AI-forecasting: hype, realiteit en wat te vertrouwen

Elke CRO die wij kennen is minstens drie keer een betere forecast beloofd. Eén keer door een BI-tool, één keer door gewogen-pipeline-wiskunde, één keer door de vorige generatie predictive software. De meeste van die beloftes schoten tekort. Dus wanneer een leverancier nu zegt dat AI eindelijk het cijfer gaat raken, is scepsis de juiste reflex. Forecasting is lastig om redenen die niet verdwijnen omdat het model groter werd.

Maar het volledig afwijzen is ook fout. AI verbetert forecasting op specifieke manieren, en het loont om precies te zijn over welke, wat "nauwkeurigheid" eigenlijk zou moeten betekenen, en hoe te beslissen of een gegeven forecast je vertrouwen verdient.

Waarom forecasting lastig is, en waarom AI dat niet verandert

Een salesforecast is een voorspelling over menselijke beslissingen die nog niet zijn genomen, onder omstandigheden die misschien nog niet bestaan. Dat is een ander probleem dan het voorspellen van iets dat door natuurkunde wordt bepaald.

Het signaal is dun. Zelfs een groot B2B-team sluit een beperkt aantal deals per kwartaal, wat een kleine steekproef is voor elk statistisch model, en elke deal heeft zijn eigen eigenaardigheden. De wereld blijft bewegen: je prijzen, je product, je concurrenten en de markt zijn allemaal veranderd sinds de trainingsdata werd verzameld, dus een model getraind op de deals van vorig jaar voorspelt een spel waarvan de regels zijn verschoven. De data zelf is vervuild door prikkels. Reps sandbaggen en horen wat ze willen horen op manieren die voorspelbaar maar lastig te modelleren zijn, en elke AI die op die data is getraind erft die bias. En de deals die ontploffen of het cijfer ver overtreffen zijn vaak juist de deals die geen enkel patroon had voorspeld.

Niets hiervan wordt opgeheven. Iedereen die een AI-forecast verkoopt als "eindelijk nauwkeurig" belooft te veel. Wat AI kan doen, is aanzienlijk beter zijn dan gewogen pipeline en onderbuikgevoel. Dat is een echte verbetering, maar het blijft een forecast.

Waar AI daadwerkelijk helpt

Binnen die grenzen zijn er vier concrete winsten ten opzichte van de oude methoden.

Het gebruikt veel meer signaal. In plaats van dealstage en een door de rep ingevoerde sluitingsdatum, kan een model e-mailresponsiviteit, meetingfrequentie, hoeveel stakeholders betrokken zijn, productgebruik, en of momentum opbouwt of afneemt meenemen. Het is dezelfde breedte aan waarneming die AI in staat stelt om revenue-signalen te lezen die mensen missen, nu gericht op voorspelling.

Het is consistent. Het model past dezelfde logica toe op elke deal, elke week. Het wordt niet optimistisch in de laatste vijf dagen van het kwartaal of somber na een slecht verlies. Dat alleen al verwijdert een hele categorie menselijke fouten.

De goede leggen zichzelf uit. Een nuttige AI-forecast markeert welke deals het risico aandrijven en welke signalen de kansen van een deal hebben verplaatst, zodat het cijfer een diagnose wordt in plaats van een vonnis.

En het wordt continu bijgewerkt. In plaats van een wekelijkse momentopname die bij elkaar wordt geraapt voor de maandagcall, herberekent de forecast zichzelf zodra nieuwe signalen binnenkomen, zodat risico eerder zichtbaar wordt.

Bij elkaar opgeteld stopt de forecast een rapport te zijn en gaat het werken als een vroegtijdig-waarschuwingssysteem. Het cijfer doet er minder toe dan het patroon van verandering en de redenering op dealniveau eronder.

Nauwkeurigheid is het verkeerde om je op te fixeren

Teams fixeren zich erop hoe dicht het voorspelde cijfer bij het werkelijke landt. Het doet ertoe. Maar er alleen achteraan jagen is een valkuil, om twee redenen.

Een forecast kan nauwkeurig zijn om de verkeerde redenen, met fouten die toevallig tegen elkaar wegvallen. Hij kan ook op nuttige manieren onnauwkeurig zijn. Als het model een deal markeert als waarschijnlijk uitglijdend en het team werkt er hard aan en redt hem, dan is de uitkomst veranderd en "faalde" de voorspelling. Dat is een goede forecast die slecht scoort.

De eigenschappen die meer waard zijn, zijn kalibratie en bruikbaarheid. Kalibratie betekent dat wanneer het model 70 procent zegt, die deals ongeveer 70 procent van de tijd sluiten. Een model dat eerlijk is over zijn onzekerheid is meer waard dan een zelfverzekerd model dat af en toe flink misgrijpt. Bruikbaarheid betekent dat de forecast je vertelt waar je vroeg genoeg moet ingrijpen om het resultaat te veranderen.

Beoordeel een AI-forecast dus op of hij eerlijk is over wat hij niet weet en of hij je sneller laat handelen. Een model dat zijn vertrouwen en zijn redenering toont is er een die je kunt beheersen, wat precies het hele punt is van revenue-AI verantwoordelijk houden.

Hoe te beslissen of je het moet vertrouwen

Een paar tests voordat je een kwartaal erop inzet.

Vraag om kalibratiedata. Houdt de leverancier voorspelde-versus-werkelijke kansen bij in de tijd? Als ze je dat niet kunnen laten zien, wees op je hoede. De meesten kunnen dat niet.

Zoek naar redenering, niet alleen een cijfer. Een betrouwbare forecast legt uit welke deals en signalen hem aandrijven. Een ondoorzichtig cijfer is een black box die je niet kunt beheren, en meestal een teken van AI geplakt op een systeem dat niet genoeg van de data kan zien.

Controleer dat een mens de beslissing nog steeds bezit. De forecast is één input voor het oordeel van de CRO. De CRO doet nog steeds de commit. Dit is het human-in-the-loop-model in zijn meest simpele vorm: de AI informeert, een persoon beslist.

En geef het een paar cycli. Laat het naast je huidige proces draaien, vergelijk, en laat het geloofwaardigheid verdienen zoals je van een nieuwe salesmanager zou verwachten. Geen enkel forecastingsysteem, AI of anderszins, verdient vertrouwen op dag één.

Belangrijkste inzichten

• Forecasting is structureel lastig (dunne, bevooroordeelde, niet-stationaire data) en AI verbetert het zonder die grenzen weg te nemen.
• De echte winst zit in signaalbreedte, consistentie, uitleg op dealniveau en continue updates. Behandel de forecast als een vroegtijdig-waarschuwingssysteem, niet als een scorebord.
• Kalibratie en bruikbaarheid verslaan ruwe nauwkeurigheid. Een forecast die je helpt een deal te redden die hij voorspelde dat je zou verliezen, doet zijn werk.
• Vertrouw een forecast die zijn kalibratierecord toont, zijn redenering uitlegt, en de uiteindelijke beslissing bij een persoon laat. Geef het dan een paar cycli voordat je erop leunt.

Met heldere ogen gebruikt is AI-forecasting een echte verbetering ten opzichte van gewogen pipeline en intuïtie, omdat het risico eerder ziet en consistenter redeneert dan wij ooit kunnen. Als je een forecast wilt die zijn werk toont en je vertelt waar te handelen, is dat het probleem waar Revnewo voor is gebouwd.