Før du bytter ut CPQ-en din, kjør denne diagnosen.

Tregt CPQ-system? Det er bare et symptom.

Selgerne klager. Tilbudene tar for lang tid. Prisdiskusjonene tar aldri slutt. Dere begynner å se på et nytt system, og alle er enige om synderen – verktøyet.

Jeg har en dårlig og en god nyhet. Problemet er sjelden selve verktøyet. Derfor hjelper det ikke å kjøpe et nytt for å løse det underliggende problemet. Det er gode nyheter, for da kan du fokusere på det som faktisk gir resultater, ikke bare en ny logo på verktøykassa.

Det du kjenner på er et beslutningsproblem, ikke et softwareproblem.

Gnisningene dukker opp i tilbudsfasen fordi det er der løfter blir til forpliktelser. Hvis forretningslogikk, produktdata og kommersielle signaler spriker, blir CPQ-systemet budbringeren. Og vi skyter budbringeren altfor ofte.

Et tilbud er en prognose. Behandle det deretter.

Den egentlige årsaken: CPQ-systemet er ikke rigget som en beslutningsmotor

De fleste lederne jeg møter, sier det samme: CPQ-systemet er gammelt, tungvint eller mangler funksjoner. Noen ganger stemmer det. Men oftere er systemet bare en forsterker av problemer som ligger andre steder – uklare produktregler, inkonsistent prislogikk og data som ser greit ut helt til systemene må snakke sammen.

Når jeg graver i tallene, ser jeg etter tre ting: marginlekkasje, bortkastet tid og tapt læring. Hvis du ikke kan forklare hvor dette kommer fra, hjelper det ikke å bytte CPQ-leverandør. Du vil bare ta dårlige beslutninger raskere.

Systemet er kun en suksess hvis det endrer den daglige adferden.

En god CPQ-analyse er ikke en gjennomgang av funksjoner. Det er en strategisk diagnose av hvordan bedriften tar beslutninger under press. Målet er enkelt: Gjør CPQ fra et transaksjonsverktøy til et sensornettverk som forteller deg hvordan dere faktisk tjener penger.

Jeg kjører denne diagnosen i tre runder. Hver runde stiller et spørsmål om beslutningskvalitet, ikke om verktøy.

Diagnosen: tre spørsmål om kvaliteten på beslutningene

1. Kommersiell helse – gir vi tilbud basert på strategi eller vaner?

De fleste analyserer hva de selger. Jeg ser på hva de *tilbyr*. Det er en stor forskjell. Tilbudsloggen forteller deg hvilke konfigurasjoner selgerne faktisk velger, hvilke priser som fungerer, og hvor godkjenninger hoper seg opp.

Start med enkle tall: variasjon i rabatter per segment, antall revisjoner per tilbud, og tid det tar å få godkjent avtaler. Drar disse tallene i feil retning, lekker dere marginer. Mer enn to revisjoner i snitt per tilbud? Da er reglene uklare. Tar godkjenninger jevnlig mer enn to dager? Da lærer du kundene at de kan forvente nye forhandlinger.

Jeg husker en produsent med en «streng» rabattpolicy. Dataene viste at 70 prosent av ordrene ble vunnet uten rabatt, mens de største rabattene ble gitt på tilbud de likevel tapte. Det er ikke disiplin, det er støy. Vi snudde samtalen: Hvilke tilbud fortjener en rabatt basert på vinnersannsynlighet, og hvilke gjør det ikke?

Rabatt er en beslutning som bør styres av signaler, ikke dagsform.

Definer først rammeverket. Deretter hva som passer inni. Bestem hvilke konfigurasjoner som er strategiske, hvilke som er forhandlingsbare, og hvilke som er unntak. Tilbudsdataene dine avslører allerede disse grensene. Du må bare lese dem.

Maskinlæring blir nyttig når det brukes til å prioritere innsats. Score tilbudene basert på 24–36 måneder med vunne og tapte salg. Er vinnersannsynligheten lav, ikke bruk en uke på å finpusse revisjoner. Er den høy, beskytt marginen og få fortgang på godkjenningene.

Husk prinsippet: Hvis et måltall ikke kan endre en beslutning, er det bare støy. Fokuser på de få signalene som faktisk endrer adferd – som anslått vinnersannsynlighet, forventet margin etter rabatt, og risiko for eskalering.

2. Økosystemets helse – går de tre klokkene likt?

Dette handler om problemet med «én kilde til sannheten». ERP, PLM og CRM ser ofte riktige ut hver for seg. Helt til en selger skal konfigurere et reelt produkt, med en reell pris og et konkret leveranseløfte.

Det er da sprekkene kommer til syne. CPQ skapte dem ikke, systemet avdekket dem.

Riktig i hvert system. Feil når de settes sammen.

Jeg bruker metaforen om tre klokker: alle er korrekte, men viser ulik tid. PLM kjenner de nyeste ingeniørreglene. ERP vet kostnader og tilgjengelighet. CRM kjenner kunden og betingelsene. CPQ tvinger klokkene til å vise samme tid i tilbudet. Hvis de ikke gjør det, får du forsinkelser, overstyringer, eller enda verre – løfter du ikke kan holde.

Se etter feil i overleveringene: Manuell mapping av attributter, kostnadsdata som henger etter, og kundespesifikke priser i regneark. Folk taster inn data på nytt fordi systemene ikke er samkjørte. Automatisering fjerner ikke bare manuelle feil, men frigjør tid til beslutninger som faktisk betyr noe.

Et faresignal er sprik mellom salgskanalene. Hvis nettbutikken sier én ting og selgeren en annen, vil kundene utnytte det.

Løsningen er ikke mer opplæring, men en tydelig beslutningsflyt. Hvilket system eier hvilken sannhet, hvor ofte oppdateres det, og hva skjer ved en konflikt? Legg dette inn i CPQ-reglene, så den samme beslutningen tas likt, overalt, hver gang.

3. Datakvalitet – har vi en feedback-loop, eller bare et dashboard?

De fleste har dashboards. Få tar beslutninger som følge av dem. Hvis vinnersannsynlighet, syklustid eller rabattdisiplin ikke endrer seg fra måned til måned, er BI-rapportene dine bare tapet på veggen.

Start med å behandle tilbudene som ferdsskrivere. Hvert tilbud logger konfigurasjonsvalg, priser, rabatter, ledetider, godkjenninger og utfall. Å ignorere disse dataene er som å fly uten instrumenter.

Bruk 12–48 måneder med vunne og tapte tilbud. Rydd opp i det mest grunnleggende – segment, produktfamilie, prisnivå og godkjenningsflyt. Datakvalitet er ikke en diskusjon, men en målbar operasjonell risiko. Fiks feltene som påvirker beslutninger. Resten kan vente.

Deretter kobler du transaksjonsmønstre til strategiske resultater. Hvilke konfigurasjoner vinner oftere med høyere margin? Hvor bør godkjenninger rutes til pristeamet tidligere? Finn ut hvor rabatter har reell effekt og hvor de bare er bortkastet.

Jeg liker maskinlæring når det endrer en beslutning. Send tilbud med høy vinnersannsynlighet rett gjennom systemet. Flagg de med lav sannsynlighet for færre revisjoner eller et tydelig «nei takk». En modell ingen bruker, er bare en kostnad.

Forvent et motargument: verktøyet vårt er for gammelt. Noen ganger stemmer det. Men selv da vil denne diagnosen lønne seg, fordi du unngår å flytte dårlig logikk over i et nytt system. Bytt verktøy når du vet hvilke beslutninger det skal håndheve, ikke før.

Datakvalitet er ikke en diskusjon. Det er en målbar operasjonell risiko.

Hva endrer dette på mandag?

Innför én fast, ukentlig rutine. Gå gjennom tre signaler: anslått vinnersannsynlighet, variasjon i rabatter per segment, og behandlingstid for godkjenninger. Bestem én endring. Test den i to uker. Mål. Behold eller forkast. Selve rutinen er viktigere enn dashboardet.

Når mindre bedrifter gjør dette, utnytter de sin største fordel: fart. Jeg elsker øyeblikket når sjefen sier ja i møtet, og vi endrer regelen i systemet samme dag. Men fart har bare verdi når dataene er korrekte. Raske beslutninger med feil data skaper bare raskere feil.

Etter et tiår med implementeringer så jeg at læringen ofte stoppet ved ordre. Så lenge ordrene gikk gjennom, klaget ingen. Den stillheten er et faresignal. I CPQ er forutsigbarhet viktigere enn imponerende funksjoner.

Hvis du bare skal ta med deg én ting, er det dette: En CPQ-vurdering er en revisjon av beslutningskvaliteten, ikke en gjennomgang av software. Gjør denne analysen før du kjøper noe.

Å bytte CPQ-system uten en diagnose er en dyr gjetning.

En reell analyse gir deg en plan for en mer forutsigbar salgsmotor – hva dere skal tilby, hva som skal automatiseres, og hva dere bør slutte med. Definer rammeverket først. Deretter bestemmer du hva som passer inni.

Siste setning til styremøtet: Fiks beslutningene før verktøyet.