Nils Wirell
En prognos som bygger på säljares magkänsla, enstaka pipeline-steg och kvartalets optimism blir sällan bättre av att kallas forecast. Att testa AI för säljprognoser kan ge en betydligt mer träffsäker bild av framtida intäkter, men bara om ni ser det som ett kommersiellt förändringsarbete - inte som ännu en funktion att slå på i CRM:et.
För B2B-bolag med längre affärer, flera beslutsfattare och internationell tillväxt är behovet uppenbart. Ledningen behöver kunna planera kapacitet, investeringar och tillväxt utan att varje kvartal bli överraskad av affärer som flyttar fram. Problemet är att många börjar i fel ände: de köper en AI-lösning innan de har bestämt vilka prognosbeslut som faktiskt ska bli bättre.
Varför testa AI för säljprognoser?
En traditionell säljprognos svarar ofta på frågan: Vad tror säljarna att de kommer stänga? En AI-stödd prognos kan i stället svara: Vad säger historiken, kundbeteendet och den aktuella affärsaktiviteten om sannolikheten att intäkten faktiskt kommer in?
Skillnaden är större än den låter. AI kan väga samman signaler som normalt blir osynliga i en manuell forecast: förändringar i mötesfrekvens, svarstider, antal aktiva kontakter hos kontot, hur länge affären stått i ett steg, rabattnivåer, engagemang från beslutsfattare och likheten med tidigare vunna eller förlorade affärer. Den kan också identifiera risk i pipeline som ser frisk ut på ytan.
Det betyder inte att modellen vet mer om kundens interna politik än den ansvariga säljaren. Den vet heller inte att en ny CFO precis har fryst alla inköp, om den informationen aldrig dokumenteras. AI ska därför inte ersätta säljledningens bedömning. Den ska minska beroendet av den när data faktiskt kan ge ett bättre svar.
Den största nyttan kommer sällan från en snyggare procentsats på en dashboard. Den kommer från bättre beslut: vilka affärer som behöver chefssponsring, var säljarna ska lägga tid, om pipeline-täckningen räcker och när marknad behöver skapa efterfrågan för att täppa till ett kommande gap.
Börja med beslutet, inte med modellen
En pilot bör avgränsas till ett konkret affärsproblem. För ett bolag kan det vara att förutse kvartalets nyförsäljning med större precision. För ett annat handlar det om att förstå vilka affärer som sannolikt glider in i nästa period. För ett tredje är huvudfrågan hur många kvalificerade möjligheter som krävs för att nå en viss intäktsnivå i USA eller en ny europeisk marknad.
Välj ett primärt utfall och ett fåtal mått. Prognosprecision är självklart, men den behöver definieras. Mäter ni avvikelsen på total omsättning, antal vunna affärer, affärsvärde eller prognos per segment? En modell kan vara rimligt träffsäker på totalnivå men missa grovt i enterprise-segmentet, där få stora affärer styr resultatet.
Det är också värt att bestämma vilken jämförelse som är rättvis. AI ska inte ställas mot en perfekt, idealiserad manuell process. Jämför mot er nuvarande forecast: hur tidigt upptäcker ni risk, hur mycket avvikelse har ni vid periodslut och hur mycket chefstid går åt till att jaga status? Om piloten inte förbättrar något som påverkar beslut eller arbetssätt spelar modellens tekniska kvalitet mindre roll.
Datakvaliteten avgör om prognosen blir användbar
CRM-data är inte objektiv bara för att den finns i ett system. Om säljarna rutinmässigt flyttar fram stängningsdatum utan orsak, lämnar nästa steg tomt eller använder pipeline-steg på olika sätt, lär sig modellen era processbrister. Resultatet kan se avancerat ut men ge falsk trygghet.
Det betyder inte att ni först måste genomföra ett årslångt datastädningsprojekt. Det är ofta ett bekvämt sätt att undvika att börja. Däremot behöver ni identifiera vilka fält och beteenden som är tillräckligt konsekventa för en första pilot. I många B2B-organisationer räcker det långt med historik från vunna och förlorade affärer, tydliga stegdefinitioner, belopp, förväntade stängningsdatum, ägarskap och aktivitetsdata.
Tre frågor brukar snabbt avslöja om grunden håller:
- Har ni tillräckligt med avslutade affärer för att hitta mönster inom de segment ni vill prognostisera?
- Är era säljprocesser jämförbara, eller blandar ni exempelvis små transaktioner och strategiska enterprise-affärer i samma modell?
- Går det att se skillnad mellan faktisk kundaktivitet och intern CRM-administration?
Var försiktig med historiska snedvridningar
AI är bra på att hitta mönster i det som redan har hänt. Det är också dess begränsning. Om ni tidigare har prioriterat inkommande leads med hög aktivitet, men missat långsammare strategiska konton, kan modellen förstärka det beteendet. Om säljarna alltid har lagt extra energi på affärer som redan bedömts som lovande, kan aktiviteten se ut som en orsak till vinst när den i själva verket är en följd av prioriteringen.
Därför behöver någon med kommersiell erfarenhet granska modellens slutsatser. Inte bara en dataanalytiker och inte bara en systemadministratör. Frågan är inte enbart om modellen är statistiskt rimlig, utan om rekommendationerna fungerar i er go-to-market-modell.
Så genomför ni en pilot som går att lita på
Låt den befintliga forecast-processen rulla parallellt under en begränsad period. AI-prognosen ska inte få bli facit från dag ett. Jämför förutsägelserna vecka för vecka, särskilt på affärer som modellen flaggar som riskfyllda eller mer sannolika än säljarens egen bedömning.
Granska sedan avvikelserna tillsammans med säljledning och RevOps. När modellen missar, vad saknades i datan? När säljarna missar, fanns det signaler som ignorerades? Det är i den diskussionen som piloten börjar skapa värde. Ni förfinar både modellen och arbetssättet kring pipeline.
En bra pilot har dessutom en tydlig ägare. Inte en IT-ledd innovationsgrupp som rapporterar om teknikadoption, utan en kommersiell ansvarig som kan fatta beslut när insikten kräver handling. Om modellen visar att sena steg i pipelinen systematiskt överskattas, måste det få konsekvenser för kvalificering, säljcoaching och hur ni räknar på kapacitet.
Det här är också skälet till att vi inte behandlar AI som en fristående implementation. Purasu kopplar prognosarbetet till CRM-struktur, säljprocess, lead scoring och den faktiska intäktsplanen. En modell som bara rapporterar risk men inte förändrar prioriteringar är en dyr rapportgenerator.
När AI inte är rätt första åtgärd
I vissa organisationer är problemet inte prognosmetoden utan avsaknaden av en fungerande säljprocess. Om ni inte kan förklara vad som krävs för att en affär ska flytta från discovery till utvärdering, finns det för lite signal att modellera. Om varje team använder egna definitioner av kvalificerad pipeline, blir en gemensam prognos missvisande oavsett teknik.
Samma sak gäller vid mycket låg transaktionsvolym. Ett bolag som bara stänger några få, mycket stora affärer per år behöver i regel kombinera enklare datamodeller med strukturerade account reviews och ledningens marknadsbedömning. AI kan fortfarande hjälpa till att synliggöra risk och aktivitetsmönster, men den ska inte få ge en falsk precision på decimalnivå.
Det är inte ett nederlag att börja med process och data. Det är ofta den snabbaste vägen till en prognos som går att använda.
Skala först när arbetssättet har förändrats
En lyckad pilot bevisar inte bara att AI kan räkna bättre. Den bevisar att organisationen kan agera på insikterna. Innan ni skalar bör ni därför se konkreta tecken: tidigare riskidentifiering, färre sena överraskningar, bättre pipeline-hygien och tydligare prioritering från säljledning och marknad.
Därefter kan ni bredda till fler segment, inkludera förnyelseintäkter eller använda samma signaler för att styra lead scoring och account-prioritering. Men skala inte för att ni har en modell. Skala när modellen hjälper er att fördela tid, pengar och ledningsfokus bättre än tidigare.
Den rätta första frågan är alltså inte vilken AI-plattform ni ska välja. Fråga vilken osäkerhet i er intäktsmotor ni vill minska, och vilka beslut som blir bättre när svaret inte längre bygger på gissningar.