Hoe gebruikt u AI voor sales forecasting?

Wat AI daadwerkelijk verandert aan uw forecast

Een traditionele forecast leunt op twee dingen: de fase waarin een deal staat en het gevoel van de verkoper die hem beheert. Beide zijn subjectief. Een verkoper die onder druk staat om targets te halen, schat optimistischer in dan de data rechtvaardigt. Een deal die al weken in "onderhandeling" staat, wordt vaak nog steeds als kansrijk geteld, ook als er geen enkele activiteit meer op zit.

AI kijkt niet naar wat een verkoper zegt, maar naar wat er in het verleden is gebeurd met vergelijkbare deals. Het model leert uit afgesloten deals: welke combinatie van kenmerken leidde tot winst, welke tot verlies. Denk aan reactietijd op mails, aantal betrokken stakeholders, tempo waarmee een deal door de fasen beweegt en de tijd die een deal al open staat vergeleken met het gemiddelde in die fase.

Op basis van die patronen krijgt elke openstaande deal een kansscore die losstaat van de mening van de verkoper. Dat is het kernverschil: u voorspelt niet meer op basis van hoop, maar op basis van gedrag dat eerder een uitkomst voorspelde.

De voorwaarden voordat AI iets kan voorspellen

AI-forecasting werkt alleen als er iets is om patronen in te herkennen. Zonder die basis krijgt u een model dat evenveel giswerk doet als de verkoper die het moest vervangen.

Drie voorwaarden zijn niet onderhandelbaar:

• Voldoende historische deals. Een model heeft afgesloten deals nodig, gewonnen en verloren, om patronen te leren. Een handvol deals per maand levert te weinig signaal op.
• Consistente sales stages. Als elke verkoper een eigen invulling geeft aan wat "in onderhandeling" betekent, kan het model geen betrouwbare fase-gebonden patronen herkennen. Zorg dat de definitie van elke stage vastligt, zoals beschreven in hoe u sales stages definieert.
• Gelogde activiteit. Mails, telefoongesprekken en vergaderingen moeten in het CRM staan, niet alleen in het hoofd van de verkoper. Zonder activiteitendata mist het model juist de signalen die dealrisico verraden.

Ontbreekt een van deze drie, dan is de eerste stap niet AI, maar het op orde brengen van uw basisregistratie. Zie ook hoe u uw pipeline beheert als opstap naar betrouwbaardere data.

In vijf stappen naar AI-ondersteunde forecasting

Stap 1: Breng de datakwaliteit op orde

Controleer of dealwaarde, sluitdatum, stage en eigenaar consistent worden ingevuld. Vervuilde of ontbrekende velden zijn de meest voorkomende reden waarom een AI-model onbruikbare voorspellingen doet.

Stap 2: Gebruik historische deals als leermateriaal

Exporteer minimaal een jaar aan gesloten deals, inclusief de reden van verlies. Dit is de trainingsbasis waarop het model straks patronen herkent.

Stap 3: Laat het model een kansscore berekenen per deal

In plaats van een vaste kans per stage (bijvoorbeeld altijd vijftig procent bij "voorstel verstuurd"), berekent het model per deal een individuele score op basis van gedrag.

Rekenvoorbeeld

Een fictief voorbeeld ter illustratie: twee deals staan beide in de fase "voorstel verstuurd", waar het salesproces standaard een kans van vijftig procent aan koppelt. Deal A heeft in twee weken drie keer contact gehad met drie stakeholders. Deal B heeft drie weken stilgelegen zonder reactie. Een stage-gebaseerde forecast telt beide even zwaar mee. Een AI-model geeft Deal A een hogere score en Deal B een lagere, omdat vergelijkbaar gedrag in het verleden tot heel andere uitkomsten leidde.

Stap 4: Koppel dealrisico-signalen aan de score

Naast een kansscore kan het model deals markeren met een risicovlag: stilgevallen activiteit, een besluitvormer die is uitgevallen uit de communicatie, of een dealduur die ver boven het gemiddelde ligt. Dit geeft verkopers en salesleiding een concrete reden om in te grijpen, niet alleen een getal.

Stap 5: Valideer en stel bij

Vergelijk elke maand de voorspelling met de werkelijke uitkomst. Wijkt de score structureel af, dan heeft het model bijstelling nodig, of ligt de oorzaak in een salesproces dat zelf niet consistent wordt gevolgd.

Veelgemaakte fouten bij AI-forecasting

Blind vertrouwen op de score. Een kansscore is een hulpmiddel, geen waarheid. Salesleiding die de score overneemt zonder de onderliggende deals te bekijken, verliest precies het inzicht dat de forecast waardevol maakt.

Te weinig data om op te trainen. Een model dat leert van een kleine set deals herkent geen patroon, maar ruis. Bij twijfel is meer historie beter dan een snelle start.

Verkopers die zich gecontroleerd voelen. Als een risicovlag wordt ingezet als afrekeninstrument in plaats van als stuurinformatie, gaan verkopers de invoer aanpassen om slecht scorende deals te verbloemen. Daarmee verdwijnt precies de data die het model nodig heeft.

AI los van het salesproces inzetten. Een kansscore die niemand bespreekt in de salesmeeting is een rapport, geen stuurinstrument. De waarde zit in het gesprek dat de score oplevert, niet in de technologie zelf.

Wanneer heeft u hulp nodig

Als de basisdata ontbreekt, het salesproces per verkoper verschilt, of niemand in de organisatie de tijd heeft om een model te valideren en bij te stellen, levert AI-forecasting weinig op. Dan is de eerste opgave niet technisch maar organisatorisch: het proces, de definities en de discipline op orde brengen voordat een model daar iets aan kan toevoegen.

Voor MKB-bedrijven zonder aparte data- of salesopsafdeling is het vaak effectiever om eerst met een fractional commercieel directeur de forecast-basis te herstellen en pas daarna AI toe te voegen als versterking, niet als vervanging van ontbrekende sturing.