Forecasting met onvolledige CRM-data

Met onvolledige CRM-data maak je een betrouwbare forecast door het CRM niet als enige bron te gebruiken. Je bouwt de basis op wat wel klopt, zoals facturen en contracten, gebruikt uit het CRM alleen de velden die je kunt vertrouwen, corrigeert voor de gaten die je kunt meten en maakt je bandbreedte breder waar je minder weet. Een perfect CRM is geen voorwaarde voor een goede forecast; weten waar je CRM niet klopt wel.

Hoe voorspel je omzet zonder perfect CRM?

Geen enkel CRM is compleet. Dat is geen falen van de verkopers, het is de aard van het systeem. Een CRM is gebouwd om verkopers te helpen hun werk te doen, niet om finance een sluitende omzetadministratie te geven. Velden die voor de verkoper niet nuttig zijn, worden slordig ingevuld. Waarom dat structureel zo is, lees je in waarom CRM-data niet hetzelfde is als financiële data.

De vraag is dus niet hoe je aan een perfect CRM komt voordat je gaat forecasten. De vraag is: welke delen van mijn CRM kan ik vertrouwen, welke niet, en hoe groot zijn de gaten?

De gaten die bijna overal zitten

In B2B-bedrijven met EUR 2M tot 50M omzet zie je steeds dezelfde gaten. Loop ze langs voor je eigen CRM.

• Deals die nooit op verloren gaan. De klant reageert niet meer, maar niemand sluit de deal af. Hij blijft in de pipeline staan, soms jaren.
• Sluitdatums die niets betekenen. De datum is ooit ingevuld en daarna eindeloos een maand opgeschoven, of staat in het verleden terwijl de deal nog open is.
• Lege of fictieve bedragen. Een deal van EUR 0, of een rond bedrag van EUR 10.000 dat als placeholder is ingevuld.
• Omzet die nooit in het CRM komt. Een vaste klant belt en bestelt, de binnendienst zet het direct in het ERP. Meerwerk op een project wordt op de bouwplaats afgesproken. Uitbreidingen bij bestaande klanten lopen via de accountmanager zonder deal.
• Dubbele deals. Dezelfde kans staat er twee keer in, onder twee verkopers of onder twee varianten van de klantnaam.
• Fases die per verkoper iets anders betekenen. De een zet een deal op "Offerte" als hij de offerte gaat maken, de ander als de klant hem heeft getekend.

Hoe je zo'n pipeline systematisch doorlicht, staat in hoe herken je een onbetrouwbare pipeline.

Stap 1: meet de gaten in plaats van ze te raden

Voordat je corrigeert, wil je weten hoe groot elk gat is. Vier metingen geven in een middag een goed beeld.

1. Hoeveel open deals zijn ouder dan twee keer je normale salescyclus? Is je cyclus 60 dagen, tel dan alles wat langer dan 120 dagen open staat. Dat deel van je pipeline is grotendeels dood.
2. Hoeveel open deals hebben een sluitdatum in het verleden? Dat is een directe maat voor hoe goed datums worden bijgehouden.
3. Welk deel van je gefactureerde omzet aan nieuwe klanten had vooraf een gewonnen deal? Leg de nieuwe klanten van vorig jaar uit de boekhouding naast het CRM. Het percentage dat je terugvindt, is je dekkingsgraad.
4. Hoe groot is het verschil tussen gewonnen dealwaarde en gefactureerde omzet voor dezelfde klanten? Dit laat zien of dealbedragen realistisch zijn, of structureel te hoog of te laag.

Die derde meting is de belangrijkste en wordt het minst gedaan. Hij vertelt je hoeveel omzet je CRM niet ziet.

Stap 2: kies een anker dat wel klopt

Bouw de forecast op van onderen, vanuit de betrouwbaarste bron.

Terugkerende omzet uit de boekhouding en contracten. Onderhoud, licenties, abonnementen, vaste afnemers. Deze omzet staat vaak niet of slecht in het CRM, maar wel betrouwbaar in Exact, AFAS, Twinfield of je facturatiesysteem. Forecast die uit historie en contractdata, zoals uitgelegd in forecasting op basis van historische omzet.

Getekende orders en onderhanden werk. Wat al is gegund maar nog niet gefactureerd, staat in het ERP of de projectadministratie. Dat is bijna zekere omzet, alleen de timing is onzeker.

Nieuwe deals uit het CRM. Dit is de laag waar de gaten zitten. Hier ga je corrigeren.

Stap 3: corrigeer voor de forecast, niet in het CRM

Je hoeft het CRM niet eerst op te schonen om een eerlijke forecast te maken. Je kunt in je berekening regels toepassen die de bekende gaten opvangen, terwijl je het CRM zelf later repareert.

• Veroudering. Tel deals die langer dan twee keer je cyclus open staan niet mee, of alleen tegen het historische winstpercentage van zulke oude deals. Dat percentage is vaak zo laag dat het verschil met nul verwaarloosbaar is.
• Sluitdatums in het verleden. Verplaats ze in je berekening naar vandaag plus de mediane resterende doorlooptijd voor die fase, niet naar het einde van deze maand.
• Lege bedragen. Vul ze in je berekening met de mediane dealwaarde voor dat segment, en markeer ze zodat je weet hoeveel van je forecast op zulke schattingen rust.
• Dubbelingen. Filter op klant en product, en laat bij twijfel de grootste staan.
• Wat het CRM niet ziet. Tel een post "niet-geregistreerde omzet" op, gebaseerd op je dekkingsgraad uit stap 1.

Rekenvoorbeeld: stel je factureerde vorig jaar EUR 1.800.000 aan nieuwe klanten. Daarvan vind je EUR 1.200.000 terug als gewonnen deal in het CRM, een dekkingsgraad van twee derde. De rest kwam binnen via telefoon, via bestaande contacten of via partners, zonder dat er een deal werd aangemaakt. Je gewogen pipeline voor nieuwe klanten na het wegfilteren van oude deals is nu EUR 900.000. Als dat patroon zich herhaalt, is de verwachte omzet uit nieuwe klanten eerder EUR 900.000 / (2/3) = EUR 1.350.000. Die EUR 450.000 extra is onzekerder dan de rest, dus zet hem als aparte regel in je forecast, met een eigen, bredere marge.

Het kan ook de andere kant op vallen. Als je dealbedragen structureel hoger zijn dan wat later wordt gefactureerd, omdat er na het tekenen nog korting af gaat of de scope krimpt, moet je de pipeline juist naar beneden bijstellen.

Stap 4: maak de onzekerheid zichtbaar

Een forecast op onvolledige data is niet per se fout. Hij is onzekerder. Dat hoort in het getal te zitten. Toon de forecast in lagen, elk met een eigen zekerheid:

Een directie kan met zo'n tabel beter beslissen dan met één bedrag dat zekerder oogt dan het is. Hoe je van die lagen een bandbreedte maakt, staat in forecast confidence uitgelegd.

Stap 5: repareer de bron, klein en gericht

Parallel aan de forecast werk je aan het CRM. Niet met een groot opschoonproject dat na zes weken stilvalt, maar met een paar regels die de grootste gaten dichten.

1. Een verplichte reden bij verloren, zodat afsluiten makkelijk is en iets oplevert.
2. Automatisch signaal bij deals die te lang in een fase staan, naar de eigenaar, niet naar de manager.
3. Geen sluitdatum in het verleden bij een open deal. De meeste CRM's, waaronder HubSpot, Salesforce en Pipedrive, kunnen dit met een validatieregel of een workflow afdwingen.
4. Eén definitie per fase, op papier, gebaseerd op iets wat de klant heeft gedaan, niet op wat de verkoper van plan is.
5. Een maandelijkse vergelijking tussen gewonnen deals en facturen, zodat de dekkingsgraad zichtbaar blijft. Dit is ook een van de eerste plekken waar omzet weglekt, zie revenue leakage door dataproblemen.

Elke regel die je invoert, verbetert je forecast direct, omdat een correctie in stap 3 kleiner kan worden.

Waar dit in het grotere geheel past

Forecasting met onvolledige data is geen uitzondering, het is de normale situatie. Wie wacht op schone data, forecast nooit. In de complete gids over revenue forecasting staat hoe deze aanpak aansluit op de andere lagen van een forecast.

Veelgestelde vragen

Kun je forecasten zonder CRM?

Ja. Voor terugkerende omzet heb je alleen facturatie en contracten nodig. Voor nieuwe omzet gebruik je dan een historisch gemiddelde per maand of kwartaal. Dat is minder precies dan een goede pipeline, maar vaak beter dan een slechte.

Moet ik eerst mijn CRM opschonen?

Nee. Corrigeer in je berekening voor de gaten die je kunt meten, en schoon ondertussen gericht op. Een opschoonproject als voorwaarde zorgt er meestal voor dat de forecast er nooit komt.

Hoe weet ik of mijn correcties kloppen?

Pas ze toe op het afgelopen jaar, met de data van toen, en kijk of de gecorrigeerde forecast dichter bij de werkelijkheid zat dan de ongecorrigeerde. Zo niet, dan zit het gat ergens anders.

Helpt AI bij onvolledige data?

Deels. Een model kan patronen vinden in wat er wel is en zien welke deals op dode deals lijken. Maar het kan geen omzet zien die nergens staat. Een koppeling tussen CRM en facturatie helpt daar meer dan een slimmer model.