Los equipos de ventas no son muy buenos pronosticando. He aquí cómo solucionarlo.

Jorg Greuel/Getty Images

Aunque la IA y otras tecnologías avanzadas se han aplicado para mejorar la precisión de las previsiones, los líderes de ventas siguen sorprendidos por las previsiones que resultan vergonzosamente exageradas. Esto se debe a que las causas principales de la mayoría de las imprecisiones no son los algoritmos defectuosos sino el comportamiento demasiado humano.

Estos son cinco de los comportamientos más dañinos de este tipo:

Ocultando malas noticias. Al trabajar con una empresa que está llevando a cabo una importante fusión y transformación en medio de una feroz competencia en el sector, me sorprendió ver que las tasas reales de ganancias en su cartera de gestión de relaciones con los clientes eran del 90%. ¿Estaban doblando dramáticamente la esquina? Difícilmente. Los vendedores, por temor a ser despedidos, se estaban absteniendo de denunciar malas ofertas. Retener los datos redujo la base de predicciones general (el equivalente a los turnos al bate en el béisbol), lo que aumentó la tasa de éxito.

Mantener dos juegos de libros. Si su empresa tiene 1000 vendedores, puede que piense que tiene un sistema de CRM, pero es probable que tenga 1 001. La mayoría de los vendedores llevan dos registros distintos de sus oportunidades. Denuncian un conjunto en el sistema CRM y guardan el otro en una hoja de cálculo privada en la que analizan escenarios para ver cuántas comisiones pueden ganar. De los dos conjuntos de registros, la hoja de cálculo privada es, con mucho, la más precisa.

Esperar contra toda esperanza. Como investigación de Daniel Kahneman y Amos Tversky ha demostrado que la gente tiende a ser reacia a perder. Aunque la mayoría de los vendedores saben en el fondo que un trato obsoleto es en realidad un trato perdido, a menudo temen en el momento en que tienen que admitir ante su equipo que está perdido. Así que se aferran a la esperanza. Esto aumenta las carteras e impide que tanto los líderes como los equipos vean las brechas en sus previsiones.

Utilizar cómodamente definiciones difusas. Una empresa de tecnología de 79 000 millones de dólares, que quería mejorar sus previsiones, automatizó el seguimiento de su método de puntuación de 10 factores por «salud de las ofertas». A pesar de las rigurosas encuestas a los equipos de ventas, las previsiones seguían siendo poco fiables. Las definiciones difusas eran una razón fundamental. Por ejemplo, un factor de la salud del acuerdo era la «alineación estratégica». Ya fuera que los miembros del equipo de votación determinaran que la alineación era alta o baja, fuerte o débil, o que se situaba en algún punto de una escala del 1 al 10, la respuesta seguía en el ojo del espectador.

Así que se creó un algoritmo de la competencia para simplemente contar el número de días que había estado pendiente una operación y compararla con otras operaciones ganadoras y perdedoras del pasado para determinar la probabilidad de que se cerrara. Este «índice de velocidad» demostró ser mucho más preciso, en parte porque un día es un día, lo que evita cualquier distorsión o exageración, a diferencia de los criterios convenientemente difusos que pueden inflar las predicciones de éxito.

No hacer la pregunta obvia. Los sistemas CRM ponderan automáticamente los ingresos por fase de la operación (calificación, propuesta, aprovisionamiento) para pronosticar los ingresos. La teoría detrás de esto es sólida, pero la práctica es irregular. A medida que las oportunidades avancen a través de un embudo organizado, sus probabilidades de concretarse deberían aumentar. Sin embargo, los vendedores pueden utilizar criterios diferentes para cada etapa. Por ejemplo, un vendedor puede definir una solicitud de cotización como una propuesta, mientras que otro puede tener un criterio más estricto, como que el cliente identifique las restricciones presupuestarias. Ambas ofertas se incluyen en la fase de «propuesta» y tienen las mismas probabilidades de éxito, aunque de hecho pueden diferir considerablemente.

Peor aún, en las conversaciones con docenas de líderes de operaciones de ventas, todavía no he encontrado un equipo que haga un seguimiento continuo y preciso de los resultados reales de las publicaciones en un momento dado. Por ejemplo, si hubiera 100 operaciones en una etapa que asigne automáticamente una ponderación del 25%, ¿se cerraron realmente 25 operaciones? La mayoría de los líderes no pueden responder a esta sencilla pregunta porque no la hacen.

¿Debería fijar la previsión, las personas o el sistema?

Para contrarrestar estos comportamientos infladores de los oleoductos, los líderes financieros utilizan un método conocido como «recorte», que simplemente reduce algún porcentaje de las previsiones del sistema. El CFO de uno de los mayores gestores de activos del mundo me dijo que normalmente toma su previsión de CRM y la reduce un 20%. Arreglar el pronóstico de esta manera es crudo y se basa en poco más que una intuición y quizás una amarga experiencia.

Como alternativa, algunos líderes tratan de arreglar a la gente. Los algoritmos de IA son tan buenos como los datos con los que se alimentan. Si puede persuadir a las personas de que cambien su comportamiento, puede proporcionar al sistema entradas más precisas para generar resultados más precisos. Por ejemplo, muchas empresas sufren un síndrome crónico en el que sus previsiones de CRM se convierten en un registro histórico y no en una guía para el futuro. Los líderes lo detectan cuando los vendedores hacen negocios que han saltado etapas y cerrado milagrosamente. Cuando los líderes ven esta grabación latente, suelen amenazar con retener las comisiones. Puede que la situación mejore durante un tiempo, pero este enfoque rara vez soluciona el problema de forma permanente, ya que las personas eventualmente vuelven a sus antiguos hábitos.

Es probable que ni los cortes de pelo arbitrarios ni nadar a contracorriente de la naturaleza humana produzcan la precisión predictiva que su empresa necesita y exige Wall Street. Una alternativa más prometedora consiste en rediseñar los sistemas de manera que reconozcan y aborden los comportamientos humanos conocidos que distorsionan los resultados. Estas son algunas técnicas que pueden contribuir en gran medida a alcanzar ese objetivo:

Personalice y compare las decisiones. Al utilizar las mismas arquitecturas que utilizan los principales sistemas basados en recomendaciones para los consumidores, como Netflix, Spotify y Amazon, los sistemas pueden recordar todas las elecciones de cada usuario y, a continuación, presentar recomendaciones personalizadas basadas en evaluaciones comparativas con el grupo de usuarios. Por ejemplo, una empresa de servicios tecnológicos de 25 000 millones de dólares utiliza este método para hacer un seguimiento del comportamiento de sus vendedores en materia de precios. El sistema permite a los vendedores seleccionar los precios mediante escenarios que ofrecen varias combinaciones de precios, productos y márgenes. Los gerentes pueden ver entonces con qué frecuencia un escenario determinado gana operaciones. Con suficientes escenarios almacenados en la base de datos, el sistema puede recomendarle los mejores escenarios para una situación competitiva determinada.

Esta capacidad puede incluso detectar comportamientos que provocan previsiones inexactas. Por ejemplo, para animar a los usuarios a compartir más, el sistema puede comparar la frecuencia de un usuario que publica nuevas ofertas con la de otros usuarios. Si una persona gana tanto como la siguiente, pero si entra solo la mitad tiene el mismo número de ofertas en el sistema, es probable que esté frenando las malas ofertas. Se puede empujar a las personas que se están frenando para que hagan entradas con más frecuencia.

Proporcione algoritmos ajustables. Investigaciones recientes indica que es más probable que las personas sigan las recomendaciones algorítmicas cuando pueden ajustarlas (aunque sea un poco). Y los sujetos de investigación que podían ajustar los algoritmos de previsión generaban mejores previsiones que los sujetos que no podían modificar los algoritmos. Proporcionar a los vendedores escenarios sencillos que puedan ajustar, nombrar, rastrear y comparar les permitirá ver cómo los diferentes resultados de ofertas específicas afectan a sus objetivos de ventas. De este modo, podrán asignar sus esfuerzos de venta en consecuencia.

Realice un seguimiento continuo de las probabilidades. En lugar de utilizar cuotas fijas y por etapas para pronosticar los ingresos, haga un seguimiento continuo del progreso y los resultados de la operación y utilice una curva en forma de campana alimentada de forma continua para predecir las probabilidades de éxito de una operación determinada en función de su tamaño y antigüedad. En otras palabras, simplemente contando la frecuencia de las operaciones ganadas como porcentaje de todas las operaciones, se puede trazar cualquier nueva operación con más precisión.

Aplique la prueba del tiempo. Muchos sistemas utilizan métodos complicados para determinar el estado de una oferta en particular, teniendo en cuenta consideraciones como la adecuación del producto, el grado de competencia, la sensibilidad a los precios y más. Puede reducir la complejidad ignorándolo todo excepto el tiempo entre etapas. Con este enfoque, hemos descubierto que las operaciones ganadoras casi siempre están por encima del percentil 50 en velocidad de cierre. Las operaciones perdidas tienden a moverse mucho más despacio.

Detecte quién juega con el sistema. Los vendedores suelen hacer bolsas de arena, introduciendo intencionalmente previsiones demasiado conservadoras que luego pueden superar fácilmente. Para evitarlo, cree un algoritmo que haga un seguimiento continuo del rendimiento de las previsiones de cada individuo en comparación con la media de todo el grupo. Haga que señale a las personas que, con el tiempo, superaron de manera constante las previsiones significativamente inferiores a la media que han introducido. Hacer bolsas de arena no solo socava la precisión de las previsiones, sino que también priva a la empresa del crecimiento que podría haberse logrado con objetivos de ventas más ambiciosos.

Recompense la precisión. Otorgue bonificaciones al quintil más alto de vendedores cuyas previsiones reflejen con mayor precisión las ventas reales en un período determinado. Como prácticamente ninguna organización que conozca recompensa la precisión de las previsiones, es imposible decir definitivamente que esto funcione, pero no cabe duda de que vale la pena intentarlo.

Las predicciones más precisas de las ventas son importantes para las empresas individuales y para nuestra economía. Si nos topamos con más volatilidad, las previsiones, que históricamente se han inflado un 8%, podrían perder pronto entre un 20 y un 50%. Los líderes deben a sus accionistas un método mejor de predecir los ingresos.