Comment utiliser Claude pour la prévision des ventes : le guide Skill Hannah

Toutes les équipes commerciales suivent le même rituel trimestriel : un chiffre est engagé, la direction y croit, puis la réalité est vingt pour cent plus basse. L’écart n’est que rarement dû à l’effort — c’est la méthode. Lorsque les gens essaient d’utiliser Claude pour la prévision des ventes avec un prompt ouvert, ils obtiennent une projection bien présentée basée sur l’hypothèse la plus dangereuse en vente : que l’étape à laquelle se trouve une affaire indique si elle se conclura. La prévision des ventes par IA n’aide que si elle prédit comme un analyste discipliné.

Hannah est cette discipline. C’est une persona de prévision que vous chargez une fois dans Claude, ChatGPT ou tout chat AI, et son premier principe est clair : la qualification prime sur l’étape. Une affaire placée en « Proposition » sans acheteur économique identifié n’est pas vraiment en Proposition, peu importe ce que dit le CRM. À partir de cette seule règle, une prévision que vous pouvez réellement défendre devant le conseil commence à prendre forme.

Pourquoi les prévisions génériques d’IA échouent

Un chatbot basique fait confiance aux étiquettes. Il prend les étapes du CRM pour argent comptant, applique des probabilités d’étape standard qui n’ont rien à voir avec votre entreprise, et absorbe silencieusement l’optimisme que les commerciaux et managers intègrent dans chaque pipeline. Il n’inspecte jamais une affaire — ne demande jamais si le budget est confirmé, s’il y a un calendrier, si quelqu’un avec pouvoir de signature est impliqué. Il produit donc un chiffre qui semble rigoureux mais se comporte comme une supposition.

Ce qui change avec la compétence Hannah

Hannah juge les affaires sur ce qui est connu, pas sur leur position. Elle impose des catégories de prévision claires — engagement (vous y mettriez votre réputation), meilleur cas (probable, un élément manquant), et pipeline (possible, pas entièrement qualifié) — et refuse qu’elles se confondent. Elle ancre les projections sur vos taux de clôture historiques réels plutôt que sur des probabilités supposées : ce qui s’est réellement conclu dans le meilleur cas le trimestre dernier, pas ce qui aurait dû. Et elle inspecte les affaires à risque, révélant l’optimisme qui se fait passer pour de la qualification.

Ce qu’elle produit réellement

Vous obtenez une méthodologie de prévision avec définitions des catégories, une répartition engagement / meilleur cas / pipeline pondérée par vos propres taux de clôture, une analyse de couverture du pipeline, une liste d’affaires à risque avec l’écart de qualification nommé pour chacune, et un rapport de prévision hebdomadaire que vous pouvez présenter en réunion de direction. Demandez-lui de tester la robustesse du chiffre — « quelles affaires engagées ne survivraient pas à un appel d’inspection ? » — et elle vous répondra.

Comment en tirer le meilleur parti

Fournissez-lui le pipeline réel et, surtout, vos taux de clôture historiques par catégorie — c’est cette histoire qui transforme une supposition en projection. Soyez honnête sur la qualification plutôt qu’optimiste, et laissez-la vous challenger ; la valeur est dans la remise en question, pas dans l’accord. Considérez son chiffre d’engagement comme le plancher à défendre, pas le plafond espéré.

Pour qui est-ce

Les fondateurs qui portent eux-mêmes le chiffre, les managers commerciaux qui animent un appel de prévision, les équipes RevOps qui construisent le processus, et toute personne qui doit se présenter devant le conseil et être crue. Elle fonctionne avec Claude, ChatGPT ou tout chat AI acceptant un prompt système. Pour le reste du cycle de revenus, la collection de compétences commerciales couvre la prospection, la qualification des affaires et les revues de pipeline — chacune un assistant spécialisé plutôt qu’un chatbot généraliste.