydige exit-kriterier for hver pipeline-fase, så en deal kun kan rykke videre når kriteriet er opfyldt.
- Opdel forecasting pr. segment i stedet for ét samlet gennemsnitstal, så variation i vindrater bliver synlig i prognosen.
Når segmentering og pipeline-stadier rettes samtidig, påvirkes konverteringsrate og prognoseafvigelse af de samme ændringer, fordi begge tal beregnes ud fra den samme underliggende pipeline-struktur.
Ofte stillede spørgsmål
Hvad er den mest almindelige årsag til at en B2B-salgsprognose rammer forkert?
Den mest almindelige årsag er uklare pipeline-stadier kombineret med en idealkundeprofil der ikke er valideret på nyere data. Når faser mangler entydige exit-kriterier, registreres deals forskelligt af forskellige sælgere, og forecasting-modellen arbejder med inkonsistente input. Resultatet er en prognose der ser præcis ud på overfladen, men som reelt bygger på et usikkert grundlag.
Hvor lang tid tager det at rette en forkert kalibreret pipeline?
De første forbedringer kan ofte måles, når nye exit-kriterier og forecasting opdelt pr. segment har kørt et kvartal. Fuld effekt på vindrater og prognosepræcision tager typisk længere, fordi det kræver at nok deals har passeret gennem de nye, strammere stadier til at data bliver pålidelige.
Hvornår giver det mening at revidere sin idealkundeprofil frem for bare at øge aktivitetsniveauet?
Det giver mening så snart vindraten varierer markant mellem segmenter, eller når target-listen har stået uændret i flere kvartaler uden fremdrift. Øget aktivitet mod de forkerte konti forstørrer typisk blot det eksisterende problem. En revideret idealkundeprofil bør altid valideres mod data fra allerede vundne kunder, før salgsindsatsen skaleres op.
Hvad er exit-kriterier i en salgspipeline?
Exit-kriterier er de konkrete, observerbare betingelser der skal være opfyldt, før en deal kan flyttes fra én pipeline-fase til den næste. Et eksempel er at en budgetejer skriftligt har bekræftet budget, frem for at sælgeren subjektivt vurderer at kunden virker interesseret. Uden entydige exit-kriterier bliver fase-placering en skønssag, og forecasting-modellen mister sin pålidelighed.
Kan lav konverteringsrate skyldes for få leads frem for forkert segmentering?
Det kan forekomme, men i de fleste B2B-organisationer med en fyldt pipeline er problemet kvalitet frem for volumen. Flere leads mod en upræcis idealkundeprofil øger som regel blot antallet af deals der aldrig burde være kommet ind i pipelinen. Segmentering og lead-kvalitet bør derfor altid undersøges før en beslutning om at øge leadvolumen.
Sådan kommer I videre med jeres forecast
Radiant er et hold af B2B-salgsspecialister, der eksekverer salg og forbedrer måden salg gøres på, og med Sales Performance & Market Focus valideres idealkundeprofil, segmentering og pipeline-kriterier som ét sammenhængende arbejde.
Vil du have et konkret billede af hvor jeres forecast og konverteringsrate afviger fra hinanden? Talk with a Partner.