Forecasting op basis van historische omzet

Forecasting op basis van historische omzet betekent dat je toekomstige omzet voorspelt uit het patroon in wat je al hebt gefactureerd: de trend, het seizoen en de vaste basis van terugkerende klanten. Het werkt goed voor bedrijven met veel terugkerende omzet en een stabiele klantenkring, en slecht voor bedrijven waar een paar grote deals of projecten het jaar bepalen. In de praktijk is het de betrouwbare ondergrens van je forecast, waar je de pipeline voor nieuwe omzet bovenop zet.

Waarom historische omzet de eerlijkste bron is

Een pipeline in het CRM is een verzameling verwachtingen. Historische omzet is een verzameling feiten. Elke factuurregel in Exact, AFAS, Twinfield of SAP is een bedrag dat een klant echt verschuldigd was, op een echte datum. Daar zit geen optimisme van een accountmanager in en geen deal die al drie maanden "volgende week" gaat sluiten.

Dat maakt historische omzet de beste basis voor alles wat zich herhaalt: onderhoudscontracten, licenties, abonnementen, vaste afnemers die elke maand bestellen, raamovereenkomsten met een voorspelbaar volume. Bij veel B2B-bedrijven met EUR 2M+ omzet is dat een groot deel van de omzet, en toch wordt de forecast vaak gebouwd vanuit het CRM, waar die terugkerende omzet slecht of helemaal niet in staat. Waarom dat een probleem is, lees je in forecasting op basis van CRM-data.

In de bredere uitleg over wat revenue forecasting is zie je dat een goede forecast uit lagen bestaat. Historische omzet is de onderste laag, en meestal de dikste.

Welke data je nodig hebt

Je hebt minimaal twee, liever drie jaar aan factuurregels nodig, met per regel:

• Klant, met een vast klantnummer (niet alleen een naam die in de loop der jaren anders is gespeld).
• Productgroep of omzetsoort, zodat je terugkerende omzet kunt scheiden van eenmalige omzet.
• Factuurdatum en, als je die hebt, prestatiedatum. Een jaarcontract dat in januari vooruit wordt gefactureerd, is omzet over twaalf maanden. Wie op factuurdatum forecast, ziet een piek in januari die er in werkelijkheid niet is.
• Creditnota's, gekoppeld aan de oorspronkelijke factuur. Zonder die koppeling tel je omzet die later is teruggedraaid.
• Prijs en aantal apart, zodat je kunt zien of groei uit meer volume kwam of uit een hogere prijs.

Dit lijkt vanzelfsprekend, maar in de meeste boekhoudsystemen zit precies hier de rommel. Omzetsoorten zijn in de loop der tijd anders ingedeeld, klanten zijn dubbel aangemaakt en creditnota's staan los. Een uur opschonen voordat je gaat rekenen, levert meer op dan het beste model.

De methodes, van simpel naar slim

Vorig jaar plus een percentage

De meest gebruikte methode: dezelfde maand vorig jaar, keer een groeipercentage. Het is snel en iedereen begrijpt het. Het nadeel is dat elke toevalstreffer van vorig jaar mee verhuist. Had je vorig jaar in maart één grote eenmalige order, dan voorspel je die dit jaar opnieuw.

Voortschrijdend gemiddelde

Je neemt het gemiddelde van de laatste drie, zes of twaalf maanden en trekt dat door. Dat dempt toevalstreffers, maar negeert seizoen. Voor een bedrijf zonder duidelijk seizoenspatroon is het een prima startpunt.

Trend plus seizoensindex

Hier splits je de omzet in twee delen: de onderliggende trend (groeit of krimpt de omzet) en het seizoenspatroon (welke maanden structureel hoger of lager zijn). Een seizoensindex is simpelweg hoeveel een maand gemiddeld afwijkt van een gemiddelde maand, berekend over meerdere jaren.

Rekenvoorbeeld: stel je omzet over de laatste twaalf maanden was EUR 6,0 miljoen, gemiddeld EUR 500.000 per maand. Over de afgelopen drie jaar lag juli gemiddeld op 80 procent van een gemiddelde maand (index 0,8) en november op 120 procent (index 1,2). De onderliggende groei was 6 procent per jaar. Dan is je forecast voor juli volgend jaar EUR 500.000 x 1,06 x 0,8 = EUR 424.000, en voor november EUR 500.000 x 1,06 x 1,2 = EUR 636.000. Met "vorig jaar plus 6 procent" had je bij een uitschieter in de juli van vorig jaar een heel ander getal gekregen.

Splitsen in bestaande en nieuwe omzet

De methode die in B2B het meeste oplevert, is niet de wiskundig slimste maar de best gesplitste. Je forecast drie stromen apart:

1. Terugkerende omzet van bestaande klanten. Contracten, abonnementen, vaste afnemers. Deze forecast je per klant of per cohort, met hun historische behoud en groei.
2. Eenmalige omzet van bestaande klanten. Projecten, meerwerk, losse orders. Hier werkt een historisch gemiddelde per klantgroep redelijk.
3. Omzet van nieuwe klanten. Die kun je uit historie alleen grof schatten. Hier hoort de pipeline het werk te doen.

Door die splitsing zie je ook wat de forecast drijft. Als het totaal gelijk blijft maar de terugkerende basis krimpt en nieuwe klanten het gat vullen, is dat een heel ander bedrijf dan het omgekeerde.

Statistische modellen

Methodes als exponentiële demping of ARIMA doen in essentie hetzelfde als trend plus seizoen, maar schatten de gewichten zelf en kunnen omgaan met ruis. Ze zitten ingebouwd in Excel (de functie VOORSPELLEN.ETS), in Power BI en in de meeste datatools. Ze zijn nuttig zodra je veel reeksen tegelijk forecast, bijvoorbeeld per productgroep of per vestiging. Machine learning bouwt hier verder op door ook andere signalen dan de omzet zelf mee te wegen.

Waar het misgaat

Historische omzet is eerlijk, maar niet neutraal. Vijf dingen vertekenen hem structureel.

Eenmalige uitschieters. Eén project van EUR 400.000 in een jaar van EUR 5M is acht procent van je omzet. Neem je dat mee in de trend, dan voorspel je groei die er niet is. Haal grote eenmalige posten eruit en forecast ze apart, of helemaal niet.

Prijsindexatie in de historie. Als je de afgelopen twee jaar met 7 en 4 procent hebt geïndexeerd, zit dat in je groeicijfer. Groei in euro's is dan geen groei in volume. Voorspel je volgend jaar dezelfde groei terwijl de indexatie lager uitvalt, dan zit je te hoog. Andersom geldt het ook: als indexaties vorig jaar zijn vergeten, is je historie te laag en neem je dat lek mee in je forecast. Over dat lek gaat revenue leakage door vergeten prijsindexatie.

Verloren grote klanten. Een klant die in oktober is vertrokken, zit nog tien maanden in je twaalfmaands gemiddelde. Een model op totalen ziet dat pas als het te laat is. Een model per klant ziet het direct.

Gewijzigde facturatiemomenten. Ga je van jaarlijks vooruit naar maandelijks factureren, of andersom, dan verschuift je hele seizoenspatroon. Het model denkt dat januari instort, terwijl er alleen anders gefactureerd wordt.

Lekkage die je voortzet. Dit is de minst zichtbare. Als een deel van je gewonnen deals nooit is gefactureerd, of als meerwerk structureel blijft liggen, dan is je historie te laag. Een forecast op basis van die historie voorspelt keurig hetzelfde lek. De forecast klopt dan, maar het cijfer is te laag. Controleer daarom eerst of je terugkerende omzet zelf klopt, zie fouten in terugkerende omzet ontdekken.

Combineren met de pipeline

Een forecast op historie en een forecast op pipeline zijn geen concurrenten. Ze beantwoorden verschillende vragen. Historie zegt wat er gebeurt als je doet wat je altijd deed. Pipeline zegt wat er extra bij kan komen.

De werkwijze die in de praktijk het beste standhoudt:

1. Forecast de terugkerende basis uit historie, per klant of cohort, met historisch behoud.
2. Tel daar de gewogen pipeline van nieuwe klanten bij op, maar alleen deals met een realistische sluitdatum binnen de periode.
3. Vergelijk het totaal met een simpele trendlijn op totaalniveau. Wijken ze meer dan een paar procent af, zoek dan uit waarom voordat je een getal naar de directie stuurt.

Die derde stap is een goede controle op de pipeline. Als de pipeline 25 procent groei belooft en de historie nooit meer dan 8 procent heeft laten zien, moet iemand uitleggen wat er dit jaar anders is. Dat gesprek hoort in de forecast, niet achteraf in de verklaring waarom hij miste.

Werk je met meerdere varianten, dan zit je al in scenario forecasting: een basisscenario uit historie, een scenario met de pipeline, en een scenario waarin je grootste klant vertrekt.

Hoe zeker is een historische forecast?

Een forecast zonder bandbreedte is een wens. Uit historie kun je die bandbreedte vrij eerlijk bepalen: forecast de afgelopen twaalf maanden met alleen de data die je destijds had, en kijk hoe ver je ernaast zat. Die afwijking is je realistische marge. Was je maandforecast historisch gemiddeld 6 procent ernaast, dan is een marge van 2 procent onzin, hoe mooi het model ook is. Meer over die marge in forecast confidence uitgelegd.

Kwartaal- en jaarforecasts zijn bijna altijd nauwkeuriger dan maandforecasts, omdat verschuivingen binnen het kwartaal tegen elkaar wegvallen. Stuur daarom op kwartaalniveau en gebruik de maandforecast voor kasplanning, niet voor de beoordeling van sales.

Stappenplan voor morgen

1. Exporteer drie jaar factuurregels met klantnummer, omzetsoort, datum, bedrag, en koppel creditnota's aan hun factuur.
2. Markeer omzet als terugkerend of eenmalig. Twijfel je, kijk dan of de klant in minstens twee van de drie jaar in dezelfde omzetsoort kocht.
3. Haal grote eenmalige posten eruit en zet ze op een aparte lijst.
4. Bereken per maand een seizoensindex over de drie jaar.
5. Forecast de terugkerende basis per klant of klantgroep, met het historische behoud.
6. Tel de gewogen pipeline voor nieuwe klanten erbij.
7. Test je methode achteraf op het afgelopen jaar en noteer hoe ver je ernaast zat. Dat is je marge.
8. Leg de forecast elk kwartaal naast de werkelijkheid en pas één ding tegelijk aan.

Veelgestelde vragen

Hoeveel jaar historie heb je nodig?

Voor een trend zonder seizoen is twaalf maanden genoeg. Voor een betrouwbare seizoensindex heb je minimaal twee, liever drie volledige jaren nodig. Meer dan vijf jaar voegt zelden iets toe, omdat je bedrijf in die tijd te veel is veranderd.

Werkt dit ook voor projectbedrijven?

Deels. De terugkerende basis (onderhoud, service, raamcontracten) kun je goed uit historie voorspellen. De projectomzet zelf niet: die hangt af van wat er in de orderportefeuille zit en hoe snel het werk wordt uitgevoerd. Daarvoor forecast je vanuit het onderhanden werk.

Moet je forecasten op factuurdatum of op prestatiedatum?

Voor kasplanning op factuurdatum, want dan komt het geld binnen. Voor sturing op omzet en marge op prestatiedatum, want dan wordt het werk geleverd. Meng ze niet in één getal.

Is Excel voldoende?

Voor één bedrijf met een overzichtelijk aantal omzetsoorten: ja. Excel heeft ingebouwde functies voor trend en seizoen. Het wordt lastig zodra je per klant wilt forecasten, meerdere bronnen wilt combineren of de forecast elke week automatisch wilt bijwerken.

Voorspelt historische omzet ook churn?

Alleen gemiddeld. Het historische behoudpercentage zegt hoeveel omzet je gemiddeld verliest, niet welke klant gaat vertrekken. Daarvoor heb je signalen per klant nodig, zoals dalende afname of meer supportvragen.