随着销售和财务团队建立对2015的收入预测，销售预测受到了更多的审查。这使人们关注销售的一个重大悖论: 乐观和横向思维是 “更接近” 的标志，也是糟糕的预报员的主要特征。
但是，如果公司赞扬代表渴望所有这种乐观和横向思维，那么将同样的代表放在打错号码的惩罚框中是不明智的。
有人会认为预测是必不可少的邪恶，因为它会推动问责制。但是配额和可变薪酬可以解决这个问题。其他人则声称，销售代表的第一手交易知识对于预测过程至关重要。CSO Insights的一份报告发现，销售代表预测的54% 交易从未完成，从而使这种误解不再存在。
在大多数情况下，公司通过让销售代表出售并将预测留给数据科学驱动的新技术来更好地服务。实际上，根据我们的经验，通过用专注于预测分析的方法代替手动预测流程，客户可以获得很多收益。
实际上，这些流程在逐笔交易的基础上实现了平均82% 预测准确性 (46% CSO Insights报告)，而总体准确性超过95% (76% 行业平均水平)。结果，销售团队获得了额外的两个半小时的销售时间 (根据Sirius决策进行预测所花费的平均时间)。以下是三个原因:
1.不偏不倚的观点
由数据科学驱动的预测的好处是，它们不会被人类输入数据所固有的偏见所扭曲。我们知道的一个公司最近部署了一套预测算法来确定其销售代表将完成哪些交易。几天后，该公司得出结论，模型必须不准确。实际上，该模型表明，与根本没有竞争对手的竞争相比，销售代表在与其他供应商竞争时更有可能赢得交易。
但是，当公司分析师深入研究具体交易时，他们了解到模型毕竟是正确的。事实证明，大多数声称没有考虑竞争对手的代表都这样做是因为他们没有完成功课。他们不知道竞争对手，预算因素和客户的决策过程。如果没有发现这个关键因素，团队成员会继续认为缺乏竞争实际上损害了他们达成交易的机会。
2.预测未来的能力
Zendesk是一家公司的一个很好的例子，它利用预测分析的力量来提高预测的准确性。它的业务销售周期相对较短，因此在本季度末完成的许多交易甚至在本季度开始时都没有进行。
没有关于最终关闭的东西的可见性是使销售主管彻夜难眠的事情。幸运的是，预测分析以手动分析无法与之竞争的方式解决了这个问题。最好的预测模型通过确定哪些交易将完成来预测当前管道将产生的收入，什么时候。然后，这些模型通过预测公司尚未确定的交易产生的收入 (听起来好得难以置信？)。
通过分析历史销售周期、当前交易速度和外部宏观经济因素，这些模型可以产生的结果，即使是最好的预测者也羡慕不已。
3.不断适应的能力
一旦客户部署了预测模型，他们经常会问顾问什么时候需要回来重新调整模型。“从不” 是我的答案。今天，最好的预测解决方案依赖于学习自我调整的机器。为此，算法会不断评估inpidual deal属性 (例如地理位置，行业或产品) 与预期结果 (例如胜率和截止日期) 之间的相关性。
当新的相关性出现时，它们会自动被纳入预测。因此，例如，如果一家公司决定进入国际市场，诸如地理之类的属性可能会突然从无关紧要过渡到高度相关。将此类算法的不断发展的性质与电子表格驱动的模型的静态质量进行对比。对于分析师来说，建立这样的模型并在多个季度中不重新访问它并不少见。在变化速度不断加快的环境中，机器学习是现代数据科学最引人注目的方面之一。
该领域的进步迫使我们重新审视一个基本的销售假设 -- 销售专业人员应该拥有预测。如果预测分析在更短的时间内提供更好的结果，也许是时候雇佣一些预测模型了，这样销售代表就可以重新开始做他们最擅长的事情: 关闭。