Een marketingprognose maken met aannames, scenario’s en terugtoetsing

Maak een marketingprognose door de verwachte instroom, relevante conversiestappen en observatieduur expliciet te kiezen. Reken meerdere scenario's door en bewaar de aannames. Toets vervolgens eerdere voorspellingen tegen de werkelijke uitkomsten. Een nauwkeurig ogend toekomstgetal zonder herkomst helpt minder dan een eenvoudige berekening met zichtbare onzekerheid.

Deze gids richt zich op de analyse en controle van voorspellingen. De keuze van commerciële doelen en prioriteiten hoort bij uw strategie. Een doel zegt wat u wilt bereiken; een prognose beschrijft wat u onder bepaalde aannames verwacht. Zet die twee niet in dezelfde kolom.

Kies één uitkomst en één horizon

Bepaal of u bezoeken, geldige aanvragen, klanten of omzet wilt voorspellen. Kies de toekomstige periode en wanneer de uitkomst voldoende rijp is voor beoordeling. Een maandprognose van nieuwe aanvragen vraagt een andere horizon dan een prognose van verkopen uit die aanvragen.

Gebruik de afspraken uit conversievertraging verwerken. Als de meeste aanvragen nog weken openstaan, kunt u een voorspelling van uiteindelijke klanten niet na drie dagen als fout of correct beoordelen. Leg het evaluatiemoment vooraf vast.

Noem ook welke gebeurtenissen buiten het model vallen. Een onverwachte sluiting of grote prijswijziging kan het proces veranderen. Dat maakt het model niet automatisch waardeloos, maar vraagt een nieuwe beoordeling van de aannames in plaats van stilzwijgende herschrijving van de voorspelling.

Bouw een eenvoudige referentie

Begin met een naïeve referentie, zoals dezelfde uitkomst als een passende recente periode of dezelfde vergelijkbare periode vorig jaar. Zo kunt u zien of een ingewikkelder model werkelijk beter voorspelt dan een simpele regel.

Het NIST-hoofdstuk over tijdreeksanalyse behandelt patronen en afhankelijkheid in opeenvolgende waarnemingen. Een tijdreeks is geen verzameling volledig losse maanden. Trend, seizoen en veranderde meetdefinities kunnen invloed hebben op een bruikbare referentie.

Controleer met seizoenseffecten vergelijken of de referentieperiode inhoudelijk past. Een maand met andere openingsdagen kan een slecht startpunt zijn. Voeg niet meteen veel correcties toe waarvoor u nauwelijks geschiedenis hebt.

Reken drie fictieve scenario's uit

Fictief voorbeeld: de planning verwacht 3.000 geschikte bezoeken in een komende maand. Het team rekent met een aanvraagratio van 2%, 3% of 4%. Dat levert respectievelijk 60, 90 of 120 aanvragen op.

Voor de oefening is in alle drie de scenario's aangenomen dat 40% van de aanvragen volgens een vaste definitie gekwalificeerd wordt. De aantallen worden 24, 36 en 48. Daarna wordt aangenomen dat 25% van de gekwalificeerde aanvragen binnen de gekozen rijpingsduur klant wordt: 6, 9 of 12 klanten.

• Aanvraagratio 2%: 60 aanvragen, 24 gekwalificeerde aanvragen en 6 klanten binnen het venster.
• Aanvraagratio 3%: 90 aanvragen, 36 gekwalificeerde aanvragen en 9 klanten binnen het venster.
• Aanvraagratio 4%: 120 aanvragen, 48 gekwalificeerde aanvragen en 12 klanten binnen het venster.

Alle aantallen zijn verzonnen. Deze scenarioberekening is een deterministische doorrekening van aannames, geen kansverdeling. Zij zegt niet dat de werkelijkheid met een bepaald betrouwbaarheidsniveau tussen 6 en 12 klanten zal liggen.

Varieer de aanname die het besluit raakt

In het voorbeeld varieert alleen de aanvraagratio. Het aantal bezoeken en beide latere stappen zijn vastgehouden om de invloed leesbaar te maken. In werkelijkheid kunnen ook die waarden veranderen en kunnen stappen samenhangen.

Reken daarom gericht een tweede gevoeligheidsvraag door wanneer die belangrijk is. Wat gebeurt er bij minder volume of minder opvolgcapaciteit? Vermijd tientallen combinaties zonder beslisdoel. Een scenario is vooral nuttig wanneer het laat zien bij welke aanname een budget- of capaciteitskeuze verandert.

Bij marketingbudget verdelen kunt u bijvoorbeeld een maximale uitvoerbare instroom meewegen. Meer aanvragen zijn geen vanzelfsprekend voordeel als ze niet tijdig kunnen worden opgevolgd. Het model moet de zakelijke begrenzing zichtbaar laten.

Verwar scenario en voorspelinterval niet

Een laag en hoog scenario zijn gekozen veronderstellingen. Een statistisch voorspelinterval komt uit een model en beschrijft onzekerheid onder de bijbehorende aannames en procedure. Gebruik het woord 95% niet voor een band die alleen op gevoel is gekozen.

Het NIST-hoofdstuk over verkennende data-analyse ondersteunt het onderzoeken van verdeling, patronen en aannames vóór modellering. Zonder passende broncontrole en voldoende geschiedenis kan een geavanceerd interval een misleidende precisie geven.

Maak ook onderscheid tussen onzekerheid over een gemiddelde en onzekerheid over één toekomstige uitkomst. Die laatste bevat doorgaans extra variatie. Laat bij belangrijke modellen een passende methode beoordelen en beschrijf de beperkingen in gewone taal.

Toets voorspellingen op gegevens die toen onbekend waren

Bewaar de oorspronkelijke voorspelling voordat de periode begint. Vergelijk na de afgesproken rijpingsduur met de werkelijke uitkomst. Een achteraf aangepast model dat dezelfde historische gegevens goed volgt, is nog geen bewijs van goede voorspelling.

Fictieve terugtoetsing: drie bewaarde maandvoorspellingen zijn 90, 90 en 120 aanvragen. De werkelijke aantallen zijn 80, 100 en 120. De voorspelfouten, voorspeld minus werkelijk, zijn 10, −10 en 0. De gemiddelde getekende fout is nul.

De gemiddelde absolute fout is echter (10 + 10 + 0) / 3 ≈ 6,7 aanvragen. Ook zijn de voorspelde en werkelijke totalen beide 300, terwijl twee maanden tien aanvragen afwijken. Alleen het totaalsaldo bekijken verbergt dus relevante voorspelproblemen.

Kies een foutmaat die bij het gebruik past

Absolute fouten zijn direct als aantallen leesbaar. Relatieve fouten kunnen vergelijking tussen verschillende volumes ondersteunen, maar worden lastig bij nul of zeer kleine werkelijke waarden. Een onderschatting en overschatting kunnen bovendien verschillende zakelijke gevolgen hebben.

Toon daarom naast een samenvattende foutmaat enkele perioden en de richting van de fout. Controleer of het model structureel te optimistisch is of vooral rond bepaalde omstandigheden afwijkt. Met drie oefenmaanden kunt u geen stabiele modelkwaliteit aantonen.

Werk bij zonder geschiedenis te herschrijven

Bewaar versienummer, invoergegevens, aannames en evaluatiemoment. Een nieuwe prognose mag recente informatie verwerken, maar vervangt de oude niet in het bestand waarmee u voorspelkwaliteit beoordeelt. Anders verdwijnt de feitelijke fout achter steeds betere terugblikken.

Gebruik de grenzen uit marketingresultaten meten. Een prognose ondersteunt voorbereiding en herbeoordeling. Zij garandeert geen omzet en bewijst geen oorzakelijke bijdrage van marketing aan de toekomstige uitkomst.

Bronnen en grenzen

• NIST: Time Series Analysis, patronen en afhankelijkheid in tijdreeksen.
• NIST: Exploratory Data Analysis, aannames en gegevensverkenning.

De scenario's en terugtoetsing zijn fictief. De scenarioberekening is geen statistisch voorspelinterval en de voorbeelden leveren geen gevalideerd model voor uw onderneming.