Es gibt zwei Arten von historischen Daten für Analysen und Verkaufsprognosen: interne und externe Daten. Wie finden Sie heraus, welche Sie wählen sollen?
Die Erstellung einer Prognose erfordert immer eine Planung unter unsicheren Bedingungen. Erfolgreiche Vertriebsleiter planen und führen eine genaue Umsatzprognose mit Hilfe von Daten durch. Ein aggregierter, präziser Vertriebsplan sollte die Prognose der individuellen Kundenlebensdauer (EN: Customer Lifetime Value (CLV)) berücksichtigen.
Es gibt verschiedene Datenquellen, die Führungskräfte zur Umsatzprognose verwenden können. Einige schwören eher auf interne, andere auf externe Faktoren.
Interne Daten beziehen sich v.a. auf Veränderungen der Angebotsseite, in den Produktlinien, im Verkaufsteam oder bei den Verkaufsprovisionen; Externe Daten eher auf Wettbewerbsveränderungen, Branchenveränderungen, Marktveränderungen und allgemeine wirtschaftliche Bedingungen.
Auch wenn es verlockend und relativ einfach ist, sollten Vertriebsleiter es vermeiden, externe Daten zur Vorhersage oder Prognose der individuellen Kundenlebensdauer zu verwenden. Mit externen Daten meinen wir das erwartete Bruttoinlandsprodukt, branchenweite Vorhersagen und sogar Kundenumfragen über die Nachfrage.
Obwohl die allgemeine Datenqualität externer Datenquellen gut genug sein kann, sind externe Datenquellen unglaublich ungenau, um Verkaufsprognosen zu erstellen.
Glücklicherweise verfügen B2B-Unternehmen über konsistentere, robustere und wirtschaftlichere Datenquellen, um die Lebensdauer einzelner Vertriebskunden zu prognostizieren: interne ERP-Verkaufsdaten und CRM-Daten. Besprechen wir jeden Punkt der Reihe nach und sehen wir, wie Sie verhindern können, dass Sie Ihre Verkaufsprognosen verpassen.
Wie haben Führungskräfte in der Vergangenheit den Umsatz und die Lebensdauer einzelner Kunden prognostiziert?
Niemand hat eine Glaskugel. Vertriebsleiter und das obere Management müssen immer noch zuverlässige Verkaufspläne erstellen und Verkaufszahlen aggregiert pro Produkt und Kunde prognostizieren. Manchmal jährlich, vierteljährlich oder über mehrere Zeiträume hinweg. Die Vorhersage der einzelnen Kundenlebensdauer ist der Everest der Verkaufsprognosen, aber dennoch möglich.
Um diese Herausforderung zu bewältigen, haben die Vertriebsmitarbeiter im B2B-Bereich eine Reihe von Prognosemethoden mit unterschiedlichen Tools und auf verschiedenen Datenquellen angewendet.
Predictive Analytics ist der Überbegriff für sämtliche Methoden der Verkaufsprognose. Lieber einfache Tools oder eine Management Software nutzen? Die meisten Vertriebsleiter sind immer noch mit mächtigen Excel-Tools beschäftigt, um die Vorhersage von Verkaufsprognosen durchzuführen und zu operationalisieren. Und das obwohl 86 % der Unternehmen in einer kürzlich durchgeführten Umfrage antworteten, dass sie eine BI-Lösung zur Datenkonsolidierung, Planung und Prognose einsetzen.
Heute fokussieren wir uns jedoch auf die Frage: „Welche Art von Daten kann ein Vertriebsleiter für die Vertriebsprognose verwenden?“
Wie schon erwähnt, gibt es dafür viele Arten von Datenquellen. Dabei wird eine Sache häufig falsch verstanden: Nur weil es sich bei einer Vertriebsprognose um einen internen Faktor handelt, heißt es nicht automatisch, dass nur interne Datenquellen für eine Prognose verwendet werden dürfen. Interne Faktoren können mit externen Daten vorhergesagt werden und umgekehrt.
Interne versus externe Faktoren zur individuellen CLV-Prognose
Verkaufsprognosen zu erstellen ist keine exakte Wissenschaft. Es ist eine Disziplin der Unsicherheit und Komplexität. Um die Komplexität zu reduzieren, können wir beeinflussende Faktoren in intern oder extern aufteilen.
Interne Faktoren können u.a. mit Änderungen im Vertriebsteam, in der Produktion, auf der Angebotsseite, in den Produktlinien oder der Verkaufsprovisionen zusammenhängen.
Externe Faktoren können sich auf Veränderungen des Wettbewerbs, der Branche, des Marktes und der allgemeinen wirtschaftlichen Bedingungen beziehen. Letzteres ist in der Regel in herkömmlichen Verkaufsprognosen vorhanden, z.B. als das Bruttoinlandsprodukt (BIP) des Landes, in dem die Kunden ansässig sind.
Es gibt eine gute Begründung für die Verknüpfung der wirtschaftlichen Bedingungen mit der Nachfrage der Kunden: Wenn die allgemeine Wirtschaft stabil ist, ist es wahrscheinlicher, dass die Kunden in ihr Unternehmen investieren und selbst eine steigende Nachfrage erfahren. Wenn die Wirtschaft schwach ist oder sich in einer Rezession befindet, wird der Verkaufszyklus länger dauern; die Einnahmen könnten stagnieren oder im stark fallen.
Zusammenfassend lässt sich sagen, dass der erwartete allgemeine Status der Wirtschaft in der Regel als sicherer Anker für eine Verkaufsprognose angesehen wird. Wenn zum Beispiel das BIP Indiens im nächsten Jahr um 5 % steigt, könnte ein Vertriebsleiter eine ähnliche Steigerung seiner Einnahmen prognostizieren.
Aber Ist es dennoch eine gute Idee? Lässt sich durch ein BIP wirklich eine genaue Umsatzprognose erstellen? Welchen Einfluss hat das prognostizierte BIP einer Region oder eines Landes auf den individuellen Kundenwert?
Ob interne oder externe Faktoren einen höheren Einfluss auf eine Umsatzprognose haben, ist nur teilweise ein Thema der Diskussion. Heute reden wir darüber, welche Art von Daten verfügbar sind. Und sind diese Daten auch genau genug und kostengünstig?
Wie prognostizieren Vertriebsleiter die Lebensdauer einzelner Kunden und welche Daten können sie verwenden?
Wie können Sie den CLV vorhersagen? Der erste KPI, den Sie berechnen können, ist der historische CLV. Führungskräfte berechnen den Lebenszykluswert eines einzelnen Kunden, indem sie alle bisherigen Gewinne, die ihm zugeordnet sind, addieren. Der vorhersagbare CLV ist die zukünftige Summe des historischen CLV.
Viele Vertriebsleiter verwenden externe Daten, wie z. B. BIP-Werte, für ihre CLV-Vorhersageberechnungen. Wie gut sind diese externen Datenquellen jedoch für die Vorhersage der Kundenlebensdauer geeignet?
Die Verwendung externer Datenquellen zur Prognose der Lebensdauer einzelner Kunden stellt mindestens zwei schwierige Herausforderungen dar. Erstens: Welche Art von externen Daten können Sie verwenden? Zweitens, wie zuverlässig sind diese Daten?
Die Auswahl der externen Daten ist entscheidend. Externe Daten korrelieren nur sehr schwach mit ihren internen Einnahmen, es sei denn Sie können jeden Kunden einzeln befragen, wieviel er in Zukunft bei Ihnen kaufen möchte. Und selbst wenn Sie Ihre Kunden nach ihrem zukünftigen Bedarf fragen, könnten die Kunden mit ihrer Schätzung ebenfalls falsch liegen.
Wie genau und zuverlässig sind externe Datenquellen für die Vorhersage der individuellen Kundenlebensdauer?
Externe Datenquellen sind äußerst unzuverlässig und ungenau. Stellen Sie sich vor, Sie wollen die Auswirkungen der allgemeinen Wirtschaft oder des BIP auf Ihre zukünftigen Einnahmen abschätzen. Auf welche Datenquelle greifen Sie zu? Würden Sie Prognosen des IWF (Internationaler Währungsfonds) verwenden?
Die Verwendung von IWF-Daten für die Prognose der Lebensdauer einzelner Kunden ist beispielsweise eine schreckliche Idee. Eine kürzlich von der Informationsfirma Bloomberg durchgeführte Analyse von 3.200 Länderprognosen für das gleiche Jahr ergab eine erhebliche Diskrepanz in Bezug auf das Ausmaß und die Richtung der Fehler. In mehr als 94 % der Fälle hat der IWF das BIP-Wachstum falsch vorhergesagt, mit einer geringen Tendenz zur Unterschätzung.
Die durchschnittliche IWF-Prognose ist um 2,0 Prozentpunkte falsch. Regionale Unterschiede? Ja, der IWF hat das US-Wachstum vier von fünf Mal überschätzt, während das Wachstum Chinas nur alle fünf Jahre überbewertet wird.
Das Problem liegt nicht nur bei den Prognosemodellen, sondern auch bei den harten Daten. Die Wirtschaftsdaten werden laufend revidiert, selbst in Ländern mit verlässlichen Daten. Ihre ERP-Verkaufsdaten sind hier beispielsweise viel verlässlicher.
Verwenden Sie interne Datenquellen, um genauere Verkaufsprognosen zu erstellen.
Es gibt zuverlässigere, vertrauenswürdigere und preiswertere Datenquellen, um die Lebensdauer der Verkäufe einzelner Kunden zu prognostizieren: Interne ERP-Verkaufsdaten und CRM-Daten. Die Hauptlogik hinter der Verwendung dieser internen Datensätze besteht darin, dass sie eng mit Ihren Zielvariablen verbunden sind: dem Wert der Kundenlebensdauer (CLV).
Was sind zum Beispiel die drei Schlüsselfaktoren, die den CLV beeinflussen? Verkaufspotenzial (in Form von Cross- und Up-Selling), Kundenabwanderung und Preisgestaltung. Der Preis allein hat den größten Einfluss auf die Erträge und die Abwanderung in der Langlebigkeit der Kundenbeziehung.
Doch nicht nur die Preisgestaltung und die Abwanderung haben einen Einfluss auf das zukünftige CLV. Alleine die Realisierung von Cross-Selling-Möglichkeiten hat auch einen bemerkenswerten Einfluss auf das zukünftige CLV. Falls es diese Variable zu komplex macht, gehen Sie einfach davon aus, dass der Kunde weiterhin dasselbe kauft – eine Art grundlegende lineare Regression.
Andere kostengünstige, interne Datenquellen, die für die Prognose der individuellen Kundenlebensdauer zur Verfügung stehen
Es gibt weitere interne Datenquellen, die ein Vertriebsleiter erfolgreich nutzen kann, um genauere Verkaufsprognosen zu erstellen. Dazu gehören produktgenerierte Daten, Webshop- und Website-Interaktionen und der Kundenservice (Beschwerden und Umgang mit Kundenteams).
Bei produktgenerierten Daten stellen Sie sich beispielsweise die Nutzung eines Lesegeräts über seine Sensoren, einer Kreditkarte, eines Autos oder einer elektrischen Anlage vor. Sie alle erzeugen Daten, die Führungskräfte für ihre Verkaufsprognosen verwenden können.
Auch Webshop-Interaktionen, hinter denen die tatsächlichen Verkäufe im ERP-System stehen, können eine interessante Datenquelle sein. Was suchen Kunden? Wie entwickelt sich die Anzahl der Interaktionen im Geschäft? Wie verhält sich die Trefferquote im Shop im Vergleich zu den Offline-Verkäufen?
Da viele Kundenreisen mit Online-Interaktionen beginnen, könnten schließlich Web-Aktivitäten wie Besucherzahl, Absprungrate und Seiten pro Besuch in die Umsatzprognose integriert werden. Es ist jedoch schwierig, anonyme Online-Aktivitäten mit bestimmten Kunden in Beziehung zu setzen. Diese Datenquelle könnte daher für die Vorhersage des individuellen Kundenlebenszykluswertes nicht so nützlich sein.
Zusammenfassend lässt sich sagen, dass es viele verfügbare, verlässliche und kostengünstige interne Datenquellen für Predictive Analytics und Verkaufsprognosen gibt, die ein Vertriebsmitarbeiter nutzen kann. Angesichts des zunehmenden globalen Wettbewerbs, der Anzeichen einer Rezession und gut informierter Kunden, können Unternehmen die Gelegenheit zur Erstellung genauer Verkaufsprognosen nicht verpassen.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Vorhersage des Customer Lifetime Value (CLV): warum Sie keine externe Daten verwenden sollten – Fazit
„Verkaufspläne sind nichts; die Prognose der individuellen Kundenlebensdauer ist alles.“ So heißt es in der B2B-Verkaufsfolklore. Wenn Sie nicht in die Zukunft Ihrer Verkaufsbeziehungen schauen, fehlen Ihnen Erkenntnisse und Geld.
Um den Gesamtumsatz zu prognostizieren, kann ein Vertriebsmitarbeiter die Prognose der Lebenszeit einzelner Kunden aggregieren. Die Umsatzprognose beinhaltet eine Planung unter Unsicherheit – voller bekannter Unbekannter. Es gibt jedoch logische Möglichkeiten, die Unsicherheit zu reduzieren. Eine Möglichkeit ist die Erstellung einer Verkaufsprognose mit zuverlässigen Daten aus erster Hand – nicht mit unzuverlässigen Vorhersagen aus zweiter Hand.
Erwarten Sie keine verlässlichen Verkaufsprognosen aus externen Datenquellen, insbesondere nicht aus Prognosen im Zusammenhang mit der allgemeinen Wirtschaftslage.
Welche Datenquellen verwenden Sie zur Vorhersage der individuellen Customer Lifetime Value? Kommentieren Sie unten!
ICH MÖCHTE DEN CLV MIT PREDICTIVE SALES ANALYTICS STEIGERN
Kostenloses eBook zum gratis Download: Customer Lifetime Value steigern mit Predictive Sales Analytics
Kurz erklärt: Wie Sie den Customer Lifetime Value Ihrer B2B-Kunden berechnen und steigern können.
Downloaden Sie jetzt das kostenlose eBook.
Literaturnachweis:
Economic Forecasting Is Really Difficult. Just Ask the IMF. Hg: Bloomberg
IMF shows poor track record at forecasting recessions. Hg: Financial Times
Michael P. Clements, “An Evaluation of the Survey of Professional Forecasters Probability Distribution of Expected
Inflation and Output Growth,” Journal of Economic Literature, November 22, 2002.
Pufahl, M. (2018): Sales Performance Management. Hg: SpringerGabler