AI revenue forecasting uitgelegd

AI revenue forecasting is het voorspellen van omzet met modellen die zelf leren van je historische deals, facturen en klantgedrag, in plaats van met kansen die iemand per fase heeft ingevuld. Het model schat per deal en per klant hoe waarschijnlijk omzet is en wanneer die komt, en telt dat op tot een forecast met een bandbreedte. Het werkt alleen als er genoeg historie is en de data klopt, en het vervangt het oordeel van de mensen die de klanten kennen niet.

Wat AI anders doet dan een gewone forecast

Een traditionele pipeline-forecast werkt met vaste regels. Een deal in de fase "Offerte verstuurd" telt voor 50 procent, een deal in "Onderhandeling" voor 75 procent. Die percentages heeft ooit iemand bedacht, en ze gelden voor elke deal in die fase, of hij nu gisteren is aangemaakt of al acht maanden stilstaat.

Een AI-model draait dat om. Het kijkt naar alle deals die je in het verleden hebt gewonnen en verloren, en leert welke kenmerken daar samenhingen met winnen, met verliezen en met vertraging. Denk aan:

• hoe lang een deal al in de huidige fase staat, vergeleken met jouw normale doorlooptijd;
• hoe vaak de sluitdatum al is verschoven;
• het aantal contactmomenten in de laatste weken, uit mail en agenda;
• de omvang van de deal ten opzichte van wat die klant of dat segment gewoonlijk koopt;
• of het een nieuwe klant is of een bestaande;
• hoe de verkoper zijn eigen deals historisch heeft ingeschat.

Voor terugkerende omzet kijkt een model naar het afnamepatroon per klant, betaalgedrag, supporttickets en contractdata. Daaruit volgt per klant een verwachting, in plaats van één groeipercentage over alles.

Het verschil met de klassieke aanpak werk ik verder uit in AI forecasting vs traditionele forecasting. Hier gaat het om hoe het werkt.

Hoe een forecastmodel leert

In gewone taal gaat het zo.

1. Verzamelen. Het model krijgt een tabel met alle afgesloten deals uit de afgelopen jaren: per deal de kenmerken zoals ze waren op het moment dat hij nog open stond, en de uitkomst (gewonnen of verloren, en wanneer).
2. Trainen. Het model zoekt het verband tussen de kenmerken en de uitkomst. Veelgebruikte technieken zijn logistische regressie en gradient boosting voor de kans op winnen, en tijdreeksmodellen voor terugkerende omzet.
3. Toetsen. Je laat het model een periode voorspellen die het niet heeft gezien, bijvoorbeeld het afgelopen kwartaal, en vergelijkt met wat er echt gebeurde. Alleen als het daar beter scoort dan je huidige methode, heeft het waarde.
4. Toepassen. Het model beoordeelt elke open deal en elke klant, en telt de verwachtingen op tot een forecast.
5. Bijleren. Elke gesloten deal wordt nieuwe trainingsdata. Een goed ingericht systeem traint periodiek opnieuw en houdt bij of de nauwkeurigheid stabiel blijft.

Stap 1 heeft een valkuil die veel zelfgebouwde modellen onderuit haalt. Als je in de training velden gebruikt die pas worden ingevuld nadat een deal is gewonnen, zoals een projectnummer of een contractdatum, dan leert het model dat die velden winst voorspellen. Op historische data scoort het dan perfect. Op open deals is het waardeloos, want daar zijn die velden nog leeg. Een goed model gebruikt alleen wat bekend was op het moment van voorspellen.

Waar generatieve AI past, en waar niet

Het woord AI roept tegenwoordig vooral taalmodellen op, zoals de assistenten waarmee je chat. Die zijn niet gemaakt om getallen te voorspellen. Het forecastgetal zelf komt uit een voorspellend model: statistiek en machine learning op gestructureerde data. Het verschil staat uitgelegd in predictive AI vs generative AI.

Taalmodellen hebben wel een rol eromheen. Ze kunnen notities en mails lezen en daar signalen uit halen, zoals "klant noemt budgetstop" of "beslisser is vertrokken". En ze kunnen in gewone taal uitleggen waarom de forecast deze week is gedaald. Maar een taalmodel dat zelf een omzetcijfer bedenkt, geeft je een getal dat plausibel klinkt en nergens op rust.

Rekenvoorbeeld: wat het verschil kan zijn

Rekenvoorbeeld: stel je hebt 40 open deals in de fase "Offerte", samen EUR 2.000.000. Het CRM rekent met 50 procent, dus de gewogen pipeline is EUR 1.000.000.

Een model kijkt per deal. Twaalf deals, samen EUR 700.000, staan al langer dan 90 dagen in die fase. Van vergelijkbare deals in het verleden is 10 procent gewonnen. De andere 28 deals, samen EUR 1.300.000, zijn recent en actief. Daarvan is historisch 45 procent gewonnen.

• Oude deals: EUR 700.000 x 0,10 = EUR 70.000
• Recente deals: EUR 1.300.000 x 0,45 = EUR 585.000
• Totaal: EUR 655.000

Het verschil met de CRM-weging is EUR 345.000. Dat is geen bewijs dat het model gelijk heeft. Het is wel een vraag die iemand moet beantwoorden voordat het getal naar de bank of de aandeelhouder gaat. De getallen hier zijn illustratief; in jouw data kan het verschil groter of kleiner zijn.

Wanneer AI forecasting werkt

AI forecasting levert het meeste op onder drie voorwaarden.

Genoeg historie. Een model leert van patronen, en patronen hebben herhaling nodig. Een bedrijf dat per jaar 60 deals sluit, heeft na drie jaar 180 voorbeelden. Daar valt iets uit te leren, maar niet veel per segment. Een bedrijf met 2.000 orders per jaar heeft veel meer houvast. Er bestaat geen harde ondergrens, maar hoe minder data, hoe breder de bandbreedte hoort te zijn en hoe meer een simpel model wint van een complex model.

Data die klopt. Als deals niet op verloren worden gezet, sluitdatums niet worden bijgewerkt en gewonnen deals niet aan facturen zijn gekoppeld, leert het model de verkeerde les. Het is geen reden om te wachten, want je kunt ook met gaten werken, zie forecasting met onvolledige CRM-data. Het is wel een reden om het model te laten zien waar de data rammelt.

Een stabiele markt. Een model leert van het verleden. Verandert je markt abrupt, door een nieuw product, een prijswijziging of een economische klap, dan heeft het verleden minder te zeggen. Een goed systeem merkt dat aan een dalende nauwkeurigheid en meldt het.

Waar het misgaat

• Te veel vertrouwen in één getal. Een AI-forecast is een verwachting met onzekerheid. Een systeem dat één bedrag toont zonder bandbreedte, verbergt het belangrijkste deel. Hoe je die onzekerheid leest, staat in forecast confidence uitgelegd.
• Een zwarte doos. Als niemand kan zien waarom een deal op 20 procent staat, gaat sales het getal negeren of er juist omheen werken. Een bruikbaar model laat per deal zien welke kenmerken de kans omlaag of omhoog trokken.
• Alleen pipeline, geen facturen. Een forecast die stopt bij "gewonnen" mist wat er daarna gebeurt: deals die nooit worden gefactureerd, kortingen achteraf, orders die kleiner uitvallen. De omzet die telt, is gefactureerde omzet.
• Het model sturen. Als verkopers weten welke kenmerken de score verhogen, gaan ze die kenmerken invullen. Activiteit loggen om de score op te krikken, maakt het model slechter. Gebruik de score om gesprekken te voeren, niet om mensen af te rekenen.

Hoe je een AI-forecast beoordeelt

Of je nu zelf bouwt, een module in je CRM aanzet of een apart platform kiest, deze vragen scheiden bruikbaar van mooi:

1. Op welke data traint het? Alleen CRM, of ook facturatie en contracten? Een forecast die alleen het CRM ziet, voorspelt pipeline, geen omzet.
2. Hoe is het getoetst? Vraag om de nauwkeurigheid op een periode die het model niet had gezien, vergeleken met je huidige methode.
3. Toont het een bandbreedte? En klopt die bandbreedte achteraf, dus valt de werkelijkheid er ongeveer zo vaak in als beloofd?
4. Kun je per deal zien waarom? Welke kenmerken drukten de kans, en kun je dat aan een verkoper uitleggen?
5. Wat gebeurt er met afwijkingen? Meldt het systeem wanneer zijn eigen nauwkeurigheid daalt, of blijft het stil voorspellen?
6. Wie beslist? Het model doet een voorstel. Een mens tekent de forecast die naar buiten gaat.

In RiOS zit forecasting als module die een omzetforecast met een waarschijnlijke bandbreedte geeft, gevoed door de systemen die je koppelt. Hoe dat eruitziet, staat op de pagina het systeem. Het principe hierboven geldt voor elke tool.

Voor de plek van dit alles binnen het bredere vak, zie wat revenue forecasting is.

Veelgestelde vragen

Is AI forecasting nauwkeuriger dan een spreadsheet?

Vaak wel bij veel deals en goede data, niet vanzelf. Bij weinig data kan een eenvoudige methode even goed of beter zijn. De enige eerlijke test is beide methodes laten voorspellen op een periode uit het verleden en vergelijken.

Hoeveel data heb je nodig?

Daar bestaat geen vast getal voor. Het hangt af van hoeveel deals of klanten je hebt, hoe gelijk ze zijn en hoe stabiel je markt is. Met enkele honderden afgesloten deals kun je beginnen; met minder werk je beter met eenvoudige regels en een brede marge.

Kan een AI-model een deal voorspellen die nog niet in het CRM staat?

Niet per deal. Wel kan het op basis van historie schatten hoeveel omzet er gemiddeld uit nog niet bestaande deals binnen de periode komt. Dat deel hoort in de forecast als aparte, onzekere post.

Vervangt AI de forecastmeeting?

Nee. Het verandert het gesprek. In plaats van elke deal langslopen, bespreek je de deals waar het model en de verkoper het oneens zijn. Daar zit de informatie.

Moet je sales het model laten zien?

Ja. Een verkoper die ziet waarom een deal laag scoort, kan dat weerleggen met informatie die het model niet had, of de deal eerlijk afsluiten. Beide maken de forecast beter.