Forecast commercial : comment fiabiliser ses prévisions ?

Qu’est-ce qu’un forecast commercial ?

Le forecast commercial, ou prévision commerciale, cherche à répondre à une question simple :

combien de chiffre d’affaires avons-nous de bonnes raisons de penser que nous allons signer sur les prochaines semaines ou les prochains mois ?

Il ne faut pas le confondre avec trois autres notions.

L’objectif commercial correspond au chiffre d’affaires que l’entreprise souhaite atteindre.

Le pipeline commercial représente les opportunités actuellement en cours et leur progression dans le processus de vente.

Le forecast est une estimation de ce qui devrait réellement être signé parmi ces opportunités.

Le réalisé correspond enfin à ce qui a effectivement été gagné.

Une entreprise peut donc avoir :

• un objectif de 200 000 € ;

• 450 000 € d’opportunités ouvertes ;

• un forecast de 130 000 € ;

• puis finalement signer 115 000 €.

Ces quatre chiffres racontent des choses différentes.

Le problème apparaît lorsqu’on considère automatiquement que la valeur totale du pipeline constitue une prévision de chiffre d’affaires.

Ce n’est presque jamais le cas.

Pourquoi les forecasts commerciaux sont-ils souvent faux ?

Lorsqu’un dirigeant explique que son forecast n’est pas fiable, le premier réflexe consiste parfois à remettre en cause le CRM ou la méthode de calcul.

Le problème se situe souvent plus en amont :

• une date de closing est renseignée parce que le CRM exige une date, pas parce qu’une échéance a réellement été évoquée ;

• des opportunités auxquelles personne ne répond depuis deux mois restent ouvertes ;

• deux commerciaux n’interprètent pas les étapes du pipeline de la même manière ;

• le montant du deal est encore très approximatif ;

• aucune prochaine action n’est prévue ;

• une probabilité de signature est choisie au feeling ;

• les opportunités perdues ne sont pas correctement fermées et historisées.

Appliquer une formule plus avancée sur ces données ne rend pas la prévision plus fiable.

Cela produit surtout un chiffre plus précis en apparence à partir des mêmes hypothèses fragiles.

C’est pourquoi le forecast commence par un pipeline commercial structuré : les opportunités actives doivent être identifiables, les étapes doivent correspondre à des événements observables et les deals qui ne sont plus réels doivent sortir du pipeline actif.

Une fois ces fondations présentes, la méthode de forecast peut évoluer progressivement.

Les 4 niveaux d’un forecast commercial fiable

Toutes les entreprises n’ont pas besoin du même système de prévision.

Une PME qui signe quelques dizaines de contrats par an avec peu d’historique exploitable ne devrait pas construire le même modèle qu’une équipe commerciale qui traite plusieurs milliers d’opportunités.

La bonne méthode consiste à utiliser le niveau de sophistication que les données permettent réellement de justifier.

Niveau 1 — Ne prévoir que ce qui repose sur quelque chose de concret

Lorsque l’entreprise possède peu d’historique fiable, mieux vaut commencer simplement.

L’objectif n’est pas encore d’attribuer une probabilité précise à chaque opportunité.

Il faut d’abord distinguer :

ce qui existe réellement de ce qui pourrait éventuellement arriver.

Prenons trois opportunités :

Afficher 37 000 € de forecast simplement parce que B et C possèdent un montant serait déjà discutable.

Mais ajouter une estimation arbitraire de 20 000 € pour l’entreprise A rendrait le chiffre encore moins exploitable.

À ce stade, quelques règles simples valent souvent mieux qu’une pondération complexe :

• ne pas intégrer les opportunités dont le montant est encore trop incertain ;

• exiger un événement commercial observable avant de considérer un deal suffisamment avancé ;

• vérifier que la date de closing repose sur un élément réel ;

• exclure du forecast les opportunités sans activité ni prochaine action crédible ;

• fermer les deals qui ne sont plus réellement actifs.

Le forecast obtenu sera peut-être moins impressionnant.

Mais il sera beaucoup plus utile pour décider.

Exemple : quand 400 000 € de pipeline deviennent 95 000 € de forecast

Lors d’une revue de pipeline, nous avons déjà rencontré une situation assez parlante.

Le dirigeant voyait environ 400 000 € d’opportunités ouvertes dans son CRM et utilisait naturellement ce montant pour se projeter.

Le problème : pratiquement toutes les opportunités contribuaient au chiffre.

Premier échange, opportunité à peine qualifiée, proposition envoyée, négociation avancée : tout finissait par être considéré comme du revenu potentiel presque équivalent.

Nous avons repris le pipeline avec une règle beaucoup plus simple :

ne forecastons que ce qui repose sur quelque chose de suffisamment concret.

Une fois les opportunités réévaluées, le montant réellement exploitable pour le pilotage est descendu autour de 95 000 €.

Le nouveau chiffre était beaucoup moins confortable.

Mais il a notamment conduit le dirigeant à ne pas lancer immédiatement un recrutement qu’il envisageait sur la base du pipeline précédent.

C’est précisément le rôle d’un forecast.

Pas rassurer.

Aider à prendre de meilleures décisions avec l’information réellement disponible.

Niveau 2 — Pondérer les opportunités avec l’historique réel

Lorsque suffisamment d’opportunités ont été correctement historisées, il devient possible d’aller plus loin.

La méthode classique consiste à calculer un pipeline pondéré :

Forecast pondéré = somme du montant de chaque opportunité × sa probabilité de signature

Supposons trois deals :

Le forecast pondéré serait alors de 36 000 €.

Mathématiquement, le calcul est simple.

La vraie question est :

d’où viennent les probabilités de 20 %, 50 % et 80 % ?

Un pipeline mal pondéré peut être pire qu’un pipeline non pondéré

Dans beaucoup de CRM, une probabilité est affectée arbitrairement à chaque étape :

• premier échange : 10 % ;

• opportunité qualifiée : 25 % ;

• proposition envoyée : 50 % ;

• négociation : 75 % ;

• accord oral : 90 %.

Le résultat ressemble à un modèle statistique.

Mais si personne ne sait pourquoi « proposition envoyée » vaut exactement 50 %, la précision est surtout visuelle.

Une approche plus robuste consiste à observer l’historique.

Si 100 opportunités comparables ont atteint le stade « proposition envoyée » et que 32 ont finalement été gagnées, cette donnée constitue déjà une base plus solide qu’une probabilité choisie lors du paramétrage du CRM.

À quoi cela ressemble concrètement dans Attio ?

Dans Attio, on peut conserver sur chaque Deal son montant, son étape et sa date de closing, puis utiliser un attribut Formula pour calculer automatiquement sa valeur pondérée.

Techniquement, il est donc assez facile de faire :

Montant × probabilité associée à l’étape

Mais nous ne commencerions pas par la formule.

Nous commencerions par les données qui la justifient.

Les rapports Funnel d’Attio permettent notamment d’observer les conversions entre les différentes étapes du pipeline. Après suffisamment d’historique, ces résultats peuvent servir à challenger les probabilités utilisées dans le calcul.

Le CRM fait alors le calcul.

La règle métier reste fondée sur ce qui se passe réellement dans le processus commercial.

Et si l’historique disponible est encore trop faible ou trop mauvais, nous préférerions ne pas utiliser le pipeline pondéré comme donnée de décision plutôt que d’afficher une précision artificielle.

Ne pas segmenter plus que les données ne le permettent

Même une probabilité historique réelle peut masquer des différences importantes.

Une entreprise peut par exemple convertir beaucoup de petites missions standardisées mais beaucoup moins de projets complexes.

Il peut alors être utile de segmenter progressivement les taux selon :

• l’offre ;

• le segment de clientèle ;

• la taille du deal ;

• le canal d’acquisition ;

• éventuellement le commercial.

Mais créer vingt segments contenant chacun trois opportunités n’améliore pas le forecast.

Ne découpez pas les données plus finement que le volume disponible ne le permet.

Niveau 3 — Intégrer la dimension temps

Une bonne probabilité de signature ne suffit pas à produire un bon forecast.

Il faut également répondre à une deuxième question :

quand le deal a-t-il réellement des chances de signer ?

Prenons une opportunité de 50 000 € dont les deals comparables possèdent historiquement 70 % de chances d’être gagnés.

Si ce type de vente met généralement quatre mois à se conclure, il serait dangereux d’intégrer automatiquement 35 000 € au forecast du mois prochain simplement parce que le commercial a renseigné une date de closing dans trente jours.

Un forecast plus mature commence donc à tenir compte de données comme :

• la durée habituelle du cycle ;

• le temps passé dans l’étape actuelle ;

• la date de création de l’opportunité ;

• la date de closing prévue ;

• les reports successifs de cette date ;

• la dernière activité ;

• la prochaine action.

Un deal qui devait signer en avril, puis a été déplacé en mai, juin et juillet ne doit pas être lu de la même manière qu’une opportunité qui suit normalement son cycle de vente.

Ce glissement répété, souvent appelé slippage, devient lui-même un signal.

La revue commerciale doit faire ressortir les exceptions

L’objectif n’est pas pour autant de construire un dashboard avec 25 indicateurs.

Dans une configuration Attio, trois angles suffisent déjà à faire ressortir beaucoup de problèmes :

• les deals censés signer pendant la période ;

• les opportunités qui restent anormalement longtemps dans une étape ;

• les deals dont la progression ne correspond plus au cycle habituel.

Attio propose notamment des rapports Funnel, Time in Stage et Stage Changed pour analyser les conversions, le temps passé dans les étapes et les mouvements du pipeline.

Le système ne décide pas automatiquement qu’un deal est perdu.

Il fait remonter ce qui mérite l’attention de l’équipe.

La revue commerciale peut alors porter sur les exceptions et les décisions à prendre plutôt que sur une lecture ligne par ligne de toutes les opportunités.

Quelles données faut-il réellement maintenir dans le CRM ?

Fiabiliser un forecast ne nécessite pas trente nouveaux champs.

Pour la plupart des organisations B2B, quelques données correctement maintenues apportent déjà beaucoup :

Montant

Il doit correspondre autant que possible à une réalité commerciale : proposition, estimation suffisamment cadrée ou valeur contractuelle attendue.

Étape du pipeline

Elle doit traduire un événement observable et être comprise de la même manière par l’équipe.

Date de closing estimée

Elle doit être mise à jour lorsqu’une nouvelle information apparaît, pas simplement repoussée automatiquement à la période suivante.

Prochaine action et sa date

Un deal supposé actif sans prochaine action identifiable mérite d’être challengé.

Dernière activité

Elle permet de détecter les opportunités qui semblent avancées dans le CRM mais ne bougent plus réellement.

Statut gagné ou perdu

Les deals perdus doivent être fermés. Sans cela, ils polluent le pipeline actuel et empêchent de construire un historique exploitable.

Segment ou typologie de deal

Lorsque les cycles et taux de conversion sont réellement différents, quelques catégories simples peuvent améliorer la prévision.

La logique est la même que pour la qualification des leads B2B ou le lead scoring :

une donnée ne mérite d’être demandée que si elle améliore une décision ou permet une action.

Ajouter des champs sans améliorer les usages dégrade souvent l’adoption du CRM — et donc, à terme, la qualité du forecast.

Faut-il sortir le forecast du CRM ?

Pas nécessairement.

C’est même un bon exemple de décision d’architecture où ajouter un outil peut rendre le système moins bon.

Si Attio porte déjà le pipeline commercial et contient les informations nécessaires au forecast, nous garderions autant que possible :

• les données commerciales ;

• les règles simples de calcul ;

• les vues de pilotage ;

• les rapports commerciaux

dans Attio.

Envoyer chaque opportunité dans Airtable, Make ou un outil BI uniquement pour reconstruire le même dashboard créerait surtout une deuxième couche à maintenir.

Quand Airtable devient-il pertinent ?

La situation change lorsque le forecast doit être croisé avec des données qui dépassent réellement le CRM.

Par exemple :

Deals susceptibles d’être signés
→ charge à produire
→ disponibilité des équipes
→ besoins de recrutement
→ facturation prévisionnelle

Pour une agence ou une société de services, la question n’est alors plus seulement :

« Combien allons-nous probablement signer ? »

mais également :

« Si nous signons ces projets, avons-nous la capacité de les délivrer dans de bonnes conditions ? »

Airtable peut être plus adapté à cette seconde partie lorsqu’il sert déjà à structurer le staffing, les projets, le delivery ou d’autres processus opérationnels.

On peut alors avoir une architecture cohérente :

Attio → CRM et forecast commercial

Airtable → capacité, delivery et pilotage opérationnel

avec une synchronisation uniquement des données réellement nécessaires entre les deux.

L’objectif n’est pas de construire une stack Attio + Airtable + Make parce que les outils peuvent être connectés.

L’architecture hybride n’a de sens que lorsque le besoin métier dépasse réellement le CRM.

C’est aussi le type d’arbitrage que nous cherchons à faire lorsque nous aidons une entreprise à structurer son CRM et son système RevOps : partir du processus à piloter, puis retenir l’architecture la plus simple qui permet réellement de l’exécuter.

Comment mesurer la fiabilité de son forecast ?

Une prévision ne peut pas être améliorée si personne ne compare ce qui avait été prévu avec ce qui s’est réellement produit.

Une pratique simple consiste donc à conserver périodiquement :

• le forecast annoncé ;

• la période concernée ;

• le chiffre d’affaires finalement signé ;

• l’écart entre les deux.

Imaginons :

Forecast annoncé pour le trimestre : 150 000 €

CA effectivement signé : 120 000 €

Écart : 30 000 €

Le plus intéressant n’est pas seulement de constater que le forecast était trop optimiste.

Il faut comprendre pourquoi :

• trop de deals ont glissé vers le trimestre suivant ;

• les probabilités utilisées étaient trop élevées ;

• les dates de closing étaient systématiquement optimistes ;

• un segment avait un taux de conversion inférieur à ce qui était supposé ;

• de grosses opportunités ont été perdues ;

• des deals inactifs continuaient à être comptabilisés.

Au fil des périodes, l’équipe peut identifier ses biais récurrents et ajuster ses règles.

Cela apporte beaucoup plus qu’un objectif abstrait du type « notre forecast doit être fiable à 90 % ».

Le niveau de précision nécessaire dépend surtout de ce que l’entreprise décide à partir de cette information.

Une erreur de 20 000 € n’a pas les mêmes conséquences pour une équipe qui utilise le forecast pour animer une réunion commerciale et pour un dirigeant qui s’en sert pour recruter ou engager de nouvelles dépenses.

À partir de ce moment, le forecast cesse d’être seulement un indicateur Sales.

Il devient une donnée de pilotage de l’entreprise.

C’est aussi l’une des logiques du RevOps : rendre progressivement les processus et les données suffisamment fiables pour améliorer les décisions, pas simplement ajouter davantage de reporting.

Niveau 4 — Quel rôle pour l’IA dans le forecast commercial ?

L’IA peut apporter une couche supplémentaire lorsque le CRM possède suffisamment de données et de contexte.

Elle peut notamment aider à :

• analyser les caractéristiques des deals gagnés et perdus ;

• repérer certaines opportunités à risque ;

• exploiter le contenu des notes, e-mails ou appels ;

• identifier des signaux difficiles à représenter dans une formule ;

• interroger plus facilement les données commerciales.

Attio permet par exemple aujourd’hui d’interroger les données du CRM en langage naturel avec Ask Attio, y compris sur des métriques liées au pipeline.

Mais cela ne signifie pas que tout doit devenir probabiliste.

Une valeur comme :

20 000 € × 32 % = 6 400 €

n’a pas besoin d’un agent IA.

Elle a besoin d’un calcul déterministe et reproductible.

Nous séparerions donc les deux usages :

les règles et formules pour ce qui doit être calculé exactement ;

l’IA pour interpréter davantage de contexte ou aider l’équipe à identifier ce qui mérite son attention.

Mettre de l’IA dans un forecast ne consiste pas à remplacer une multiplication par un prompt.

Et si les deals perdus restent ouverts, les dates sont artificielles ou les montants incohérents, l’IA travaillera elle aussi sur une représentation imparfaite de la réalité.

L’IA est donc davantage le quatrième niveau d’un système de forecast mature que son point de départ.

Quel niveau de forecast choisir ?

La progression peut être résumée simplement :

Le niveau 4 n’est pas automatiquement meilleur que le niveau 1.

Il est meilleur uniquement lorsque les données permettent de le justifier.

Une PME avec peu d’opportunités peut prendre d’excellentes décisions avec un forecast volontairement simple.

Une organisation disposant de davantage de données peut progressivement enrichir son système à mesure que son historique devient exploitable.

C’est finalement la même logique que pour l’architecture CRM elle-même :

la sophistication doit arriver lorsqu’elle résout un problème réel, pas simplement parce qu’elle est techniquement possible.

Un forecast fiable n’est donc pas d’abord une formule, un dashboard ou une fonctionnalité IA.

C’est le résultat d’un système commercial suffisamment simple pour être utilisé et suffisamment rigoureux pour que ses données commencent à mériter notre confiance.

Questions fréquentes sur le forecast commercial