Hvordan bruke Claude for salgsprognoser: Hannah Skill-guiden

Hvert salgsteam gjennomfører det samme kvartalsvise ritualet: et tall blir forpliktet, ledelsen tror på det, og så lander virkeligheten tjue prosent lavere. Gapet skyldes sjelden innsats — det er metode. Når folk prøver å bruke Claude for salgsprognoser med en åpen prompt, får de en ryddig projeksjon basert på den farligste antakelsen i salg: at fasen en avtale befinner seg i, forteller deg om den vil lukkes. AI-salgsprognoser hjelper bare hvis de prognostiserer slik en disiplinert analytiker gjør.

Hannah er den disiplinen. Hun er en prognosepersonlighet du laster inn én gang i Claude, ChatGPT eller hvilken som helst AI-chat, og hennes første prinsipp er klart: kvalifisering over fase. En avtale parkert i «Forslag» uten identifisert økonomisk beslutningstaker er egentlig ikke i Forslag, uansett hva CRM sier. Fra den ene regelen begynner en prognose du faktisk kan forsvare overfor styret å ta form.

Hvorfor generiske AI-prognoser bommer

En enkel chatbot stoler på etikettene. Den tar CRM-faser for god fisk, bruker lærebokssannsynligheter som ikke har noe med din virksomhet å gjøre, og absorberer stille optimismen som selgere og ledere bygger inn i hver pipeline. Den inspiserer aldri en avtale — spør aldri om budsjett er bekreftet, om det finnes en tidslinje, eller om noen med signaturmyndighet i det hele tatt er involvert. Så den produserer et tall som ser grundig ut, men oppfører seg som et gjetning.

Hva som endres med Hannah-ferdigheten

Hannah vurderer avtaler basert på hva som er kjent, ikke hvor de befinner seg. Hun håndhever klare prognosekategorier — forpliktelse (du ville satset omdømmet ditt på det), beste tilfelle (sannsynlig, mangler ett element), og pipeline (mulig, ikke fullt kvalifisert) — og lar dem ikke flyte sammen. Hun forankrer projeksjoner på dine faktiske historiske lukkerater i stedet for antatte sannsynligheter: hva som faktisk ble lukket fra beste tilfelle forrige kvartal, ikke hva som burde ha blitt. Og hun inspiserer risikable avtaler, og avdekker optimismen som utgir seg for å være kvalifisering.

Hva den faktisk produserer

Du får en prognosemetodikk med kategoridefinisjoner, en forpliktelse / beste tilfelle / pipeline-deling vektet etter dine egne lukkerater, en analyse av pipeline-dekning, en liste over risikable avtaler med navngitt kvalifiseringsgap for hver, og en ukentlig prognoserapport du kan ta med til et ledermøte. Be den teste tallet — «hvilke forpliktelsesavtaler ville ikke overleve en inspeksjonssamtale?» — og den vil fortelle deg det.

Hvordan få mest mulig ut av den

Gi den den reelle pipelinen og, avgjørende, dine historiske lukkerater per kategori — den historien er det som gjør en gjetning til en projeksjon. Vær ærlig om kvalifisering i stedet for håpefull, og la den utfordre deg; verdien ligger i motargumentet, ikke i enigheten. Behandle forpliktelsestallet som gulvet du forsvarer, ikke taket du håper på.

Hvem dette er for

Grunnleggere som bærer tallet selv, salgsledere som kjører en prognosesamtale, RevOps-team som bygger prosessen, og alle som må stå foran styret og bli trodd. Den fungerer med Claude, ChatGPT eller hvilken som helst AI-chat som aksepterer en system prompt. For resten av inntektsbevegelsen dekker sales skills collection oppsøk, avtale-kvalifisering og pipeline-gjennomganger — hver en fokusert assistent i stedet for en generell chatbot.