Im CRM stehen offene Verkaufschancen im Wert von 800.000 Euro. Bedeutet das, dass in den kommenden Monaten mit 800.000 Euro Umsatz gerechnet werden kann? Offensichtlich nicht. Deshalb arbeiten viele Vertriebsteams mit Abschlusswahrscheinlichkeiten, gewichteter Pipeline oder Forecast-Kategorien. Trotzdem liegen Prognose und tatsächlicher Auftragseingang regelmäßig auseinander. Das Problem ist häufig nicht die Forecast-Formel. Es beginnt früher: bei Verkaufsphasen, veralteten Opportunities, uneinheitlicher Datenpflege und Wahrscheinlichkeiten, die mehr Hoffnung als messbare Realität ausdrücken.
1. Warum ist Pipeline nicht gleich Forecast?
Die Vertriebspipeline beschreibt zunächst potenzielle Geschäfte, die sich in unterschiedlichen Bearbeitungsständen befinden.
Dazu können beispielsweise gehören:
- ein neu qualifizierter Interessent,
- ein vereinbarter Beratungstermin,
- eine konkrete Anfrage,
- ein versendetes Angebot,
- eine laufende Verhandlung,
- ein Auftrag kurz vor der Entscheidung.
Alle diese Vorgänge können einen potenziellen Auftragswert besitzen.
Sie sind deshalb aber noch kein erwarteter Umsatz.
Eine große Pipeline kann trotzdem schwach sein
Stellen wir uns zwei Unternehmen vor.
Unternehmen A hat 50 offene Verkaufschancen mit einem Gesamtwert von einer Million Euro.
Unternehmen B hat nur 30 offene Chancen mit einem Gesamtwert von 700.000 Euro.
Allein aus diesen Zahlen lässt sich nicht ableiten, welches Unternehmen in den nächsten Monaten mehr Aufträge abschließen wird.
Dafür fehlen unter anderem Informationen zu:
- Verkaufsphase,
- Alter der Opportunity,
- geplantem Abschlusszeitpunkt,
- historischer Erfolgsquote,
- letzter Kundenaktivität,
- Qualität der Opportunity,
- typischer Dauer des Verkaufsprozesses.
Pipeline beantwortet die Frage, welche potenziellen Geschäfte vorhanden sind. Forecast soll abschätzen, welche davon innerhalb eines definierten Zeitraums tatsächlich relevant werden könnten.
2. Was bedeutet Abschlusswahrscheinlichkeit wirklich?
Viele CRM-Systeme erlauben es, einer Verkaufschance eine Wahrscheinlichkeit zuzuordnen.
Beispielsweise:
- frühe Opportunity: 20 Prozent,
- Angebot versendet: 50 Prozent,
- Verhandlung: 75 Prozent,
- mündliche Zusage: 90 Prozent.
Solche Werte können für eine erste Modellierung hilfreich sein.
Problematisch werden sie, wenn niemand erklären kann, woher die Prozentwerte stammen.
„50 Prozent“ ist keine Tatsache
Ein Vertriebsmitarbeiter kann eine Opportunity mit 80 Prozent bewerten, weil das Gespräch gut verlief.
Ein anderer Mitarbeiter vergibt bei einer vergleichbaren Situation nur 50 Prozent.
Dann misst die Zahl nicht ausschließlich die tatsächliche Abschlusswahrscheinlichkeit.
Sie misst teilweise auch Optimismus, Erfahrung und persönliche Einschätzung.
Wahrscheinlichkeit sollte überprüfbar sein
Eine bessere Frage lautet:
Wie häufig wurden vergleichbare Opportunities in dieser Phase innerhalb des betrachteten Zeitraums tatsächlich gewonnen?
Dafür braucht das Unternehmen historische Daten.
Wenn beispielsweise 100 vergleichbare Opportunities eine bestimmte Phase erreicht haben und davon 32 später als gewonnen abgeschlossen wurden, ist diese Beobachtung wesentlich aussagekräftiger als eine frei gewählte Prozentzahl.
Auch daraus entsteht noch keine Garantie für die nächste Opportunity.
Es entsteht aber eine nachvollziehbare Datenbasis.
3. Sind Ihre Verkaufsphasen eindeutig definiert?
Ein Forecast kann nur so konsistent sein wie die Pipeline, auf der er basiert.
Deshalb sollte jede Verkaufsphase eine klare Bedeutung haben.
Schlechte Definition
„Interessiert“
Was bedeutet das?
Hat der Kunde eine Website besucht, eine Anfrage gestellt, einen Termin vereinbart oder bereits Budget bestätigt?
Bessere Definition
Eine Phase sollte an beobachtbare Kriterien gebunden sein.
Zum Beispiel:
- Anfrage wurde fachlich geprüft.
- Bedarf passt grundsätzlich zum Angebot.
- Notwendige Ansprechpartner sind bekannt.
- Angebot wurde tatsächlich versendet.
- Kunde hat auf das Angebot reagiert.
- Verhandlung über konkrete Konditionen läuft.
Die konkrete Phasenlogik unterscheidet sich zwischen Unternehmen.
Entscheidend ist, dass zwei Mitarbeiter bei demselben Vorgang möglichst zur gleichen Einordnung kommen.
Phase nicht nur wegen Aktivität ändern
Eine gesendete E-Mail bedeutet nicht automatisch, dass eine Opportunity weiter fortgeschritten ist.
Ein CRM-Prozess sollte deshalb zwischen interner Aktivität und tatsächlichem Fortschritt beim Kunden unterscheiden.
4. Welche CRM-Daten machen Forecasts unzuverlässig?
Forecast-Probleme werden häufig erst im Reporting sichtbar.
Die Ursache liegt aber oft in der täglichen CRM-Pflege.
| Problem | Auswirkung |
|---|---|
| Verlorene Opportunities bleiben offen | Pipeline und erwarteter Umsatz werden künstlich aufgebläht |
| Abschlussdatum wird immer wieder verschoben | Umsatz wandert von Monat zu Monat, ohne dass sich die Opportunity tatsächlich entwickelt |
| Opportunity-Wert ist nur grob geschätzt | Forecast suggeriert eine Genauigkeit, die in den Ausgangsdaten nicht vorhanden ist |
| Verkaufsphase wird nicht aktualisiert | Wahrscheinlichkeit passt nicht mehr zum realen Vorgang |
| Verlorene Geschäfte werden nicht konsequent dokumentiert | Historische Erfolgsquoten können verzerrt werden |
| Unterschiedliche Mitarbeiter verwenden Phasen unterschiedlich | Pipeline-Daten sind untereinander schlecht vergleichbar |
| Gewonnene Aufträge werden verspätet eingetragen | Forecast und tatsächlicher Auftragseingang lassen sich schlechter vergleichen |
Das CRM muss den realen Prozess abbilden
Wenn Mitarbeiter Verkaufschancen nur kurz vor dem Monatsmeeting aktualisieren, besitzt das Management zwischen diesen Terminen keinen verlässlichen Datenstand.
Mehr Forecast-Technologie löst dieses Problem nicht.
Im Gegenteil: Ein komplexeres Modell kann schlechte Eingangsdaten lediglich professioneller aussehen lassen.
Warum CRM-Nutzung häufig nicht an Mitarbeitern, sondern am Prozess scheitert, erklären wir ausführlicher in CRM wird nicht genutzt: Warum Mitarbeiter bei Excel und E-Mail bleiben.
5. Wie funktioniert eine gewichtete Pipeline?
Eine einfache Methode besteht darin, den potenziellen Auftragswert mit einer angenommenen Abschlusswahrscheinlichkeit zu gewichten.
Ein Beispiel:
| Opportunity | Wert | Wahrscheinlichkeit | Gewichteter Wert |
|---|---|---|---|
| A | 20.000 € | 25 % | 5.000 € |
| B | 40.000 € | 50 % | 20.000 € |
| C | 30.000 € | 80 % | 24.000 € |
| Gesamt | 90.000 € | – | 49.000 € |
Die ungewichtete Pipeline beträgt in diesem fiktiven Beispiel 90.000 Euro.
Der gewichtete Wert beträgt 49.000 Euro.
Das bedeutet aber nicht:
„Das Unternehmen wird 49.000 Euro Umsatz erzielen.“
Der gewichtete Wert ist eine Modellgröße
Die Aussagekraft hängt davon ab, ob die verwendeten Wahrscheinlichkeiten zur Realität passen.
Wenn eine mit 80 Prozent bewertete Phase historisch nur in 35 Prozent der Fälle zu einem Auftrag führt, ist die Berechnung zwar mathematisch korrekt – das Modell dahinter aber schlecht kalibriert.
Außerdem muss der Zeitraum berücksichtigt werden.
Eine Opportunity kann grundsätzlich gute Abschlusschancen besitzen und trotzdem nicht im aktuellen Monat abgeschlossen werden.
6. Was lässt sich aus historischen Abschlüssen lernen?
Historische CRM-Daten können helfen, Annahmen zu überprüfen.
Interessant sind beispielsweise:
- Wie viele Opportunities wurden gewonnen?
- Wie viele wurden verloren?
- Wie häufig führt eine bestimmte Phase später zu einem Auftrag?
- Wie lange dauert der Verkaufsprozess typischerweise?
- Wie lange verbleiben Opportunities in einzelnen Phasen?
- Wie häufig wird ein erwartetes Abschlussdatum verschoben?
- Welche Dealgrößen benötigen typischerweise mehr Zeit?
Vergleichbare Gruppen bilden
Ein Durchschnitt über sämtliche Geschäfte kann irreführend sein.
Ein kleiner Standardauftrag und ein sechsmonatiges Individualprojekt folgen möglicherweise völlig unterschiedlichen Vertriebsprozessen.
Deshalb kann es sinnvoll sein, historische Daten beispielsweise nach folgenden Merkmalen zu trennen:
- Produkt- oder Leistungsgruppe,
- Neukunde oder Bestandskunde,
- Dealgröße,
- Vertriebskanal,
- Region, sofern geschäftlich relevant,
- vergleichbarer Verkaufsprozess.
Die Segmentierung sollte nur so detailliert werden, wie genügend Daten für eine sinnvolle Auswertung vorhanden sind.
Alte Daten sind nicht automatisch repräsentativ
Preise, Produkte, Vertriebsteam oder Marktbedingungen können sich verändert haben.
Historische Daten sind deshalb eine Grundlage für die Prognose – keine Garantie, dass sich die Zukunft exakt wie die Vergangenheit verhält.
7. Was kann KI beim Vertriebsforecast verbessern?
KI und statistische Modelle können mehr Informationen berücksichtigen als eine starre Regel wie „Angebot versendet = 50 Prozent“.
Auch bei KI-gestützter Vertriebsanalyse bleiben hochwertige Daten, vernetzte Systeme und klar definierte Anwendungsfälle entscheidend.
Je nach Datenbasis kann ein Modell beispielsweise Zusammenhänge berücksichtigen zwischen:
- Verkaufsphase,
- Dealgröße,
- Alter der Opportunity,
- Aktivität und zeitlichem Verlauf,
- historischer Dauer vergleichbarer Geschäfte,
- Verschiebungen des erwarteten Abschlussdatums,
- Ergebnissen vergleichbarer Opportunities.
KI kann Auffälligkeiten markieren
Ein sinnvoller Einsatz muss nicht sofort darin bestehen, einen endgültigen Umsatzwert vorherzusagen.
Ein System könnte zunächst auf Vorgänge hinweisen wie:
- Opportunity liegt ungewöhnlich lange in derselben Phase,
- Abschlussdatum wurde mehrfach verschoben,
- Dealwert weicht stark von vergleichbaren Geschäften ab,
- für eine späte Verkaufsphase fehlt aktuelle Kundenaktivität,
- Verkäuferbewertung und historisches Muster unterscheiden sich deutlich.
Damit unterstützt KI zunächst die Qualität der Vertriebssteuerung, statt eine scheinbar exakte Zukunftszahl zu produzieren.
Ohne ausreichende Datenbasis wird das Modell nicht automatisch besser
Der Bitkom-Leitfaden „Künstliche Intelligenz im CRM“ ordnet Einsatzfelder und die Einbindung in bestehende CRM-Prozesse ein. Eine belegte Trefferquote für den eigenen Vertriebsforecast ergibt sich daraus nicht; dafür sind eigene historische Vergleiche erforderlich.
Wenn gewonnene und verlorene Opportunities nicht konsistent dokumentiert werden, Phasen keine klare Bedeutung besitzen oder wichtige Informationen außerhalb des CRM bleiben, fehlt auch einem KI-Modell eine belastbare Grundlage.
KI kann aus vorhandenen Mustern lernen. Sie kann fehlende Vertriebsdisziplin nicht rückwirkend ersetzen.
8. Wo entsteht Scheingenauigkeit beim Forecast?
Ein Dashboard kann einen erwarteten Umsatz bis auf den Euro anzeigen.
Das bedeutet nicht, dass die Prognose auf den Euro genau ist.
Prozentwerte wirken objektiver, als sie sind
Eine Opportunity mit 63 Prozent Abschlusswahrscheinlichkeit sieht präziser aus als die Aussage „mittlere bis gute Chance“.
Die Zahl ist aber nur dann nützlich, wenn nachvollziehbar ist, wie sie zustande kommt und wie gut vergleichbare Prognosen in der Vergangenheit waren.
Unsicherheit gehört in den Forecast
Statt nur einen einzelnen Wert zu präsentieren, kann die Vertriebsplanung unterschiedliche Szenarien betrachten.
Beispielsweise:
- bereits gewonnene Aufträge,
- sehr belastbare kurzfristige Opportunities,
- gewichtete erwartbare Pipeline,
- weitere mögliche Pipeline als Upside.
Die konkreten Kategorien müssen zum Geschäftsmodell passen.
Der Vorteil besteht darin, bereits gewonnene Aufträge und noch unsichere Verkaufschancen getrennt zu betrachten. Auftragseingang ist nicht automatisch Umsatz derselben Periode. Legen Sie deshalb fest, welche Größe Ihr Forecast für welchen Zeitraum abbildet.
9. Welche Kennzahlen sollten Unternehmen messen?
Um die Qualität des Forecasts zu verbessern, sollte nicht nur der vorhergesagte Umsatz betrachtet werden.
| Kennzahl | Beispielhafte Definition | Fragestellung |
|---|---|---|
| Win Rate | Gewonnene Opportunities ÷ abgeschlossene Opportunities einer definierten Kohorte | Wie häufig werden vergleichbare Verkaufschancen tatsächlich gewonnen? |
| Sales Cycle | Zeit zwischen definiertem Startpunkt und gewonnenem beziehungsweise verlorenem Abschluss | Wie lange dauern vergleichbare Verkaufsprozesse? |
| Stage Conversion | Opportunities, die die nächste definierte Phase erreichen ÷ Opportunities der Ausgangsphase | Wo verliert die Pipeline besonders viele Vorgänge? |
| Opportunity Aging | Zeit, die eine Opportunity beziehungsweise Phase bereits offen ist | Welche Vorgänge sind ungewöhnlich alt? |
| Close-Date-Verschiebung | Anzahl oder Umfang der Änderungen am erwarteten Abschlussdatum | Welche Umsätze werden regelmäßig in spätere Perioden verschoben? |
| Forecast-Abweichung | Abweichung zwischen Prognose für eine definierte Periode und späterem tatsächlichem Ergebnis | Wie gut war die Prognose tatsächlich? |
Denominator und Zeitraum fest definieren
Bei einer Win Rate muss beispielsweise geklärt sein, welche Opportunities in den Nenner gehören.
Wer nur gewonnene Geschäfte mit allen irgendwann erstellten CRM-Einträgen vergleicht, erhält möglicherweise eine andere Kennzahl als jemand, der ausschließlich tatsächlich entschiedene Opportunities einer bestimmten Kohorte betrachtet.
Dasselbe gilt für Forecast-Abweichungen.
Verglichen werden sollte eine zu einem definierten Zeitpunkt gespeicherte Prognose mit dem späteren Ergebnis derselben definierten Periode.
Sonst wird der Forecast nachträglich ständig angepasst und erscheint im Rückblick genauer, als er ursprünglich war.
10. Wie baut man einen belastbaren Forecast-Prozess auf?
Unternehmen benötigen dafür nicht zwingend sofort ein komplexes KI-System.
Beginnen Sie mit der Qualität des bestehenden Vertriebsprozesses.
- Verkaufsphasen definieren: Jede Phase erhält nachvollziehbare Eintritts- und gegebenenfalls Austrittskriterien.
- Pflichtinformationen festlegen: Bestimmen Sie, welche Daten für eine aktive Opportunity benötigt werden.
- Alte Pipeline bereinigen: Verlorene oder nicht mehr aktive Vorgänge dürfen nicht unbegrenzt offen bleiben.
- Abschlussdatum definieren: Legen Sie fest, was dieses Datum im Unternehmen tatsächlich bedeutet.
- Historische Ergebnisse auswerten: Prüfen Sie Win Rates, Sales Cycle und Phasenübergänge für vergleichbare Geschäfte.
- Wahrscheinlichkeiten kalibrieren: Vergleichen Sie angenommene Werte mit realen Ergebnissen.
- Forecast speichern: Bewahren Sie historische Forecast-Stände auf, damit Prognose und Ergebnis später vergleichbar sind.
- Abweichungen analysieren: Prüfen Sie nicht nur, dass der Forecast falsch lag, sondern warum.
- Erst dann KI ergänzen: Testen Sie, ob zusätzliche Muster die Prognose oder die Erkennung problematischer Opportunities tatsächlich verbessern.
- Regelmäßig nachkalibrieren: Markt, Angebot und Vertriebsprozess verändern sich.
Mit einem begrenzten Zeitraum beginnen
Ein sinnvoller erster Test kann beispielsweise eine einzelne Produktgruppe oder einen klar abgegrenzten Vertriebsprozess über mehrere Forecast-Perioden betrachten.
Dabei wird für jede Periode der Forecast zu einem festen Stichtag gespeichert.
Nach Ende der Periode wird verglichen:
- Welche Opportunities wurden tatsächlich gewonnen?
- Welche wurden verloren?
- Welche wurden verschoben?
- Welche neuen Geschäfte kamen unerwartet hinzu?
- Welche Annahmen waren systematisch zu optimistisch oder pessimistisch?
Dadurch entsteht eine Grundlage, auf der Forecast-Regeln schrittweise verbessert werden können.
Wenn die dafür benötigten Informationen heute über CRM, Excel und E-Mail verteilt sind, sollte zunächst geklärt werden, welche Quelle für welche Information maßgeblich ist. Mehr dazu erklären wir in Kundendaten überall verteilt: Wie Unternehmen Datensilos erkennen und sinnvoll verbinden.
Ein guter Forecast beginnt nicht mit KI, sondern mit einer ehrlichen Pipeline
Vertriebsforecasting soll Managemententscheidungen unterstützen.
Dafür reicht es nicht, alle offenen Opportunities zusammenzurechnen oder mit pauschalen Prozentwerten zu multiplizieren.
Ein belastbarer Forecast benötigt klar definierte Verkaufsphasen, gepflegte Abschlusszeitpunkte, historische Vergleichsdaten und eine konsequente Dokumentation gewonnener und verlorener Geschäfte.
KI kann anschließend zusätzliche Muster erkennen, auffällige Opportunities markieren und Prognosemodelle verbessern.
Sie sollte aber nicht den Eindruck erzeugen, eine unsichere Zukunft plötzlich exakt vorhersagen zu können.
Die wichtigste Forecast-Frage lautet deshalb nicht: „Welche Zahl zeigt unser CRM?“ Sondern: „Welche Annahmen und Daten führen zu dieser Zahl – und wie gut haben diese Annahmen in der Vergangenheit funktioniert?“
Häufige Fragen zum Vertriebsforecast
Was ist ein Vertriebsforecast?
Ein Vertriebsforecast ist eine Prognose zukünftiger Vertriebsergebnisse für einen definierten Zeitraum. Er kann unter anderem aktuelle Opportunities, Verkaufsphasen, erwartete Abschlusszeitpunkte, historische Erfolgsquoten und weitere relevante Vertriebsdaten berücksichtigen.
Ist Pipeline dasselbe wie Forecast?
Nein. Die Pipeline umfasst potenzielle Verkaufschancen in unterschiedlichen Bearbeitungsständen. Ein Forecast versucht dagegen abzuschätzen, welcher Teil davon innerhalb einer definierten Periode tatsächlich zu einem Ergebnis führen könnte.
Wie berechnet man eine gewichtete Pipeline?
Bei einer einfachen gewichteten Pipeline wird der Wert einer Opportunity mit einer angenommenen Abschlusswahrscheinlichkeit multipliziert. Die Summe dieser gewichteten Werte ist jedoch eine Modellgröße und keine Garantie für den späteren Umsatz.
Welche Abschlusswahrscheinlichkeit sollte eine Opportunity bekommen?
Es gibt keinen universellen Prozentwert für jede Verkaufsphase. Sinnvoll ist, angenommene Wahrscheinlichkeiten regelmäßig mit den tatsächlichen Ergebnissen vergleichbarer historischer Opportunities zu überprüfen und gegebenenfalls anzupassen.
Kann KI den zukünftigen Umsatz vorhersagen?
KI kann historische und aktuelle Vertriebsdaten analysieren und daraus Prognosen beziehungsweise Risikohinweise ableiten. Eine sichere Vorhersage zukünftiger Aufträge ist damit nicht möglich. Die Aussagekraft hängt wesentlich von Datenqualität, Vergleichbarkeit und Stabilität des zugrunde liegenden Vertriebsprozesses ab.
Warum ist unser CRM-Forecast regelmäßig zu hoch?
Mögliche Ursachen sind alte offene Opportunities, zu optimistische Wahrscheinlichkeiten, ständig verschobene Abschlussdaten, uneinheitlich verwendete Verkaufsphasen oder eine Pipeline, in der verlorene Geschäfte zu spät geschlossen werden. Die konkrete Ursache sollte anhand historischer Forecast-Stände untersucht werden.
Wie kann man messen, ob ein Forecast besser wird?
Speichern Sie die Prognose zu einem festen Stichtag und vergleichen Sie sie später mit dem tatsächlichen Ergebnis derselben Periode. Zusätzlich sollte untersucht werden, welche Opportunities gewonnen, verloren oder in spätere Perioden verschoben wurden. So wird nicht nur die Abweichung, sondern auch ihre Ursache sichtbar.
Braucht ein kleines Unternehmen KI für einen Vertriebsforecast?
Nicht zwingend. Bei überschaubaren Verkaufsprozessen können klare Pipeline-Phasen, gepflegte CRM-Daten und eine einfache historische Auswertung bereits einen großen Teil des Problems lösen. KI wird interessanter, wenn ausreichend vergleichbare Daten vorhanden sind und zusätzliche Muster tatsächlich einen messbaren Vorteil liefern.