Absatzprognose & Planung

Im Herzen jeder Absatzprognose steht die Frage nach jeder offenen Opportunity: Wie wahrscheinlich ist es, dass sie wann und zu welchem Wert abgeschlossen wird? Traditionelle CRM-Phasenwahrscheinlichkeiten – ein fester Prozentsatz, der jeder Pipeline-Phase zugeordnet wird – sind bekanntermaßen eine schlechte Antwort. Sie ignorieren das Alter des Deals, das Engagement-Muster, das Käuferprofil, die historische Leistung ähnlicher Deals und das Verhalten des Vertriebsmitarbeiters, der die Opportunity bearbeitet.

Wir ersetzen Phasenwahrscheinlichkeiten durch dealspezifische Modelle, die auf Ihrer Historie von gewonnenen und verlorenen Deals trainiert wurden. Dabei werden Signale aus dem CRM, der Marketing-Automatisierungsplattform, gegebenenfalls Tools zur Gesprächsintelligenz und der Aktivitätskalender des Deals berücksichtigt. Das Ergebnis ist eine kalibrierte Wahrscheinlichkeit pro Opportunity, mit einer erklärenden Feature-Ebene, die dem Vertriebsmitarbeiter und dem Manager mitteilt, warum der Score so ist, wie er ist.

Kalibrierung ist nicht verhandelbar. Ein Score von 70% muss bedeuten, dass von allen Deals mit einem Score von 70% etwa 70% abgeschlossen werden. Ohne dies ist die zusammengefasste Prognose bedeutungslos. Wir testen die Kalibrierung explizit, kalibrieren neu, wo die Daten es erfordern, und kalibrieren erneut, wenn sich das Segmentverhalten ändert.

• Kalibrierte, dealspezifische Gewinnwahrscheinlichkeiten
• Zeit-bis-Abschluss-Vorhersage mit Intervallen
• Käuferengagement- und Aktivitätssignale
• Anpassungen auf Vertriebsmitarbeiter- und Teamebene
• Segment-, Gebiets- und Produktzusammenfassungen
• Feedbackschleife für gewonnene/verlorene Deals ins Training

Absatzprognosen werden von den Personen geformt, die sie erstellen. Einige Vertriebsmitarbeiter sind systematisch optimistisch, andere systematisch konservativ; einige sind zu Beginn eines Quartals genau und am Ende unzuverlässig; einige blähen Abschlussdaten auf, weil ihre Vergütung so strukturiert ist. Ein Prognosesystem, das das Verhalten von Vertriebsmitarbeitern ignoriert, wird immer überrascht sein. Wir modellieren Anpassungen auf Vertriebsmitarbeiter- und Teamebene explizit, aber wir tun dies als transparente Korrekturen, die Manager sehen und diskutieren können, nicht als versteckter Multiplikator.

Dasselbe gilt für Manager. Prognosegespräche durchlaufen mehrere Ebenen menschlicher Beurteilung, und jede Ebene führt typischerweise ihre eigene systematische Voreingenommenheit ein. Wir legen diese Voreingenommenheit offen, kalibrieren dagegen und lassen das System zwischen der Schätzung des Modells, der Einschätzung des Vertriebsmitarbeiters, der Zusage des Managers und der Zahl der Führungsebene unterscheiden – alle mit ihrer eigenen historischen Genauigkeit.

Das Ergebnis ist kein System, das den Vertriebsmitarbeiter überstimmt. Es ist ein System, das dem Vertriebsmitarbeiter ein besseres Gespräch mit seinem Manager und dem Manager ein besseres Gespräch mit dem CRO ermöglicht, mit den Daten auf dem Tisch.

“Der Sinn einer Absatzprognose ist nicht, Recht zu haben. Es geht darum, jedes Gespräch über die Pipeline nützlicher zu machen.”

Eine Umsatzprognose ist nur dann operativ interessant, wenn sie das Handeln von jemandem verändert. Wir integrieren die Modellergebnisse in die Rhythmen, die eine Vertriebsorganisation tatsächlich steuern: den wöchentlichen Forecast Call, den monatlichen Business Review, das vierteljährliche Board Pack. Jeder Rhythmus erhält seine eigene Ansicht derselben zugrundeliegenden Zahlen, mit dem richtigen Aggregationsgrad, dem richtigen Konfidenzniveau und dem richtigen Vergleich zum Plan und zur Vorperiode.

Wir entwickeln auch coaching-orientierte Ansichten für Führungskräfte an vorderster Front: welche Deals in ihrem Team stagnieren, welche Engagement-Signale den Zusagen des Vertriebsmitarbeiters widersprechen, welche am anfälligsten für Verzögerungen sind. Die Absicht ist, die Managementaufmerksamkeit auf die wenigen Gelegenheiten zu konzentrieren, bei denen Aufmerksamkeit das Ergebnis ändern kann, anstatt auf einheitliche Pipeline-Reviews, die Zeit verbrauchen, ohne Entscheidungen zu ändern.

Wenn die Organisation Szenarien durchführt – Best Case, Commit, Downside – generieren wir diese aus demselben zugrundeliegenden probabilistischen Modell und nicht als parallele manuelle Schätzungen. Die Zahlen bleiben kohärent, und die Annahmen hinter jedem Szenario sind explizit.

Modelle für die Absatzprognose leben oder sterben durch das Vertrauen des Teams, das sie verwendet. Wir investieren viel in die Einführung des Modells, mit expliziter Kommunikation darüber, was es kann und was nicht, transparenter Feature-Zuweisung pro Deal und einem bewussten Expansionstempo, das in einem Segment beginnt, bevor es sich ausbreitet.

Wir messen die Qualität kontinuierlich: Trefferquote des Modells im Vergleich zum Anruf des Vertriebsmitarbeiters, Kalibrierung nach Segment und nach Phase, Drift in den zugrunde liegenden Signalen. Wo die Kalibrierung abweicht, trainieren wir neu; wo Features nicht mehr funktionieren, ersetzen wir sie; wo Vertriebsmitarbeiter das Modell in bestimmten Kategorien konsequent übertreffen, integrieren wir ihr Urteilsvermögen wieder ins Feature-Engineering. Das Modell wird als Kollege behandelt, der kontinuierliches Coaching benötigt, nicht als Orakel.

Wo angemessen erweitern wir die Analyse auch auf Gebietsplanung, Kapazitätsplanung, Zielquotenfestlegung und Preisgestaltung. Diese angrenzenden Probleme teilen Daten mit der Absatzprognose und profitieren von der gleichen Modellierungsinvestition, oft zu den Grenzkosten zusätzlicher Integrationsarbeit.

Wir beginnen normalerweise mit einer vier- bis sechswöchigen Diagnose von zwölf bis vierundzwanzig Monaten historischer Pipeline- und abgeschlossener Deal-Daten. Das Ergebnis ist eine schriftliche Einschätzung der Prognostizierbarkeit – wie gut die vorhandenen Daten ein kalibriertes Modell unterstützen – zusammen mit einem Benchmark der Genauigkeit des aktuellen Prozesses und einer Empfehlung, was das Modell glaubwürdig verbessern kann. Von dort aus dauern der Aufbau und die Integration normalerweise weitere drei bis vier Monate, wobei das Modell Segment für Segment eingeführt und in jedem Segment Vertrauen gewonnen wird, bevor das nächste hinzugefügt wird.