Прогнозирование продаж в отраслях с длительным производственным циклом

Прогноз продаж производственной компании, построенный только на количестве открытых сделок в CRM, обманывает сам себя. Ошибка в таком прогнозе бьет не только по отделу продаж. Она оборачивается дефицитом или избытком сырья на складе, перегрузкой цехов, простоями линий, срывом сроков поставки и кассовыми разрывами, которые потом закрывает финансовый директор. Разберемся, почему прогнозирование продаж на производстве требует особого подхода и как выстроить систему, которая реально работает.

В рознице цикл сделки может занимать пару дней. В производстве все растягивается сразу по двум фронтам: долго закрывается сама сделка, и долго изготавливается продукт после того, как деньги уже почти в кармане. Клиент присылает запрос, вы готовите расчет, проходите тендер, согласовываете технические детали с инженерами заказчика, а потом еще ждете подписи на договоре. И это только начало пути.

Дальше в игру вступает производство. Чтобы выпустить заказ, нужно закупить сырье, а поставщики тоже работают не мгновенно, встать в очередь на линии, которая уже занята другими заказами, и дождаться выпуска готовой продукции. Добавьте сюда сезонность спроса, пару крупных клиентов, которые формируют половину выручки, и привычку менять сроки отгрузки в последний момент, и вы получите систему, где нужен прогноз продаж в условиях неопределённости, а обычный прогноз по pipeline в CRM работает плохо.

Именно поэтому производственной компании приходится прогнозировать не одно событие, а сразу несколько: когда сделка будет подписана, когда заказ встанет в производство, когда выйдет готовая продукция и когда она реально уедет клиенту. Дальше разберемся, что конкретно нужно закладывать в такой прогноз.

Прогноз выручки на конец квартала это только верхушка. Если остановиться на нем, отдел продаж будет спокоен, а производство и закупки останутся без нужной информации. Планирование и прогнозирование продаж в производственной компании работает как система, где каждый показатель тянет за собой следующий.

Продажи обещают объем в деньгах и штуках, производство оценивает, хватит ли мощности его выпустить, закупки проверяют, смогут ли обеспечить сырьем в срок, а финансы прикидывают, как это отразится на движении денег. Если хотя бы одно звено выпадает, вся цепочка теряет смысл.

Вот что стоит держать в поле зрения постоянно:

• Новые заказы, объем сделок в деньгах и единицах продукции. Это база для любого дальнейшего расчета, без нее остальные показатели не построить.
• Валовая прибыль и загрузка производственных мощностей. Показывают, выгодно ли компании брать конкретный объем заказов и хватит ли реальных ресурсов.
• Отгрузки и потребность в сырье. Связывают коммерческий прогноз с реальным производственным циклом и сроками поставок.
• Поступление денег по срокам оплаты. Критично для управления кассовыми разрывами, особенно при отсрочках платежа.
• Разбивка по клиентам, продуктовым группам и регионам. Помогает увидеть, где риск концентрируется на паре крупных счетов.
• Крупные проекты и повторные заказы. Их лучше считать отдельно, потому что логика прогноза для них совсем другая.

Прогнозирование объема продаж без такой детализации оставляет производство и закупки в неведении. Теперь посмотрим, какими методами эти цифры получают на практике.

Универсального метода прогнозирования продаж b2b для производства не существует. Массовая продукция, сезонные линейки и штучные проекты требуют разных подходов, и хорошая система обычно комбинирует сразу несколько методов прогнозирования продаж, а не выбирает один на все случаи жизни.

Для стабильных, высокооборотных позиций отлично работает исторический анализ продаж: модели на основе временных рядов ловят тренд и сезонность и дают достаточно точный базовый прогноз. Для новых продуктов без истории продаж больше подходят экспертные оценки, мнение опытного менеджера часто точнее любой формулы, если данных мало. А для крупных проектных сделок стоит смотреть на причинный анализ, то есть на то, как рыночные стимулы, тендеры или изменения в отрасли влияют на объем заказов.

Коротко по самым популярным методам:

• Исторический анализ (time series) подходит для массовых, повторяющихся заказов с достаточной историей продаж.
• Учет сезонности обязателен для продукции с пиками спроса, например строительных материалов или упаковки.
• Экспертная оценка незаменима для новых продуктов и нестандартных крупных сделок.
• Причинный и каскадный анализ связывает прогноз с внешними факторами: ценами на сырье, тендерами, рыночными стимулами.
• AI и ERP-ассистированные прогнозы автоматизируют расчет там, где данных достаточно, и снижают ручной труд, о чем подробно писали в блоге MRPeasy.

Дальше разберем, как собрать эти методы в единый процесс, шаг за шагом.

Построить рабочий прогноз это не разовая задача аналитика, а процесс, который проходит через несколько отделов и повторяется каждый месяц или квартал. Если пропустить один из шагов, вся система начнет давать сбои именно там, где вы меньше всего ждете.

Начинать стоит не с выбора модели, а с данных. Без чистой истории продаж, заказов и информации о сезонности любая, даже самая продвинутая модель будет считать мусор. А заканчивать процесс нужно не отправкой отчета руководству, а регулярной проверкой, насколько прогноз совпал с реальностью.

Вот из чего складывается процесс на практике:

1. Сбор и очистка данных. Соберите историю продаж, заказов, сезонных колебаний и рыночных факторов из CRM, ERP и бухгалтерии, убрав искажения от разовых крупных сделок.
2. Выбор метода под конкретный продукт. Массовым позициям подходит статистика, новым продуктам экспертная оценка, крупным проектам анализ воронки и вероятности закрытия.
3. Категоризация продукции. Разделите ассортимент на массовые, сезонные и низкооборотные группы, так точность прогноза вырастет без лишнего усложнения модели.
4. Вовлечение отделов. Продажи знают клиентов, производство знает реальные мощности, закупки знают сроки поставки сырья, финансы знают денежные ограничения. Прогноз без их участия будет однобоким, и грамотное построение отдела продаж для производства помогает сделать эту коллаборацию системной, а не разовой инициативой одного менеджера.
5. Мониторинг и корректировка. Сравнивайте прогноз с фактом каждый месяц, фиксируйте отклонения по причинам и обновляйте модель, а не терпите одну и ту же ошибку квартал за кварталом.

Коллаборация между отделами здесь не формальность, а способ убрать слепые зоны, которые видны только людям на местах. Разберемся, как в этот процесс вписывается длительность производственного цикла.

Дата продажи и дата отгрузки в производственной компании почти никогда не совпадают, и это главная ловушка для прогноза. Договор может быть подписан в январе, а сырье под него закупят только в феврале, потому что поставщик работает с отсрочкой. Производство займет март, отгрузка случится в апреле, а оплата придет вообще в мае. Если считать выручку по дате подписания, картина квартала будет искажена.

Поэтому прогноз нужно строить сразу по нескольким датам, а не по одной. Ожидаемая дата заказа показывает коммерческую активность, дата запуска в производство отражает загрузку цехов, дата выпуска говорит о готовности к отгрузке, а дата фактической оплаты показывает реальное движение денег. Каждая из этих дат живет в своем отделе: продажи смотрят на первую, производство на вторую и третью, финансы на последнюю.

Без такой разбивки продажи могут выглядеть сильными на бумаге, а по факту выручка периода окажется слабой просто потому, что заказы застряли где-то между производством и складом. Именно здесь на помощь приходит интеграция прогноза с системами планирования, о которой расскажем дальше.

Прогноз, который живет в отдельном Excel-файле у аналитика, почти бесполезен для производства. Ценность появляется тогда, когда прогнозируемый спрос автоматически попадает в график производства, план закупок и расчет запасов, то есть когда прогноз связан с ERP-системой напрямую, а не существует отдельно от операционных процессов.

В типичной ERP-системе модуль прогнозирования подтягивает историю продаж и открытые заказы, строит базовый расчет и передает его в MRP-блок, который считает потребность в материалах и формирует предложения по закупке. Менеджер по продажам или планировщик может вручную скорректировать цифры, если знает о крупном тендере или задержке клиента, а система пересчитает график производства и закупок с учетом этой правки.

Такая связка сокращает ручной труд, убирает разночтения между отделами и дает всем, от продаж до финансов, единую картину того, что происходит с заказами прямо сейчас. Компании, которые работают на ERP-платформах с развитой MRP-функциональностью, получают возможность реагировать на изменение спроса быстрее, чем те, кто до сих пор сводит прогноз в таблицах вручную. Но даже лучшая интеграция не спасает от типичных ошибок, о которых поговорим ниже.

Самая частая ошибка, это путать план с прогнозом. План это то, чего хочет добиться руководство, прогноз это то, что реально произойдет с учетом текущих сделок и ограничений. Когда план выдают за прогноз, производство получает искаженные цифры и готовится к объему, которого никогда не будет.

Дальше идет опора только на прошлый год без учета текущей воронки, или наоборот, использование исключительно CRM-pipeline без поправки на то, что не все сделки одинаково надежны. Менеджеры по привычке завышают вероятность закрытия, забывают учесть переносы сроков и считают крупный тендер выигранным еще до подписания договора. Это создает ложное чувство уверенности там, где его быть не должно.

Отдельная группа проблем связана с разрывом между отделами. Прогноз продаж существует сам по себе, не привязан к реальной загрузке производства и не учитывает срок поставки сырья от конкретного поставщика. В итоге продажи, производство и закупки работают по разным версиям одной и той же цифры. А если прогноз обновляется раз в квартал, точность вообще не измеряется, причины отклонений никто не разбирает, и ошибки просто повторяются снова и снова.

Хорошая новость в том, что большинство этих ошибок исправимы, если выстроить правильный процесс проверки. Об этом поговорим в следующем разделе.

Точность прогноза не растет сама по себе от того, что вы купили дорогую систему. Она растет, когда компания регулярно сверяет расчетные цифры с фактом и честно разбирается, где и почему возникло отклонение, а не сваливает все на «непредсказуемый рынок». Системное повышение точности прогноза продаж начинается именно с этой дисциплины сверки, а не с покупки нового софта.

Начните с сравнения план-факт по каждому крупному клиенту и продуктовой группе, а не только по общей сумме. Общая цифра может сложиться случайно из плюсов и минусов, которые компенсируют друг друга. Отдельное внимание уделите сложным позициям: низкооборотным продуктам, штучным заказам и новым клиентам, где исторических данных мало, а риск ошибки выше. Для них часто лучше работает экспертная оценка с поправкой на цифры, чем чистая статистика.

Обязательно свяжите прогноз с реальными производственными мощностями и сроками поставки сырья. Если продажи обещают объем, который производство физически не успеет выпустить, точность прогноза выручки ничего не решает. И ручные корректировки менеджеров не стоит запрещать, но их нужно обосновывать и фиксировать, чтобы позже проверить, действительно ли интуиция сработала. Автоматизация и AI-инструменты ускоряют расчет, но не заменяют человека, который знает контекст конкретной сделки.

Чем длиннее цикл сделки и производства, тем раньше компании нужно увидеть будущий спрос, а не реагировать на него постфактум. Продажи, производство и закупки должны работать с одним и тем же прогнозом, но понимать, что у него разные уровни вероятности на разных стадиях. Качественное прогнозирование продаж b2b позволяет производственной компании не только точнее считать будущую выручку, но и управлять загрузкой мощностей, запасами сырья, сроками отгрузки и денежным потоком без лишних сюрпризов.