Vertriebsprognosen die endlich stimmen.

Die Quartals-Forecast-Runde kennt jeder Vertriebsleiter: Jeder Account Manager schätzt seine Deals, multipliziert grob mit einer gefühlten Abschlusswahrscheinlichkeit, und am Ende steht eine Zahl, an die niemand so richtig glaubt. Trotzdem hängen Personalplanung, Einkauf und Liquiditätssteuerung daran. Das Problem ist nicht die Sorgfalt der Beteiligten, sondern die Methode: Menschen schätzen Wahrscheinlichkeiten systematisch verzerrt, der Forecast wird zum politischen Instrument, und die Pipeline-Phase im CRM sagt erstaunlich wenig über den tatsächlichen Ausgang aus. KI-gestütztes Sales-Forecasting setzt genau hier an — nicht als Kristallkugel, sondern als nüchterne Auswertung dessen, was bei vergleichbaren Deals in der Vergangenheit wirklich passiert ist. Dieser Beitrag zeigt, warum klassische Pipeline-Schätzungen danebenliegen, welche Daten ein verlässliches Modell braucht, welche Genauigkeit realistisch ist und wo auch die beste KI an Grenzen stößt — etwa bei jungen Vertriebsorganisationen mit dünner Historie.

Warum die manuelle Pipeline-Schätzung systematisch danebenliegt.

Der klassische Vertriebs-Forecast beruht auf zwei Annahmen, die beide brüchig sind: erstens, dass der Account Manager die Abschlusswahrscheinlichkeit seines Deals realistisch einschätzen kann; zweitens, dass die im CRM hinterlegte Phase (etwa „Angebot raus“ = 60 Prozent) tatsächlich der mittleren Abschlussquote dieser Phase entspricht. Beide Annahmen halten der Prüfung selten stand.

Menschen sind notorisch schlecht im Schätzen von Wahrscheinlichkeiten. Deals, an denen man lange gearbeitet hat, werden überschätzt — man hat zu viel investiert, um sie aufzugeben. Gegen Quartalsende verschieben sich Schätzungen je nach Zielerreichung nach oben oder unten. Und die festen Prozentsätze pro Phase sind in den meisten CRM-Systemen einmal gesetzt und nie validiert worden.

Eine ehrliche Auswertung zeigt in vielen Organisationen: Deals in der Phase „60 Prozent“ schließen tatsächlich mit 30 bis 45 Prozent ab. Die Pipeline ist damit strukturell zu optimistisch — oft um 20 bis 40 Prozent über dem realen Ergebnis. KI ändert nicht die Verkaufsfähigkeit des Teams, aber sie ersetzt das Bauchgefühl bei der Wahrscheinlichkeit durch das, was die Historie tatsächlich hergibt.

Was ein Machine-Learning-Forecast anders macht.

Statt einer festen Wahrscheinlichkeit pro Phase schätzt ein ML-Modell für jeden einzelnen Deal eine individuelle Abschlusswahrscheinlichkeit — auf Basis von Dutzenden Merkmalen gleichzeitig. Es lernt aus allen abgeschlossenen Deals der Vergangenheit, welche Konstellationen typischerweise zum Abschluss führen und welche im Sande verlaufen.

Relevante Signale sind dabei weniger spektakulär, als man denkt, aber in Summe aussagekräftig: Wie lange liegt der Deal schon in der aktuellen Phase? Wie viele Kontaktpunkte gab es zuletzt — und wird die Frequenz größer oder kleiner? Sind mehrere Ansprechpartner auf Kundenseite eingebunden? Wie groß ist der Deal im Vergleich zu typischen Abschlüssen dieses Vertriebsmitarbeiters? Aus welcher Branche und Unternehmensgröße kommt der Kunde?

Der entscheidende Unterschied: Das Modell rechnet nicht mit einem Mittelwert über alle Deals, sondern differenziert. Ein großer Deal, der seit drei Monaten in derselben Phase festhängt und bei dem die Antwortzeiten länger werden, bekommt eine niedrige Wahrscheinlichkeit — auch wenn der Account Manager noch optimistisch ist. Genau diese Fälle, in denen Mensch und Modell auseinanderliegen, sind die wertvollsten Gesprächsanlässe im Forecast-Review.

Welche Daten das Modell wirklich braucht.

Ein Sales-Forecast steht und fällt mit der CRM-Datenqualität. Bevor überhaupt über Modelle gesprochen wird, lohnt der ehrliche Blick auf die eigene Datenlage:

Als grobe Faustregel braucht ein Modell mehrere hundert abgeschlossene Deals, um stabil zu lernen — idealerweise 500 oder mehr, verteilt über gewonnene und verlorene Fälle. Wer im Jahr nur 50 große Deals abschließt, hat ein echtes Datenproblem und sollte zunächst auf sauberere Heuristiken setzen.

Wichtig ist auch: Verlorene Deals müssen erfasst sein. In vielen CRM-Systemen werden nur Gewinne sauber gepflegt, Verluste verschwinden klammheimlich. Ein Modell, das nie ein „Nein“ gesehen hat, kann keine Wahrscheinlichkeit für ein „Ja“ lernen.

Welche Genauigkeit realistisch ist.

Die ehrliche Antwort lautet: KI macht den Forecast meist nicht spektakulär präziser auf Einzeldeal-Ebene, aber deutlich verlässlicher auf Aggregatebene — und genau das zählt für die Planung. Einzelne Deals bleiben unsicher; ob ein bestimmter Kunde unterschreibt, kann auch das beste Modell nicht garantieren.

Realistisch ist, dass die Abweichung der Quartalsprognose vom tatsächlichen Umsatz spürbar sinkt. Wo eine manuelle Pipeline-Schätzung oft 20 bis 40 Prozent danebenliegt, sind mit einem gut kalibrierten Modell Abweichungen von 10 bis 20 Prozent erreichbar. Das klingt unspektakulär, ist aber der Unterschied zwischen einer Planung, der man traut, und einer, die jedes Quartal korrigiert werden muss.

Der zweite, oft unterschätzte Wert liegt in der Kalibrierung: Ein gutes Modell ist nicht nur tendenziell richtig, sondern ehrlich über seine Unsicherheit. Wenn es 100 Deals mit 70 Prozent Wahrscheinlichkeit ausweist, sollten davon ungefähr 70 wirklich abschließen. Diese Kalibrierung lässt sich messen — und sie ist ein besseres Gütemaß als jede Marketing-Prozentzahl.

Vom Forecast zur besseren Steuerung.

Eine genauere Zahl allein ändert nichts. Der eigentliche Hebel entsteht, wenn die Prognose den Vertrieb steuert. Drei Anwendungen haben sich bewährt:

• Risiko-Deals früh erkennen. Das Modell markiert Deals, deren Wahrscheinlichkeit sinkt, obwohl der Account Manager sie noch hoch einschätzt. Diese Diskrepanz ist der wertvollste Gesprächsanlass — hier lohnt das Eingreifen, solange noch Zeit ist.
• Forecast-Reviews entpolitisieren. Statt über gefühlte Prozente zu streiten, diskutiert das Team konkrete Treiber: Warum stuft das Modell diesen Deal niedrig ein? Welches Signal fehlt? Das Gespräch wird sachlicher.
• Ressourcen lenken. Wenn klar ist, welche Deals wackeln und welche fast sicher sind, kann Vertriebszeit dorthin fließen, wo sie noch etwas bewegt — statt in Deals, die ohnehin laufen oder ohnehin verloren sind.

Wichtig bleibt die Rollenklarheit: Das Modell liefert die Wahrscheinlichkeit, die Entscheidung trifft der Mensch. Ein Forecast-Tool, das dem Vertrieb vorschreibt, welche Deals er aufzugeben hat, verliert die Akzeptanz schneller, als es Genauigkeit gewinnt.

Wo das Modell trügt — und das auch zeigen muss.

Drei Situationen sind für KI-Forecasts besonders heikel. Erstens strukturelle Veränderungen: Ein neues Produkt, ein neuer Markt, ein geändertes Pricing — das Modell kennt diese Konstellation nicht aus der Historie und schätzt entsprechend unsicher. Hier ist die menschliche Einschätzung dem Modell oft überlegen, und ein gutes System weist auf die dünne Datenlage hin.

Zweitens der Beobachter-Effekt: Sobald der Vertrieb weiß, welche Merkmale das Modell hochbewertet, besteht die Versuchung, das CRM entsprechend zu pflegen — mehr Aktivitäten eintragen, ohne dass mehr passiert. Das Modell wird dann auf systematisch geschönte Daten trainiert und verliert seine Aussagekraft. Dagegen hilft nur, möglichst auf automatisch erfasste Signale zu setzen.

Drittens kleine Vertriebsorganisationen: Wer wenige, aber sehr große Deals macht, hat zu wenig Datenpunkte und zu viel Einzelfall. Hier ist ein klassischer, sauber kalibrierter Phasen-Forecast oft ehrlicher als ein Modell, das aus 40 Deals Muster ableiten soll. Diese Grenze offen zu benennen, ist kein Eingeständnis von Schwäche, sondern Voraussetzung für Vertrauen.

Einstieg, Aufwand und Betrieb.

Ein realistischer Einstieg beginnt nicht mit dem Modell, sondern mit einer Datenprüfung: Wie viele abgeschlossene Deals liegen sauber vor? Sind Verluste erfasst? Stimmen die Zeitstempel? Diese Inventur dauert oft länger als das eigentliche Modellieren — und entscheidet über den Erfolg.

Ist die Datenlage tragfähig, liefert ein erster Pilot meist innerhalb von acht bis zwölf Wochen Ergebnisse, die sich gegen die manuelle Schätzung vergleichen lassen. Investitionen für einen ersten Anwendungsfall bewegen sich im Mittelstand typischerweise zwischen 30.000 und 90.000 Euro, abhängig von CRM-Anbindung und Datenaufbereitung. Laufende Betriebskosten liegen oft bei 1.000 bis 3.000 Euro im Monat, inklusive Hosting und regelmäßigem Nachtrainieren.

Der größte Erfolgsfaktor ist auch hier nicht die Technik, sondern die Integration in den bestehenden Forecast-Rhythmus. Ein Modell, dessen Ergebnisse parallel zur gewohnten Excel-Runde laufen und das niemand wirklich nutzt, verpufft. Erst wenn die Wahrscheinlichkeiten direkt im CRM stehen und das Forecast-Review damit arbeitet, entsteht der Nutzen — und das ist eher eine Frage der Vertriebskultur als der Algorithmen.

Sie wollen wissen, ob Ihre CRM-Daten für ein verlässlicheres Sales-Forecasting tragen? Unverbindlich anfragen — wir schauen gemeinsam auf Deal-Historie, Datenqualität und CRM-Anbindung und schätzen ehrlich ab, wie viel Genauigkeit realistisch drin ist.