Comment construire une prévision pondérée, pilotée par les signaux

La prévision commerciale standard repose sur une fiction que tout le monde accepte de croire : un deal en étape 3 a une probabilité fixe de se conclure, disons 40 %, indépendamment de ce qui se passe réellement dans ce deal. Multipliez le pipeline par les pourcentages d'étape, additionnez, appelez cela une prévision. C'est simple et auditable, et c'est faux assez souvent pour coûter chaque trimestre leur crédibilité aux responsables de la prévision.

Une prévision pondérée, pilotée par les signaux, remplace les approximations par étape par des probabilités fondées sur ce que les deals font réellement. Comment l'acheteur s'engage, combien de personnes sont impliquées, si la date de clôture a tenu. Voici comment en construire une sans équipe data science.

Pourquoi le calcul par étape échoue

Il suppose que la position dans l'étape est un bon indicateur de la probabilité de clôture. Ce n'est pas le cas, pour deux raisons.

Les étapes sont subjectives. Un commercial peut traîner un deal jusqu'à l'étape 4 pour calmer son manager sans que l'acheteur ait bougé d'un pouce. L'étape finit par mesurer l'optimisme du commercial.

Et un pourcentage fixe ignore la variance à l'intérieur d'une étape. Deux deals dans la même étape peuvent ne se ressembler en rien. L'un a un décideur économique engagé, un plan d'action mutuel signé et une date de clôture qui tient depuis six semaines. L'autre est mono-contact, n'a pas eu de réunion depuis vingt jours et a déjà glissé une fois. Le calcul par étape les valorise de la même façon. Quiconque a travaillé l'un ou l'autre sait que l'un vaut plusieurs fois l'autre, et les données le confirment.

C'est la racine du problème traité dans la fiabilité des prévisions : pourquoi c'est si mauvais et comment y remédier. La solution consiste à pondérer par les preuves plutôt que par l'étape.

Les signaux qui prédisent réellement une clôture

Une prévision pilotée par les signaux pondère chaque deal selon les comportements historiquement associés à une victoire. Les catégories qui pèsent le plus, dans notre expérience :

• La dynamique d'engagement. À quelle fréquence et à quelle date récente ont eu lieu des interactions significatives avec l'acheteur, et si cette tendance est à la hausse ou à la baisse.
• La profondeur du multi-threading. Combien de parties prenantes sont impliquées, et surtout si le décideur économique en fait partie. Un deal mono-contact en fin de cycle est l'un des meilleurs prédicteurs de perte qui soit.
• Les artefacts d'engagement du côté de l'acheteur. Un plan d'action mutuel, une revue de sécurité planifiée, les achats qui s'impliquent. Des preuves tangibles d'intention.
• L'intégrité du calendrier. La date de clôture a-t-elle tenu, ou a-t-elle déjà bougé ? Le glissement est l'un des signaux négatifs les plus forts que vous trouverez, et le problème du glissement des deals explique comment le prédire.
• Les signaux produit, pour les essais et le PLG. Profondeur et étendue de l'usage pendant l'évaluation.

Ces signaux existent déjà dans vos systèmes. Ils n'alimentent simplement pas la prévision. Les capturer de façon fiable est le fondement exposé dans instrumenter votre entonnoir pour une prise de décision réelle.

Construire le modèle

Vous pouvez obtenir une première version crédible sans aucun machine learning.

1. Inventoriez vos signaux. Listez les signaux comportementaux que vous pouvez capturer de façon fiable aujourd'hui. Cinq à huit suffisent largement pour commencer.
2. Attribuez des pondérations à partir de l'historique. Regardez les deals gagnés et perdus et estimez de combien chaque signal a fait bouger la probabilité de clôture. Des pondérations approximatives ancrées dans votre propre historique battent les pourcentages d'étape fixes à tous les coups.
3. Notez chaque deal ouvert. Combinez ses signaux en une probabilité ajustée. Un deal en étape 3 peut se situer n'importe où entre 15 et 70 % selon les preuves.
4. Agrégez en une fourchette. Additionnez les valeurs pondérées et présentez un scénario prudent, attendu et optimiste, plutôt qu'un chiffre unique à la précision trompeuse.
5. Gardez commit, forecast et upside comme des sorties distinctes pour que la direction voie le gradient de confiance.
6. Faites un back-test. Rejouez le modèle sur les quatre derniers trimestres. S'il n'aurait pas prédit ces résultats, ajustez les pondérations jusqu'à ce qu'il le fasse. Puis recommencez le trimestre suivant.

Plus tard, les pondérations ajustées à la main peuvent céder la place à des modèles qui apprennent de votre propre historique. Mais l'essentiel est d'ancrer la probabilité dans la preuve, et cette discipline compte plus que la sophistication des mathématiques.

Le faire changer les comportements

Un modèle ne mérite sa place que s'il change la revue de pipeline. Le changement se situe dans la question. Au lieu de « dans quelle étape est-ce », la revue demande « que disent les preuves, et qu'est-ce qui le ferait avancer ? ». Les deals signalés pour signaux faibles reçoivent des interventions spécifiques : ramener le décideur économique dans la pièce, sécuriser un plan d'action mutuel, confirmer le calendrier. La prévision cesse d'être une prédiction passive et devient une liste d'actions qui amélioreraient le chiffre, ce qui relie la prévision aux signaux de revenus et aux meilleures actions suivantes.

La fiabilité de prévision construite ainsi alimente aussi votre score de santé des revenus. Une équipe dont les engagements pilotés par les signaux continuent de correspondre à la réalité a des revenus manifestement plus sains qu'une équipe qui fonctionne sur l'espoir fondé sur l'étape, et un CFO peut voir la différence.

Points clés à retenir

• La prévision par étape échoue parce que les étapes sont subjectives et qu'un pourcentage fixe masque une énorme variance à l'intérieur de l'étape.
• Pondérez chaque deal par le comportement : engagement, multi-threading, artefacts d'engagement de l'acheteur, tenue de la date, usage produit.
• Vous n'avez pas besoin de machine learning pour commencer. Des pondérations ancrées dans l'historique et un back-test sur quatre trimestres suffisent.
• Présentez une fourchette, gardez commit et upside séparés, et soyez prêt à expliquer d'où vient le chiffre.
• La prévision devrait se lire comme une liste de choses à faire, la prédiction n'étant qu'un sous-produit.

Ancrer la prévision dans un signal en direct plutôt que dans des approximations par étape est une promesse centrale de l'orchestration des revenus. Le pipeline cesse d'être une feuille de calcul que vous regardez et devient quelque chose que vous pouvez piloter.