• Frank Custers

Kwalitatieve en kwantitatieve forecasting combineren: een handleiding

Bijgewerkt: feb 26

Het verschil tussen kwantitatief en kwalitatief forecasten is groot. Kwantitatieve forecasting vereist harde gegevens en rekenwerk, terwijl je voor kwalitatieve forecasting afhankelijk bent van goed onderbouwde schattingen en meningen van experts. Maar ondanks de verschillen zijn de twee methodes van forecasting ook prima te combineren. In deze blog laat ik je zien hoe je ze samen kan inzetten bij het voorspellen van je omzet, zodat je beter in staat bent om de besluitvorming te onderbouwen en daarmee de waarde van je onderneming te maximaliseren.

Een vreselijke titel, ik weet het... Maar ik kon even niets beters bedenken. En om te compenseren voor deze titel, heb ik dit schattige, maar ook toepasselijke plaatje toegevoegd. Twee tegengestelde karakters die toch samen kunnen, zonder dat het ruzie wordt. Net als kwantitatieve en kwalitatieve forecasting samen laten leven mogelijk is.


"Het is mogelijk om kwantitatieve en kwalitatieve forecasting samen te laten leven"

Naar aanleiding van deze blog kreeg ik de vraag om eens in te gaan op het combineren van kwantitatieve en kwalitatieve forecasting en hoe dat in de praktijk toe te passen. Hiervoor duiken we even kort de theorie in om daarna snel in de praktijk te kijken hoe de twee elkaar in voorkomende gevallen kunnen versterken om tot een accurate voorspelling van je omzet komen.


Bij kwantitatieve voorspellingen maak je gebruik van historische gegevens, zoals eerdere verkoop- en omzetcijfers. Er zijn verschillende statistische methodes waarmee zo'n forecast kunt maken. Ik heb er in een vorige blog een aantal besproken.


Dus als je bijvoorbeeld naar seizoensgebonden verkoopgegevens kijkt, kun je de productie- en arbeidsbehoeften voor aankomend jaar plannen op basis van de cijfers van vorig jaar. Voor kwantitatief forecasten is het dus wel een voorwaarde dat er historische cijfers beschikbaar zijn.


Kwalitatieve voorspellingstechnieken daarentegen komen voort uit de ervaringen en instincten van doorgewinterde experts. En als deze experts goed zijn, heeft het dus niets te maken met gokken, maar alles met de interpretatie van gegevens in combinatie met de professionele expertise die zij over tijd hebben ontwikkeld.


Voorbeelden zijn het inschatten van de effecten van een advertentiecampagne op de verkopen of het interpreteren van klantreacties op nieuwe producten, om zo een forecast te genereren van de toekomstige omzetverwachting.


Goed, tot zover de theorie. Hoe nu beide te combineren in de praktijk? Ik heb hiervoor de volgende methodiek ontwikkeld, waar ik je graag deelgenoot van wil maken.


We beginnen met een kwantitatieve analyse op basis van de historische gegevens. Gebruik de statistische methode die de beste fit geeft met de data. Dit resulteert dan in een bepaalde forecast voor de komende periode.


Om het allemaal wat tastbaarder te maken, heb ik een voorbeeld uitgewerkt in Power BI op basis van een geanonimiseerde dataset. In de grafiek zie je het resultaat van de kwantitatieve forecast die ik met de statistische forecastmethode 'extrapolatie' heb gemaakt. Door het ontbreken van sterke seizoensinvloeden en een relatief stabiele trend is deze methode passend.



Nu gaan we met behulp van zowel kwalitatieve als kwantitatieve methodes een bottom-up forecast genereren en deze afzetten tegen de uitkomst van de extrapolatie.


De eerste stap is te kijken of er al 'zekere' toekomstige omzet is. Ik bedoel hiermee of er al contractuele afspraken zijn met klanten. Ik heb in het verleden bij verschillende bedrijven gewerkt waar er langdurige contracten met klanten waren. Hierdoor lag een deel van de toekomstige omzet al vast. De bron waar deze gegevens in waren opgenomen was de contractadministratie.


Overigens waren deze contractadministraties absoluut niet ingericht op het leveren van deze gegevens, wat het extraheren van de data een behoorlijke k@$%-klus maakte. Maar daarna zijn we de gegevens bij nieuwe contracten wel in een geschikt format gaan toevoegen, waardoor het bij een volgende iteratie een koud kunstje was om de data boven tafel te krijgen.


Wanneer er een vaste afspraak is, bijvoorbeeld in de vorm van een abonnement op een dienst, is de omzet 100% zeker te voorspellen. Maar in sommige gevallen is een deel van de omzet afhankelijk is van een bepaald verbruik. Hiervoor moet dan nog een inschatting worden gemaakt.


Ook wanneer het contract afloopt voor het einde van de forecasthorizon zal er een inschatting moeten worden gemaakt, in dit geval of het contact verlengd gaat worden of niet. Hiervoor kun je je baseren op historische churngegevens. Ik zal hierop in een latere blog verder in gaan.


Ik heb in de grafiek de 'zekere' omzet toegevoegd. Zoals je ziet is er, naarmate de tijd vordert, een steeds groter wordend gat tussen de forecast op basis van extrapolatie en de bottom-up forecast op basis van de 'zekere' omzet.



Maar we kunnen onze bottom-up forecast verder aanvullen. Een ook hiervoor is in de meeste bedrijven al informatie aanwezig in de vorm van de sales funnel. In je sales funnel zitten alle lopende salestrajecten, in welk stadium van closing deze zitten, wat de waarde is en wat je (historische) conversieratio is. Aan de hand hiervan weet je dus wat je aan omzet kunt ‘verwachten’. De bron van deze data is in de meeste gevallen het CRM.


Deze 'verwachte' omzet kun je bij je 'zekere' omzet optellen. Dit klinkt eenvoudig, maar dat is in de praktijk niet per se zo... Het sluiten van de deal betekent in het ene bedrijf direct omzet. Wanneer je bijvoorbeeld bij Netflix een contract afsluit, krijg je nog dezelfde dag de dienst geleverd en heb je vaak ook zeer korte tijd later al een factuur in je mailbox.


Maar het kan na sluiting van de deal ook nog maanden duren voor de eerste dienst of het eerste product wordt geleverd en dus de eerste omzet wordt gerealiseerd. Bijvoorbeeld omdat een onboardings- of migratietraject tijd in beslag neemt. Hiermee moet je dus rekening houden op het moment dat je op deze manier forecast. Je kan je weer baseren op historische ratio's, in dit geval de doorlooptijden van onboarding of migratie. Of je gaat uit van de inschatting van collega's (lees: experts) die dit traject begeleiden.


In onderstaande grafiek heb ik de 'verwachte' omzet uit de sales funnel toegevoegd. Je ziet dat het gat tussen aan de ene kant de extrapolatie en aan de andere kant onze bottom-up forecast een stuk kleiner is geworden. Het ligt met name aan de duur van de sales cycle en de vulling van je sales funnel hoeveel additionele omzet je aan de 'zekere' omzet kan toevoegen.


Maar nog steeds geldt: hoe verder naar de toekomst hoe minder houvast we hebben uit data die we beschikbaar hebben in ons bedrijf. Zowel in de contractadministratie als je de CRM zal over het algemeen de omzet voor over 6 maanden minder en voor over 12 maanden veel minder zijn dan die van komende maand.


Toch is wel te hopen (en in de meeste gevallen ook te verwachten) dat een groot deel van het gat opgevuld gaat worden. Als dit niet het geval zal zijn, hebben we namelijk een serieus probleem. Het gaat dus om omzet die we nu nog niet kennen, maar waarvan we wel verwachten dat we deze gaan realiseren.

Voor dit laatste deel van de bottom-up forecast baseren we ons op de input van de experts die we binnen ons bedrijf tot onze beschikking hebben. Zij zullen hun kennis van de markt en klanten combineren met de de verwachtingen ten aanzien van productontwikkeling concurrentie en allerlei andere factoren die van invloed zijn op de toekomstige omzet. Vanzelfsprekend is dit 'geschatte' deel van onze forecast enigszins subjectief en op een hoger niveau dan de andere voorspellingen.


Als je de 'geschatte' omzet optelt bij de 'zekere' en de 'verwachte' omzet is de bottom-up forecast klaar. In de grafiek heb ik ook dit deel van de forecast toegevoegd.



Ik zou ervoor kiezen om de kwalitatieve, statistische forecast te laten opstellen door het finance team, waar over het algemeen de rekenaars zitten. En de bottom-up forecast door de experts op het gebied van sales en marketing, eventueel aangevuld met iemand die de contractadministratie beheert.


De kans is levensgroot dat de twee forecast niet gelijk zijn. Dit is ook niet wenselijk, want dit kan een indicatie zijn dat de teams te veel tijd aan het spelen met cijfers besteden. Maar ze moeten wel in dezelfde range liggen, want anders hebben we een andere uitdaging: hoe creëren we voldoende common ground binnen de organisatie over wat de nabije toekomst ten aanzien van de omzetontwikkeling zal brengen.


De volgende stap is het uitvoeren van een verschillenanalyse tussen kwantitatieve extrapolatie en de kwalitatieve/kwantitatieve bottom-up forecast, om de verschillen te duiden. En om acties te definiëren die het gat kunnen dichten. Bijvoorbeeld door het starten van een extra marketingcampagne, het uitbreiden van je salesteam of het opzetten van een retentieactie om je churn te verminderen.



En dan is het zaak om de acties om te zetten in additionele omzet in je bottom-up forecast. Deze omzet kan natuurlijk alleen in de categorieën 'verwachte' en 'geschatte' omzet zitten. Hierna analyseer je opnieuw de verschillen. Voer deze iteraties uit totdat je tevreden bent.


Ik ben groot voorstander van het frequent herijken van je forecast om zicht te houden op nabije toekomst. Het is niet nodig om iedere stap iedere maand te herhalen. De kwantitatieve methode uitvoeren inclusief de nieuwe 'historische' waarde van de afgelopen maand is geen zware klus. Doen dus!


Wel zou ik eens per bijvoorbeeld halfjaar opnieuw bekijken of de statistische methode die je hanteert (hier is dat dus extrapolatie) nog de beste forecast geeft op basis van de historische data.


En als je je contractadministratie goed heb ingericht en deze consequent vult, zou het een koud kunstje moeten zijn om de 'zekere' omzet maandelijks up te daten. Dit geldt in principe ook voor de 'verwachte' omzet op basis van de data uit je CRM.


Voor de 'geschatte' omzet ligt dit anders. Je wilt niet iedere maand opnieuw met alle experts om tafel om dit deel van je omzet te herijken. Wel raad ik je aan om op basis van de nieuwe 'zekere' en 'verwachte' omzet een verschillenanalyse te maken en aan de hand daarvan een korte sessie te organiseren met een aantal key experts om te checken of de verschillen niet te groot worden. En eens per kwartaal of halfjaar zou ik dan ook de zwaardere exercitie voor de 'geschatte' omzet met de experts doen.


Op deze manier creëer je een rolling forecast, waardoor het doel van forecasting heel dichtbij komt: in staat zijn om tijdig te reageren op veranderende omstandigheden en daarmee het maximaliseren van de waarde van de onderneming waar je werkt.


Ga vandaag nog aan de slag met de toekomst en zorg ervoor dat je eerstvolgende bedrijfskritische beslissing gebaseerd is op een accurate forecast. Het zal de groei van je bedrijf stimuleren en de waarde vergroten. En het is mijn werk om hierbij te ondersteunen, dus laat het me weten als ik je kan helpen.


Schrijf je hier in als je als eerste op de hoogte wilt zijn wanneer een nieuw blog is gepubliceerd.

86 keer bekeken

©2020 by 2ACC3L, Rotterdam, the Netherlands

  • Black Twitter Icon