SaaS Prognosemodel: MRR Voorspellen met 3 Invoer

De meeste SaaS prognosemodellen mislukken omdat ze te veel proberen op te lossen. Oprichters openen een spreadsheet en beginnen acquisitieaannames, conversiepercentages, kanaalsplitsingen, churn per cohort, uitbreiding per plantier, aanwervingsimpact op capaciteit en prijsgevoeligheid toe te voegen. Elke invoerwaarde voelt nuttig aan. Samen produceren ze een model dat technisch uitgebreid en praktisch nutteloos is, te veel variabelen om te vertrouwen, te complex om bij te werken, en te optimistisch omdat elke individuele aanname iets te royaal was.

Het 3-invoerwaarden prognosemodel begint vanuit een andere premise: een oprichter die wil weten hoe MRR van volgende maand er waarschijnlijk uit zal zien, heeft geen model nodig dat alles voorspelt. Ze hebben een model nodig dat de drie bewegingen vastlegt die terugkerende omzetverandering werkelijk aandrijven.

Wat is een SaaS prognosemodel?

Een SaaS prognosemodel is een herhaalbare manier om te schatten hoe terugkerende omzet de volgende periode zal veranderen op basis van een klein aantal eerlijke aannames. Het is geen voorspelling, geen enkele prognose is dat. Het is een gestructureerde schatting die de oprichter een concreet getal geeft om het bedrijf tegen af te zetten, plus een reeks scenario’s die laat zien hoe gevoelig dat getal is voor de aannames die het meest waarschijnlijk verkeerd zijn.

De nauwere definitie onderscheidt het van een volledig SaaS financieel model: een prognosemodel richt zich op MRR-beweging, terwijl een financieel model ook kosten, geld en runway dekt. Voor de meeste oprichters is het prognosemodel de eerste en meest frequent gebruikte laag, maandelijks bijgewerkt om de verwachte einde-MRR te produceren, vervolgens vergeleken met werkelijke cijfers om aannames te kalibreren. Y Combinator’s startup financieel advies maakt een vergelijkbaar punt: begin met het eenvoudigste model dat de operationele vraag beantwoordt, en verdien complexiteit alleen wanneer het bedrijf het vereist.

Voor het bredere model inclusief kosten en runway, zie SaaS Financieel Model: Het Minimale Sheet Dat Runway Voorspelt.

Elke prognose heeft een schone MRR-basislijn nodig. Krijg die van Stripe in 90 seconden →

De 3 invoerwaarden die genoeg zijn

De drie bewegingen die bijna alle MRR-verandering in een vroeg SaaS-product verklaren:

Invoerwaarde 1: Nieuwe MRR. De terugkerende omzet verwacht van klanten die momenteel niet betalen. Dit is de acquisitie-bijdrage, hoeveel verse terugkerende omzet waarschijnlijk binnenkomt van nieuwe betalende klanten deze periode. Gebruik recente maandgemiddelden als startpunt; modelleer geen heroïsche conversiepercentages.

Invoerwaarde 2: Uitbreidings-MRR. De aanvullende terugkerende omzet verwacht van bestaande klanten die upgraden of gebruik verhogen. Dit kan nul zijn als er nog geen upgrade-pad bestaat, maar het mag niet worden weggelaten uit het model, omdat het weglaten de prognose minder nauwkeurig maakt zodra upgrade-gedrag bestaat.

Invoerwaarde 3: Gechuurnde MRR. De terugkerende omzet naar verwachting verloren. Dit is de meest onderschatte invoerwaarde, oprichters zijn geneigd het churnpercentage van afgelopen maand optimistisch toe te passen of aan te nemen “deze maand zal beter zijn.” Gebruik recente gemiddelden; gebruik in het neerwaartse scenario recente gemiddelden vermenigvuldigd met 1,2–1,3 om gevoeligheid te testen.

De kernformule

Volgende Maand MRR = Huidige MRR + Nieuwe MRR + Uitbreidings-MRR − Gechuurnde MRR

Dat is het volledige model. Krimp-MRR als vierde invoerwaarde toevoegen is het waard te doen zodra het bedrijf meetbare downgrade-activiteit heeft, maar voor de meeste vroege SaaS omvat churn het grootste deel van de lekkage en is de drie-invoerwaarden-versie nauwkeurig genoeg.

Voor de schone definities van wat in MRR thuishoort, zie Wat Is MRR? De Schone Versie.

Waarom het 3-invoerwaarden model werkt

Meer detail in een prognosemodel produceert geen grotere nauwkeurigheid, het produceert meer plaatsen voor optimisme om zich te verbergen. Een 30-invoerwaarden-model waarbij elke invoer 5% te optimistisch is, produceert een prognose die systematisch steeds in dezelfde richting fout is, zonder duidelijke manier om te identificeren waar de fout binnenkwam.

Het 3-invoerwaarden model heeft drie plaatsen waar aannames kunnen worden gecontroleerd en gekalibreerd tegen werkelijke cijfers. Wanneer de prognose mist, is het onmiddellijk duidelijk of nieuwe MRR werd overschat, gechuurnde MRR werd onderschat of uitbreiding afwezig was. Die diagnose is wat het model in de loop van de tijd verbetert.

Dit model legt ook de structuur van het probleem correct vast: het vermogen van de oprichter om MRR te beïnvloeden is geconcentreerd in precies deze drie bewegingen, nieuwe klanten vinden, upgrade-paden creëren en bestaande klanten behouden. Een model met 30 invoerwaarden verspreidt de aandacht van de oprichter over dimensies die ze op korte termijn beperkt kunnen veranderen. Het 3-invoerwaarden model focust het. Bessemer’s State of the Cloud rapport laat consistent zien dat de best presterende SaaS-bedrijven optimaliseren rondom een klein aantal operationele hefbomen, acquisitietempo, uitbreiding en churn, in plaats van tientallen variabelen tegelijkertijd te proberen te beheren.

Een uitgewerkt voorbeeld: MRR voorspellen met 3 invoerwaarden

Een SaaS analytics product in maand vier. Huidige staat:

Huidige MRR: €10.000

Prognose-invoerwaarden voor volgende maand:

Nieuwe MRR: €1.500
Uitbreidings-MRR: €600
Gechuurnde MRR: €500

Basisscenario prognose:

Volgende Maand MRR = 10.000 + 1.500 + 600 − 500 = 11.600

Voorspelde einde-MRR: €11.600

De prognose is compleet. Nu begint het nuttige werk: de aannames controleren.

Zijn deze invoerwaarden eerlijk?

Nieuwe MRR van €1.500, is dit gebaseerd op recente conversiepercentages toegepast op huidige pijplijn? Of is het een rond getal dat goed aanvoelde? Als de laatste drie maanden nieuwe MRR €1.200, €1.100 en €1.300 waren, dan is €1.500 optimistisch. Een conservatievere schatting gebruikt het recente gemiddelde: €1.200.

Uitbreidings-MRR van €600, is uitbreiding consistent op dit niveau geweest, of is het variabel? Als uitbreiding afgelopen maand €800 was en de maand daarvoor €200, dan kan €600 als schatting redelijk zijn maar verdient het beoordeling.

Gechuurnde MRR van €500, is dit opgesplitst in vrijwillig en mislukte betaling? Mislukte betalingschurn is gedeeltelijk herstelbaar met een dunning-sequentie; vrijwillige churn vereist productwerk. Als recente maanden €200–250 aan mislukte betalingschurn tonen, zou een goed geïmplementeerde dunning-sequentie de werkelijke gechuurnde MRR kunnen verminderen. De prognose zou haalbare churn moeten weerspiegelen, niet aspirationale churn.

Drie scenario’s met dezelfde formule

De waarde van het 3-invoerwaarden model vermeerdert wanneer het wordt uitgevoerd over drie scenario’s in plaats van één. De scenariostructuur is eenvoudig: verander de drie invoerwaarden om verschillende operationele realiteiten weer te geven, bereken einde-MRR voor elk en vergelijk de kloof.

Basisscenario, huidige operationele aannames:

Nieuwe MRR: €1.500 · Uitbreiding: €600 · Gechuurd: €500
Prognose: €10.000 + 1.500 + 600 − 500 = €11.600

Opwaarts scenario, iets betere acquisitie, betere retentie:

Nieuwe MRR: €1.800 · Uitbreiding: €700 · Gechuurd: €450
Prognose: €10.000 + 1.800 + 700 − 450 = €12.050

Neerwaarts scenario, langzamere groei, hogere churn:

Nieuwe MRR: €1.200 · Uitbreiding: €500 · Gechuurd: €700
Prognose: €10.000 + 1.200 + 500 − 700 = €11.000

Vergelijkingstabel:

Scenario	Nieuwe MRR	Uitbreiding	Gechuurd	Einde MRR	Verschil vs Basis
Basis	1.500	600	500	11.600	,
Opwaarts	1.800	700	450	12.050	+450
Neerwaarts	1.200	500	700	11.000	−600

De kloof tussen basis en neerwaarts is €600 in einde-MRR, wat €7.200 geannualiseerd is. Dat is het operationele risico waarover de oprichter zou moeten nadenken, niet het gepolijste middengetal.

Voor de volledige scenariostresstest-methodologie, zie Scenariomodellering voor Bootstrappers: Stresstest in 15 Minuten.

De prognosegewoonte die het model nuttig maakt

Een prognosemodel dat eenmalig wordt gemaakt en nooit wordt vergeleken met werkelijke cijfers is gewoon een geformatteerde mening. Het model wordt nuttig door herhaling:

Vóór de maand: stel de drie invoerwaarden in voor de periode op basis van recente trends en huidige verwachtingen. Produceer een basis-, opwaartse en neerwaartse prognose.

Tijdens de maand: volg nieuwe MRR, uitbreiding en churn naarmate ze zich materialiseren. NoNoiseMetrics toont deze in real time vanuit Stripe, geen handmatig bijhouden vereist.

Na de maand: vergelijk prognose met werkelijke cijfers. Als de prognose miste, identificeer welke invoer fout was en met hoeveel. Pas de aannamemethodologie (niet alleen het getal) aan voor volgende maand.

Deze lus, prognose, volgen, vergelijken, kalibreren, is wat een 3-invoerwaarden model progressief betere schattingen produceert. De eerste prognose zal onnauwkeurig zijn. De zesde of zevende zal gekalibreerd zijn op hoe dit specifieke bedrijf werkelijk gedraagt.

Voor de vergelijkingslaag, zie Budget vs. Werkelijk: De Wekelijkse Lus Die Je In Leven Houdt. KeyBanc Capital Markets’ SaaS Survey-data laat zien dat oprichters die prognose vs. werkelijke maandelijks volgen aanzienlijk betere beslissingen nemen over kapitaalallocatie dan oprichters die jaarlijks evalueren.

Veelgemaakte SaaS prognosemodel fouten

Te veel invoerwaarden. Elke extra invoerwaarde is een andere plek voor optimisme om zich te verbergen. Oprichters die 15-invoerwaarden prognosemodellen bouwen, hebben zelden de data om 15 invoerwaarden eerlijk in te vullen, de meeste invoerwaarden zijn gissingen die compounderen tot een structureel optimistische output. Drie eerlijke invoerwaarden slaan vijftien gissingen.

Nieuwe MRR ankeren op aspiraties in plaats van werkelijke cijfers. De meest betrouwbare schatting van nieuwe MRR van volgende maand is een licht aangepast gemiddelde van recente maanden. Oprichters die nieuwe MRR prognoseren op basis van potentieel, “we hebben vijf goede leads”, overschatten systematisch deze invoerwaarde. Gebruik werkelijke cijfers als anker; pas alleen omhoog aan wanneer een specifieke, concrete verandering in acquisitie-activiteit dit rechtvaardigt.

Uitbreidings-MRR negeren. Een gangbare vereenvoudiging die de modelnauwkeurigheid vermindert naarmate het bedrijf volwassener wordt. Als het product een upgrade-pad heeft en klanten het gebruiken, draagt uitbreidings-MRR materieel bij aan maand-over-maand MRR-groei. Het weglaten maakt het model MRR in goede maanden onderschatten en maakt nieuwe MRR er belangrijker uitzien dan het is.

Gechuurnde MRR onderschatten. De meest wijdverbreide fout. Oprichters passen de werkelijke churn van afgelopen maand toe, wat vaak een goede maand was, in plaats van een overwogen gemiddelde. Het neerwaartse scenario bestaat specifiek om deze aanname te drukken. Wat gebeurt er als churn 40% hoger is dan verwacht? Dat antwoord zou moeten informeren hoeveel runway werkelijk comfortabel is, niet het gepolijste basisscenario.

Geen vergelijking met werkelijke cijfers. Een prognose die nooit wordt gecontroleerd tegen wat er werkelijk is gebeurd, kan niet verbeteren. Dit is de kritieke stap die de meeste oprichters overslaan, vaak omdat de vergelijking onthult dat aannames fout waren, wat ongemakkelijk maar noodzakelijk is.

Wanneer een 4e invoerwaarde toe te voegen: krimp-MRR

Krimp-MRR (terugkerende omzet verloren door downgrades, zonder volledige annulering) is het toevoegen waard als vierde invoerwaarde zodra het een meetbaar en materieel onderdeel van het bedrijf wordt. In vroeg-stadium SaaS waar de meeste klanten op vaste tiers zitten, is krimp vaak bijna nul en kan het conceptueel worden opgenomen in gechuurnde MRR.

Het signaal dat krimp een eigen lijn verdient: als downgrade-events consistent verschijnen in Stripe-data, klanten die van Growth naar Starter gaan, of zetelaantallen verminderen, en de totale impact meer dan 5–10% van gechuurnde MRR is, volg het afzonderlijk. De interventie voor krimp (prijsstructuur, verpakkingsduidelijkheid, downgrade-wrijving) verschilt van de interventie voor volledige annulering, en het model zou dat verschil moeten weerspiegelen.

SaaS omzetprognosemodel: de geautomatiseerde versie

Een nuttig omzetprognosetool vereist geen handmatig spreadsheetwerk. De minimale geautomatiseerde versie:

Trek huidige MRR uit één vertrouwde factureringsbron (Stripe abonnementsevents)
Toon de drie historische invoerwaarden, recente nieuwe MRR gemiddelde, recente uitbreidingsgemiddelde, recente gechuurnde MRR gemiddelde, als standaarden
Laat de oprichter elke invoerwaarde aanpassen en schakelen tussen scenario’s
Toon voorspelde einde-MRR voor elk scenario naast elkaar
Na het sluiten van de maand, vergelijk prognose met werkelijke en toon de delta per invoerwaarde

NoNoiseMetrics bouwt dit als onderdeel van de runway forecaster, een lichtgewicht tool die een 3-invoerwaarden prognose produceert vanuit live Stripe-data, zonder spreadsheetwerk en zonder handmatige invoerpopulatie.

JSON-model voor een 3-invoerwaarden SaaS prognose

{
  "saas_forecast_model": {
    "period": "2026-05",
    "currency": "EUR",
    "current_mrr": 10000,
    "inputs": {
      "new_mrr": 1500,
      "expansion_mrr": 600,
      "churned_mrr": 500
    },
    "formula": "current_mrr + new_mrr + expansion_mrr - churned_mrr",
    "forecast_ending_mrr": 11600
  },
  "scenarios": {
    "base": {
      "new_mrr": 1500,
      "expansion_mrr": 600,
      "churned_mrr": 500,
      "ending_mrr": 11600
    },
    "upside": {
      "new_mrr": 1800,
      "expansion_mrr": 700,
      "churned_mrr": 450,
      "ending_mrr": 12050
    },
    "downside": {
      "new_mrr": 1200,
      "expansion_mrr": 500,
      "churned_mrr": 700,
      "ending_mrr": 11000
    }
  },
  "forecast_habit": {
    "before_month": "Set 3 inputs from recent averages",
    "during_month": "Track actuals from billing",
    "after_month": "Compare forecast vs actual; calibrate assumptions"
  }
}

FAQ

Wat is een SaaS prognosemodel?

Een SaaS prognosemodel is een herhaalbare manier om te schatten hoe terugkerende omzet de volgende periode zal veranderen op basis van een klein aantal expliciete aannames. De minimale versie gebruikt drie invoerwaarden, nieuwe MRR, uitbreidings-MRR en gechuurnde MRR, om de einde-MRR van volgende maand vanuit de huidige basis te prognoseren.

Hoe prognoseer je MRR voor SaaS?

De formule is: Volgende Maand MRR = Huidige MRR + Nieuwe MRR + Uitbreidings-MRR − Gechuurnde MRR. Gebruik recente maandgemiddelden als basis voor elke invoerwaarde in plaats van aspirationale doelstellingen. Voer de prognose uit over drie scenario’s (basis, opwaarts, neerwaarts) om het bereik van realistische uitkomsten te begrijpen.

Welke invoerwaarden tellen het meest in een SaaS prognosemodel?

Nieuwe MRR (acquisitie-bijdrage), uitbreidings-MRR (upgrade-bijdrage) en gechuurnde MRR (lekkage). Gechuurnde MRR is doorgaans de meest bepalende invoerwaarde omdat het het meest onderschat wordt. Voor de meeste vroege SaaS-producten verklaren deze drie invoerwaarden de overgrote meerderheid van maand-over-maand MRR-verandering.

Hoe gedetailleerd moet een SaaS prognosemodel zijn?

Alleen zo gedetailleerd als de kwaliteit van beschikbare data kan ondersteunen. Drie invoerwaarden, eerlijk ingevuld vanuit recente werkelijke cijfers, produceren betrouwbaardere prognoses dan vijftien invoerwaarden ingevuld met schattingen. Complexiteit zou verdiend moeten worden door specifieke bedrijfsbehoeften, niet toegepast om een indruk van verfijning te creëren.

Wat is het verschil tussen een SaaS prognosemodel en een SaaS financieel model?

Een SaaS prognosemodel richt zich op het projecteren van terugkerende omzetbeweging, nieuwe MRR, uitbreiding, churn en einde-MRR. Een SaaS financieel model is breder en omvat kosten, burn, geld en runway. De meeste oprichters zouden moeten beginnen met het prognosemodel (lichtgewicht, maandelijks bijgewerkt) en het inbedden in een financieel model wanneer kosten en runway-tracking materieel worden voor beslissingen.

Hoe nauwkeurig is een 3-invoerwaarden SaaS prognosemodel?

Nauwkeurigheid hangt af van de kwaliteit en eerlijkheid van de drie invoerwaarden, niet van het aantal invoerwaarden. Een 3-invoerwaarden model gekalibreerd tegen zes maanden werkelijke cijfers overtreft doorgaans een 30-invoerwaarden model ingevuld met eerste-gok schattingen. Het model wordt nauwkeuriger via de maandelijkse prognose-vs-werkelijk-vergelijkingslus, niet via het toevoegen van meer invoerwaarden.

Wat is een SaaS omzetprognosemodel vs. een SaaS omzetmodel?

Een SaaS omzetprognosemodel projecteert toekomstige MRR-beweging op basis van expliciete aannames. Een SaaS omzetmodel kan verwijzen naar de bredere prijs- en monetisatiestructuur, het model dat bepaalt hoe het product klanten rekent. Beide zijn nuttig; ze beantwoorden verschillende vragen.

Prognosen maken vanuit vuile MRR is onjuist prognosen maken. Begin met cijfers die je kunt vertrouwen →