Forecasting
Definition: Forecasting bezeichnet im Vertriebskontext die methodische Prognose zukünftiger Umsätze und Abschlüsse auf Basis historischer Daten, Pipeline-Analysen und qualitativer Einschätzungen. Ziel ist es, die Wahrscheinlichkeit einzelner Deals zu quantifizieren, Ressourcen zu planen und eine verlässliche Umsatzbasis für strategische Unternehmensentscheidungen zu schaffen.
Definition und Zweck im B2B-Vertrieb
Forecasting ist weit mehr als eine bloße Zahlenschätzung. Es ist ein strukturierter Prozess, der die gesamte Verkaufspipeline in eine prognostizierte Umsatzkurve übersetzt. Im Zentrum steht die Frage: Welcher Umsatz wird in einem definierten Zeitraum mit welcher Wahrscheinlichkeit realisiert? Diese Prognose speist direkt die Unternehmenssteuerung – von der Produktionsplanung über die Budgetierung bis hin zur Personalakquise. Ein präzises Forecast-Modell reduziert Unsicherheit und ermöglicht es Führungskräften, proaktiv zu handeln, anstatt reaktiv auf Quartalsergebnisse zu reagieren.
Die Qualität eines Forecasts bemisst sich nicht an seiner Genauigkeit im Einzelfall, sondern an seiner statistischen Treffsicherheit über viele Perioden hinweg. Ein guter Forecast ist ein Kompass, kein Versprechen.
Methodische Ansätze: Bottom-up, Top-down und KI-gestützte Modelle
Die Wahl der Methode bestimmt maßgeblich die Aussagekraft des Ergebnisses. Drei grundlegende Ansätze dominieren die Praxis:
| Methode | Beschreibung | Typische Anwendung |
|---|---|---|
| Bottom-up | Aggregation einzelner Deal-Wahrscheinlichkeiten aus der Pipeline durch die Vertriebsmitarbeiter | Operative Quartalsplanung, Vertriebssteuerung |
| Top-down | Ableitung des Umsatzes aus historischen Durchschnittswerten, Marktwachstum und strategischen Zielen | Jahresplanung, Budgetierung, Investor Relations |
| KI-gestützt | Nutzung von Machine-Learning-Algorithmen zur Mustererkennung in historischen Daten, Pipeline-Merkmalen und externen Faktoren | Präzisionsprognosen, Szenario-Analysen, Large Deal Forecasting |
Moderne RevOps-Organisationen kombinieren diese Ansätze. Der Bottom-up-Forecast liefert die operative Detailtiefe, während Top-down-Modelle als Plausibilitätscheck dienen. KI-Systeme ergänzen das Bild, indem sie verborgene Korrelationen aufdecken – etwa den Einfluss von Preissenkungen auf die Abschlussrate oder saisonale Schwankungen im Kaufverhalten.
Der Forecast-Prozess: Von der Pipeline zur Prognose
Ein robuster Forecast-Prozess folgt einem klaren Schema. Zunächst wird die Pipeline bereinigt: Deals ohne qualifizierte nächste Schritte, fehlende Budgetfreigabe oder unrealistische Zeitrahmen werden entweder neu bewertet oder entfernt. Anschließend erfolgt die Gewichtung jedes Deals anhand definierter Kriterien – etwa der Phase im Verkaufszyklus, der dokumentierten Business Value oder der Entscheidungsbefugnis des Ansprechpartners.
Die größte Fehlerquelle im Forecasting ist nicht die Methode, sondern die Datenqualität. Ein Forecast ist nur so gut wie die Disziplin, mit der die Pipeline gepflegt wird.
Der finale Forecast wird in regelmäßigen Abständen – meist wöchentlich oder monatlich – mit den tatsächlichen Ergebnissen abgeglichen. Diese Forecast-Accuracy-Messung ist der zentrale Qualitätsindikator. Weicht die Prognose systematisch vom Ist ab, muss der Prozess angepasst werden. Häufige Ursachen sind überoptimistische Wahrscheinlichkeiten, unzureichende Qualifizierung oder veraltete CRM-Daten.
Kontextuelle Abgrenzung: Forecasting in anderen Disziplinen
Der Begriff Forecasting ist nicht auf den Vertrieb beschränkt. In der Finanzwelt bezeichnet er die Prognose von Cashflows, Liquidität und Bilanzkennzahlen – hier steht die Kapitalallokation im Vordergrund. In der Lieferkettenplanung (Supply Chain) geht es um die Vorhersage von Nachfragemengen zur Optimierung von Lagerbeständen und Produktionskapazitäten. In der KI-Forschung wiederum beschreibt Forecasting die Vorhersage zukünftiger Datenpunkte in Zeitreihen – etwa für Wettervorhersagen oder Aktienkursprognosen.
Die Schnittstelle zwischen Vertriebs- und Finanz-Forecasting ist besonders relevant. Der Vertrieb liefert die Umsatzprognose, die Finanzabteilung übersetzt diese in Liquiditäts- und Ertragsprognosen. Diskrepanzen entstehen häufig durch unterschiedliche Definitionen von „Wahrscheinlichkeit“ oder durch abweichende Zeiträume. Ein integriertes RevOps-Modell harmonisiert diese Perspektiven und schafft eine einheitliche Datenbasis.
Best Practices für präzise Prognosen
Erfolgreiche Forecasting-Systeme zeichnen sich durch mehrere Eigenschaften aus. Erstens: klare, dokumentierte Kriterien für die Deal-Qualifizierung. Zweitens: eine konsistente Methodik, die nicht bei jedem Druck von außen verändert wird. Drittens: die Trennung von Forecast und Zielvorgabe – ein Forecast beschreibt die erwartete Realität, nicht das Wunschergebnis. Viertens: die regelmäßige Überprüfung der Forecast-Accuracy auf Teamebene, um systematische Verzerrungen zu identifizieren.
Die Einführung von KI-gestützten Forecasting-Tools verändert die Rolle des Vertriebsleiters. Statt selbst Prognosen zu erstellen, interpretiert er die Modellausgaben, hinterfragt Ausreißer und validiert die zugrunde liegenden Annahmen. Die menschliche Urteilskraft bleibt unverzichtbar – insbesondere bei strategischen Großdeals, politischen Entscheidungen im Kundensystem oder unvorhersehbaren Marktereignissen.
« Back to Glossary Index