Verkaufsforecast

Definition: Ein Verkaufsforecast (auch: Sales Forecast) ist eine datenbasierte Prognose der zu erwartenden Verkaufsleistung oder des erzielten Umsatzes eines Unternehmens für einen definierten zukünftigen Zeitraum – in der Regel ein Monat, ein Quartal oder ein Geschäftsjahr. Er basiert auf den aktuellen CRM-Pipeline-Daten, historischen Abschlussquoten (Win-Rates) pro Deal-Stage, dem erwarteten Abschlussdatum offener Deals und der individuellen Performance der Vertriebsmitarbeiter. Der Verkaufsforecast ist primär auf Neuabschlüsse aus der aktiven Pipeline ausgerichtet und unterscheidet sich von der breiter gefassten Umsatzprognose, die auch Bestandskundenumsätze, Renewals und Upselling berücksichtigt. Der Verkaufsforecast ist eines der ältesten und wichtigsten Steuerungsinstrumente des Vertriebs: Peter Drucker, der Begründer der modernen Managementlehre, betonte in „The Practice of Management" (1954, Harper & Row) die Notwendigkeit von Zielvorgaben und systematischen Prognosen als Grundlage jedes unternehmerischen Handelns. Laut einer Studie des Aberdeen Research Institute (2012) liegen weniger als 50 Prozent aller Vertriebsorganisationen mit ihren Quartalsforecast-Werten innerhalb einer 10-Prozent-Abweichung vom tatsächlichen Ergebnis – ein Befund, der die Relevanz von Methodik und CRM-Datenqualität für präzise Prognosen unterstreicht. Eine Salesforce-Analyse aus dem Jahr 2023 ergab, dass Unternehmen, die KI-gestütztes Forecasting einsetzen, ihre Prognosegenauigkeit im Durchschnitt um 28 Prozent steigern.

Erläuterung

Die systematische Erfassung und Auswertung von Verkaufsprognosen in CRM-Systemen wurde maßgeblich durch die Einführung der ersten kommerziellen CRM-Software geprägt. Siebel Systems, gegründet 1993 von Tom Siebel in San Mateo, Kalifornien (2006 von Oracle für 5,85 Milliarden US-Dollar übernommen), war eines der ersten Unternehmen, das eine strukturierte Pipeline- und Forecast-Verwaltung als zentrales CRM-Feature einführte. Salesforce.com, gegründet 1999 von Marc Benioff, Parker Harris, Dave Moellenhoff und Frank Dominguez, demokratisierte den Zugang zu CRM-basiertem Forecasting durch die Cloud-Bereitstellung und machte es erstmals auch für mittelständische Unternehmen wirtschaftlich zugänglich. Die Methodenentwicklung des Sales Forecasting lehnt sich an wirtschaftswissenschaftliche Prognoseverfahren an: Die Weighted Pipeline Method – Multiplikation des Deal-Wertes mit der stage-spezifischen Abschlusswahrscheinlichkeit – ist die meistverbreitete Forecast-Methode und wurde als „Expected Monetary Value"-Berechnung aus der Entscheidungstheorie (von Johann von Neumann und Oskar Morgenstern in „Theory of Games and Economic Behavior", 1944, Princeton University Press, formalisiert) auf den Vertriebskontext übertragen. Gartner, das US-amerikanische Marktforschungsunternehmen, schätzte 2022 den Markt für Revenue Intelligence und Sales Forecasting Software auf rund 1,5 Milliarden US-Dollar, mit einer jährlichen Wachstumsrate von über 20 Prozent. Führende Anbieter in diesem Segment sind Clari (gegründet 2012, Sunnyvale, mit einer Bewertung von über 1,6 Milliarden US-Dollar nach der Series E 2021), Gong (gegründet 2015, Tel Aviv), People.ai (gegründet 2016, San Francisco) und Aviso AI (gegründet 2014, Redwood Shores, Kalifornien). Diese Plattformen ergänzen klassisches CRM-Forecasting durch KI-Modelle, die Vertriebs-Call-Transkripte, E-Mail-Aktivitäten und Deal-Interaktionsdaten zur Verbesserung der Prognosequalität nutzen.

Forecast-Methoden im Überblick

• Gewichtete Pipeline-Methode: Deal-Wert × Abschlusswahrscheinlichkeit der jeweiligen Deal-Stage; einfachste und am häufigsten eingesetzte Methode; Genauigkeit hängt stark von der Qualität der Deal-Pflege und der Kalibrierung der Stage-Wahrscheinlichkeiten ab.
• Historische Trendmethode: Extrapolation auf Basis vergangener Verkaufsergebnisse unter Berücksichtigung von Wachstumsraten, Saisonalität und Marktentwicklung; besonders für stabile, vorhersehbare Geschäftsmodelle geeignet.
• Opportunity-Stage-basiertes Forecasting: Verfeinerte Pipeline-Methode, die historisch kalibrierte, stage-spezifische Win-Rates aus tatsächlichen CRM-Abschlussdaten nutzt statt geschätzter Wahrscheinlichkeiten; erhöht die Prognosegenauigkeit erheblich.
• AI-Predictive Forecasting: ML-Modelle analysieren Deal-Attribute, Verhaltenssignale und externe Daten zur Prognose; in Salesforce Einstein Forecasting, Clari und Gong implementiert; reduziert subjektive Bias bei der Forecast-Einschätzung.

CRM-Best-Practices für den Verkaufsforecast

• Forecast-Kategorien nutzen: Klassifizierung von Deals in Kategorien wie „Commit" (sehr hohes Vertrauen, wird abgeschlossen), „Most Likely" (wahrscheinlich), „Best Case" (optimistisch) und „Pipeline" (frühe Phase) ermöglicht eine differenziertere Prognose als ein einzelner Gesamt-Forecast-Wert.
• Wöchentliche Forecast-Calls: Strukturierte wöchentliche Besprechung der Top-Deals, Risikoidentifikation und Forecast-Aktualisierung durch das Vertriebsteam; diszipliniert die CRM-Datenpflege und verbessert die Prognosequalität.
• Forecast Accuracy als KPI: Systematischer Vergleich von Forecast-Wert zu Quartalsanfang mit tatsächlichem Quartalsergebnis; Ziel: weniger als 10 Prozent Abweichung; schlechte Forecast Accuracy signalisiert Datenqualitätsprobleme oder mangelnde Deal-Realismus.