交易者社区｜如何使用MOFV法提升B2B销售预测精准性……

本文由36氪企服点评专家团杨峻原创。原标题：杨峻：用MOFV法提升B2B销售预测准确性

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��，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

百度搜索“”即可找到本站，微信搜索“✅finnciti.ngnvip.com”关注公众号。（ ✅finnciti.ngnvip.com ）发布者：36氪，文章版权归作者所有，文章来源：ID:4358