Kaedah Ramalan Jualan: 7 Pendekatan Dibandingkan

Kaedah ramalan jualan adalah rangka kerja analitik yang digunakan pasukan anda untuk meramalkan berapa banyak pendapatan yang akan anda tutup dalam tempoh tertentu. Memilih yang salah bukan sahaja memberikan anda nombor yang buruk. Ia melimpah ke dalam keputusan pengambilan pekerja, perancangan aliran tunai, dan kredibiliti peringkat lembaga.

Artikel ini memecahkan ketujuh-tujuh kaedah: data apa yang diperlukan oleh setiap satu, di mana ia berfungsi, di mana ia gagal, dan cara menggabungkannya apabila operasi anda matang.

Apakah ramalan jualan?

Ramalan jualan adalah anggaran berstruktur tentang pendapatan yang dijangkakan pasukan anda untuk ditutup dalam tempoh yang ditentukan: seminggu, sebulan, suku tahun, atau setahun.

Satu ayat itu kedengaran mudah. Tetapi ramalan melakukan banyak kerja berat dalam praktik. Kewangan menggunakannya untuk merancang aliran tunai dan headcount. Operasi menggunakannya untuk menetapkan quota dan sasaran wilayah. Eksekutif menggunakannya untuk pelaporan lembaga dan panggilan pelabur. Pemasaran menggunakannya untuk menyaiz perbelanjaan demand-gen. Apabila ramalan secara konsisten tersasar, keputusan hiliran itu menggandakan kerugian.

Memahami asas ramalan anda sebelum memilih kaedah lebih penting daripada yang disedari kebanyakan pasukan. Kaedah yang berfungsi untuk pasukan SMB 20-orang boleh gagal pada 200 orang dengan kitaran tawaran enterprise.

Fakta Utama

• Tinjauan CSO Gartner 2024 mendapati kurang daripada 25% organisasi jualan mencapai ketepatan ramalan dalam 5% secara konsisten.
• Forrester's B2B Revenue Waterfall adalah model yang paling banyak dirujuk untuk ramalan berwajaran peringkat, membentuk cara kebanyakan CRM menetapkan nilai kebarangkalian lalai (Forrester, 2023).
• Laporan Salesforce State of Sales 2024 mendapati 67% pemimpin jualan merancang untuk meningkatkan pelaburan AI untuk ramalan dalam 12 bulan akan datang.

7 kaedah ramalan jualan

1. Naluri wakil (berasaskan pendapat)

Setiap wakil memberitahu pengurus mereka apa yang mereka fikir akan ditutup dalam tempoh ini. Pengurus merangkum anggaran tersebut. Tiada formula, tiada penarikan data. Hanya pertimbangan.

Bila ia berfungsi: Syarikat peringkat awal dengan kurang daripada 10 wakil dan tawaran sentuhan tinggi berasaskan hubungan di mana wakil benar-benar mengetahui garis masa pembeli.

Bila ia gagal: Mana-mana organisasi dengan lebih daripada 15-20 wakil, di mana berat sebelah optimisme individu terkumpul menjadi ramalan yang menggembung secara struktural. Ia juga gagal apabila wakil mempunyai insentif peribadi untuk mengecilkan atau melebih-lebihkan anggaran.

Contoh ringkas: Syarikat permulaan SaaS 6-orang pada tahun pertamanya. Ketua jualan menyemak dengan setiap wakil pada hari Jumaat dan membina nombor bulan depan daripada panggilan tersebut. Ia cepat dan ia berfungsi. Sehingga headcount bertiga ganda.

---

2. Saluran jualan berwajaran peringkat (pipeline x kebarangkalian)

Setiap tawaran terbuka didarab dengan kebarangkalian yang diberikan kepada peringkat semasa. Jumlahkan nilai berwajaran tersebut dan anda mendapat ramalan anda.

Ramalan = Jumlah (Nilai Tawaran x Kebarangkalian Peringkat)

Ini adalah kaedah lalai yang dibina ke dalam kebanyakan CRM. Kebarangkalian peringkat sama ada ditetapkan oleh pentadbir (tersuai) atau ditarik dari win rate sejarah setiap peringkat.

Bila ia berfungsi: Pasukan dengan proses jualan yang ditakrifkan dan tawaran yang cukup untuk menjadikan kebarangkalian peringkat bermakna. Ia cepat, telus, dan mudah dijelaskan kepada VP.

Bila ia gagal: Apabila kebarangkalian peringkat ditetapkan sekali dan tidak pernah dikemas kini. Peringkat "Cadangan" dengan kebarangkalian 50% mungkin berjalan pada 30% berdasarkan kemenangan terkini. Ia juga gagal apabila wakil bermain dengan pipeline dengan mengekalkan tawaran dalam peringkat kebarangkalian rendah untuk mengurus jangkaan.

Contoh ringkas: Anda mempunyai $280K dalam pipeline terbuka. $100K berada di Penemuan (kebarangkalian 20%), $80K di Cadangan (50%), $60K di Perundingan (70%), dan $40K di Komit (90%). Ramalan berwajaran peringkat anda adalah $138K. Itulah nombor yang anda bawa ke semakan pendapatan mingguan anda.

Lihat pipeline vs ramalan untuk pandangan lebih mendalam tentang mengapa jumlah pipeline dan ramalan adalah metrik berbeza yang menjawab soalan berbeza.

---

3. Panjang kitaran (purata sejarah masa penutupan)

Anda mengira purata masa yang diambil oleh tawaran untuk bergerak dari penciptaan (atau tonggak utama seperti "Dilayakkan") ke penutupan. Kemudian anda menapis pipeline untuk tawaran yang sudah lampau berbanding yang tepat masanya dan memberi wajaran sewajarnya.

Bila ia berfungsi: Perniagaan transaksi dengan kitaran tawaran yang pendek dan boleh diramalkan di mana masa adalah pemboleh ubah utama. Juga berguna sebagai semakan kewarasan pada nombor berwajaran peringkat.

Bila ia gagal: Tawaran enterprise kompleks di mana tawaran yang 30 hari tertangguh mungkin masih sihat, berbanding tawaran transaksi di mana 5 hari tertangguh sudah berisiko.

Contoh ringkas: Purata kitaran tawaran anda adalah 45 hari. Anda mempunyai tawaran yang dicipta 60 hari lalu masih dalam Cadangan. Logik panjang kitaran menandakannya sebagai berisiko dan mendiskaun dengan lebih agresif berbanding kebarangkalian peringkatnya sahaja yang akan dicadangkan.

---

4. Trend sejarah / run-rate

Anda mengambil pendapatan berjaya ditutup terkini dan menunjukkannya ke hadapan. Jika anda menutup $300K suku tahun lepas dan perniagaan berkembang pada kadar 10% QoQ, anda meramalkan $330K suku tahun depan.

Bila ia berfungsi: Perniagaan yang stabil dan matang dengan prestasi yang konsisten. Cepat dihasilkan dan mudah dipertahankan apabila kadar pertumbuhan asas adalah stabil.

Bila ia gagal: Fasa pertumbuhan tinggi, perniagaan bermusim, atau mana-mana tempoh di mana pasaran sedang berubah. Run-rate adalah penunjuk lagging. Ia memberitahu anda di mana anda telah berada, bukan ke mana pipeline membawa anda.

Contoh ringkas: Syarikat SaaS $10M ARR dengan pertumbuhan QoQ yang konsisten sebanyak 8% membina ramalan lembaga menggunakan run-rate sebagai lantai, kemudian melapiskan kecerdasan pipeline untuk menetapkan siling.

---

5. Analisis regresi

Anda membina model statistik yang mengaitkan input pipeline sejarah (volum lead, peringkat tawaran, saiz tawaran, wakil, lini produk) dengan pendapatan yang sebenarnya ditutup. Model mempelajari pekali dan menggunakannya pada data pipeline semasa.

Bila ia berfungsi: Organisasi dengan 12+ bulan data CRM yang bersih dan penganalisis yang boleh membina dan mengekalkan model. Regresi menangkap corak yang tidak jelas, seperti fakta bahawa tawaran dengan dua pemegang kepentingan eksekutif ditutup pada kadar 2x berbanding tawaran pemegang kepentingan tunggal.

Bila ia gagal: Set data kecil (kurang daripada 200-300 tawaran yang ditutup), data CRM yang kotor, atau pasukan yang tidak dapat menerangkan model kepada CRO mereka. "Model mengatakan begitu" bukanlah jawapan yang mencukupi apabila lembaga bertanya mengapa anda tersasar sebanyak 20%.

Contoh ringkas: Pasukan operasi pendapatan menjalankan regresi berbilang pada 18 bulan tawaran yang ditutup dan mendapati bahawa tawaran dengan pelan penutupan bersama yang dipersetujui menjelang hari ke-10 peringkat Cadangan ditutup pada 78% berbanding 31% tanpanya. Mereka menambahnya sebagai input berwajaran kepada model ramalan mereka.

---

6. Siri masa (contoh, ARIMA, pelicinan eksponen)

Model siri masa merawat sejarah pendapatan anda sebagai urutan dan mencari corak: trend, bermusim, dan kitaran. ARIMA (AutoRegressive Integrated Moving Average) dan pelicinan eksponen adalah varian yang paling biasa.

Bila ia berfungsi: Perniagaan transaksi volum tinggi dengan bermusim yang jelas (runcit, e-dagang, jualan dalaman dengan ribuan tawaran setiap suku tahun). Model memerlukan banyak titik data untuk mengenal pasti corak dengan boleh dipercayai.

Bila ia gagal: Jualan enterprise dengan bilangan tawaran kecil dan suku tahun yang tidak menentu. Satu tawaran enterprise $2M yang ditutup atau tergelincir menjadikan isyarat siri masa tidak bermakna. Juga gagal dalam pasaran dengan perubahan struktural (pesaing baharu, anjakan produk) kerana model hanya boleh melihat ke belakang.

Contoh ringkas: Syarikat SaaS dengan 500+ tawaran SMB sebulan menggunakan ARIMA untuk meramalkan pendapatan langganan bulanan dengan ketepatan 92%, menangkap lonjakan pembelian akhir tahun S4 yang akan dilepaskan oleh model run-rate mudah.

---

7. Ramalan AI / ML

Model pembelajaran mesin memasukkan isyarat dari CRM, aktiviti e-mel, rakaman panggilan, data kalendar, dan sumber luaran (pusingan pembiayaan syarikat, penyiaran kerja, data niat) untuk menghasilkan ramalan peringkat tawaran dan agregat. Alat seperti Clari, Gong Forecast, dan Salesforce Einstein Revenue Intelligence jatuh dalam kategori ini.

Bila ia berfungsi: Organisasi dengan data CRM yang bersih, 12+ bulan sejarah tawaran yang ditutup, dan volum tawaran yang mencukupi untuk melatih model. Pelaksanaan terbaik menghasilkan skor peringkat tawaran (bukan hanya nombor keseluruhan) supaya wakil dan pengurus dapat bertindak berdasarkan isyarat.

Bila ia gagal: Kebersihan CRM yang lemah menghapuskan kelebihan isyarat. Pasukan kecil tidak mempunyai volum data untuk melatih model yang bermakna. Dan model kotak hitam yang tidak dapat menerangkan ramalan mereka mencipta ketidakpercayaan dalam ramalan.

Contoh ringkas: Sebuah organisasi jualan enterprise 150-wakil menggunakan lapisan ramalan AI di atas CRM mereka. Model menandakan 12 tawaran dalam kategori "Komit" sebagai berisiko berdasarkan kadar tindak balas e-mel yang menurun dan tiada kenalan eksekutif-ke-eksekutif terkini. Tiga daripada 12 itu akhirnya tergelincir. Pasukan dapat campur tangan pada dua daripadanya.

Semak kategori ramalan anda untuk memahami cara komit, kes terbaik, dan baldi pipeline berinteraksi dengan skor tawaran yang dijana AI.

Perbandingan kaedah sekilas pandang

Cara memilih kaedah yang betul (aliran keputusan)

Mulakan dengan dua soalan sebelum memilih kaedah:

Soalan 1: Berapa banyak tawaran yang anda tutup setiap suku tahun? Jika anda menutup lebih daripada 100 tawaran setiap suku tahun, kaedah siri masa dan regresi boleh mencari isyarat dalam volum. Di bawah ambang itu, anda tidak mempunyai data yang cukup untuk menjadikan kaedah statistik boleh dipercayai.

Soalan 2: Apakah purata saiz tawaran anda? Tawaran enterprise ASP tinggi ($50K+) tidak menentu. Satu tawaran yang bergerak masuk atau keluar mengayunkan nombor dengan ketara. Pasukan tersebut memerlukan kaedah berwajaran peringkat atau panjang kitaran (keterlihatan peringkat tawaran). Pasukan transaksi ASP rendah boleh lebih bergantung pada model agregat.

Logik penghalaan:

• Volum tinggi + ASP rendah: siri masa sebagai asas, regresi sebagai lapisan
• Volum rendah + ASP tinggi: berwajaran peringkat sebagai asas, panjang kitaran sebagai semakan kewarasan
• Mana-mana pasukan dengan belanjawan alatan dan data bersih: lapisan AI / ML di atas kaedah asas
• Peringkat awal / tiada data: mulakan dengan berwajaran peringkat dan jejak aktual berbanding ramalan dengan ketat supaya anda membina set data yang anda perlukan kemudian

Cara menggabungkan kaedah (ramalan campuran)

Pasukan pendapatan yang matang tidak memilih satu kaedah dan berhenti di sana. Mereka menjalankan dua atau tiga secara selari dan memberi wajaran pada output.

Pendekatan campuran yang biasa: saluran jualan berwajaran peringkat memberi anda pandangan dari bawah ke atas, peringkat tawaran. Trend run-rate memberi anda pandangan dari atas ke bawah, momentum. Apabila kedua-dua nombor berbeza dengan ketara (lebih daripada 15%), perbezaan itu sendiri adalah isyarat yang patut disiasat. Sama ada pipeline luar biasa kuat atau lemah berbanding sejarah terkini, atau data CRM adalah basi.

Lapisan pemarkahan AI duduk di atas mana-mana kaedah, menandakan tawaran tertentu yang dianggap oleh nombor agregat sebagai tepat masa tetapi isyarat tingkah laku mengatakan berisiko.

Matlamatnya bukan untuk merata-ratakan kaedah secara mekanikal. Ia adalah untuk menggunakan setiap satu bagi menguji tekanan yang lain.

Menjejak kelajuan pipeline bersama ramalan anda memberi anda penunjuk leading. Apabila kelajuan merosot, ramalan masa hadapan anda akan merosot sebelum nombor berwajaran peringkat menunjukkannya.

Cara mengukur ketepatan ramalan

Dua formula penting di sini:

MAPE (Mean Absolute Percentage Error): MAPE = min(|Aktual - Ramalan| / Aktual) x 100

MAPE memberitahu anda sejauh mana anda tersasar secara purata, sebagai peratusan. MAPE 8% bermakna ramalan anda tersasar kira-kira 8% secara purata, dalam mana-mana arah.

Berat sebelah Ramalan: Berat sebelah = min(Ramalan - Aktual)

Berat sebelah positif bermakna anda secara konsisten meramalkan berlebihan. Negatif bermakna anda secara konsisten meramalkan berkurangan. Kedua-duanya adalah masalah, tetapi masalah yang berbeza. Meramalkan berlebihan secara konsisten menjejaskan kepercayaan dan membawa kepada pengambilan pekerja berlebihan. Meramalkan berkurangan secara konsisten membawa kepada kurang sumber dan peluang pertumbuhan yang terlepas.

Contoh jadual ketepatan:

MAPE = (7.7 + 2.1 + 13.6 + 2.0) / 4 = 6.4%

Berat sebelah = (+0.15M - 0.05M + 0.30M - 0.05M) / 4 = +$87.5K (kecenderungan ramalan berlebihan yang sedikit)

Lihat ketepatan ramalan untuk panduan lebih mendalam tentang menjejak dan meningkatkan metrik ini dari masa ke masa.

Kadens ramalan: mingguan, bulanan, suku tahunan

Kadens berbeza melayani tujuan yang berbeza dan sesuai dengan kaedah yang berbeza:

Mingguan: Saluran jualan berwajaran peringkat atau skor tawaran AI. Matlamatnya adalah untuk menandakan tawaran yang bergerak masuk atau keluar dari kategori komit, bukan untuk meramal semula suku tahun penuh. Keterlihatan peringkat wakil, tindakan pengurus.

Bulanan: Semakan trend run-rate berbanding aktual dari awal suku tahun. Adakah kadar tempahan konsisten dengan mencapai sasaran suku tahunan? Ini juga bila anda mengemas kini kebarangkalian peringkat jika anda menjejak aktual mengikut peringkat.

Suku tahunan: Ramalan penuh. Gunakan kaedah campuran anda (model asas + lapisan), bentangkan selang keyakinan, dan dokumentasikan andaian di sebalik nombor. Ini adalah ramalan yang dilihat oleh lembaga.

Skor kelayakan rangka kerja BANT adalah satu input berguna kepada rol naik bulanan dan suku tahunan. Tawaran yang mendapat skor baik pada kemasukan tetapi sejak itu menjadi pendiam adalah calon untuk penurunan pangkat.

Kesilapan ramalan yang biasa

• Menetapkan kebarangkalian peringkat sekali dan melupakannya. Win rate berubah. Kebarangkalian Cadangan 50% yang ditetapkan dua tahun lalu mungkin 30% hari ini jika anda telah bergerak ke atas pasaran.
• Melayan ramalan sebagai komitmen dan bukan anggaran. Apabila wakil tahu nombor ramalan akan dipegang terhadap mereka secara peribadi, mereka mengecilkan anggaran. Ramalan kehilangan isyarat.
• Mengabaikan usia tawaran. Tawaran di Cadangan yang telah berada di sana selama 90 hari dalam kitaran 45 hari purata bukanlah perkara yang sama dengan yang masuk Cadangan minggu lepas. Logik panjang kitaran wujud atas sebab ini.
• Meramal dari pipeline yang belum dibersihkan. Tawaran zombie (tiada aktiviti selama 60+ hari, tiada kemas kini tarikh penutupan) menggembungkan nombor berwajaran peringkat. Pemeriksaan tawaran yang kerap adalah prasyarat untuk ramalan yang bersih.
• Terlalu bergantung pada label kategori komit. "Komit" bermakna perkara yang berbeza kepada wakil yang berbeza. Tanpa definisi yang dikongsi dan proses pemeriksaan tawaran, baldi komit hanyalah bentuk lain dari naluri.
• Tiada post-mortem pada ketersasaran. Jika anda tidak menjejak apa yang menyebabkan ketersasaran (tawaran tergelincir, tawaran hilang, tawaran baharu ditambah lewat), anda tidak dapat memperbaiki ralat sistematik.

Soalan lazim

Apakah kaedah ramalan jualan yang paling tepat? Untuk kebanyakan pasukan mid-market dan enterprise, model campuran menggunakan saluran jualan berwajaran peringkat sebagai asas dan lapisan AI/ML menghasilkan ketepatan tertinggi. Tinjauan CSO Gartner 2024 mendapati bahawa ramalan berbantukan AI meningkatkan ketepatan sebanyak 10-20 mata peratusan dalam organisasi dengan data CRM yang bersih dan 12+ bulan sejarah. Tetapi ketepatan bergantung pada kualiti data dahulu. Kaedah canggih yang digunakan pada data kotor akan berprestasi lebih rendah daripada kaedah mudah yang digunakan pada data bersih.

Apakah ramalan berwajaran peringkat? Ramalan berwajaran peringkat mendarab nilai setiap tawaran terbuka dengan kebarangkalian yang diberikan kepada peringkat pipeline semasa. Contohnya, tawaran $100K di peringkat Cadangan dengan kebarangkalian 50% menyumbang $50K kepada ramalan. Jumlahkan semua nilai tawaran berwajaran dan anda mendapat nombor ramalan keseluruhan. Ini adalah kaedah lalai dalam kebanyakan CRM dan pendekatan yang paling banyak digunakan dalam jualan B2B.

Bagaimana AI mengubah ramalan jualan? Alat ramalan AI melampaui kebarangkalian peringkat. Mereka memasukkan isyarat tingkah laku (kadar balasan e-mel, kekerapan mesyuarat, penglibatan pemegang kepentingan, muat turun kontrak) dan menetapkan skor risiko peringkat tawaran. Mereka juga boleh mengesan corak merentasi ribuan tawaran sejarah yang akan dilepaskan oleh penganalisis manusia, seperti fakta bahawa tawaran dengan urutan aktiviti tertentu (panggilan penemuan + demo + semakan keselamatan) ditutup pada kadar 2x berbanding laluan lain. Hadnya adalah kualiti data: model AI memerlukan sekurang-kurangnya 12 bulan data CRM yang bersih dan berstruktur untuk menghasilkan isyarat yang boleh dipercayai.

Bagaimana anda mengira ketepatan ramalan? Dua metrik standard adalah MAPE dan berat sebelah. MAPE mengukur purata ralat peratusan tanpa mengira arah. Berat sebelah mengukur sama ada anda secara konsisten meramal berlebihan atau berkurangan. Kira kedua-duanya pada penghujung setiap suku tahun menggunakan formula: MAPE = min(|Aktual - Ramalan| / Aktual) x 100. Kebanyakan organisasi jualan berprestasi tinggi menyasarkan MAPE di bawah 10% pada asas empat suku tahun bergerak.

Berapa kerap anda perlu meramal? Kebanyakan pasukan menjalankan tiga kadens secara selari: semakan peringkat tawaran mingguan (menggunakan berwajaran peringkat atau skor AI), semakan run-rate bulanan berbanding sasaran suku tahun, dan ramalan suku tahunan penuh untuk pelaporan kewangan dan lembaga. Kadens mingguan adalah di mana pengurus mengambil tindakan; kadens suku tahunan adalah di mana andaian didokumentasikan dan dipertahankan.

---

Ramalan jualan adalah salah satu disiplin di mana mencapai 80% daripada perjalanan adalah mudah dan 20% terakhir adalah di mana kebanyakan organisasi terhenti. Pilih kaedah asas yang sepadan dengan kematangan data dan volum tawaran anda. Jejak aktual berbanding ramalan dengan ketat. Jalankan post-mortem ringkas selepas setiap suku tahun. Lama-kelamaan, data yang anda kumpulkan membolehkan anda lulus kepada kaedah yang lebih canggih. Dan ramalan mula melakukan apa yang sepatutnya: memberi anda amaran awal yang mencukupi untuk bertindak, bukan sekadar nombor untuk dilaporkan.