Odoo's predictive lead scoring rangschikt je open deals op basis van je eigen gewonnen en verloren historie, en de forecast volgt uit die waarschijnlijkheden. De cijfers zijn bruikbaar op twee voorwaarden: genoeg schone historie om van te leren, en verkopers die de feiten vastleggen die het model nodig heeft.
Je verkoopteam heeft veertig open opportunities en één middag om ze achterna te zitten. Welke krijgen het telefoontje? Op dit moment is het antwoord wie het laatst het hardst riep, wie de verkoper toevallig aardig vindt, of wie bovenaan de lijst staat. Het grote logo krijgt aandacht omdat het een groot logo is, terwijl een stille lead die er precies zo uitziet als je laatste drie afgesloten deals in de pipeline wacht tot hij koud wordt. Aan het einde van het kwartaal is de forecast een getal dat iemand in een vergadering heeft verzonnen, en het gat tussen dat getal en de werkelijkheid is een gok.
Odoo CRM heeft al een manier om die veertig opportunities te rangschikken en de pipeline om te zetten in een forecast: predictive lead scoring. Het is een model dat leert van je eigen gewonnen en verloren deals en elke open opportunity een waarschijnlijkheid van sluiten geeft, die vervolgens een omzetforecast voedt. De adder zit op twee plekken. Het werkt alleen als je CRM-historie schoon is, en het getal dat het je geeft is een waarschijnlijkheid, geen belofte. Deze post behandelt hoe de scoring leert, hoe je hem aanzet en afstemt, hoe de forecast wordt opgebouwd uit die scores, de dingen die het stilletjes kapotmaken, en hoe je op de cijfers handelt zonder je oordeel aan een machine over te dragen.
Hoe de scoring eigenlijk leert
Odoo's predictive lead scoring is een machine learning-model dat je afgesloten opportunities leest en voorspelt hoe waarschijnlijk het is dat elke open opportunity gewonnen wordt. Het gebruikt een naive Bayes-model, een eenvoudige, goed begrepen statistische methode, geen black box waar je niet over kunt nadenken. In gewone woorden: het kijkt naar elke deal die je al hebt gewonnen of verloren, vindt de patronen, en vraagt bij elke open opportunity "hoe vaak eindigden deals die er zo uitzagen in een win?".
Twee variabelen maken altijd deel uit van de berekening: de Fase waarin de opportunity zit, en het Verkoopteam waartoe hij behoort. Daarbovenop kun je optionele variabelen aanzetten zoals de toegewezen Verkoper, de lead-bron, de taal, het land, en nog een paar. Het model weegt elk van deze tegen de historie. Als deals uit een bepaalde bron in een bepaalde fase 60% van de tijd hebben gesloten, krijgt een open deal die matcht een waarschijnlijkheid in die orde. Naarmate de opportunity naar een latere fase beweegt, wordt zijn waarschijnlijkheid vanzelf bijgewerkt, omdat deals in latere fasen historisch vaker hebben gesloten.
Het belangrijke deel is wat "leert van historie" echt betekent. Het model is alleen zo goed als de gewonnen en verloren deals die je het voert. Met een handvol afgesloten deals gokt het. Vuistregel: je wilt minstens 100 tot 200 afgesloten opportunities, een echte mix van gewonnen en verloren, voordat de scores veel betekenen. En het kan alleen leren van velden die ook echt ingevuld zijn. Als de helft van je opportunities geen bron heeft, leert de bronvariabele het model heel weinig. Schone, complete CRM-historie is hier geen luxe. Het is de brandstof.
De oplossing, in stappen
Zet de scoring aan, kies de variabelen, lees de waarschijnlijkheid, en bouw de forecast erbovenop. In die volgorde.
Controleer of je genoeg schone historie hebt om van te leren
Voordat je ook maar één score vertrouwt, kijk naar wat het model heeft om van te leren. Predictive lead scoring draait altijd in Odoo CRM, maar met dunne of rommelige data produceert het dunne, rommelige scores. Open je gewonnen en verloren opportunities en stel drie vragen: heb je er genoeg van (mik op 100 tot 200 afgesloten, gewonnen én verloren), worden deals ook echt als verloren gemarkeerd in plaats van eindeloos open gelaten, en zijn de velden waarop je wilt scoren (bron, verkoper, land) ook echt ingevuld. Als het antwoord op een van deze nee is, los dat dan eerst op. Stel verliesredenen in, markeer dode deals als verloren, en maak de belangrijkste velden verplicht op het leadformulier. Het opschonen is het werk; de scoring is het makkelijke deel. Historie alleen is niet genoeg; het model kan alleen wegen wat de verkopers daadwerkelijk opschrijven. We houden onze eigen pipeline tegen een kwalificatielijst die we uit de salestraining van James Summers hebben gehaald: praten we met de juiste mensen, is er een echte zakelijke kans, is het urgent, is er budget en een beslissingstraject. Wanneer die antwoorden als velden op de opportunity staan in plaats van in het hoofd van een verkoper, heeft de scoring signaal om van te leren en begint de waarschijnlijkheid iets te betekenen. Zonder die velden gokt het op basis van e-mailaantallen en datums.
Zet de variabelen aan en stem ze af
Ga naar CRM > Configuratie > Instellingen en zoek Predictive Lead Scoring. Klik op Waarschijnlijkheden bijwerken om de variabelenlijst te openen. Fase en Team staan vast aan. Vink de optionele variabelen aan die je echt goed vastlegt en die plausibel invloed hebben op of je wint: Verkoper, Bron, Medium, Land, Taal, enzovoort. Vink niet alles reflexmatig aan. Een variabele die half leeg is of niets met winnen te maken heeft, voegt alleen ruis toe. Er is ook een datumveld, Overweeg leads aangemaakt vanaf, dat het model vertelt hoe ver terug het moet kijken. Stel het in op een periode die weerspiegelt hoe je vandaag verkoopt, niet vijf jaar deals uit een andere markt. Klik op Bijwerken om op te slaan, en Odoo herberekent de waarschijnlijkheden.
Lees de waarschijnlijkheid op de opportunity, en sorteer erop
Elke opportunity toont een Waarschijnlijkheid-percentage op zijn formulier, en het wordt bijgewerkt naarmate de deal door de fasen beweegt. De praktische zet is om het in de pipeline naar voren te halen: voeg Waarschijnlijkheid toe als kolom of sorteer je lijstweergave erop, zodat de deals die het meest waarschijnlijk sluiten (of de waardevolle met een redelijke kans) bovenaan de belijst komen. Dit is het hele punt. In plaats van de pipeline op gevoel te bewerken of op wie het laatst mailde, bewerkt de verkoper hem op basis van waar de tijd het meest waarschijnlijk loont. Je kunt nog steeds een score handmatig overschrijven op elke opportunity door op het getal te klikken en je eigen waarde te typen, maar weet dat je daarmee de automatische updates voor die ene deal uitzet.
Bouw de forecast op vanuit de gescoorde pipeline
De forecast is de scores omgezet in geld. Odoo vermenigvuldigt de Verwachte omzet van elke opportunity met zijn Waarschijnlijkheid om een naar rato gewogen, op waarschijnlijkheid gewogen waarde te krijgen. Een deal van 10.000 op 70% telt voor 7.000 mee in de forecast. Het Forecast-rapport (onder CRM > Rapportage > Forecast) groepeert je open opportunities op hun verwachte sluitingsmaand, zodat je een gewogen omzetprojectie per maand ziet in plaats van één dik pipelinegetal. Dit is het verschil tussen "we hebben 500.000 in de pipeline" en "de gewogen forecast ligt dichter bij 215.000". Het tweede getal is het getal waar je je werving en cashflow omheen kunt plannen. Om te werken moeten er twee velden ingevuld zijn: een realistische Verwachte omzet en een Verwachte sluitingsdatum op elke open deal. Geen sluitingsdatum, geen plek op de forecast.
Gebruik het getal als aanleiding, niet als oordeel
Een waarschijnlijkheid is een uitspraak over het verleden, toegepast op het heden. Ze klopt gemiddeld, over veel deals heen, en ze kan flink mis zitten over één enkele deal. Behandel een score als aanleiding voor een menselijke beslissing, niet als de beslissing zelf. Een hoge score op een deal waarvan je weet dat die vastzit is een signaal om te checken waarom het model het oneens met je is, geen reden om hem als zo goed als binnen te forecasten. Een lage score op een strategische account is geen vrijbrief om hem te negeren. Gebruik de scores om te bepalen waar de aandacht eerst naartoe gaat en om de optimistische forecast van een verkoper te controleren, en laat mensen vervolgens toepassen wat het model niet kan zien: het budget dat net is bevroren, de kampioen die is vertrokken, de concurrent in de kamer. Het model handelt het gemiddelde af. Jij handelt de uitzonderingen af.
Het stuk waar mensen over struikelen
Een paar dingen overkomen vrijwel iedereen
Een paar dingen verpesten de cijfers stilletjes.
Een dunne of scheve historie geeft zelfverzekerde onzin. Met te weinig afgesloten deals, of een pipeline waar niemand deals als verloren markeert, produceert het model nog steeds een waarschijnlijkheid, en die ziet er net zo gezaghebbend uit als een goede. Slechte historie, slechte scores, gepresenteerd met hetzelfde nette percentage. Voordat je op scores afgaat, bevestig dat je een echte mix van gewonnen en verloren deals hebt om van te leren.
Lege velden leren het model niets. Als je scoort op Bron maar Bron is bij de meeste leads leeg, voegt die variabele ruis toe in plaats van signaal. Vul de velden óf goed in (maak de belangrijke verplicht) óf vink de variabelen uit die je niet goed vastlegt. Scoren op een veld dat je niet invult is slechter dan er niet op scoren.
Handmatige aanpassingen van de waarschijnlijkheid zetten de automatische updates stilletjes stop. Op het moment dat een verkoper handmatig een waarschijnlijkheid op een deal typt, stopt Odoo met het automatisch bijwerken van die deal terwijl deze door de fasen beweegt. Dat is prima als het bewust gebeurt, en een sluipend probleem als verkopers het uit gewoonte doen, want een deel van de pipeline reageert dan niet meer op de werkelijkheid. Spreek als team af wanneer een handmatige aanpassing is toegestaan.
Geen sluitingsdatum betekent geen forecast. Een opportunity zonder Verwachte sluitingsdatum verschijnt niet in het Forecast-rapport. Een pipeline vol deals zonder sluitingsdatums produceert een forecast die het grootste deel van het geld mist. Maak van de sluitingsdatum een gewoonte, anders zal de forecast het kwartaal stilletjes te laag inschatten.
Verwachte omzet die niemand bijhoudt drijft weg van de werkelijkheid. De forecast is alleen zo eerlijk als de dealwaarden erachter. Als verkopers aan het begin een hoopvol getal invoeren en dat nooit bijwerken, erft de gewogen forecast die hoop. Beoordeel de Verwachte omzet op dezelfde momenten als waarop je de fase beoordeelt.
Snelle checklist
- Je hebt een echte mix van gewonnen en verloren afgesloten opportunities om van te leren (mik op 100 tot 200, hoe meer hoe beter).
- Dode deals worden ook echt als verloren gemarkeerd met een reden, niet open gelaten in de pipeline.
- De optionele scorevariabelen die je hebt aangezet zijn velden die je daadwerkelijk invult; de rest staat uit.
- De datum "overweeg leads aangemaakt vanaf" weerspiegelt hoe je vandaag verkoopt, niet een oude markt.
- De waarschijnlijkheid is zichtbaar in de pipelineweergave, zodat verkopers erop kunnen sorteren en prioriteren.
- Elke open opportunity heeft een realistische Verwachte omzet en een Verwachte sluitingsdatum.
- Handmatige aanpassingen van de waarschijnlijkheid zijn een bewuste teambeslissing, geen gewoonte.
- Het forecastgetal wordt gebruikt als planningsinput en als controle, met menselijk oordeel bovenop voor de uitzonderingen.
FAQ
Hoe werkt predictive lead scoring in Odoo CRM?
Odoo gebruikt een machine learning-model (naive Bayes) dat leert van je eigen gewonnen en verloren opportunities en elke open opportunity een waarschijnlijkheid van sluiten geeft. Het houdt altijd rekening met de Fase en het Verkoopteam, en je kunt optionele variabelen toevoegen zoals Verkoper, lead-Bron, Land en Taal. De waarschijnlijkheid wordt op de opportunity getoond en wordt automatisch bijgewerkt naarmate de deal door de pipelinefasen beweegt. Omdat het van historie leert, heeft het een flink aantal schone, afgesloten deals nodig (een mix van gewonnen en verloren) voordat de scores betrouwbaar zijn.
Hoeveel data heeft Odoo nodig om lead scoring nauwkeurig te maken?
Vuistregel: mik op minstens 100 tot 200 afgesloten opportunities, een echte mix van gewonnen en verloren, voordat je op de scores vertrouwt. Met minder dan dat gokt het model vooral. Net zo belangrijk als het aantal is de kwaliteit: deals moeten ook echt als verloren worden gemarkeerd in plaats van open gelaten, en de velden waarop je scoort (zoals Bron of Land) moeten ingevuld zijn, want het model kan alleen leren van data die er is.
Hoe voorspelt Odoo de verkoopomzet?
Odoo vermenigvuldigt de Verwachte omzet van elke opportunity met zijn Waarschijnlijkheid om een naar rato gewogen, op waarschijnlijkheid gewogen waarde te krijgen, en daarna groepeert het Forecast-rapport (CRM > Rapportage > Forecast) open opportunities op hun verwachte sluitingsmaand. Dus in plaats van één groot pipelinecijfer krijg je een gewogen omzetprojectie per maand. Om in de forecast te verschijnen heeft een opportunity zowel een Verwachte omzet als een Verwachte sluitingsdatum nodig.
Moet ik de leadscore volledig vertrouwen?
Nee. Een score is een waarschijnlijkheid op basis van patronen uit het verleden, dus die is gemiddeld over veel deals betrouwbaar maar kan voor één enkele deal verkeerd zijn. Gebruik hem om te bepalen waar je je aandacht eerst aan besteedt en om optimistische forecasts te controleren, en pas vervolgens menselijk oordeel toe voor wat het model niet kan zien, zoals een bevroren budget, een kampioen die is vertrokken, of een concurrent in de deal. Behandel het getal als aanleiding, niet als oordeel.
Kan ik de waarschijnlijkheid van een lead handmatig wijzigen in Odoo?
Ja. Klik op het waarschijnlijkheidsgetal op de opportunity en typ je eigen waarde. Houd er rekening mee dat een handmatige aanpassing de automatische waarschijnlijkheidsupdates voor die opportunity uitzet, zodat hij niet meer stijgt naarmate de deal door de fasen beweegt. Gebruik handmatige aanpassingen bewust, als teambeslissing, niet als gewoonte, anders weerspiegelt een deel van je pipeline de werkelijkheid niet meer.