Votre prévision de ventes est probablement fausse.
Pas un peu fausse. Spectaculairement fausse. D’après le Sales Forecasting Benchmark Report 2024 de Xactly, seulement 20 % des organisations commerciales atteignent des prévisions à moins de 5 % des résultats réels, tandis que 43 % manquent leurs objectifs de 10 % ou plus.
Une organisation sur dix se trompe régulièrement de 25 % ou davantage, ce qui ressemble moins à de la prévision qu’à de l’espoir sur tableur.
Et les dégâts se cumulent. Vous sous-estimez et vous sous-dimensionnez, vous laissez de l’argent sur la table, puis vous courez pour honorer des commandes que vous n’aviez pas prévues. Vous surestimez et vous dépensez trop, vous recrutez trop, puis vous expliquez au conseil pourquoi le chiffre d’affaires est tombé en dessous. Aucune des deux discussions n’est drôle.
La réunion de prévisions que tout le monde connaît
Dave Kellogg, dirigeant tech aguerri avec des décennies de SaaS derrière lui, décrit la conversation de prévision stérile qui se rejoue dans d’innombrables entreprises : “CEO: What’s the forecast? CRO: Same as before, $3 400K.”
Rien ne change d’une semaine à l’autre parce que personne n’a d’information nouvelle. Juste des intuitions déguisées en données de CRM.
Il pointe aussi une vérité gênante sur la planification du pipeline : “Just as no battle plan survives first contact with the enemy, no pipeline plan survives first contact with the market.” Votre prévision soigneusement construite a l’air impeccable… jusqu’à ce que les opportunités se comportent comme de vraies opportunités.
Le problème plus profond, c’est le procédé. La plupart des prévisions de ventes se font encore comme il y a des décennies : les commerciaux estiment leurs affaires, les managers agrègent, la direction ajoute un coussin, et tout le monde espère que le chiffre final tombera à peu près juste.
Où la prévision humaine déraille
Les commerciaux sont optimistes. Cette affaire sur laquelle ils travaillent depuis des semaines leur paraît plus proche que ce que les données indiquent. L’espoir est une drogue puissante, mais une méthode de prévision catastrophique.
Daniel Harding de MaxContactAustralia l’a dit simplement : “It can be very difficult to forecast if deals in the pipeline do not have accurate ARRs assigned to them or if they are at the wrong stage.”
Mauvaise étape. Mauvaise valeur. Mauvaise date de clôture. Choisissez votre poison : la prévision trinque, quel que soit le point de données qui part en vrille.
John Judge, SVP Sales chez Crayon, a mis le doigt sur le problème du ressenti quand il a dit : “‘I think’ and ‘I feel’ are the two phrases I fear the most when I hear them from sales reps. I want them to know, and Gong helps us know.”
Il veut des données, pas des impressions. La plupart des managers aussi. Le défi, c’est de les obtenir.
Les méthodes traditionnelles basées sur le jugement des commerciaux et l’intuition des managers plafonnent souvent autour de 70 % de précision. La recherche de Gartner montre que la précision médiane des organisations sondées se situe entre 70 et 79 %, et que seulement 7 % atteignent un jour 90 % ou plus.
Ce plafond des 70 % n’est pas seulement un problème de données ou de personnes. C’est un problème de méthode.
Ce qui change avec la prévision par IA
L’IA ne se contente pas d’automatiser le même procédé cassé, plus vite.
La reconnaissance de motifs à grande échelle change ce qui est possible. Un modèle d’IA peut analyser des milliers d’opportunités passées et identifier quels facteurs ont réellement prédit les signatures : pas ce que les commerciaux pensaient prédire, mais ce que les chiffres montrent.
Un commentateur de Hacker News nommé mchusma a fait une remarque intéressante sur les prévisions en startup : “All forecasts for startups are wildly wrong. But I think of forecasting as a way of validating a strategy.”
Ce recadrage compte. Le but n’est pas de prédire l’avenir avec une précision parfaite. La précision parfaite n’existe pas, et la poursuivre brûle de l’énergie. Le but, c’est de réduire l’incertitude juste assez pour prendre de meilleures décisions, et de repérer les problèmes avant qu’ils ne deviennent des catastrophes.
L’IA aide sur les deux. Elle capte des signaux que les humains ratent : schémas d’engagement par e-mail, variations de fréquence de réunions, temps de consultation des propositions, changements dans les parties prenantes impliquées. Ces indicateurs avancés révèlent la santé d’une opportunité avant que les commerciaux ne mettent à jour le CRM. Parfois avant même qu’ils ne réalisent que quelque chose a changé.
La suppression des biais aide aussi. Un modèle d’IA ne s’attache pas émotionnellement à une affaire sur laquelle il s’est acharné. Il regarde les données et calcule une probabilité sans espérer un résultat particulier.
Selon ce que rapportent des entreprises utilisant des outils de prévision par IA, on observe 15 à 20 % de précision en plus, des cycles de vente plus courts de 25 %, et jusqu’à 30 % d’amélioration de l’atteinte des quotas. Les gains se cumulent parce que de meilleures prévisions permettent une meilleure allocation des ressources, qui améliore l’exécution, qui produit de meilleures données pour les prévisions suivantes.
Le problème de qualité des données dont personne ne veut parler
Voici la partie qui dérange. Votre prévision par IA ne sera jamais meilleure que vos données.
Deloitte estime que les entreprises perdent jusqu’à 14 millions de dollars par an à cause d’une mauvaise qualité de données et, selon une recherche sur les déploiements de prévision par IA, la cause n°1 d’échec des déploiements (63 %) est la qualité des données CRM. Des outils comme Salesforce Einstein Forecasting échouent quand des modèles prédictifs entraînés sur des données incomplètes, obsolètes ou mal étiquetées produisent des prédictions qui ne sont, au fond, que du bruit coûteux.
Un système d’IA sophistiqué avec des données pourries fera moins bien qu’un simple tableur avec des données propres et des mises à jour disciplinées.
Ce n’est pas une nouvelle excitante, mais c’est une nouvelle nécessaire. Avant d’investir dans des outils de prévision sophistiqués, auditez votre CRM. Combien d’affaires ont des montants manquants ? Combien ont des dates de clôture qui ont glissé plusieurs fois ? Combien d’opportunités sont restées au même stade pendant des mois sans activité ?
Nettoyez d’abord ça. Ensuite, superposez l’IA.
Des étapes pratiques pour de meilleures prévisions
Vous n’avez pas besoin d’un logiciel d’entreprise pour commencer à améliorer. Voilà ce qui fonctionne.
Établissez votre précision actuelle. Calculez à quel point vos prévisions ont été à côté sur les quatre derniers trimestres. Utilisez le Mean Absolute Percentage Error (MAPE) pour obtenir une métrique cohérente. Si vous êtes à 70 % de précision, vous savez d’où vous partez. Si vous êtes à 50 %, vous savez que vous avez des problèmes plus gros que le choix de l’outil.
Identifiez ce qui prédit vraiment les signatures chez vous. Sortez vos opportunités gagnées et perdues sur l’année écoulée. Cherchez des motifs. Qu’est-ce que les gagnées avaient en commun ? Qu’est-ce que les perdues partageaient ? Combien de parties prenantes étaient impliquées ? Quelle était la durée du cycle de vente ? Y a-t-il eu une démo ? Quand la proposition a-t-elle été envoyée ? Vos motifs comptent plus que des conseils génériques venant de cadres pensés pour d’autres entreprises.
Construisez un système de notation basé sur vos motifs. Une fois que vous savez ce qui prédit le succès, créez une grille. Pondérez les facteurs qui comptent le plus. Appliquez-la de façon cohérente à votre pipeline actuel. Ce ne sera pas parfait, mais ce sera plus cohérent que l’instinct, et la cohérence, c’est la moitié de la bataille.
Prévoyez avec des probabilités pondérées plutôt qu’en binaire. Au lieu de demander si cette affaire va se signer, demandez quelle est la probabilité. Une affaire à 100 000 $ avec 30 % de probabilité ajoute 30 000 $ à la prévision pondérée. Additionnez tout, et vous obtenez une vue plus réaliste que la valeur brute du pipeline, qui surestime toujours ce qui tombera réellement.
Suivez des indicateurs avancés, pas seulement des retardataires. La progression des étapes vous dit où sont les affaires. La cadence vous dit où elles vont. L’engagement par e-mail et la fréquence des réunions vous disent si elles bougent vraiment ou si elles restent coincées dans une étape qui sonne active.
Signaux d’alarme : votre prévision vous ment
Surveillez ces schémas. En général, ils annoncent des problèmes.
Couverture en baisse. Si votre pipeline ne suit pas le quota, aucune méthode de prévision ne vous sauvera. Il vous faut plus d’affaires.
Dates de clôture regroupées en fin de trimestre. Quand trop d’affaires affichent une date de clôture le dernier jour du trimestre, c’est du vœu pieux, pas de la prévision. Les commerciaux choisissent une date commode, pas le moment où le client va réellement signer.
Dépendance à un gros contrat. Si votre prévision dépend d’une grosse affaire qui doit tomber, votre prévision est en réalité un pari. Les paris paient parfois. Ce sont quand même des paris.
Cadence qui ralentit sans explication. Des affaires qui prennent plus de temps que vos références historiques suggèrent que quelque chose a changé. Peut-être que le marché a bougé. Peut-être que votre positionnement produit est à côté. Peut-être que votre tarification doit être ajustée. La prévision ne vous dira pas pourquoi, mais elle devrait vous dire que oui.
Le facteur honnêteté
Jay Fuchs, senior director of global growth chez HubSpot, a été direct sur ce qu’il a vu : “I’ve seen sales organizations without detailed forecasts, or with sloppy forecasts, file for bankruptcy when their cash flow predictions failed.”
Ce n’est pas une hyperbole. La trésorerie dépend du fait de savoir ce qui arrive. La paie dépend de la trésorerie. Tout dépend de quelque chose, et la prévision est à la base de tout le reste.
La solution n’est pas plus d’optimisme, ni de meilleurs outils, ni une IA plus sophistiquée. La solution, c’est l’honnêteté.
Communiquez des fourchettes au lieu de chiffres uniques. Dites que vous prévoyez 1,2 M$ avec une fourchette 1,0-1,4 M$. C’est plus honnête et plus utile que de faire comme si vous saviez exactement ce qui va se passer.
Expliquez vos hypothèses. Qu’est-ce qui doit bien se passer pour que la prévision tombe juste ? Quels sont les risques ? Si la direction comprend les hypothèses, elle peut prendre de meilleures décisions même quand la prévision rate.
Mettez à jour souvent. Une prévision qui a deux semaines est un document historique, pas un outil de planification.
Distinguez l’engagement de la prévision. L’engagement, c’est ce que vous êtes prêt à mettre en jeu côté réputation. La prévision, c’est votre meilleure estimation. Elles peuvent diverger, et reconnaître cette différence, c’est sain.
Relier la prévision à tout le reste
De meilleures prévisions ne servent pas seulement à prédire l’avenir. Elles servent à le changer.
Quand vous identifiez tôt les affaires à risque, vous pouvez intervenir avant qu’elles ne glissent. Quand vous voyez des trous de couverture, vous pouvez accélérer la prospection. Quand vous repérez des affaires à l’arrêt, vous pouvez lancer des séquences de relance pour les remettre en mouvement.
Prévision et exécution forment une boucle. De meilleures prévisions révèlent les problèmes. Une meilleure exécution les résout. De meilleurs résultats améliorent les prévisions suivantes.
Vos données CRM sont la fondation. Votre recherche de prospects remplit le pipeline. Et vos prévisions vous disent si c’est suffisant.
La question n’est pas de savoir si votre prévision sera fausse. Elle le sera. La question, c’est : serez-vous moins faux qu’avant, et attraperez-vous les écarts assez tôt pour faire quelque chose ?
