In de $420 miljard software-as-a-service (SaaS)-sector hangt groei vaak af van hoe goed bedrijven toekomstige ups en downs kunnen meten, voorspellen en begrijpen, en hoe snel ze zich kunnen aanpassen als dingen veranderen.

SaaS-omzetprognoses maken duidelijk hoe je onderneming inkomsten genereert en verliest. Als het goed wordt gedaan, bevat het voldoende details om weloverwogen beslissingen te nemen in de hele onderneming, van het aantal werknemers tot prijswijzigingen. Hieronder vind je een duidelijk kader voor het structureren van je SaaS-omzetmodellering: een kader dat kritische blikken doorstaat en zich aanpast aan je onderneming.

Wat staat er in dit artikel?

• Wat is SaaS-omzetprognose?
  
• Welke statistieken zijn het belangrijkst voor een nauwkeurige SaaS-omzetprognose?
  
• Hoe kun je een SaaS-omzetprognose opstellen en structureren?
  
• Hoe moeten aannames en marktfactoren je prognose beïnvloeden?
  
• Met welke uitdagingen hebben SaaS-bedrijven te maken bij het voorspellen van inkomsten?
  
• Hoe moet je handelen op basis van je SaaS-omzetprognoses?
  

Wat is SaaS-omzetprognose?

SaaS-omzetprognose is het proces waarbij je op basis van gegevens een beeld vormt van waar je terugkerende inkomsten naartoe gaan. Met een solide prognoseprotocol kunnen SaaS-leveranciers goede beslissingen nemen, problemen vroegtijdig signaleren en teams op koers houden.

Inkomsten fluctueren in een abonnementsbedrijf, en prognoses helpen je om die bewegingen te modelleren en bij te houden, zodat je niet hoeft te gissen naar wat er gaat gebeuren. In plaats daarvan heb je een onderbouwde prognose waarmee je tijdig kunt reageren en indien nodig van koers kunt veranderen. Wanneer het verloop gestaag toeneemt, laat je model zien hoeveel dat je in het volgende kwartaal gaat kosten. Wanneer de groei sterk is, laat het je zien op hoeveel groei je kunt rekenen.

De gegevensrijke aard van SaaS biedt sterke, gedetailleerde signalen die kunnen leiden tot zinvolle prognoses. Als je die gegevens verstandig gebruikt, fungeren je prognoses ook als richtlijnen.

Welke statistieken zijn het belangrijkst voor nauwkeurige SaaS-omzetprognoses?

Om een nauwkeurige prognose te krijgen, moet je beginnen met de juiste input. SaaS-omzet is inherent dynamisch en gebaseerd op terugkerende betalingen, klantenbinding, groei, krimp en klantverloop. Je SaaS-omzetmodellering moet die bewegingen duidelijk weergeven.

Dit zijn de belangrijkste statistieken.

Maandelijks terugkerende inkomsten (MRR)

MRR houdt de maandelijkse inkomsten uit abonnementen bij. Het is je basis voor SaaS-prognoses: het aantal klanten dat je hebt, vermenigvuldigd met de gemiddelde maandelijkse omzet per klant. Er zijn andere soorten MRR-berekeningen die bijhouden wat er is toegevoegd, minus wat er is weggevallen.

Jaarlijks terugkerende inkomsten (ARR)

ARR modelleert de groei over een langere periode. Het geeft een vollediger beeld en is vaak het uitgangspunt voor rapportages aan het bestuur.

Klantverloop

Churn is wat je verliest wanneer klanten opzeggen of downgraden. Er is klantchurn, dat is het aantal klanten dat vertrekt, en omzetchurn, dat is hoeveel terugkerende omzet ze meenemen. Churn kan snel oplopen, dus het is belangrijk om dit te voorspellen.

Uitbreiding en krimp

Uitbreiding is wanneer je meer omzet haalt uit bestaande gebruikers door middel van methoden zoals upselling en nieuwe pakketten. Krimp is het tegenovergestelde: dit is wanneer bestaande gebruikers downgraden. Door deze uit te splitsen, kun je zien wat de netto-omzetveranderingen veroorzaakt.

Netto-inkomstenbehoud (NRR)

NRR houdt rekening met verloop, krimp en groei om je te laten zien hoeveel omzet je haalt uit bestaande klanten. Een NRR-waarde van meer dan 100% betekent dat je onderneming groeit, zelfs als je geen nieuwe gebruikers toevoegt.

Customer lifetime value (LTV) en customer acquisition cost (CAC)

Je LTV en CAC komen misschien niet direct terug in je omzetprognose, maar ze bepalen wel je groeiverwachtingen. Als je LTV veel hoger is dan je CAC, is het misschien verstandig om uit te gaan van een snellere groei. Als dat niet het geval is, moet je je prognose waarschijnlijk wat afremmen.

Gebruiksstatistieken (voor op gebruik gebaseerde prijzen)

Als je omzet afhankelijk is van gebruik (bijvoorbeeld per API-aanroep, werkplek of gigabyte), dan moet je voor het voorspellen van de omzet het gedrag bijhouden. Gebruikstrends, seizoensinvloeden en productbetrokkenheid worden dan op zichzelf staande inputfactoren.

Hoe kun je een SaaS-omzetprognose opstellen en structureren?

Een solide prognose laat zien hoe je onderneming omzet genereert, behoudt en laat groeien, evenals het traject dat het aflegt. Hieronder lees je hoe je een werkend SaaS-omzetprognosemodel opstelt.

Baseer je model op gegevens

Gebruik echte, nuttige gegevens zoals MRR, churn-trends en gebruikspercentages. Haal deze cijfers uit facturatiesystemen, customer relationship management (CRM) en productanalyses. Integreer indien nodig je systemen, zodat het ophalen van gegevens voor prognoses eenvoudig en consistent verloopt.

Geef weer hoe de inkomsten door je onderneming stromen

Bij het maken van prognoses kun je modellen combineren en aanpassen, zodat ze aansluiten bij je inkomstenstromen. Een B2B SaaS-bedrijf dat zich vooral richt op verkoop zal niet op dezelfde manier modelleren als een gebruikgedreven infrastructuurtool, en dat hoeft ook niet.

SaaS-prognoses maken doorgaans gebruik van een combinatie van het volgende:

• MRR opbouw, om de basisgroei in de loop van de tijd bij te houden. Voeg nieuwe MRR toe, trek het verloop af en voeg uitbreiding en krimp toe.

• Cohortmodellering, voor bedrijven met een aanzienlijke variatie in het gedrag van klanten gedurende hun levenscyclus. Houd retentie en uitbreiding bij per aanmeldingscohort.

• Pipelineprognoses, voor verkoopgerichte teams. Gebruik open kansen, gewogen naar waarschijnlijkheid en fase, om toekomstige boekingen te voorspellen.

• Gebruiksmodellering, voor prijzen die flexibel zijn met het volume. Analyseer op basis van productgebruikstrends of seizoensgebonden gedrag.

Maak je drijfveren duidelijk

Neem de tijd om je verwachtingen te schetsen: bijvoorbeeld “Het verloop zal dalen van 6% naar 4% in het derde kwartaal” of “De verkoop zal volgend kwartaal 250.000 dollar aan nieuwe ARR opleveren”. Onderbouw ze met redeneringen. Is het churnpercentage het afgelopen kwartaal verbeterd nadat je nieuwe playbooks voor klantenservice hebt geïntroduceerd? Is de verkoopprognose gekoppeld aan specifieke pijplijnfasen? Behandel aannames als gedeelde hypothesen en koppel de verantwoordelijkheid waar mogelijk aan teams: de verkoopafdeling is verantwoordelijk voor het sluitingspercentage, de klantenservice voor het churnpercentage en de productafdeling voor de gebruikscurves.

Pas regelmatig aan

Vergelijk de werkelijke resultaten maandelijks met de prognoses. Als het verloop toeneemt of de upsells achterblijven, pas dan de prognoses aan. Prognoses ontwikkelen zich samen met je onderneming en worden over het algemeen beter naarmate de tijd vordert.

Hoe moeten aannames en marktfactoren je prognose beïnvloeden?

Elke prognose is gebaseerd op aannames. Hoe duidelijker je je aannames definieert en ze koppelt aan echte input, hoe bruikbaarder je model wordt.

Houd rekening met veranderingen

Bouw voort op historische basisgegevens en je kennis van wat er gaat komen.

Dat omvat:

• Prijswijzigingen of veranderingen in pakketten

• Seizoensgebondenheid of cyclische vertragingen

• Productlanceringen of vertragingen in de roadmap

• Beperkingen bij het aannemen van personeel die de verkoop of onboarding beperken

Neem marktsignalen mee

Wordt je klantenbestand blootgesteld aan economische volatiliteit door vertragingen in financiering of veranderingen in regelgeving? Dat zou de scenario's die je overweegt moeten bepalen. Modelleer verschillende paden, afhankelijk van wat er mogelijk gaat gebeuren.

Test de hefbomen

Voer snelle gevoeligheidscontroles uit. Als het klantverloop met 1% stijgt, hoeveel ARR verlies je dan? Als upsells een kwartaal achterblijven, wat gebeurt er dan met je cashflow?

Een goede prognose helpt je om in elke situatie snel te reageren.

Met welke uitdagingen worden SaaS-bedrijven geconfronteerd bij het voorspellen van inkomsten?

Zelfs met schone gegevens en het juiste model gaat het voorspellen van SaaS-inkomsten gepaard met inherente wrijving. Dit zijn de zaken waar teams vaak over struikelen.

Churn is lastig te voorspellen

Het is moeilijk te voorspellen wanneer en waarom churn een piek zal bereiken, vooral met seizoenspatronen, dalingen in het gebruik of veranderingen in de budgetten van klanten. Kleine stijgingen stapelen zich snel op.

Uitbreiding is onvoorspelbaar

Upselling en krimp zijn vaak afhankelijk van gedrag dat moeilijk te modelleren is, zoals het gebruik van functies, accountgroei en gebruikslimieten. Het groeimomentum van een kwartaal zet zich niet altijd door in het volgende kwartaal.

Gegevens lopen door

Facturatie, CRM, productgebruik en signalen van klantverloop zijn niet altijd gesynchroniseerd. Prognoses op basis van gescheiden gegevens kunnen leiden tot verkeerde aannames of dubbel getelde inkomsten.

Complexiteit neemt toe

Factoren zoals gebruiksgebaseerde prijzen, meerjarige overeenkomsten, kortingen en dynamische seat counts kunnen ervoor zorgen dat de inkomsten op verschillende ritmes veranderen. Dat kan het snel moeilijk maken om dingen bij te houden.

Kennis raakt versnipperd

Hoewel individuele teams verantwoordelijk zijn voor hun eigen gebied, missen prognoses die alleen in de financiële afdeling worden gemaakt, wat de verkoop-, klantenservice- en productafdelingen al weten. Cross-functionele input zorgt voor een betere planning.

Hoe moet je omgaan met je SaaS-omzetprognoses?

Prognoses zijn alleen nuttig als ze tot actie leiden. Om een SaaS-prognosemodel te kunnen gebruiken om beslissingen te nemen, moeten mensen begrijpen wat het zegt, waar het vandaan komt en hoe ze het moeten gebruiken.

Begin met het verhaal

Begin met wat belangrijk is:

• Lopen we voor, achter of blijven we stabiel?

• Op welke aannames is die prognose gebaseerd?

• Welke risico's of voordelen kunnen deze prognose beïnvloeden?

Geef teams relevante informatie. Verkoop krijgt nieuwe doelstellingen, klantensucces krijgt prognoses voor klantverloop en uitbreiding, en product krijgt informatie over de aannames voor het gebruik van aankomende releases.

Gebruik je kennis

Een SaaS-prognosemodel kan je helpen bij al je keuzes. Gebruik het als leidraad voor werving, uitgavenniveaus, prioritering van de roadmap en reserveplanning.

Houd je prognose actueel

Vergelijk je prognose regelmatig met je resultaten. Pas je aannames aan als de input verandert. Deel deze vervolgens opnieuw. Een prognose die zich samen met de onderneming ontwikkelt, wint het vertrouwen van iedereen en krijgt een plaats in echte beslissingen.

Stripe Sigma maakt het voor bedrijven gemakkelijker om inzicht te krijgen, trends te volgen en patronen in hun gegevens te analyseren tot op transactieniveau. Lees hier meer over Stripe Sigma.