Auf dieser Seite
Pipeline-Abdeckung ist eine Summe und keine Konversionsverteilung. Zwei Pipelines können beide das Vierfache des Ziels erreichen und trotzdem verschiedene erwartete Ergebnisse bedeuten, wenn ihre Phasenverteilung, Rückkehrwege und Wahrscheinlichkeitsannahmen abweichen.
Das macht die Abdeckungsquote nicht nutzlos. Es macht ihre Bedeutung bedingt. Die Quote beantwortet, wie viel nomineller Wert offen ist. Sie beantwortet nicht, wie viel davon in einem Zustand liegt, der plausibel zum prognostizierten Ergebnis werden kann.
Warum versteckt standardisierte Pipeline-Abdeckung die Konversionsverteilung?
Marvasti und Kollegen trennen in einem B2B-Kaufphasenmodell No-Funnel, Early-Funnel, Middle-Funnel und Late-Funnel (Marvasti et al., 2021). Ein Zustand kann bleiben, voranschreiten oder zu No-Funnel zurückkehren (Marvasti et al., 2021). Das ist wichtig, weil eine späte Verkaufschance und ein frühes Signal denselben nominalen Betrag tragen können, aber unterschiedliche Evidenz und Wege vor sich haben.
Verbirgt die Abdeckung diese Verteilung, indem sie Werte vor der Phasenmeldung addiert, sieht das Management eine beruhigende Summe. Das Modell sieht eine gewichtete Sammlung von Zuständen mit unterschiedlichen Übergangsannahmen. Ist der Rückkehrweg häufig, kann die Summe hoch bleiben, während das erwartete Ergebnis niedrig bleibt.
Dieselbe vierfache Abdeckung kann Unterschiedliches bedeuten
Das folgende Modell ist absichtlich klein. Das Ziel beträgt 100 Einheiten. Beide Pipelines enthalten 400 Einheiten und zeigen daher eine vierfache Abdeckung. Pipeline A hat eine angenommene Konversionswahrscheinlichkeit von 20 %. Pipeline B hat eine angenommene Wahrscheinlichkeit von 5 %. Der Erwartungswert ist 400 multipliziert mit der angegebenen Wahrscheinlichkeit. Die Wahrscheinlichkeiten sind illustrative Eingaben und keine Schätzung eines Unternehmens oder Marktes.
Abbildung 1Gleiche Abdeckung, anderer Erwartungswert
Die Summe der Abdeckung ist identisch. Die Erwartungswerte unterscheiden sich wegen verschiedener Phasen- und Wahrscheinlichkeitsannahmen.
Quelle: Eigene transparente Modellrechnung. Ziel = 100; Pipeline = 400 in beiden Fällen; Erwartungswert = 400 multipliziert mit der angegebenen Wahrscheinlichkeit. Nur illustrativ.
Die Wahrscheinlichkeit braucht einen Weg
Das Modell sagt nicht, dass späte Chancen immer mit 20 % und frühe Chancen immer mit 5 % gewinnen. Es macht eine verborgene Annahme sichtbar. Eine reale Prognose braucht eine definierte Population, historische Übergangsevidenz, Ergebniskategorien, einen Zeitraum und eine Regel für offene oder zurückkehrende Wege.
Marvasti und Kollegen berichten unterschiedliche Ergebnisse für Simulation und anonymisierte Realdaten (Marvasti et al., 2021). Das ist eine Warnung davor, ein Modellergebnis als übertragbare Wahrscheinlichkeit zu übernehmen. Die realen Daten sind kein privater Benchmark für ein anderes Unternehmen. Der Wert des Modells liegt hier in der Struktur: Zustände und Übergänge gehören neben die Summe.
Goodman unterscheidet Marktpotenzial von einer Prognose, die von Marketingentscheidungen und Annahmen abhängt (Goodman, 1972). Wenn ihre Bedingungen nicht benannt sind, ähnelt Abdeckung eher einem Potenzialwert als einer Prognose. Die Zahl kann Aufmerksamkeit lenken. Sie sollte keine Prognosebedeutung tragen, die sie nicht verdient hat.
Ergebnisse sind nicht austauschbar
Virtanen, Parvinen und Rollins trennen gewonnene, verlorene und abgebrochene Leads (Virtanen et al., 2015). Das ist für ein Wahrscheinlichkeitsmodell entscheidend. Ein abgebrochener Lead kann ein Zeitproblem, eine Qualifizierungsentscheidung, einen veränderten Bedarf oder einen misslungenen Verfolgungsweg darstellen. Wird er mit einer verlorenen Chance zusammengelegt, kann eine Konversionsquote stabil aussehen, obwohl sich der Mechanismus verändert.
Dasselbe gilt für eine Pipeline, die in einen früheren Zustand zurückkehrt. Wird die Rückkehr verborgen, kann die Konversions- und Zeitbilanz sauberer aussehen als die Journey war. Wird sie ohne Regel als neue Chance gezählt, ändert sich der Nenner. Prognosedisziplin beginnt mit der Benennung des Weges.
Was neben der Abdeckung stehen sollte
Schreiben Sie vier Felder neben die Quote:
- Phasenverteilung. Wie viel nomineller Wert liegt in welchem Zustand?
- Übergangsregel. Darf eine Chance bleiben, voranschreiten, zurückkehren oder neu beginnen?
- Ergebnisdefinition. Sind gewonnen, verloren, abgebrochen, offen und verzögert getrennt?
- Wahrscheinlichkeitsbasis. Welche Population, welcher Zeitraum und welche Evidenz stützen jede Wahrscheinlichkeit?
Sind die Felder leer, bleibt die Abdeckungsquote eine nützliche Inventarsumme. Sie ist noch keine Prognose des erwarteten Ergebnisses. Das ist kein Fehler des Dashboards. Es ist eine ehrliche Aussage darüber, was es weiß.
Coverage ist eine Mischung
Die Warnung lässt sich einfach berechnen. Wenn jede Opportunity einen Wert und eine deklarierte Konversionswahrscheinlichkeit hat, ist der Erwartungswert die Summe aus Wert mal Wahrscheinlichkeit über alle Opportunities. Werden die Werte zuerst addiert und nur die Gesamtsumme berichtet, wird die Verteilung entfernt, die das Wahrscheinlichkeitsmodell benötigt.
Der Informationsverlust wird nicht durch mehr Dezimalstellen an der Kennzahl behoben. Eine Pipeline mit wenigen Opportunities in späten Zuständen und eine Pipeline mit vielen frühen Zuständen können beide die vierfache Zielabdeckung zeigen. Ihre erwarteten Ergebnisse unterscheiden sich, weil die Werte an unterschiedliche Pfade gebunden sind. Die synthetische Abbildung isoliert diese Logik. Sie behauptet nicht, dass späte Phasen die im Beispiel verwendete Wahrscheinlichkeit verdienen.
Diese Unterscheidung verändert auch die Lesart von Bewegungen. Eine fallende Coverage kann eine gesündere Mischung verbergen, wenn schwache frühe Werte entfernt wurden. Eine stabile Coverage kann eine Verschlechterung verbergen, wenn späte Opportunities in frühere Zustände zurückkehren. Die Gesamtsumme ist ein nützliches Inventar. Die Mischung erklärt, was das Inventar bedeuten kann.
Phasenbezeichnungen sind ohne Kalibrierung keine Evidenz
Bezeichnungen wie qualifiziert, Angebot oder Commit wirken wie Wahrscheinlichkeiten, weil sie in einem Funnel erscheinen. Sie sind selbst keine Wahrscheinlichkeiten. Das Label braucht eine definierte Grundgesamtheit, einen Zeitraum, eine Ergebnisregel und eine Übergangshistorie, bevor es eine Wahrscheinlichkeitsannahme tragen kann. Die Zustände und Rückkehrpfade bei Marvasti zeigen, warum eine Phase als beobachtete Bedingung und nicht als garantierter nächster Schritt behandelt werden sollte (Marvasti et al., 2021).
Kalibrierung braucht außerdem Versionskontrolle. Ändern sich die Kriterien einer Phase, sind alte und neue Datensätze möglicherweise nicht vergleichbar. Wird eine Opportunity zurückgestuft, muss der Bericht sagen, ob sie eine Opportunity bleibt, einen neuen Versuch beginnt oder zu einer gesonderten Rückkehrmetrik beiträgt. Das sind unterschiedliche Regeln, nach denen Daten entstehen.
Auch eine kalibrierte Wahrscheinlichkeit kann für eine neue Grundgesamtheit falsch sein. Goodman trennt ein Potenzial von einer Prognose, die von Marketingentscheidungen abhängt (Goodman, 1972). Diese bedingte Sprache gehört auch hierher. Eine Wahrscheinlichkeit kann eine erklärte Kohorte beschreiben, ohne zu einer universellen Wahrheit über eine Phase zu werden.
Rückkehr und offene Pfade verändern den Nenner
Rückkehrpfade sind kein störendes Rauschen, das verborgen werden sollte. Sie können bedeuten, dass der Käufer mehr Evidenz braucht, dass die Phasenkriterien des Verkäufers zu früh angesetzt wurden oder dass die Journey nicht linear ist. Werden zurückgekehrte Datensätze als neue Opportunities gezählt, wächst der Nenner. Bleiben sie still in der ursprünglichen Phase, verändert sich Dauer und Konversionsbild in eine andere Richtung.
Virtanen, Parvinen und Rollins trennen gewonnene, verlorene und stornierte Leads (Virtanen et al., 2015). Daraus folgt eine nützliche Regel für Coverage-Berichte. Storniert bedeutet nicht automatisch verloren, und offen bedeutet nicht automatisch gescheitert. Jede Kategorie sollte den Grund und die Zeitregel tragen, nach der sie einbezogen wird.
So kann ein Dashboard sagen, was es weiß. Es kann Nominalwert, Zustandsmix und Ergebnisse berichten, ohne vorzutäuschen, dass eines dieser Felder die anderen ersetzt.
Eine transparente Dashboard-Zeile
Stellen Sie neben jede Coverage-Kennzahl die Zieldefinition, das Beobachtungsdatum, den Wert nach Zustand, die Grundlage der Wahrscheinlichkeit, die Ergebniskategorien und die Behandlung von Rückkehrern und offenen Datensätzen. Fügen Sie einen Satz hinzu, der die Entscheidung nennt, die die Zahl unterstützen soll. Geht es um Kapazität, eine Prognose, eine Qualifizierungsprüfung oder ein Inventar?
Wenn es um Kapazität geht, kann der Zustandsmix zeigen, wo Arbeit aufläuft. Geht es um eine Prognose, muss das Wahrscheinlichkeitsmodell an der erklärten Grundgesamtheit kalibriert sein. Geht es um Qualifizierung, können Rückkehr- und Stornierungsgründe wichtiger sein als die Summe. Dieselbe Pipeline kann keine dieser Fragen gut beantworten, wenn die Frage unausgesprochen bleibt.
Das ist die praktische Aufwertung einer beruhigenden Kennzahl zu einem messbaren Gegenstand. Behalten Sie die Summe, aber machen Sie die Verteilung, die ihr Bedeutung gibt, unübersehbar.
Velocity ist ein Quotient mit einem Messvertrag
Sales Velocity wird häufig als eine einzige Zahl dargestellt. Tatsächlich ist sie ein Quotient, dessen Zähler und Nenner einen Messvertrag brauchen:
Das ist ein autorenseitiges Messmodell und keine allgemein gültige, aus einer Quelle stammende Kennzahl. Legen Sie fest, was als Chance zählt, ob die Wahrscheinlichkeit für dieselbe Kohorte kalibriert ist, welcher Auftragswert verwendet wird und welche Ereignisse den Zyklus beginnen und beenden. Wenn ein Rückkehrpfad eine neue Chance erzeugt, muss dies vor der Zählung geregelt sein. Wenn der Auftragswert erst bei der Unterschrift erfasst wird, der Zyklus aber bei der Implementierung endet, verbindet der Quotient unterschiedliche Grenzen.
Marvasti und Kollegen halten Zustände und Übergänge getrennt, während Virtanen und Kollegen die Ergebnisse trennen (Marvasti et al., 2021; Virtanen et al., 2015). Goodman hält Potenzial von einer Prognose getrennt, die von Entscheidungen abhängt (Goodman, 1972). Keine dieser Quellen liefert einen übertragbaren Sales-Velocity-Benchmark. Der Quotient ist hier nützlich, weil sich Änderungen des Nenners prüfen lassen. Wenn Chancenanzahl, Wahrscheinlichkeit und Auftragswert konstant bleiben und nur die erklärte Zyklusdauer geändert wird, verändert sich der Quotient, ohne dass sich der Vertriebsprozess verbessert oder verschlechtert haben muss.
Der Nenner ist deshalb eine Messentscheidung. Ein Zyklus vom ersten qualifizierten Signal bis zur Unterschrift ist nicht dasselbe wie ein Zyklus vom ersten Gespräch bis zum Zahlungseingang. Eine verkürzte Definition kann die Velocity erhöhen und Arbeit außerhalb des Feldes verbergen. Eine erweiterte Definition kann sie senken, obwohl derselbe kommerzielle Vorgang erhalten bleibt. Auch der Zähler braucht Disziplin: Es muss feststehen, ob offene Werte, Erwartungswerte, gewonnene Werte, stornierte Pfade oder eine gewichtete Mischung enthalten sind.
Abbildung 2Die Nennerempfindlichkeit der Sales Velocity
Die Kurve ist ein Sensitivitätsmodell: Der Quotient sinkt mit wachsender erklärter Zyklusdauer, während alle Zählerwerte konstant bleiben.
Quelle: Transparente Sensitivitätsrechnung des Autors. Chancen = 10; Gewinnwahrscheinlichkeit = 0,20; Auftragswert = 100 Einheiten; Zyklusdauer variiert. Abgeleitete Werte sind illustrativ und keine Unternehmensdaten oder ein Benchmark.
Grenze
Die gehaltene Forschung stützt zustandsabhängige Journeys, getrennte Ergebnisse und die Unterscheidung zwischen Potenzial und bedingter Prognose. Sie stützt keine allgemeine Abdeckungsquote und keine übertragbare Wahrscheinlichkeitstabelle. Die synthetische Abbildung macht die Rechnung prüfbar. Ersetzen Sie ihre Eingaben erst, wenn lokale Daten und Definitionen sie tragen.
Das Verteilungsproblem verbindet sich mit der Sales-Cycle-Zahl und dem Funnel-Engpass, den niemand misst, wo Phasengrenzen und verborgene Kapazität bestimmen, was eine Summe bedeuten kann.
References
- Goodman, C. S. (1972). Measuring industrial markets: Uses and limitations of available data for market measurement. Industrial Marketing Management, 3, 279-293. https://doi.org/10.1016/0019-8501(72)90020-X
- Marvasti, N. B., Huhtala, J. P., Yousefi, Z. R., Vaniala, I., Upreti, B., Malo, P., Kaski, S., & Tikkanen, H. (2021). Is this company a lead customer? Estimating stages of B2B buying journey. Industrial Marketing Management, 97, 126-133. https://doi.org/10.1016/j.indmarman.2021.06.003
- Virtanen, T., Parvinen, P., & Rollins, M. (2015). Complexity of sales situation and sales lead performance: An empirical study in business-to-business company. Industrial Marketing Management, 45, 49-58. https://doi.org/10.1016/j.indmarman.2015.02.024
Aktualisiert 1 Änderung
- Ein Abschnitt zur Nennerempfindlichkeit und ein transparentes Sales-Velocity-Modell wurden ergänzt. Die Revision verbindet den Quotienten mit den bestehenden Grenzen für Phasen, Übergänge und Ergebnisse, ohne einen Benchmark oder private Pipeline-Daten einzuführen.
