Predictive Analytics in Excel ohne Raketenwissenschaft? Einfache Excel Vorlage für Umsatzprognosen.
Genaue Umsatzprognosen sind entscheidend für Ihren Job. Sie sind ein erfahrener Vertriebsleiter und haben eine starke Affinität zu Vertriebsanalysen. Nur mit präzisen Prognosen können Sie mit Ihrem Team und dem Management gesündere Umsatzziele vereinbaren.
Mit zuverlässigen Umsatzprognosen können Sie Ihren Vertriebsprozess verbessern und Kunden priorisieren.
Wie prognostizieren Sie Verkäufe heute? Sie schätzen die zukünftigen Verkäufe anhand der Angaben Ihres Teams. Niemand kennt die Kunden besser. Einmal im Monat nimmt sich jeder Vertriebsmitarbeiter ein paar Stunden Zeit, um seine Schätzungen auszufüllen.
Und Ihr Vertriebsteam kann Ihren Gesamtumsatz im nächsten Quartal genau vorhersagen. Ihre Umsatzprognose ist jedoch Quatsch. Wie kommt das? Lassen Sie uns einige Ideen zur Umsatzprognose anhand eines Excel-Beispiels untersuchen.
Was passiert bei Ihrer Umsatzprognose?
Ihre Vertriebsleiter senden Ihrem Controller jeden Monat eine rollierende Zwölf-Monats-Prognose. Sie benötigen monatlich jeweils etwa einen halben Tag, um das Tabellenblatt auszufüllen.
Sie (oder Ihr Controller) aggregieren die Prognose anhand der einzelnen Eingaben, um den Gesamtumsatz des nächsten Quartals zu schätzen. Und schließlich, wenn das Quartal vorbei ist, vergleichen Sie, wie gut Ihre Umsatzprognose war.
Sehen Sie sich das folgende Beispiel an:
Jetzt warten Sie drei Monate und sehen, dass Sie 2.000.000 € verkauft haben. Indem Sie die Schätzungen Ihres Teams und die tatsächliche Nachfrage vergleichen, erhalten Sie eine Vorstellung davon, wie gut Ihre Umsatzprognose ist. Und das können Sie in Excel machen, Tatsache.
Ihr Team hat zum Beispiel zwei Millionen Euro Umsatz vorhergesagt und drei Monate später haben Sie zwei Millionen Euro verkauft. Wie gut ist das?
Wie gut ist Ihre Umsatzprognose?
Es stellt sich heraus, dass sie nicht schlecht ist, gar nicht schlecht. Sie haben „2.000.000 €“ geschrieben, und das ist das, was Sie verkauft haben.
Predictive Analytics mit Excel ist ja relativ einfach. Sie haben den Gesamtumsatz des Quartals völlig richtig eingeschätzt. Also, Bingo! Problem gelöst?
Nicht wirklich.
Wie gut ist Ihre Umsatzprognose tatsächlich? Sie könnte rein zufällig gewesen sein. Außerdem: Wie viel kostet es Sie, den Umsatz zu prognostizieren? Gibt es einen besseren Weg, dies ohne Stress oder Raketenwissenschaft zu tun?
Auf all diese Fragen gibt es eine Antwort: Predictive Analytics. Und Sie können es mit Excel machen.
Lassen Sie uns jeden Punkt der Reihe nach durchgehen und sehen, wie Sie ein einfaches Predictive Analytics-Modell in Excel implementieren können, um Verkaufszahlen ohne Raketenwissenschaft zu schätzen.
Wie können Sie die Leistung Ihres Umsatzprognosemodells in Excel messen?
Zuallererst zwei drängende Fragen, falls Sie sich darüber noch keine Gedanken gemacht haben: Was ist ein Modell und woran erkennen Sie ein gutes Modell?
Ein Modell ist eine Vereinfachung der Realität. Experten verwenden ständig Modelle, um Probleme anhand von Daten zu lösen. Zweitens: Damit ein Modell zur Umsatzprognose gut funktioniert, muss es das Problem lösen, vor dem Sie stehen.
Was ist ein gutes Modell? Nun, hier kann die Antwort variieren. Ein gutes Modell könnte dasjenige sein, das am genauesten und konsistentesten Ihre zukünftigen Umsätze liefert, oder dasjenige, dessen Implementierung Sie am wenigsten kostet.
Der erste Aspekt, den Sie bei der Erstellung eines Modells in Excel berücksichtigen müssen, ist die Frage, welches Ihre Zielvariable und welches die abhängige(n) Variable(n) ist/sind. Ihr Ziel könnte der Gesamtumsatz des nächsten Quartals sein, oder die spezifische Anzahl der Produkte, die Sie in den folgenden rollierenden zwölf Monaten verkaufen werden.
Wenn Sie ein Großhändler oder ein Hersteller von Tausenden von Produkten sind, könnten Sie sehen, dass das zweite Problem viel schwieriger ist.
Es kann sein, dass Sie alle Ihre Vorhersagen für die Nachfrage pro Produkt falsch, aber Ihre Gesamtverkäufe richtig machen.
Die Fehler können sich gegenseitig ausgleichen und kompensieren. Sie erhalten den irreführenden Eindruck, dass Ihr Prozess funktioniert, aufgrund einer schrecklich granularen Prognose.
Den falschen Eindruck zu haben, dass Ihre Verkaufsprognose funktioniert, ist sehr gefährlich – wenn sie es nicht tut.
Umsatzprognosen sind im B2B-Bereich entscheidend.
Lassen Sie uns noch einmal Ihre Excel-Vorlage für Umsatzprognosen in die Diskussion einbringen. Zur Vereinfachung gehe ich auch hier davon aus, dass Sie bereits alle Einzelprognosen zu einer zusammengefasst haben. Mit anderen Worten: Sie haben die Eingaben von John, Maria und Klaus zu einer zusammengefasst.
Außerdem fügen wir in Fortsetzung des obigen Beispiels die tatsächlichen Umsätze pro Produkt hinzu, und wir nehmen an, dass Sie die Gesamtumsätze für das Quartal richtig ermittelt haben.
Sehen Sie sich nun das folgende Diagramm an:
Es gibt eine Nullabweichung bei der Gesamtprognose. In diesem Diagramm können Sie jedoch sehen, dass Ihr Vertriebsteam selbst dann, wenn es alle Einzelprognosen pro Produkt verfehlt, die Gesamtsumme korrekt ermitteln kann – Fortuna te favet.
Mit anderen Worten: Wie viele Einzelprodukte haben Sie genau vorhergesagt? Wenn wir z. B. eine absolute Abweichung von 10 % als maximal tolerierbare Abweichung annehmen, behaupte ich, dass Sie nur einen von sieben Artikeln richtig prognostiziert haben (die Nummer 7).
Hätten Sie Ihre Produkte nach der Prognose produziert, oder auf Lager gelegt, hätten Sie am Ende Produktionsengpässe, teure Überbestände und verärgerte Kunden gehabt.
Die einfachste Predictive Analytics Excel-Vorlage für Umsatzprognosen.
Meine Urgroßmutter ist Ende des 19. Jahrhunderts aus einem kleinen Dorf nördlich des Comer Sees in Italien nach Argentinien ausgewandert. Einmal angekommen, lebte sie in der Mitte des Landes, in Cordoba, später zog sie nach Buenos Aires. Diese drei Orte haben ein völlig unterschiedliches Klima. Trotzdem war sie sehr gut darin, das Wetter vorherzusagen.
Wenn man sie fragte: „Wie wird das Wetter morgen, Nonna?“, würde sie sagen: „Wie heute“. Und sie hatte meistens recht. Wie konnte sie das tun?
Meteorologen haben einen Namen für diesen Effekt. Er wird „Persistenz“ genannt; die Hypothese, dass das Wetter morgen so sein wird, wie es heute war. Meine Urgroßmutter wettete auf Persistenz.
Persistenz ist eine von zwei notwendigen Prüfungen, die jede Wettervorhersage bestehen sollte, um ihre Leistungsfähigkeit zu beweisen. Die andere ist die Klimatologie. Das Modell muss besser sein als der langfristige historische Durchschnitt der Bedingungen an einem bestimmten Datum für eine bestimmte Region.
Daher testen erfolgreiche Umsatzanalysen die Vorhersage gegen ihre Beständigkeit und ihren langfristigen Durchschnitt. Das können Sie auch tun.
Lassen Sie uns zur Veranschaulichung dieser Idee unser Excel-Beispiel verwenden, bei dem ich zwei weitere Spalten hinzugefügt habe.
Die erste Spalte ist die Gesamtprognose des Vertriebsteams, gefolgt von den Umsätzen des vorherigen Quartals und einem langfristigen Umsatzdurchschnitt. Die letzte Spalte ist der tatsächliche Umsatz, den wir versucht haben, genau vorherzusagen.
Wie Sie sehen können, sind sowohl die Persistenz als auch der langfristige Durchschnitt weniger genau für den Gesamtumsatz, jedoch eine höhere Genauigkeit für jede Produktlinie. Beide wären nach meiner Definition viel bessere Modelle (und viel billiger!).
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Predictive Analytics in Excel ohne Raketenwissenschaften – Zusammenfassung.
Lassen Sie uns zusammenfassen. Unter Verwendung des vorherigen Quartals und eines langfristigen Durchschnitts, können Sie in Excel eine Umsatzprognose ohne Raketenwissenschaft erstellen.
Aber hören Sie hier noch nicht auf. Sie können sie außerdem kombinieren und ein Ensemble von Modellen entwerfen. Bitte erstellen Sie Ihr Beispiel mit unserer hier besprochenen Predictive Analytics-Excel-Vorlage und teilen Sie uns mit, wie es läuft.
Wiederholen Sie die Auswertung und vergleichen Sie mit den vorangegangenen Quartalen, wie gut Ihr Modell Ihren Umsatz vorhergesagt hätte. Schauen Sie nun, ob mehrere Kombinationen dieser Modelle besser abgeschnitten hätten.
Befreien Sie Ihr Vertriebsteam endlich von dem zeitraubenden und fehleranfälligen Aufwand, die Zukunft vorhersagen zu müssen.
Ihre wertvollen Key-Account-Manager können ihre Zeit in den Verkauf und die Überwachung des Outputs Ihres Modells investieren, bevor Sie es einsetzen. Vergessen Sie nicht, auch die Kostenvorteile Ihres Modells zu bewerten.
Schreiben Sie uns noch heute, wenn Sie Ihre Absatzprognosen verbessern wollen.
ICH MÖCHTE PREDICTIVE ANALYTICS FÜR DEN B2B-VERTRIEB
Literaturnachweis:
Nate Silver (2015): The Signal and the Noise: Why So Many Predictions Fail – but Some Don’t.
Hyndman, R. (2006). Another Look at Measures of Forecast Accuracy, Foresight, Issue 4, 43-46.