Forecast-Genauigkeit: Warum 80 % die neue Untergrenze sind

Euer Board erwartet belastbare Umsatzprognosen. Euer Vertrieb reicht optimistische Forecasts ein. Euer CFO baut Budgets auf Wunschdenken. Und wenn das Quartal 15 % darunter endet, sind plötzlich alle überrascht.

Forecast-Genauigkeit ist nicht nur ein Vertriebsproblem, sie ist ein Vertrauensproblem. Wenn die Führung sich nicht auf Pipeline-Daten verlassen kann, trifft sie schlechte Entscheidungen bei Hiring, Budget und Strategie.

Die Genauigkeitslücke

Die Benchmarks der Branche:

• Durchschnittliche Forecast-Genauigkeit: 67 %
• Best-in-Class: über 85 %
• Erwartung eures Boards: über 95 %

Die Lücke zwischen 67 % und 85 % sind Millionen an falsch eingeschätztem Umsatz. Sie zu schließen braucht keine hellseherischen Fähigkeiten, sondern bessere Daten und klügere Modelle.

Wir haben über 200 Salesforce-Orgs analysiert und immer dasselbe Muster gefunden: Unternehmen mit automatisierten Data-Quality-Checks forecasten 18 % genauer als die, die sich allein auf die Einschätzung ihrer Reps verlassen.

“Forecasting ist Mustererkennung. Wenn eure Daten unsauber sind, sind eure Muster unsichtbar.”

Prädiktives Stage-Modeling

Die meisten Orgs definieren ihre Stages über Vertriebsaktivitäten: „Demo Scheduled“, „Proposal Sent“, „Negotiation“. Aber Aktivitäten sagen keine Ergebnisse voraus, das tut die Geschwindigkeit durch die Stages.

Wir haben das Stage-Modell eines Kunden auf Basis historischer Abschlussdaten neu gebaut:

• Stage 1 (Discovery): 12 % Abschlussquote, im Schnitt 18 Tage
• Stage 2 (Technical Fit): 34 % Abschlussquote, im Schnitt 22 Tage
• Stage 3 (Business Case): 61 % Abschlussquote, im Schnitt 15 Tage
• Stage 4 (Negotiation): 78 % Abschlussquote, im Schnitt 9 Tage

Wenn ein Deal jetzt Stage 3 erreicht, raten wir nicht, wir wissen es: 61 % Abschlusswahrscheinlichkeit, hergeleitet aus 2.400 historischen Deals.

Frühwarnsysteme

Die besten Forecasts sind nicht reaktiv, sie sind vorausschauend. Baut Alerts auf die Warnsignale:

Steckengebliebene Deals

Wenn ein Deal doppelt so lange in derselben Stage liegt wie im historischen Schnitt, markiert ihn. Entweder braucht der Rep Hilfe oder der Deal ist tot.

Fehlende Daten

Deals ohne Close Date, ohne Kontakt zum Entscheider oder ohne Budgetfeld? Die haben im Forecast überhaupt nichts verloren.

Übersprungene Stages

Wenn ein Deal von Stage 1 auf Stage 4 springt, stimmt etwas nicht. Entweder spielt der Rep das System aus oder er verliert gleich einen „sicheren“ Abschluss.

Ein Kunde hat Alerts auf Stage-Dauern gebaut und in Q3 vierzehn steckengebliebene Deals gefunden, die die Reps als „schließt wahrscheinlich“ geführt hatten. Die Vertriebsleitung ist eingestiegen, hat acht davon gerettet und sechs aus dem Forecast genommen, bevor sie die Genauigkeit ruinieren konnten.

Umsetzung Schritt für Schritt

Schritt 1: Historische Analyse

Zieht euch 12 Monate Closed-Won- und Closed-Lost-Daten. Berechnet je Stage die durchschnittliche Verweildauer und die Win Rate.

Schritt 2: Wahrscheinlichkeiten modellieren

Ersetzt subjektive Wahrscheinlichkeiten durch datengetriebene Prozentwerte, abgeleitet aus Stage und Deal-Merkmalen.

Schritt 3: Automatisierte Alerts

Baut Flows oder nutzt Einstein AI, um Deals zu markieren, die vom historischen Muster abweichen.

Schritt 4: Wöchentliche Kalibrierung

Einmal bauen und liegen lassen funktioniert nicht. Vergleicht wöchentlich Forecast und Ist-Zahlen und schärft euer Modell nach.