AI forecasting vs traditionele forecasting

Traditionele forecasting gebruikt vaste regels die mensen hebben bedacht: een percentage per pipelinefase, de inschatting van de verkoper, of vorig jaar plus een groeicijfer. AI forecasting leert die regels zelf uit je historische data en past ze per deal en per klant toe. AI wint meestal bij veel data, veel signalen en een forecast die elke week moet kloppen; de traditionele aanpak wint bij weinig data, veel grote eenmalige deals en wanneer uitlegbaarheid zwaarder weegt dan de laatste procenten nauwkeurigheid.

Wat valt onder traditionele forecasting

"Traditioneel" is geen enkele methode. In B2B kom je er vier tegen, vaak door elkaar.

• De commit van sales. Elke verkoper geeft aan welke deals hij dit kwartaal binnenhaalt. De salesmanager telt op en haalt er naar gevoel iets af.
• Fasegewogen pipeline. Elke fase in het CRM heeft een vast percentage. Waarde keer percentage, opgeteld, is de forecast. Salesforce, HubSpot en Pipedrive hebben dit standaard ingebouwd.
• Top-down trend. Vorig jaar plus een percentage, eventueel met een seizoenspatroon. Meestal gemaakt door finance in Excel, op basis van de boekhouding.
• Driver-based. Een spreadsheetmodel met aannames: zoveel leads, zoveel conversie, zoveel gemiddelde dealwaarde. Handig voor budgetten, zwak als voorspelling, omdat elke aanname een schatting is.

Wat deze methodes delen: een mens bepaalt de regel, en de regel geldt voor alles in dezelfde categorie.

Wat AI forecasting anders doet

Een AI-model krijgt de uitkomsten uit het verleden en zoekt zelf welke kenmerken samenhingen met winnen, verliezen en vertraging. Het past die per deal of per klant toe. Twee deals in dezelfde fase kunnen dan een heel andere kans krijgen, omdat de ene al vier maanden stilstaat en de andere vorige week drie gesprekken had. Hoe zo'n model leert en getoetst wordt, lees je in AI revenue forecasting uitgelegd.

Het verschil op een rij

Waar traditionele forecasting structureel misgaat

De zwakte van de klassieke methode is zelden de rekenkunde. Het is dat de input van mensen komt die er belang bij hebben.

Een verkoper die zijn target moet halen, houdt deals langer open. Een manager die het kwartaal wil redden, schuift sluitdatums een maand op in plaats van deals af te sluiten. Een fasepercentage van 50 procent dat ooit klopte, klopt niet meer als het salesproces is veranderd, en niemand past het aan. Die mechanismen staan uitgebreider in waarom sales forecasts vaak verkeerd zijn.

Het gevolg is niet alleen onnauwkeurigheid, maar bias: een fout die steeds dezelfde kant op wijst. Een forecast die elk kwartaal 10 procent te hoog is, is eigenlijk goed voorspelbaar. Alleen corrigeert niemand ervoor.

Waar AI forecasting structureel misgaat

AI heeft geen belang bij het halen van een target, maar het heeft andere zwaktes.

• Het leert van het verleden. Nieuwe producten, een nieuwe markt of een prijswijziging zitten niet in de historie. Het model weet dan niet wat het niet weet.
• Het leert ook je slechte gewoontes. Als deals jarenlang niet op verloren zijn gezet, leert het model dat oude deals soms nog sluiten. Dat is dan waar in je data, maar niet in werkelijkheid.
• Weinig data geeft wilde uitkomsten. Met 50 deals per jaar vindt een complex model patronen die toeval zijn.
• Moeilijk uit te leggen. Als een verkoper niet begrijpt waarom zijn deal op 15 procent staat, vertrouwt hij het model niet, en dan wordt het genegeerd.

Hoe je ze eerlijk tegen elkaar test

Discussies over welke methode beter is, gaan meestal over gevoel. Je kunt het ook meten, met een backtest: laat beide methodes voorspellen op een periode uit het verleden, met alleen de informatie die toen beschikbaar was, en vergelijk met wat er echt gebeurde.

Rekenvoorbeeld: stel je vergelijkt vier kwartalen, in miljoenen euro's.

De traditionele forecast zat gemiddeld 10,3 procent ernaast, en elke keer te hoog. De AI-forecast zat gemiddeld 4,9 procent ernaast, soms te hoog en soms te laag.

Twee lessen. Ten eerste is de AI-forecast in dit voorbeeld nauwkeuriger. Ten tweede is de traditionele forecast systematisch te hoog. Die bias is op zich al waardevolle informatie: zelfs zonder AI had een correctie van 10 procent op de commit het gat grotendeels gedicht. Een backtest vertelt je dus niet alleen welke methode wint, maar ook wat er mis is met de methode die je nu hebt.

Let bij een backtest op drie dingen:

1. Gebruik alleen data van toen. Het CRM van vandaag bevat bijgewerkte sluitdatums en bedragen. Als je systeem geen historie van wijzigingen bewaart, is een eerlijke backtest lastig. Begin dan nu met wekelijks een momentopname op te slaan.
2. Meet op het niveau waarop je stuurt. Een methode die per kwartaal goed is maar per maand slecht, is prima voor de directie en onbruikbaar voor kasplanning.
3. Kijk naar bias én spreiding. Gemiddelde afwijking zegt hoe ver je ernaast zit. De richting zegt of je structureel te optimistisch bent.

Wanneer welke aanpak

Traditioneel volstaat of wint als je weinig deals per jaar sluit, als een handvol grote deals het jaar bepaalt, als je CRM-historie kort of onbetrouwbaar is, of als je bedrijf net iets fundamenteels heeft veranderd. Voor veel kleinere bedrijven is een eerlijke top-down trend plus een kritisch doorgelopen dealslijst de beste forecast die er te maken is. Meer daarover in revenue forecasting voor MKB.

AI wint als je honderden deals of duizenden orders per jaar hebt, als je naast het CRM ook facturatie, contracten en klantgedrag kunt koppelen, en als de forecast vaak moet worden bijgewerkt zonder dat iemand er een dag mee bezig is.

Een combinatie werkt in de meeste bedrijven het best. Het model geeft per deal een kans, de verkoper geeft zijn inschatting. Waar ze het eens zijn, hoef je niet te praten. Waar ze sterk verschillen, zit het gesprek. Het model kan dingen zien die de verkoper mist (de deal staat al twee keer zo lang stil als normaal), de verkoper weet dingen die niet in het systeem staan (de beslisser belde gisteren). De eindverantwoordelijkheid blijft bij een mens, het principe achter human-in-the-loop AI.

Voor de terugkerende basis werkt een model op factuurdata vaak het best, zie forecasting op basis van historische omzet. Voor nieuwe deals het combimodel hierboven. Hoe die lagen samen één forecast worden, staat in de complete uitleg over revenue forecasting.

Wat een overstap kost

De grootste kostenpost is zelden de software. Het is de data. Een AI-forecast vraagt om een CRM waarin deals op tijd worden afgesloten, sluitdatums worden bijgehouden en gewonnen deals aan facturen te koppelen zijn. Dat opschonen kost tijd, maar het levert ook zonder AI al een betere forecast op.

De tweede kostenpost is vertrouwen. Draai het model eerst een paar kwartalen naast je huidige methode, zonder dat er iets van afhangt. Pas als het aantoonbaar beter is, laat je het meewegen.

Controlelijst voor je keuze

1. Hoeveel afgesloten deals of orders heb je per jaar, en hoeveel jaar historie?
2. Wordt verloren ook echt op verloren gezet, en binnen welke termijn?
3. Bewaart je CRM de historie van fase- en datumwijzigingen?
4. Kun je gewonnen deals koppelen aan facturen?
5. Hoe ver zat je huidige forecast de afgelopen vier kwartalen ernaast, en in welke richting?
6. Wie moet de forecast kunnen uitleggen, en aan wie?

Veelgestelde vragen

Is AI forecasting altijd nauwkeuriger?

Nee. Bij veel data en een stabiele markt meestal wel, bij weinig data of na een grote verandering niet vanzelf. Alleen een backtest op je eigen data geeft het antwoord.

Kun je traditionele forecasting verbeteren zonder AI?

Ja. Meet je bias en corrigeer ervoor, zet oude deals consequent op verloren, en leg de sales-forecast naast een top-down trend. Dat levert vaak al een groot deel van de winst op.

Wat is het grootste risico van AI forecasting?

Dat mensen het getal geloven zonder te begrijpen waar het vandaan komt. Een model zonder uitleg en zonder bandbreedte wekt meer zekerheid dan het heeft.

Moeten verkopers nog een forecast afgeven als er een model is?

Ja. Hun inschatting is informatie die het model niet heeft. Het verschil tussen verkoper en model is precies waar je naar moet kijken.