Salgsforecasting med AI: et rullende 90-dages forecast

Sælgeren siger 70 %. Historikken siger 55 %. Forskellen er ikke uærlighed, men en systematisk skævhed, der koster i indkøb, bemanding og likviditet. Salgsforecasting bygget på virksomhedens egne afsluttede sager giver et rullende 90-dages forecast, der opdateres hver uge. Her er opsætningen, regnestykket og den faldgrube, der vælter flest projekter.

Resumé og konklusion

Årsbudgettet forældes: Det bygger på information, der er 6-18 måneder gammel, og i vækst er forudsætningerne skredet, før januar er omme.
Rullende slår statisk: Salgsforecasting på ordremønstre, sæson og aktuel pipeline er bedre — ikke fordi den rammer præcist, men fordi den opdateres.
Sælgerens procent er en ambition: En model trænet på faktiske udfald er ikke klogere på den enkelte sag, men bedre kalibreret på 40.
Præcision er penge: Går nøjagtigheden fra ±25 % til ±10 %, frigør det cirka 265.000 kr. om året i lager, bemanding og kassekredit.
Tabte sager er forudsætningen: Uden registrerede tab kan hitraten ikke læres.

Hvorfor årsbudgettet skrider i en virksomhed i vækst

Årsbudgettet lægges i oktober-november på ni måneders realiseret omsætning og et gæt på de sidste tre. I december godkendes det. I marts er forudsætningerne skredet: en stor kunde har skiftet indkøbsmønster, en ny sælger er begyndt, en konkurrent har sænket priserne.

Problemet er ikke, at budgettet er unøjagtigt, men at det ikke opdateres. Et budget er en aftale om et mål; et forecast er et skøn over et udfald. Blandes de to, får man ét tal, ingen tør ændre, fordi en ændring opfattes som en indrømmelse. Skævheden er størst ved 15-25 % vækst, for væksten kommer i klumper — en ny kunde, en ny produktlinje — og netop dem kunne budgettet ikke forudse. Det er også dem, en salgsanalyse af, hvor væksten kommer fra, skal kunne udpege.

Det rullende 90-dages forecast i tre lag

Alternativet genberegnes hver uge og ser altid 90 dage frem. Første lag er baseline: den gentagne omsætning fra eksisterende kunder. For de fleste SMV’er er 60-80 % af næste kvartals omsætning allerede bestemt af, hvem der købte sidste kvartal. Ordrefrekvens og ordrestørrelse pr. kunde er stærkt prædiktive — samme datagrundlag, som churn-modellen bruger til at se kunder glide væk.

Andet lag er sæson. Ordreindgangen i danske SMV’er har markante og stabile mønstre: juli, uge 7, december. Et sæsonindeks på tre års historik fjerner meget af den støj, man ellers fejllæser som en tendens.

Tredje lag er pipelinen: de åbne sager, vægtet med en sandsynlighed, der ikke er sælgerens gæt. Pointen med salgsforecasting i denne form er ikke, at 90-dages tallet rammer bedre end årsbudgettet, men at det aldrig er mere end syv dage gammelt — og at afstanden fra hændelse til handling dermed falder fra måneder til uger.

Det rullende forecast fanger juli-dykket, som den flade budgetlinje aldrig ser.

Pipeline-scoring: hvilke sager lukker faktisk

En scoringsmodel trænes på afsluttede sager — vundne og tabte — og lærer, hvilke egenskaber der hænger sammen med et salg. De variabler, der næsten altid bærer signal i SMV-data, er sagsalder mod segmentets normale salgscyklus, antal kontakter, tid siden sidste aktivitet, om en beslutningstager er registreret, tilbudsstørrelsen mod kundens normale ordre, branche, produktkategori og sælger — for hitraten varierer reelt fra sælger til sælger.

Et illustrativt mønster: sager med beslutningstageren involveret lukker i 60 % af tilfældene, uden i 25 %. Sager uden aktivitet i 30 dage falder til under det halve — tavshed er det stærkeste enkeltsignal. Sager over 2,5 gange gennemsnitsordren har lavere hitrate og længere cyklus.

Her ligger forskellen på sælgerens skøn og modellen. Sælgeren siger 70 %, fordi mødet gik godt. Det er ikke løgn, men en skævhed: vi husker de sager, vi vandt mod alle odds, og vi taler med kunden, ikke med statistikken. Sælgerens sandsynlighed er ikke en sandsynlighed. Det er en ambition.

Modellen behøver ikke have ret om den enkelte sag. Den skal være kalibreret: siger den 40 %, skal cirka 40 ud af 100 sådanne sager lukke. Det er den eneste test, der tæller i salgsforecasting, og den kan køres bagud på egne data.

Regneeksempel: fra ±25 % til ±10 %

En produktions- og handelsvirksomhed omsætter for 60 mio. kr. Varekøbet udgør 55 %, altså 33 mio. kr., og kvartalsomsætningen er 15 mio. kr. Pipelinen rummer 40 åbne sager à 250.000 kr., og med en sælgerangivet sandsynlighed på 70 % giver det en vægtet pipeline på 7,0 mio. kr. Faktisk lukker 22 sager — hitrate 55 %, altså 5,5 mio. kr. Forecastet var 27 % for højt, og det er det hvert kvartal i samme retning.

Lager og indkøb. Kvartalsvarekøbet er 8,25 mio. kr. Dimensioneres bufferen efter opsiden, svarer ±25 % til 2,06 mio. kr. bundet kapital og ±10 % til 0,83 mio. kr. Frigjort: 1,23 mio. kr. Ved 7 % kapitalomkostning er det 86.000 kr. om året. Ender 8 % af den overskydende beholdning ukurant med 50 % nedskrivning, kommer 49.000 kr. oveni — i alt 135.000 kr.

Bemanding og likviditet. Med et forecast, man tør planlægge efter, kan cirka 800 vikartimer flyttes til fast bemanding; differencen mellem 480 og 340 kr. i timen giver 112.000 kr. Behovet for uudnyttet kreditramme falder med cirka 1,2 mio. kr., og ved 1,5 % i trækningsprovision er det 18.000 kr.

Samlet cirka 265.000 kr. om året, knap 9 % af et EBITDA på 3 mio. kr. Tallene er illustrative, men størrelsesordenen holder.

Fem faldgruber i salgsforecasting

Pipeline, der ikke vedligeholdes. Ét spørgsmål afslører det: hvor mange åbne sager har en forventet lukkedato, der ligger i fortiden? Er svaret over 20 %, er pipelinen ikke data, men et arkiv.

Tabte sager, der aldrig registreres. Den kritiske. Sælgeren lader en tabt sag stå åben, til den glider ud af syne. Uden registrerede tab er hitraten pr. definition 100 %, og modellen kan intet lære. En sag skal lukkes som vundet eller tabt med en tabsårsag.

Gaming, for lidt historik og forecastet som løfte. Bruges sandsynligheden i bonus eller leadfordeling, tilpasser sælgeren tallet — scoren skal derfor beregnes ud fra objektive felter og ikke af den, der ejer sagen. Under 200-300 afsluttede sager kan man ikke træne noget robust; brug segmentets hitrate justeret for sagsalder i stedet. Og skal salgschefen forsvare forecastet som et mål, holder ingen op med at pynte det: forecast og budget hører til på to forskellige møder.

Sådan sætter du det op i Business Central

Grundstammen ligger i Relationsstyring. Salgsmuligheder oprettes med salgscyklus og -fase, estimeret værdi, forventet afslutningsdato, chance for succes i procent og sælgerkode. Vigtigst er funktionen Afslut salgsmulighed, der lukker sagen som vundet eller tabt — det felt trænes hele modellen på. Opret et fast sæt tabsårsager, og gør feltet obligatorisk. Kontaktpersoner knyttes til sagen med rolle, så “beslutningstager involveret” bliver et datafelt, og interaktionsposter giver antal kontakter og seneste aktivitetsdato automatisk.

På transaktionssiden er salgstilbuddet næste led. Konverter altid tilbud til salgsordre via Business Centrals egen funktion, så feltet Tilbudsnr. bevares. Kæden salgsmulighed-tilbud-ordre-bogført faktura er dét, der gør det muligt at måle realisering mod skøn, og den brydes, når ordrer oprettes manuelt ved siden af tilbuddet.

Segmenteringen hentes fra debitorkategori, dimensioner (branche, kanal, område) og varekategorier på ordrelinjerne; historikken fra bogførte salgsfakturaer og værdiposter. Det samles i en semantisk Power BI-model, hvor sæsonindeks, hitrate og scoring beregnes. Skal forecastet også bruges til at vælge vækstretning, er Ansoff-matricens fire vækstveje næste skridt.

Sådan understøtter oneBC365 det

Salgsmuligheder, tilbud, ordrer, fakturaer og dimensioner ligger allerede i Business Central, men i fem tabeller, der sjældent læses sammen. oneBC365 samler dem i én færdigbygget semantisk model med hitrate pr. sælger, segment og produktkategori og en sæsonkorrigeret baseline, så 90-dages tallet kan genberegnes hver uge uden manuelt arbejde. Salgsforecasting bliver en ugentlig rutine i stedet for et projekt.

Modellen er et udgangspunkt, ikke et facit. Kunden ejer selv koden og kan tilpasse scoring, segmenter og sæsonindeks til sin egen forretning.

Sådan kommer du i gang med salgsforecasting i 4 trin

Mål udgangspunktet. Sammenlign de seneste otte kvartalers forecast med den realiserede omsætning. Uden det tal kan I ikke vide, om noget forbedres.
Ryd op i de tabte sager. Luk alle salgsmuligheder ældre end to salgscyklusser som vundet eller tabt med en årsag.
Gør fem felter obligatoriske. Sælger, estimeret værdi, forventet afslutningsdato, fase og tabsårsag.
Byg først den simple model. En vægtet pipeline på segmentets historiske hitrate — ikke sælgerens tal. Kør den mod sælgernes eget bud i to kvartaler.

Relaterede artikler

Vil du se, hvordan et rullende 90-dages forecast ser ud på jeres egne salgsmuligheder og fakturaer? Book en demo, så gennemgår vi jeres pipeline og jeres forecastnøjagtighed i dag.