Aunque la inteligencia artificial y otras tecnologías están mejorando la exactitud de los pronósticos de ventas, los líderes siguen siendo sorprendidos por pronósticos que resultan estar inflados. Ello se debe a que la causa raíz de la mayoría de las inexactitudes no está en algoritmos erróneos, sino en comportamientos humanos.

He aquí cinco de los comportamientos más dañinos:

Retener malas noticias. Al trabajar con una firma que estaba a mitad de una gran fusión y enfrentaba una feroz competencia de la industria, me sorprendió descubrir que la administración de la relación con los clientes, o CRM, tenía tasas de logro del 90%. ¿Los vendedores estaban mejorando dramáticamente la situación? Difícilmente. Temerosos del despido, no estaban reportando las malas noticias. Retener la información reducía la tasa general de acuerdos fallidos dentro del pronóstico, inflando el porcentaje de éxito.

Mantener dos series de registros. Si su firma tiene 1.000 vendedores, usted podía pensar que tiene un sistema de CRM, pero probablemente tiene 1.001. La mayoría de los vendedores mantienen dos registros separados de sus oportunidades. Reportan un conjunto en el sistema CRM y mantienen otro en una hoja de cálculo privada, en la que analizan escenarios para ver cuánto podrían ganar en comisiones. La hoja privada es mucho más precisa.

Esperar lo imposible. Las personas tienden a tener aversión a la pérdida. Aunque la mayoría de los vendedores saben cuando un trato se ha perdido, muchas veces temen admitirlo, así que se aferran a la esperanza. Esto infla los datos del CRM y evita que tanto líderes como equipos observen las brechas en sus pronósticos.

Usar definiciones difusas. Una firma tecnológica, queriendo mejorar sus pronósticos, automatizó el registro de su método de calificación de “salud del acuerdo” basado en diez factores. A pesar de una rigurosa inspección de los equipos de ventas, los pronósticos siguieron sin ser confiables. Las definiciones poco claras fueron una razón crítica para ello. Por ejemplo, un factor de la salud del acuerdo era el “alineamiento estratégico”. Ya sea que los miembros encuestados del equipo determinaran que el alineamiento fuera alto o bajo, fuerte o débil, o en alguna parte de la escala de 1 a 10, la respuesta dependía del observador.

No hacer la pregunta obvia. Los sistemas de CRM sopesan automáticamente la etapa del acuerdo (calificación, propuesta, adquisición) para pronosticar ingresos. La teoría es sólida, pero la práctica es irregular. Conforme las oportunidades atraviesan las etapas de la ruta, sus probabilidades de consumarse deberían incrementarse. Sin embargo, los vendedores podrían usar diferentes criterios para definir una etapa. Por ejemplo, un vendedor podría definir como propuesta una solicitud de cotización, mientras que otro podría tener un criterio más estricto, como el calificar en el rango de propuesta cuando el cliente identifique sus rangos de presupuesto. Ambos procesos están incluidos en la etapa de “propuesta” y se les adjudican las mismas probabilidades de éxito, cuando de hecho estas pudieran diferir considerablemente.

¿Qué se debe corregir?

Para contrarrestar estos comportamientos que inflan los registros, algunos líderes financieros usan un método conocido como el “corte de cabello”, eliminar un porcentaje del pronóstico del sistema. Corregir el pronóstico de este modo es rudimentario y se basa en poco más que instintos.

Alternativamente, algunos líderes tratan de corregir a las personas. Los algoritmos de IA son solo tan buenos como los datos que los alimentan. Si puede persuadir a las personas de cambiar su comportamiento, podrá brindarle al sistema aportes más precisos, para generar resultados más exactos. Por ejemplo, muchas compañías sufren de un síndrome en el que sus pronósticos de CRM resultan más un registro histórico que una guía hacia el futuro. Los líderes detectan esto cuando los vendedores ingresan acuerdos que han logrado milagrosamente saltando etapas. Cuando los líderes ven esto, suelen amenazar con retener las comisiones. La situación podría mejorar durante un tiempo, pero ese enfoque raramente resuelve permanentemente el problema, pues las personas regresan eventualmente a sus viejos hábitos.

Ni los cortes de pelo arbitrarios, ni el nadar contra la corriente de la naturaleza humana tiende a producir la exactitud predictiva que necesita su negocio. Una alternativa más prometedora se encuentra en rediseñar los sistemas en formas que reconozcan y atiendan los comportamientos humanos que distorsionan los resultados. He aquí algunas técnicas para alcanzar esa meta:

Personalice y haga ejercicios de referencia en las decisiones. Al utilizar las mismas arquitecturas que emplean los mejores sistemas basados en recomendaciones, como Netflix, Spotify y Amazon.com, los sistemas pueden recordar cada elección de todos los usuarios y presentar recomendaciones personalizadas, basándose en una comparación con el grupo de usuarios. Por ejemplo, una firma tecnológica usa este método para registrar los comportamientos de sus vendedores en cuanto a precios. El sistema deja que los vendedores seleccionen precios usando escenarios que ofrecen diversas mezclas de precio, producto y margen. Los directivos pueden ver qué tan frecuentemente alguno de los escenarios consigue ventas. Con los suficientes escenarios en la base de datos, el sistema puede recomendar los mejores escenarios para cualquier situación competitiva.

Brinde algoritmos ajustables. La investigación indica que las personas tenderán más a seguir las recomendaciones de los algoritmos cuando ellas pueden ajustarlos. Además, los sujetos de la investigación que pudieron ajustar los algoritmos de pronóstico generaron mejores predicciones que quienes no podían hacerlo. Brindarles a los vendedores escenarios simples que puedan ajustar, nombrar, rastrear y comparar puede permitirles ver cómo los diferentes resultados de acuerdos específicos afectan sus objetivos de venta, y asignar sus esfuerzos de venta de acuerdo con ello.

Registre continuamente las probabilidades. En lugar de utilizar probabilidades fijas y basadas en etapas para pronosticar ingresos, rastree continuamente los avances y resultados de los acuerdos, y use una curva de campana para predecir las posibilidades de un acuerdo a partir de su tamaño y tiempo. En otras palabras, al simplemente contar la frecuencia de acuerdos que se han ganado como porcentaje del total, cualquier nuevo acuerdo puede mapearse con más exactitud.

Aplique la prueba del tiempo. Muchos sistemas usan métodos complicados para determinar la salud de un acuerdo en particular, tomando en cuenta el ajuste de producto, grado de competencia, sensibilidad al precio y más. Puede reducir la complejidad ignorando todo excepto el tiempo entre etapas.

Detecte quién está aprovechándose del sistema. Los vendedores suelen “despistar” ingresando intencionalmente pronósticos demasiado conservadores, que pueden superar con facilidad. Para prevenir esto, cree un algoritmo que continuamente registre el desempeño de las predicciones de cada individuo en comparación del promedio del grupo entero. Haga que este señale a personas que, con el paso del tiempo, consistentemente ingresan y superan pronósticos menores al promedio, pues eso no sólo afecta la exactitud del pronóstico, sino que también le priva a la compañía del crecimiento que pudo alcanzar con objetivos de ventas más ambiciosos.

Recompense la precisión. Otorgue bonos al quintil más alto de vendedores cuyos pronósticos reflejen con mayor exactitud las ventas en cada periodo. Es imposible saber si esto funcionará, pero ciertamente vale la pena intentarlo.

Los pronósticos precisos de ventas son importantes para empresas individuales y para nuestra economía. Si encontramos más volatilidad, los pronósticos que históricamente han estado inflados en un 8% podrían equivocarse hasta en un 20% o 50% próximamente. Los líderes les deben a sus accionistas un mejor método de predecir ingresos.