Branschen för molnbaserade mjukvarutjänster (SaaS) är värd 420 miljarder USD, och tillväxten beror ofta på hur väl företag kan mäta, förutsäga och förstå framtida upp- och nedgångar – och hur snabbt de kan anpassa sig när saker och ting förändras.

Prognostisering av intäkter för SaaS tydliggör hur ditt företag tjänar och förlorar intäkter. När det görs på rätt sätt innehåller det tillräckligt med information för att ge underlag för verkliga beslut i hela företag, från personalantal till prisförändringar. Nedan följer ett tydligt ramverk för att strukturera din intäkter för SaaS: ett ramverk som håller måttet och anpassar sig till ditt företag.

Vad innehåller den här artikeln?

• Vad är prognostisering av SaaS-intäkter?
  
• Vilka mått är viktigast för korrekt prognostisering av SaaS-intäkter?
  
• Hur kan du bygga och strukturera en prognos för SaaS-intäkter?
  
• Hur bör antaganden och marknadsfaktorer påverka din prognos?
  
• Vilka utmaningar står SaaS-företag inför när de förutspår intäkter?
  
• Hur ska du agera utifrån dina prognoser för SaaS-intäkter?
  

Vad är prognostisering av SaaS-intäkter?

Prognoser för SaaS-intäkter är processen att bygga upp en datainformerad bild av vart dina återkommande intäkter är på väg. Med ett gediget prognosprotokoll kan SaaS-leverantörer fatta bra beslut, upptäcka problem tidigt och hålla teamen på rätt kurs.

Intäkterna varierar i ett abonnemangsföretag, och prognoser hjälper dig att modellera och spåra dessa rörelser så att du inte behöver gissa vad som kommer härnäst. Istället har du en välgrundad prognos som låter dig reagera i förväg och ändra kurs, om det behövs. När kundbortfallet stadigt ökar visar din modell hur mycket det kommer att kosta dig under nästa kvartal. När expansionen är stark talar den om hur mycket tillväxt du kan räkna med.

SaaS datarika karaktär ger starka, detaljerade signaler som kan leda till meningsfulla prognoser. Om du använder dessa data på rätt sätt kommer dina prognoser också fungera som vägledning.

Vilka mått är viktigast för korrekt prognostisering av SaaS-intäkter?

För att få en korrekt prognos måste du börja med rätt indata. SaaS-intäkter är i sig dynamiska och bygger på återkommande betalningar, kundretention, expansion, kontraktion och kundbortfall. Din modellering av SaaS-intäkter måste fånga upp den rörelsen på ett tydligt sätt.

Här är de viktigaste mätvärdena.

Månatliga återkommande intäkter (MRR)

MRR spårar abonnemangsintäkter som kommer in varje månad. Det är din baslinje för SaaS-prognosen: antalet kunder du har multiplicerat med de genomsnittliga månatliga intäkterna per kund. Det finns andra typer av MRR-beräkningar som spårar vad som har lagts till, minus vad som har fallit bort.

Årliga återkommande intäkter (ARR)

ARR modellerar tillväxt över en längre tidsperiod. Det ger en mer heltäckande bild och är ofta utgångspunkten för styrelserapportering.

Kundbortfall

Kundbortfall är vad man förlorar när kunder säger upp eller nedgraderar. Det finns kundbortfall, det vill säga hur många kunder som lämnar, och intäktsbortfall, det vill säga hur mycket återkommande intäkter de tar med sig. Kundbortfall kan förvärras snabbt, så det är viktigt att prognostisera.

Expansion och kontraktion

Expansion är när du ökar intäkterna från befintliga användare genom metoder som uppförsäljning och nya paket. Kontraktion är motsatsen: det är när befintliga användare nedgraderar. Genom att ta bort dessa kan du se vad som driver ändringar i nettointäkterna.

Nettointäktsretention (NRR)

NRR tar hänsyn till kundbortfall, kontraktion och expansion för att visa hur mycket intäkter du får in från befintliga kunder. Ett NRR-värde på över 100 % innebär att ditt företag växer, även om du inte lägger till nya användare.

Kundens livstidsvärde (LTV) och kundanskaffningskostnad (CAC)

Din LTV och CAC kanske inte återspeglas direkt i dina intäkter, men de formar dina tillväxtantaganden. Om din LTV vida överstiger din CAC kan det vara rimligt att skapa modeller för snabbare expansion. Om den inte gör det måste din prognos förmodligen hejda sig.

Mätvärden för användning (för användningsbaserad prissättning)

Om dina intäkter är beroende av användning (t.ex. per API-anrop, användare eller gigabyte) innebär prognostisering av intäkter att du spårar beteende. Användningstrender, säsongsvariationer och produktengagemang blir indata i sig.

Hur kan du bygga och strukturera en prognos för SaaS-intäkter?

En solid prognos visar hur ditt företag tjänar, behåller och ökar intäkterna samt hur det utvecklas. Så här bygger du en fungerande prognosmodell för SaaS-intäkter.

Grunda din modell i data

Använd verkliga, användbara data som MRR, kundbortfallstrender och användningsgrad. Hämta siffrorna från faktureringssystem, CRM (Customer Relationship Management) och produktanalys. Integrera vid behov dina system så att processen med att hämta data för prognoser är enkel och konsekvent.

Reflektera hur intäkterna rör sig i ditt företag

När du prognostiserar kan du mixa och matcha modeller så att de stämmer överens med dina intäktsströmmar. Ett B2B-företag med hög försäljning kommer inte att modellera på samma sätt som ett användningsdrivet infrastrukturverktyg, och det bör det inte göra heller.

SaaS-prognoser använder vanligtvis en blandning av följande:

• MRR-uppbyggnad, för att spåra bastillväxt över tid. Lägg till ny MRR, subtrahera kundbortfall och infoga expansion och kontraktion.

• Kohortmodellering, för företag med betydande variation i kundernas livscykelbeteende. Spåra retention och expansion efter registreringskohort.

• Pipeline-prognoser för säljardrivna team. Använd öppna möjligheter, viktade efter sannolikhet och fas, för att prognostisera framtida bokningar.

• Användningsmodellering för priser som skiftar med volymen. Analysera baserat på produktanvändningstrender eller säsongsbeteende.

Förtydliga dina drivkrafter

Ägna tid åt att beskriva dina förväntningar: till exempel: ”Kundbortfallet kommer att minska från 6 % till 4 % under tredje kvartalet” eller: ”Försäljningen kommer att få in 250 000 USD i nya ARR nästa kvartal”. Förklara hur du resonerar. Förbättrades kundbortfallet förra kvartalet efter att du lanserade nya kund- och kundvårdssystem? Är försäljningsprognosen knuten till specifika pipeline-faser? Behandla antaganden som delade hypoteser och knyt ägandet till teamen när det är möjligt – försäljningen äger bokslutet, kundframgångsteamet äger kundbortfallet och produktteamet äger användningskurvor.

Justera ofta

Kontrollera faktiska resultat mot prognoser varje månad. Om kundbortfallet ökar eller merförsäljningen släpar efter bör du revidera prognoserna. Prognoserna utvecklas med ditt företag och förbättras i allmänhet med tiden.

Hur bör antaganden och marknadsfaktorer påverka din prognos?

Varje prognos bygger på antaganden. Ju tydligare du definierar dina och kopplar dem till verkliga indata, desto mer användbar blir din modell.

Ta höjd för vad som ändras

Bygg på historiska basdata med din kunskap om vad som kommer att hända.

Här ingår:

• Prisuppdateringar eller ändringar av paket

• Säsongsvariationer eller cykliska nedgångar

• Produktlanseringar eller förseningar i färdplanen

• Anställningsbegränsningar som begränsar försäljning eller onboarding

Införliva marknadssignaler

Är din kundbas utsatt för ekonomisk volatilitet på grund av trögare finansiering eller regeländringar? Det bör forma de scenarier du tänker igenom. Modellera olika vägar beroende på vad som kan komma att hända.

Trycktesta spakarna

Kör snabba känslighetskontroller. Om kundbortfallet ökar med 1 %, hur mycket ARR förlorar du? Om uppförsäljningen släpar efter ett kvartal, vad händer med ditt kassaflöde?

En bra prognos hjälper dig att reagera snabbt i alla situationer.

Vilka utmaningar står SaaS-företag inför när de förutspår intäkter?

Även med rena data och rätt modell har prognostisering av SaaS-intäkter inbyggd friktion. Här fastnar ofta teamen.

Kundbortfall är slingrigt

Det är svårt att förutsäga när och varför kundbortfallet kommer att vara som störst, särskilt med tanke på säsongsmönster, minskad användning eller förändringar i kundernas budgetar. Små ökningar får snabbt en stor inverkan.

Expansionen är oförutsägbar

Uppförsäljning och kontraktion bygger ofta på beteenden som är svåra att modellera, till exempel funktionsanvändning, kontotillväxt och användningsgränser. Expansionstakten under ett kvartal överförs inte alltid till nästa.

Data spiller över

Fakturering, CRM, produktanvändning och bortfallssignaler är inte alltid synkroniserade. Prognoser baserade på isolerade data kan leda till missade antaganden eller dubbelräknade intäkter.

Komplexiteten ökar

Faktorer som användningsbaserad prissättning, fleråriga avtal, rabatter och antal dynamiska användare kan få intäkterna att förändras i olika rytmer. Det kan snabbt göra det svårt att spåra.

Kunskap isoleras

Även om enskilda team äger sina områden missar prognoser som bara lever inom ekonomiteamet det som team inom försäljning, kundframgångar och produkter redan vet. Tvärfunktionella indata ligger till grund för bättre planering.

Hur ska du agera utifrån dina prognoser för SaaS-intäkter?

Prognoser är endast användbara när de leder till handling. För att en SaaS-prognosmodell ska kunna ligga till grund för beslut måste människor förstå vad den säger, varifrån den kommer och hur man använder den.

Börja med berättelsen

Börja med det som är viktigt:

• Ligger vi före, efter eller är vi stabila?

• Vilka antaganden ligger bakom den prognosen?

• Vilka risker eller fördelar kan förändra det?

Ge teamen det som är relevant. Försäljningen får nya mål, kundframgångsteam får kundbortfalls- och expansionsprognoser och produktteam lär sig de antaganden om användning som är kopplade till kommande lanseringar.

Använd dina kunskaper

En SaaS-prognosmodell kan ligga till grund för dina val inom hela verksamheten. Använd dem för att vägleda anställning, utgiftsnivåer, prioriteringar i färdplaner och planering av reserver.

Upprätthåll en levande prognos

Jämför din prognos med dina resultat regelbundet. Uppdatera dina antaganden när indata ändras och dela den sedan igen. En prognos som utvecklas med företaget förtjänar allas förtroende och en plats i verkliga beslut.

Stripe Sigma gör det lättare för företag att få insikter, spåra trender och analysera mönster i sina data ner på transaktionsnivå. Läs mer om Stripe Sigma här.