Det er fredag, og salgschefen skal forklare, om kvartalets mål holder. Pipeline-tallene ser pæne ud, men flere store muligheder har stået på samme trin i ugevis, og nogle sælgere vurderer deres egne chancer mere optimistisk end andre. Det er netop her, AI til salgsprognoser kan gøre en praktisk forskel: Ikke ved at gætte bedre end mennesker i alle situationer, men ved at gøre vurderingen mere ensartet, datadrevet og brugbar.
For en dansk B2B-virksomhed handler en salgsprognose ikke kun om at ramme et tal i et regneark. Den påvirker, hvor meget tid ledelsen bruger på opfølgning, hvornår marketing skal skabe flere leads, og om der er kapacitet til at levere, når ordrerne lander. En prognose, man kan stole nogenlunde på, giver ro til at handle i tide. En prognose, der mest bygger på mavefornemmelse, giver ofte sene overraskelser.
Hvornår giver AI til salgsprognoser værdi?
AI er mest relevant, når I allerede har en salgsproces og data nok til, at systemet kan se mønstre. Det kan for eksempel være historiske muligheder, aktivitet på kunder og leads, udviklingen i pipeline og resultater fra tidligere perioder. Modellen ser ikke ind i fremtiden. Den vurderer sandsynligheder ud fra det, der tidligere har kendetegnet vundne, tabte og forsinkede sager.
Det betyder, at værdien typisk er størst, når I har mange muligheder i gang samtidig, flere sælgere eller længere salgsforløb. Her bliver det hurtigt svært for en leder at holde øje med alle detaljer uden at bruge urimeligt meget tid på statusmøder. AI kan pege på, hvilke muligheder der fortjener et ekstra kig, og hvor pipeline-billedet er svagere, end det umiddelbart ser ud.
I en mindre virksomhed med få, meget komplekse kunder kan den menneskelige vurdering stadig være vigtigst. Hvis en enkelt beslutningstager, et udbud eller en ændring hos kunden afgør sagen, findes der ikke nødvendigvis nok data til, at et mønster kan forklare udfaldet. Her bør AI bruges som et kvalificeret modspil, ikke som dommer.
Sådan arbejder AI med salgsprognoser
En almindelig pipeline-prognose tager ofte udgangspunkt i beløb gange sandsynlighed på det aktuelle salgstrin. Det er en fin start, men den model antager, at alle muligheder på samme trin er ens. Det er de sjældent.
Fra salgstrin til faktisk adfærd
AI kan i stedet se på flere signaler på én gang. Har der været aktivitet for nylig? Hvor længe har sagen ligget i samme trin? Svarer kunden på henvendelser? Ligner den andre sager, som tidligere blev vundet eller tabt? Er den forventede lukkedato flyttet flere gange?
Det giver et mere nuanceret billede end en fast procentsats. En mulighed i tilbudsfasen med hyppig dialog og en realistisk beslutningsdato kan få en stærkere vurdering end en lige så stor mulighed, der har stået stille i to måneder. Det er sund salgslogik, men systemet kan anvende den ensartet på hele pipeline.
Resultatet kan bruges på tre niveauer. Sælgeren får hjælp til at prioritere næste indsats. Salgslederen får et bedre grundlag for coaching og forecast. Ledelsen får et mere realistisk billede af forventet omsætning og risiko. Det er ikke teknologien i sig selv, der skaber værdien. Det er de bedre samtaler og hurtigere handlinger, den gør mulige.
Sandsynligheder er ikke facit
En AI-baseret prognose bør aldrig behandles som et løfte. Den er et estimat, og estimater kan tage fejl – især når markedet ændrer sig, eller virksomheden introducerer nye produkter, segmenter eller prismodeller.
Brug derfor prognosen til at stille bedre spørgsmål: Hvilke muligheder bærer planen? Hvad er den konkrete næste handling? Hvor er lukkedatoen usikker? Og hvor mangler vi pipeline, hvis de mest optimistiske sager ikke lukker? Det er langt mere værdifuldt end at diskutere, om prognosen er 87 eller 89 procent korrekt.
Data afgør, om prognosen bliver brugbar
AI forstærker kvaliteten af de data, den får. Hvis lukkedatoer aldrig opdateres, hvis salgstrin bruges forskelligt fra sælger til sælger, eller hvis tabte sager ikke får en årsag, bliver resultatet derefter. Systemet kan ikke finde et stabilt mønster i data, der beskriver helt forskellige arbejdsgange.
Det behøver ikke betyde et tungt oprydningsprojekt med lange møder og bunker af dokumentation. Start med de felter, der faktisk påvirker den kommercielle styring: beløb, forventet lukkedato, salgstrin, næste aktivitet, tabt årsag og ansvarlig sælger. Aftal klare definitioner, og gør det let at registrere rigtigt i hverdagen.
En god tommelfingerregel er, at en sælger skal kunne opdatere en mulighed, mens kunden stadig står klart i hukommelsen. Hvis processen kræver mange klik eller uklare valg, falder datakvaliteten. Derfor skal CRM-løsningen passe til den måde, teamet arbejder på – ikke omvendt.
Start med den beslutning, I vil træffe
Mange starter forkert ved at spørge, hvilken AI-funktion de skal købe eller slå til. Det bedre spørgsmål er: Hvilken beslutning skal blive lettere at træffe?
Måske vil I vide tidligere, om kvartalsmålet er i fare. Måske vil I hjælpe sælgerne med at prioritere eksisterende muligheder. Eller måske har ledelsen brug for et mere realistisk grundlag for at planlægge bemanding og leverancer. Hvert formål stiller forskellige krav til data, visning og arbejdsgang.
Når målet er tydeligt, kan I vælge få relevante målepunkter. Følg eksempelvis forskellen mellem sælgernes forecast og faktisk resultat, andelen af muligheder med opdateret næste aktivitet samt hvor ofte lukkedatoer flyttes. Det viser både, om prognosen bliver bedre, og om teamet får bedre struktur i pipeline.
AI til salgsprognoser i Dynamics 365
Dynamics 365 Sales kan samle muligheder, kundeaktiviteter og pipeline i ét fælles billede. Afhængigt af jeres opsætning, datagrundlag og licenser kan I arbejde med prædiktive vurderinger, forecast-visninger og indsigter, der fremhæver risiko og sandsynlighed i salgsarbejdet.
Den praktiske fordel er, at sælgeren ikke skal flytte data mellem separate regneark og systemer for at få et overblik. Når aktivitet, kundedialog og muligheder registreres samme sted, får både medarbejderen og lederen et bedre udgangspunkt for at arbejde med prognosen løbende.
Men standardfunktioner er ikke altid lig med en brugbar løsning. Salgsteams har forskellige definitioner af pipeline, segmenter og beslutningsveje. Nogle arbejder med få store projekter, andre med mange mindre muligheder. Derfor skal visninger, felter og rapportering konfigureres efter jeres virkelighed. Jeres IT skal løse jeres udfordringer – ikke indføre et fremmed salgsritual.
En fornuftig vej fra pilot til drift
Det er sjældent klogt at gøre AI-prognoser til et stort transformationsprojekt. Begynd i stedet med et afgrænset salgsområde eller et team, hvor data er rimeligt ensartede. Sammenlign modellens vurderinger med den eksisterende forecast-proces over nogle måneder, og brug afvigelserne til at forbedre data og arbejdsgange.
Herefter kan I justere salgstrin, obligatoriske oplysninger og dashboardet, så det understøtter de samtaler, teamet faktisk har. Træning bør tage udgangspunkt i konkrete situationer: Hvad gør du, når en mulighed markeres som risikofyldt? Hvornår ændrer du selv vurderingen? Hvad skal være på plads, før en sag tæller med i forecast?
Hos Cliento ser vi ofte, at den bedste implementering starter med forretningen og ender i en enkel, intuitiv hverdag for brugerne. Det kræver en klar proces, men ikke unødig procesoverhead. Med de rigtige workshops, en gennemtestet opsætning og løbende opfølgning kan løsningen blive en del af salgsarbejdet i stedet for endnu et system, der kun åbnes før månedens statusmøde.
Pas på de klassiske faldgruber
Den mest almindelige fejl er at automatisere et uklart forecast. Hvis teamet ikke er enige om, hvad et kvalificeret lead eller en reel salgsmulighed er, bliver AI blot et ekstra lag oven på uenigheden. Få først styr på de kommercielle definitioner.
En anden fejl er at fokusere kun på træfsikkerhed. En model kan være statistisk flot, men stadig være svær at bruge, hvis sælgeren ikke forstår, hvad der driver vurderingen. Vis derfor indsigter på en måde, der kan omsættes til handling: manglende aktivitet, gammel lukkedato, uklart næste skridt eller et mønster, der afviger fra tidligere vundne sager.
Endelig skal ledelsen undgå at bruge prognosen som kontrolværktøj alene. Hvis medarbejdere oplever, at hvert usikkert estimat bliver brugt imod dem, bliver data hurtigt pyntet. Den rigtige ambition er fælles overblik og tidligere hjælp – ikke at gøre sælgerne ansvarlige for at forudsige markedet med millimeterpræcision.
Den bedste næste handling er derfor ikke nødvendigvis at købe mere teknologi. Find fem reelle muligheder i jeres pipeline, og spørg, om alle kan forklare næste skridt, beslutningstager, lukkedato og risiko. Hvis svaret ikke er klart, starter bedre salgsprognoser med bedre salgsarbejde. AI kan derefter gøre den disciplin synlig, skalerbar og langt lettere at styre efter.
