Prognozowanie sprzedaży to oszacowanie wartości sprzedaży w okresie na podstawie historii i bieżących szans. Ten artykuł dotyczy wartości nowych umów podpisanych w okresie; prognoza przychodu wymaga harmonogramu realizacji i zasad rozpoznawania przychodu. W firmie B2B prognozę buduje się z historii umów i lejka z CRM, a jej jakość mierzy odchylenie wyniku od prognozy.
Po co prognoza zarządowi
Prognoza sprzedaży jest podstawą decyzji, które zarząd musi podjąć, zanim znany będzie wynik okresu. Od niej zależy plan zatrudnień w sprzedaży, zamówienia u dostawców i poziom zapasów w firmie produkcyjnej lub dystrybucyjnej, budżet marketingu, a także rozmowa z bankiem lub inwestorem o finansowaniu. Zawyżona prognoza oznacza koszty poniesione pod przychody, które nie wpłyną, a zaniżona oznacza niewykorzystane moce, brak towaru albo zbyt ostrożne inwestycje.
Tę trudność potwierdzają badania. Według komunikatu firmy badawczej Gartner z lutego 2020 roku, opartego na ankiecie State of Sales Operations Survey, tylko 45% liderów sprzedaży i handlowców deklarowało wysoką pewność co do trafności prognoz w swojej organizacji. Źródło nie rozdziela wyników według krajów ani wielkości firm, więc traktujemy tę liczbę jako sygnał, a nie punkt odniesienia dla polskiej firmy B2B.
Prognoza ma jeszcze jedną funkcję: wskazuje lukę względem planu na tyle wcześnie, by zespół zdążył zareagować. Prognoza, która pojawia się po zamknięciu miesiąca, jest już tylko sprawozdaniem. Dlatego prognozę warto traktować jako element cotygodniowego raportu sprzedaży, którego układ opisujemy w tekście raport sprzedaży: wzór tygodniowy i miesięczny. Tutaj skupiamy się na samej metodzie.
Metody prognozowania sprzedaży: przegląd
Metody dzielą się na 3 grupy według tego, z czego wynika liczba: z historii sprzedaży, z bieżącego lejka albo z modelu statystycznego lub uczenia maszynowego. Podział na 3 grupy jest przyjęty w tym artykule dla porządku, a nie jako klasyfikacja ze źródła. Warto zestawić co najmniej 2 podejścia, ponieważ rozbieżność między ich wynikami jest informacją dla zarządu.

| Metoda | Skąd liczba | Wymaga | Ograniczenie |
|---|---|---|---|
| Średnia, metoda naiwna, sezonowa naiwna | Historia sprzedaży | Co najmniej kilku okresów, przy sezonowości pełnego cyklu | Nie widzi zmian w lejku ani w rynku |
| Lejek ważony | Szanse otwarte, wartość i etap | Wiarygodnych etapów, dat zamknięcia i wartości w CRM | Prawdopodobieństwa etapów muszą wynikać z historii firmy |
| Kategorie prognozy handlowców | Ocena handlowca dla każdej szansy | Jasnych definicji kategorii i przeglądu z menedżerem | Zależy od oceny osób, które realizują plan |
| Wygładzanie wykładnicze, ARIMA, regresja | Model dopasowany do szeregu czasowego | Dłuższej historii i regularnych danych | Wymaga wiedzy analitycznej i kontroli na danych testowych |
| Uczenie maszynowe i AI | Model uczony na zamkniętych szansach | Dużej liczby zamkniętych transakcji z kompletnymi atrybutami | Przy małej próbie wynik jest niestabilny |
Prognoza na danych historycznych
Najprostsze metody opisuje podręcznik Roba J. Hyndmana i George’a Athanasopoulosa, „Forecasting: Principles and Practice”, wydanie 3, wersja online (otexts.com/fpp3, strona ostatnio aktualizowana 23 października 2026 roku). Metoda średniej przyjmuje, że każda przyszła wartość równa się średniej z całej historii. Metoda naiwna przyjmuje ostatnią zaobserwowaną wartość. Metoda sezonowa naiwna bierze wartość z tego samego okresu poprzedniego cyklu, na przykład sprzedaż marca roku bieżącego jako prognozę marca następnego roku. Metoda dryfu dodaje do ostatniej wartości średnią zmianę z całej historii.
Te metody mają 2 zastosowania. Pierwsze to szybka prognoza dla firmy o stabilnej sprzedaży i wyraźnej sezonowości, na przykład dystrybutora z mocniejszym kwartałem czwartym. Drugie, ważniejsze, to punkt odniesienia: jeżeli bardziej rozbudowana metoda nie jest dokładniejsza od sezonowej naiwnej na danych, których nie użyto do dopasowania, jej złożoność nie ma uzasadnienia.
Rozbudowaniem tego podejścia jest wygładzanie wykładnicze. Według tego samego podręcznika metoda Holta-Wintersa dodaje do poziomu szeregu składnik trendu i składnik sezonowy, w wersji addytywnej, gdy wahania sezonowe mają zbliżoną wielkość, albo multiplikatywnej, gdy rosną razem z poziomem sprzedaży. Rodzina modeli ETS pozwala dodatkowo wyznaczyć przedział prognozy, czyli widełki, w których wynik powinien się mieścić z przyjętym prawdopodobieństwem. Dla firmy B2B z kilkudziesięcioma transakcjami w roku i długim cyklem sprzedaży sama historia wartości umów bywa jednak zbyt zmienna, by stanowić jedyną podstawę, ponieważ pojedyncza duża umowa przesuwa miesięczny wynik.
Prognoza z lejka: ważona i według kategorii
Prognoza z lejka bierze pod uwagę to, co dzieje się teraz (podstawy etapów lejka opisuje wpis o lejku sprzedażowym): które szanse są otwarte, jaką mają wartość, na którym są etapie i kiedy mają zostać zamknięte. W metodzie ważonej wartość każdej szansy mnoży się przez prawdopodobieństwo jej wygranej w prognozowanym okresie, przypisane do etapu, a wyniki sumuje. Chodzi o szansę zamknięcia przed końcem okresu, a nie o szansę wygranej kiedykolwiek, bo szansa wygrana po 3 miesiącach nie wspiera prognozy bieżącego miesiąca. Prawdopodobieństwa powinny pochodzić z historii firmy, a nie z domyślnych ustawień CRM. Dla prognozy miesięcznej mianownik tworzą szanse na danym etapie otwarte w porównywalnym dniu miesięcy historycznych, a licznik te z nich, które zostały wygrane do końca takiego miesiąca; szanse nadal otwarte zostają w mianowniku. Same wzory wartości ważonej, tempa sprzedaży i pokrycia planu rozwija tekst o pipeline sprzedaży i sales velocity.
Drugie podejście oparte jest na ocenie handlowców. Każdą otwartą szansę handlowiec przypisuje do jednej kategorii, na przykład „pewne”, „prawdopodobne” i „możliwe”, a prognoza jest sumą wygranych oraz szans z wybranych kategorii. Zbiory są rozłączne: umowa podpisana należy do wygranych i nie może jednocześnie pozostać wśród otwartych szans „pewnych”. Przyjęty tu podział na 3 kategorie to propozycja, a nie standard rynkowy; każda kategoria wymaga pisemnej definicji, na przykład „pewne” oznacza zatwierdzone zamówienie z potwierdzonym terminem podpisu w okresie. Zasadne jest cotygodniowe omawianie kategorii z menedżerem sprzedaży, ponieważ oceniają je osoby rozliczane z planu.
Dobrą praktyką jest zestawienie obu podejść. Jeżeli prognoza ważona wskazuje 75% planu, a suma wygranych i szans „pewnych” jedynie 52%, zarząd widzi, jak bardzo różnią się wyniki obu metod; oba zawierają otwarte szanse, więc rozbieżność wskazuje, że warto sprawdzić założenia. Wskaźniki, które uzupełniają tę ocenę, takie jak konwersje między etapami i długość cyklu, opisujemy w artykule KPI sprzedaży dla firmy B2B.
Modele statystyczne i AI: kiedy mają sens
Modele statystyczne szeregów czasowych, takie jak ETS i ARIMA, oraz regresja, która uwzględnia czynniki zewnętrzne, na przykład liczbę zapytań ofertowych albo wydatki na kampanie, opisują rozdziały 7, 8 i 9 wspomnianego podręcznika. Podręcznik zaleca ocenę modeli na danych testowych, których nie użyto do dopasowania, bo model dobrze dopasowany do historii nie musi dobrze prognozować nowych okresów.
Modele uczenia maszynowego, w tym funkcje AI wbudowane w CRM, oceniają szansę każdej transakcji na podstawie jej atrybutów i historii zamkniętych transakcji. Mają sens warunkowo: gdy firma zamknęła wystarczająco dużo transakcji, by model miał z czego się uczyć, gdy atrybuty szans są wypełniane konsekwentnie, a proces sprzedaży nie zmienił się w okresie uczenia. Przy kilkunastu zamkniętych transakcjach rocznie model może nie mieć wiarygodnej próby, więc rozsądniejsze mogą być prostsze metody. Gdy model jest dostępny, jego wynik warto zestawiać z prognozą ważoną i przeglądem handlowców, a nie traktować jako jedyną prawdę.
Dane potrzebne do prognozy i ich jakość
Jakość prognozy ogranicza jakość danych, więc przed wyborem metody trzeba sprawdzić, co firma faktycznie zapisuje. Do prognozy z historii potrzebna jest wartość podpisanych umów w okresach o stałej długości, najlepiej z podziałem na produkty lub segmenty klientów oraz informacje o zdarzeniach jednorazowych, takich jak duży kontrakt, który nie powtórzy się w kolejnym roku. Do prognozy z lejka potrzebne są dane o każdej szansie.
- Wartość szansy zapisana w tej samej walucie i w tym samym ujęciu (netto lub brutto) we wszystkich rekordach.
- Etap o jasnej definicji wejścia, na przykład „oferta wysłana” dopiero po przekazaniu klientowi dokumentu, a nie po rozmowie wstępnej.
- Oczekiwana data zamknięcia aktualizowana przy każdej zmianie, bo szansa z datą sprzed miesiąca zawyża prognozę bieżącego okresu.
- Data utworzenia i historia zmian etapów, która pozwala policzyć realny odsetek wygranych na etap i typowy czas jego trwania.
- Właściciel szansy i źródło, dzięki którym prognozę da się rozbić na handlowców i kanały.
- Wynik i powód przegranej dla szans zamkniętych, bez których nie da się odróżnić zmiany jakości lejka od zmiany rynku.
Do tego dochodzi czystość rekordów: duplikaty, szanse bez ruchu od kilku miesięcy, wartości zerowe i szanse zamknięte bez statusu zawyżają lub zaniżają lejek. Prognoza z CRM jest tak wiarygodna jak najsłabsze pole wymagane do jej obliczenia. Dlatego przed budową prognozy warto ustalić pola obowiązkowe przy zmianie etapu oraz cotygodniowy przegląd szans bez aktywności. Prognoza zależy od danych sprzedażowych z CRM lub innego systemu, nie od samego narzędzia: jeśli część transakcji jest prowadzona w arkuszach i pocztach, trzeba je najpierw uwzględnić. Pilnowanie wspólnych definicji etapów i pól w całej firmie jest częścią RevOps, czyli wspólnego zarządzania procesami i danymi marketingu, sprzedaży i obsługi klienta.
Prognoza z lejka w CRM: przykład liczbowy
Poniższy przykład używa danych hipotetycznych, które przyjęliśmy na potrzeby artykułu. Prognozujemy wartość nowych umów podpisanych w miesiącu, a nie przychód. Dystrybutor B2B ma plan 800 000 zł wartości umów w miesiącu. Do dnia prognozy podpisał umowy za 310 000 zł. W CRM jest 8 otwartych szans z oczekiwaną datą zamknięcia w tym miesiącu, o łącznej wartości 860 000 zł; podpisane umowy nie są wśród nich. Prawdopodobieństwa zamknięcia z wygraną w tym miesiącu (15% dla oferty wysłanej, 40% dla negocjacji, 75% dla umowy do podpisu) są założeniem przykładu; w firmie powinny wynikać z własnej historii szans zamkniętych w takim samym horyzoncie.
| Etap | Liczba szans | Wartość szans | Prawdopodobieństwo w miesiącu (założenie) | Wartość ważona |
|---|---|---|---|---|
| Oferta wysłana | 3 | 375 000 zł | 15% | 56 250 zł |
| Negocjacje | 3 | 380 000 zł | 40% | 152 000 zł |
| Umowa do podpisu | 2 | 105 000 zł | 75% | 78 750 zł |
| Razem | 8 | 860 000 zł | 287 000 zł |
Prognoza bazowa to wartość oczekiwana: umowy podpisane do dziś plus wartość ważona otwartych szans, czyli 310 000 + 287 000 = 597 000 zł, około 74,6% planu. Luka względem planu wynosi 203 000 zł. Obok prognozy bazowej warto pokazać 3 punkty odniesienia, z których każdy ma osobne założenie i nie jest przedziałem ufności.
- Stan zamknięty: wyłącznie umowy podpisane, 310 000 zł, około 38,8% planu. To dolna granica wyniku, o ile nie dojdą żadne kolejne umowy.
- Bazowy: wartość oczekiwana, 597 000 zł, około 74,6% planu, przy założonych prawdopodobieństwach etapów.
- Zamkną się wszystkie szanse z negocjacji i podpisu: 310 000 + 380 000 + 105 000 = 795 000 zł, około 99,4% planu. Ten wariant zakłada pełną wygraną szans, którym przypisano 40% i 75%, więc nie jest ostrożny, tylko wymagający.
- Zamkną się wszystkie 8 szans: 310 000 + 860 000 = 1 170 000 zł, około 146,3% planu.
Wynik pokazuje, że nawet wygrana wszystkich szans z etapów negocjacji i podpisu da 795 000 zł, czyli 5 000 zł mniej niż plan. Do planu potrzebna jest więc co najmniej 1 wygrana z etapu ofert albo umowy większe niż w CRM. To informacja do decyzji: zarząd może zlecić dodatkowe działania przy szansach z ofertami albo zaplanować koszty pod wynik bliższy bazowemu. Metoda ma też ograniczenie: prawdopodobieństwo etapu dotyczy średniej szansy, a pojedyncza szansa kończy się wygraną albo przegraną, więc 1 szansa za 200 000 zł potrafi przesunąć wynik bardziej niż cała reszta lejka. Przy małej liczbie dużych szans punkty odniesienia są bardziej informacyjne niż jedna liczba.
Prognozę wartości umów można zamienić na prognozę przychodu dopiero po dodaniu harmonogramu realizacji, na przykład terminów dostaw, oraz zasad rozpoznawania przychodu przyjętych w księgowości firmy. Rozbicie prognozy na miesiące, handlowców i segmenty ułatwia dashboard zasilany bezpośrednio z CRM, bez ręcznych eksportów.
Jak mierzyć trafność prognozy
Trafność prognozy mierzy się, porównując ją z wynikiem po zamknięciu okresu. Podręcznik Hyndmana i Athanasopoulosa definiuje błąd prognozy jako różnicę między wartością obserwowaną a prognozowaną: e = y − ŷ. Na tej podstawie wylicza się 3 podstawowe miary. Średni błąd bezwzględny (MAE) to średnia z wartości bezwzględnych błędów i jest wyrażony w złotych. Pierwiastek błędu średniokwadratowego (RMSE) to pierwiastek ze średniej z kwadratów błędów i silniej karze duże pomyłki. Średni bezwzględny błąd procentowy (MAPE) to średnia z |100 · e / y|, wyrażona w procentach, co ułatwia porównania.
MAPE ma wady, które podręcznik wskazuje wprost: daje skrajne wartości, gdy rzeczywista wartość jest bliska zera, i jest niezdefiniowany dla zera, a ponadto silniej karze błędy ujemne niż dodatnie. W firmie B2B oznacza to ostrożność przy małych miesięcznych wartościach, na przykład w segmencie z kilkoma transakcjami rocznie, gdzie lepiej użyć MAE.
Przykład na danych hipotetycznych: prognozy miesięczne i wyniki w tysiącach złotych dla 6 miesięcy.
| Miesiąc | Prognoza | Wynik | Błąd (wynik minus prognoza) | Błąd procentowy (bezwzględny) |
|---|---|---|---|---|
| 1 | 700 | 640 | -60 | 9,4% |
| 2 | 650 | 720 | 70 | 9,7% |
| 3 | 800 | 710 | -90 | 12,7% |
| 4 | 750 | 790 | 40 | 5,1% |
| 5 | 820 | 700 | -120 | 17,1% |
| 6 | 900 | 860 | -40 | 4,7% |
MAE wynosi 70 tys. zł, a MAPE około 9,8%. Średni błąd (bez wartości bezwzględnej) to około -33 tys. zł, co oznacza, że w tych 6 miesiącach prognoza była średnio zawyżona. Suma prognoz (4 620 tys. zł) przekroczyła sumę wyników (4 420 tys. zł) o około 4,5%. Sam MAPE nie ujawnia tego kierunku, dlatego razem z nim warto raportować odchylenie ze znakiem: systematyczne zawyżanie wymaga innej korekty niż błędy w obie strony.
Druga miara to odchylenie od planu, czyli (wynik − plan) / plan. Mierzy ono realizację celu, a nie jakość prognozy, więc obie miary trzeba trzymać osobno. Podręcznik zaleca też, by dokładność oceniać na danych testowych niewykorzystanych przy dopasowaniu, przy czym zbiór testowy to zwykle około 20% próby i co najmniej tyle, ile wynosi horyzont prognozy. W praktyce sprzedażowej odpowiada to porównaniu prognoz zapisanych w danym momencie (migawka w CRM) z wynikiem końcowym, a nie prognoz przeliczonych po fakcie. Przez „migawkę” rozumiemy zapisaną kopię prognozy z ustalonego dnia okresu, na przykład 10. dnia miesiąca. Prognozę zestawia się z planem sprzedaży B2B w stałych odstępach, na przykład co tydzień, żeby luka była widoczna, zanim skończy się okres.
Błędy w prognozowaniu sprzedaży
- Prawdopodobieństwa etapów z domyślnych ustawień CRM. Prawdopodobieństwa etapów bywają fabrycznym ustawieniem narzędzia, a nie wynikiem historii firmy. Należy je policzyć z historii: mianownik to szanse otwarte na etapie w porównywalnym dniu miesięcy historycznych, licznik to wygrane do końca tych miesięcy.
- Nieaktualne daty zamknięcia. Nieaktualne daty zamknięcia mogą zniekształcić wynik w obu kierunkach: szansa z datą sprzed 2 miesięcy może zawyżać prognozę, a szansa pominięta z powodu starej daty może ją zaniżać. Pomaga zasada, że bez nowej daty i następnego kroku szansa wypada z prognozy.
- Jedna liczba zamiast punktów odniesienia. Przy kilku dużych szansach pojedyncza wartość daje fałszywe poczucie precyzji. Punkty odniesienia z osobno opisanymi założeniami pokazują, od czego zależy wynik.
- Brak migawki prognozy. Bez zapisanej prognozy z określonego dnia nie da się policzyć trafności, a tym samym uczyć się na błędach.
- Mieszanie prognozy i planu. Plan wyraża cel, prognoza oczekiwany wynik. Jeśli zespół koryguje prognozę, by zgadzała się z planem, zarząd traci wiedzę o luce.
- Złożony model bez punktu odniesienia. Model nie jest wart wdrożenia, jeśli nie przewyższa metody sezonowej naiwnej na danych testowych.
- Zła jakość danych. Duplikaty, szanse bez ruchu, brak powodów przegranej i niespójne waluty obniżają trafność każdej metody; popraw dane, zanim zmienisz model.
- Brak przeglądu. Prognoza przeliczana rzadko, na przykład raz w miesiącu, może nie wychwycić zmian w lejku na czas. Przy krótkim cyklu sprzedaży warto rozważyć przegląd tygodniowy z menedżerem i omówienie kategorii handlowców.
Jak to robimy w JAAQOB
JAAQOB jest grupą strategiczno-technologiczną, która łączy dane sprzedażowe z kilku systemów w dashboardzie RevOps, bez zmiany systemów, których firma już używa (integracja danych z Pipedrive, Optima, Asana i Excel). Prace obejmują 4 etapy: audyt, architekturę, implementację i RevOps as a Service, a pierwsze dashboardy (MVP) powstają w 8 do 12 tygodni. Wycena jest indywidualna, bo koszt zależy od dostępu do danych i liczby źródeł; zbudowanie i skonfigurowanie takiego środowiska zaczyna się od 40 000 zł netto, a najpierw następuje analiza narzędzi i źródeł danych firmy. Umów bezpłatną konsultację ekspercką.
Najczęstsze pytania o prognozowanie sprzedaży
Jak prognozować sprzedaż w firmie B2B?
Najpierw zbuduj punkt odniesienia z historii, na przykład prognozę sezonową naiwną, a następnie prognozę z lejka CRM: wartość otwartych szans pomnożona przez prawdopodobieństwo zamknięcia z wygraną w okresie, wyliczone z własnych danych dla etapu, a do wyniku dodaj umowy już podpisane w okresie. Zestaw oba wyniki i pokaż zarządowi punkty odniesienia z osobno opisanymi założeniami. Po zamknięciu okresu policz błąd i zapisz go.
Jaka metoda prognozowania sprzedaży jest najlepsza?
Nie ma jednej metody najlepszej dla każdej firmy. O wyborze decydują długość historii, liczba transakcji, jakość danych w CRM i długość cyklu sprzedaży. Praktyczne kryterium jest takie, że bardziej złożona metoda ma przewyższyć prostszą na danych testowych; jeśli tego nie robi, zostaje prostsza.
Jak obliczyć prognozę sprzedaży z lejka?
Dla każdej otwartej szansy z datą zamknięcia w okresie pomnóż jej wartość przez prawdopodobieństwo wygranej w tym okresie na jej etapie i zsumuj wyniki, a do sumy dodaj umowy podpisane w bieżącym okresie. W przykładzie z artykułu wartość ważona szans wyniosła 287 000 zł, a prognoza bazowa 597 000 zł.
Jak mierzyć trafność prognozy sprzedaży?
Porównaj prognozę zapisaną w ustalonym dniu okresu z wynikiem końcowym i policz MAE (średni błąd bezwzględny, w złotych) oraz MAPE (średni bezwzględny błąd procentowy), a obok nich błąd ze znakiem, który pokazuje kierunek pomyłek. MAPE jest niezdefiniowany, gdy wynik wynosi zero, więc przy małych wartościach lepszy jest MAE.
Czy AI poprawia prognozę sprzedaży?
Może ją poprawić, jeśli firma ma wystarczająco dużo zamkniętych transakcji z kompletnymi danymi i stabilny proces sprzedaży. Przy małej próbie lub niespójnych danych model uczenia maszynowego nie ma wiarygodnych podstaw, więc lepiej sprawdzają się prostsze metody. Wynik modelu należy ocenić na danych testowych i porównać z prognozą ważoną.
Jakie dane z CRM są potrzebne do prognozy?
Wartość szansy, etap o jasnej definicji, oczekiwana data zamknięcia, data utworzenia z historią zmian etapów, właściciel szansy oraz wynik i powód przegranej dla szans zamkniętych. Bez nich prognoza z lejka będzie niedokładna niezależnie od zastosowanej metody.