---
title: "Prognozowanie sprzedaży B2B z pipeline'u CRM — wagi i wiek"
description: Zbuduj obiektywny model prognozowania przychodów B2B z otwartego lejka CRM. Skoryguj wagi etapów o poślizgi terminów i wiek ofert.
canonical: "https://analizy.ai/j/prognozowanie-przychodow-z-lejka-handlowego-b2b-pipeline"
modified: 2026-11-14
author: redakcja analizy.ai
source: "https://analizy.ai"
category: Analityka predykcyjna, prognozowanie sprzedaży i popytu
category_url: "https://analizy.ai/j#group-prognozowanie-popytu-i-sprzedazy"
---

# Urealnij prognozę kwartalną sprzedaży B2B na bazie historii domykania szans

> Zastąp subiektywne deklaracje handlowców obiektywnym prawdopodobieństwem wyliczonym z etapu, wieku szansy i wielkości kontraktu.

## Przygotowane polecenie startowe

Handlowcy co kwartał prognozują 1,2 mln zł z otwartych szans w CRM, a zamykamy 650–820 tys. zł. Chcę wyliczyć empiryczne wagi konwersji z historii 500 szans.

### Szybkie scenariusze
- **Empiryczne wagi etapów z CRM:** Chcę zastąpić domyślne procenty w CRM realnym prawdopodobieństwem domknięcia policzonym na naszych danych.
- **Korekta o wiek i poślizgi dat:** Obniżmy wagę ofert wiszących w lejku powyżej 60 dni i notorycznie przesuwanych z miesiąca na miesiąc.
- **Pokrycie celu Pipeline Coverage:** Policzmy, jakiej wielkości otwartego lejka potrzebujemy na starcie kwartału, aby dowieźć plan.

- [Zgłoś firmę do wczesnego dostępu](https://analizy.ai/#waitlist-5335aa)

*Model ważonego lejka sprzedażowego wspiera zarządcze planowanie handlowe i nie stanowi podstawy księgowego ujmowania przychodów.*

## Jak wyeliminować myślenie życzeniowe z prognozy pipeline'u B2B

1. **Wylicz wagi etapów z logów historycznych** — Sprawdź w historii CRM, jaki odsetek szans z etapu 'Negocjacje' z ostatnich 12 miesięcy faktycznie zakończył się wygraną w 30 i 60 dni.
2. **Nałóż dyskonto za wiek szansy i przesunięcia** — Oferta stojąca 75 dni nie ma tych samych 50% szans co świeża z piątku — obniżaj wagę po przekroczeniu mediany cyklu i zmianach daty zamknięcia.
3. **Dodaj strumień szybkich umów wewnątrz kwartału** — Na starcie kwartału część wyniku dowiozą mniejsze transakcje, których jeszcze nie ma w CRM — oszacuj ten strumień z osobnej średniej.
4. **Segmentuj prawdopodobieństwo po wielkości umowy** — Kontrakty trzykrotnie większe od średniej mają dłuższy proces akceptacji prawników oraz niższy odsetek domknięcia w pierwotnym kwartale.

## Przykład działania

### Stan lejka CRM na start Q4 (cel kwartalny: 900 000 zł)

Otwarte szanse z datą w Q4: 2 100 000 zł (wg deklaracji handlowców ważone: 1 080 000 zł). W tym 620 000 zł to 4 duże oferty przekładane już trzykrotnie od Q2.

### Skorygowana prognoza historyczna i luka pokrycia

Po nałożeniu empirycznych wag i dyskonta wieku dla przeterminowanych ofert oczekiwany przychód z obecnego lejka to 645 000 zł + 140 000 zł z szybkich umów in-quarter = 785 000 zł (luka 115 000 zł do celu).

Wykrycie luki 115 tys. zł na początku października daje 11 tygodni na domknięcie luki zamiast zaskoczenia pod koniec grudnia.

## Najczęściej zadawane pytania

### Jaki mnożnik pokrycia lejka (Pipeline Coverage) na starcie kwartału jest zdrową normą?

Przy historycznym Win Rate rzędu 25–33% bezpieczne pokrycie kwalifikowanym lejkiem wynosi zazwyczaj od 3x do 4x kwartalnego celu sprzedaży.

### Dlaczego pojedyncze wielkie kontrakty najczęściej psują trafność prognozy miesięcznej?

Duży kontrakt daje wynik zero-jedynkowy (300 tys. zł albo 0 zł, nigdy średnie 150 tys. zł), dlatego mega-deale wykazuj w osobnej ramce scenariuszowej.

### Jak mierzyć poprawę jakości prognozowania w zespole sprzedaży z kwartału na kwartał?

Zapisuj migawkę prognozy z 1. i 15. dnia miesiąca i porównuj z zamknięciem — sama archiwizacja migawek szybko poprawia higienę dat w CRM.

## Dowiedz się więcej

- [Prognozowanie sprzedaży: dlaczego nietrafione prognozy kosztują firmy](https://analizy.ai/prognozowanie-sprzedazy.md)
- [Prognozowanie popytu: dlaczego stare metody zawodzą](https://analizy.ai/prognozowanie-popytu.md)
- [Analityka danych klientów B2B: 9 faktów zmieniających strategie](https://analizy.ai/analityka-danych-klientow-b2b.md)
- [CRM i analityka danych: dlaczego wdrożenia zawodzą w Polsce](https://analizy.ai/crm-i-analityka-danych.md)
- [Dlaczego tradycyjna analiza satysfakcji B2B nie przewiduje odejść](https://analizy.ai/analiza-satysfakcji-klienta-b2b.md)
- [Analiza wskaźników finansowych: ewolucja narzędzia kontrolingu](https://analizy.ai/analiza-wskaznikow-finansowych.md)

## Powiązane zadania w tej kategorii

- [Zbuduj kroczącą prognozę przychodów rozdzielającą trend od wahań sezonowych](https://analizy.ai/j/prognozowanie-sprzedazy-miesiecznej-z-uwzglednieniem-sezonowosci.md)
- [Oszacuj popyt na premierowe produkty bez własnej historii sprzedaży](https://analizy.ai/j/predykcja-popytu-na-nowe-produkty-bez-historii-sprzedazy.md)
- [Zasymuluj scenariusze popytu, zapasów i mocy magazynu na Black Friday oraz Q4](https://analizy.ai/j/symulacja-scenariuszy-popytu-na-okres-black-friday-i-szczytow.md)
- [Wykryj wczesne sygnały odwrócenia trendu i hamowania popytu zanim spadną przychody](https://analizy.ai/j/wykrywanie-wczesnych-sygnalow-spowolnienia-popytu-w-kategorii.md)
- [Zmierz dokładność prognoz sprzedaży (WAPE, Bias) i usuń systematyczne odchylenia](https://analizy.ai/j/analiza-bledu-prognoz-sprzedazy-mape-i-obciazenia-bias.md)
- [Uwzględnij anomalie pogodowe, układ długich weekendów i dni handlowych w popycie](https://analizy.ai/j/modelowanie-wplywu-pogody-i-kalendarza-swiat-na-sprzedaz-detaliczna.md)

---

*Published by **Wondel.ai sp. z o.o.** · [analizy.ai](https://analizy.ai) · [About](https://analizy.ai/about) · [Editorial Guidelines](https://analizy.ai/editorial) · [Contact](https://analizy.ai/contact) · [Produkty Wondel.ai](https://wondel.ai/pl/produkty)*