Como Construir uma Previsão Ponderada, Orientada por Sinais

A previsão de vendas padrão se apoia numa ficção que todo mundo concorda em acreditar: um negócio no estágio 3 tem uma chance fixa de fechar, digamos 40%, independentemente de qualquer coisa que esteja realmente acontecendo naquele negócio. Multiplique o pipeline pelas porcentagens de estágio, some tudo, chame de previsão. É simples e é auditável, e está errado com frequência suficiente para custar aos donos da previsão sua credibilidade a cada trimestre.

Uma previsão ponderada, orientada por sinais, troca o chute do estágio por probabilidades baseadas no que os negócios realmente estão fazendo. Como o comprador está se engajando, quantas pessoas estão envolvidas, se a data de fechamento se manteve. Veja aqui como construir uma sem precisar de uma equipe de ciência de dados.

Por que a matemática de estágio falha

Ela assume que a posição do estágio é um proxy decente para a probabilidade de fechamento. Não é, por dois motivos.

Estágios são subjetivos. Um rep pode arrastar um negócio para o estágio 4 para tirar o gerente das costas dele sem que o comprador tenha se movido nem um pouco. O estágio acaba medindo o otimismo do rep.

E uma porcentagem fixa ignora a variância dentro de um estágio. Dois negócios no mesmo estágio podem não se parecer em nada. Um tem um comprador econômico engajado, um plano de ação mútuo assinado e uma data de fechamento que se manteve por seis semanas. O outro é single-threaded, não tem uma reunião há vinte dias e já escorregou uma vez. A matemática de estágio os valoriza igualmente. Qualquer um que já trabalhou com qualquer um dos dois sabe que um vale várias vezes mais que o outro, e os dados concordam.

Essa é a raiz do problema abordado em precisão de previsão: por que é tão ruim e como corrigir. A correção é ponderar por evidência em vez de por estágio.

Os sinais que realmente preveem um fechamento

Uma previsão orientada por sinais pondera cada negócio pelos comportamentos que historicamente andaram junto com vitórias. As categorias que carregam mais peso, na nossa experiência:

• Momentum de engajamento. Com que frequência e quão recentemente houve interações significativas com o comprador, e se isso está subindo ou descendo.
• Profundidade de multi-threading. Quantos stakeholders estão envolvidos, e acima de tudo se o comprador econômico é um deles. Um negócio single-threaded em estágio avançado é um dos melhores preditores de perda que existem.
• Artefatos de compromisso do lado do comprador. Um plano de ação mútuo, uma revisão de segurança agendada, compras se envolvendo. Evidência concreta de intenção.
• Integridade do timing. A data de fechamento se manteve, ou já mudou? Escorregamento é um dos sinais negativos mais fortes que você vai encontrar, e o problema do escorregamento de negócios aborda como prevê-lo.
• Sinais de produto, para trials e PLG. Profundidade e amplitude de uso durante a avaliação.

Esses sinais já existem nos seus sistemas. Eles simplesmente não estão alimentando a previsão. Capturá-los de forma confiável é a base estabelecida em instrumentando seu funil para tomada de decisão real.

Construindo o modelo

Você consegue colocar uma primeira versão crível para rodar sem nenhum machine learning.

1. Faça um inventário dos seus sinais. Liste os sinais comportamentais que você consegue capturar de forma confiável hoje. Cinco a oito já são suficientes para começar.
2. Atribua pesos a partir do histórico. Olhe para trás, para negócios ganhos e perdidos, e estime o quanto cada sinal moveu a probabilidade de fechamento. Pesos aproximados fundamentados no seu próprio histórico vencem porcentagens fixas de estágio sempre.
3. Pontue cada negócio aberto. Combine seus sinais numa probabilidade ajustada. Um negócio em estágio 3 pode ficar em qualquer lugar entre 15% e 70%, dependendo da evidência.
4. Agregue numa faixa. Some os valores ponderados e apresente conservador, esperado e otimista, em vez de um único número com falsa precisão.
5. Mantenha commit, forecast e upside como saídas separadas para que a liderança veja o gradiente de confiança.
6. Faça backtesting. Reproduza o modelo contra os últimos quatro trimestres. Se ele não teria previsto esses resultados, mude os pesos até que previsse. Depois faça isso de novo no próximo trimestre.

Mais tarde, pesos ajustados manualmente podem dar lugar a modelos que aprendem com o seu próprio histórico. Mas o ponto é fundamentar a probabilidade em evidência, e essa disciplina importa mais do que a sofisticação da matemática.

Fazendo isso mudar o comportamento

Um modelo só se justifica se mudar a revisão de pipeline. A mudança está na pergunta. Em vez de "em que estágio isso está", a revisão pergunta "o que a evidência diz, e o que moveria isso?". Negócios sinalizados por sinais fracos recebem intervenções específicas: trazer o comprador econômico de volta à sala, garantir um plano de ação mútuo, confirmar o cronograma. A previsão para de ser uma predição passiva e vira uma lista de ações que melhorariam o número, que é onde a previsão se conecta com sinais de receita e melhores próximas ações.

A confiabilidade de previsão construída dessa forma também alimenta seu revenue health score. Uma equipe cujos commits orientados por sinal continuam batendo com a realidade tem uma receita comprovadamente mais saudável do que uma rodando na esperança baseada em estágio, e um CFO consegue ver a diferença.

Principais conclusões

• A previsão baseada em estágio falha porque estágios são subjetivos e uma porcentagem fixa esconde uma variância enorme dentro do estágio.
• Pondere cada negócio pelo comportamento: engajamento, multi-threading, artefatos de compromisso do comprador, se a data se manteve, uso de produto.
• Você não precisa de machine learning para começar. Pesos fundamentados no histórico e um backtest contra quatro trimestres já bastam.
• Apresente uma faixa, mantenha commit e upside separados, e esteja pronto para explicar de onde veio o número.
• A previsão deveria ler como uma lista de coisas a fazer, com a predição como subproduto.

Fundamentar a previsão em sinal ao vivo, em vez de chute de estágio, é uma promessa central da orquestração de receita. O pipeline para de ser uma planilha que você olha e vira algo que você pode direcionar.