关于ZAKER 免费视频剪辑 合作 加入
36氪 08-02

杨峻:用 MOFV 法提升 B2B 销售预测准确性

本文由 36 氪企服点评专家团杨峻原创。

36 氪企服点评专家团——杨峻

————正文————

在做 B2B 生意的企业中,使用CRM系统来管理销售,往往面临着两大难题:

1、对一线销售来说,如何能解决销售不愿使用CRM,和即使使用,输入数据质量也很差的问题;

2、对公司高层来说,如何能解决销售预测准确性的问题。

当然这 2 个问题是互相关联的,如果一线销售都不用,或输入虚假数据,那预测不可能准。笔者在之前文章《杨峻:建立三轮驱动体系,使销售人员爱上 CRM》介绍了如何根据销售人员成长阶段,通过销售过程管理(TAS+)、销售支撑体系(MCI)、大客户管理(ESP+)和企业资源共享平台来实现CRM以员工需求为中心,从而使销售更愿意使用CRM

如果销售愿意使用CRM了,销售预测就能准确吗?其实也不尽然。笔者认为我们 CRM 中,针对 B2B 销售预测有很多不合理的方法,致使销售预测经常偏差很大。

我们CRM中,B2B 销售预测往往基于 pipeline,一般通过人工估算或是基于机器推算两种方法完成预测。

人工估算:大部分 B2B 企业是叫销售自己评估商机赢率,往往阶段越往后,要求赢率越大。系统中,针对赢率有一些描述,比如说商机应该达到什么程度,来填写赢率 60%。但这种程度是定性的,很难定量是衡量。所以面对同样一个商机,不同销售评估结果相差很大,而且每个销售都有业绩指标,所以有些时候,为了满足考核,销售往往人为提升赢率,去迎合考核要求。

机器推算:B2B 业务CRM难点是很难根据过去的历史数据去推测赢率。很多 B2B 生意是低频的生意,客户几年才会采购一次,而且这次采购和上次采购的关键决策人和我方销售也可能发生变化,所以很难用公式进行预测。但如果我们根据这个方案或产品在某一行业中的赢率去判断,企业客户,尤其是大企业客户,决策机制非常不同,有的价格敏感、有的关系敏感、有的方案敏感,所以推测的结果也会偏差很大。

笔者认为 B2B 生意销售预测准确率与以下四个要素相关:

1. 预测的模型(Model)

2. 预测输入的客观性(Objectivity)

3. 预测的频率(Frequency)

4. 预测的校验(Verification)

预测的模型(Model)

一个单子,输赢往往取决于自己和竞争对手的对比,也就是你强,竞争对手更强,你输;你弱,竞争对手更弱,你赢。所以笔者建议采用 "竞争对手比对法" 来计算赢单率。

Figure 1 赢单率计算 - 竞争对手对比法

上图是笔者建议的通过竞争对手对比法来计算赢单率。而且我们完全可以根据赢单率的变化作为触发事件,去制定新的打单战略战术,制定商务公关和技术攻关计划,以及下一步行动计划。

1. 如果没有必要事件,表示不能确认客户一定要做这个项目,那没必要计算赢单率。

2. 如果没有内部消息来源,那往往赢单率估算都太乐观,所以结果出来后至少打七折。

3. 如果我们没有在竞争中进前三,那计算赢单率没意义,就按 0 计算。

预测输入的客观性(Objectivity)

我们要尽量避免让销售主观去估算赢单率,而是要通过一系列的问题,而且每个问题都可以比较容易判断和明确答是否,然后通过问题的答案自动计算赢率。

另外,在回答商机金额,关单日期,竞争对手赢率等问题时,要给出区间,而不是仅仅给一个数值。未来可以通过该销售的历史数据去分析该销售自我评估的行为模式,比如该销售一般给出的预测结果是其评估区间的几分位。

Figure 2 赢单率问卷

预测的频率(Frequency)

如果要求销售人员预测的频率越频繁,那销售预测值一般就会越精准,但花费了销售大量的时间,预测成本也就越高。所以笔者建议预测的频率是一季、一月、还是一周应该公司根据自己的管理精度、管理能力和对预测准确性的要求按需调整。

但另一方笔者建议提供事件触发的预测功能,即当市场发生重大事件,或某一客户或项目发生重大事件时,自动通知销售,重新回答问卷,调整预测。

预测的校验(Verification)

销售的预测需要有人校验,以形成参照物。最合适的验证人就是销售的一线主管。一线主管和销售交流后,基于销售回答的问卷,确认或修改问卷,形成一个校验的预测值。但一线主管的预测值不应让一线销售知道,以避免销售人员预测值和一线主管值预测值趋同的现象。

和一线销售的预测频率一样,一线主管校验的频率越高,可能校验的销售预测值越准,但成本越高。所以公司需要根据自己的管理精度、管理能力和对预测准确性的要求按需调整校验的频率。

MOFV 销售预测法

Figure 3 MOFV 销售预测法

如上图所示,笔者建议通过 MOFV 销售预测法来不断优化迭代,形成适合自己公司的精准销售预测模型

1. 预测的模型(Model):基于竞争对手的预测模型;

2. 预测输入的客观性(Objectivity):通过问卷和区间选择使预测尽可能客观 ;

3. 预测的频率(Frequency):选择最合适预测频率在成本和准确性上达到平衡,同时支持事件触发的预测;

4. 预测的校验(Verification):支持主管的校验的预测曲线;

5. 迭代优化:一旦三条预测曲线发生大的偏差,去深挖背后原因。如果三条曲线一致,但与实际结果发生大的偏差,也去深挖背后原因;

6. 形成最佳预测模型:不停迭代完善最佳预测模型。

总结:

本文笔者介绍了 MOFV 销售预测法,从预测的模型(Model)、预测输入的客观性(Objectivity)、预测的频率(Frequency)和预测的校验(Verification)四个维度介绍了如何迭代优化销售预测准确性。

www.36dianping.com

[ 免责声明 ]

原文标题:《杨峻:用 MOFV 法提升 B2B 销售预测准确性》

作者:杨峻

本文来源于36 氪企服点评

以上内容由"36氪"上传发布 查看原文
一起剪

一起剪

ZAKER旗下免费视频剪辑工具

一起剪

最新评论

没有更多评论了
36氪

36氪

让创业更简单

订阅

觉得文章不错,微信扫描分享好友

扫码分享

热门推荐

查看更多内容