Sales Forecasting ist die Grundlage für Unternehmensplanung. Wer seinen Umsatz nicht prognostizieren kann, fährt blind – mit entsprechenden Konsequenzen für Ressourcen, Cash und Strategie.
Was ist Sales Forecasting?
Sales Forecasting ist die systematische Vorhersage zukünftiger Umsätze basierend auf Pipeline-Daten, historischen Mustern und Marktbedingungen.
Warum Forecasting wichtig ist
| Bereich |
Abhängigkeit vom Forecast |
| Finanzplanung |
Budget, Cash Flow |
| Personalplanung |
Hiring, Kapazitäten |
| Produktion |
Fertigung, Einkauf |
| Investoren |
Reporting, Vertrauen |
| Vertriebssteuerung |
Zielerreichung, Coaching |
Forecast-Horizonte
| Horizont |
Zeitraum |
Genauigkeitsanspruch |
| Kurzfristig |
Aktuelles Quartal |
±5-10% |
| Mittelfristig |
Nächstes Quartal |
±15-20% |
| Langfristig |
Jahr+ |
±25-30% |
Forecasting-Methoden
1. Bottom-Up (Pipeline-basiert)
Forecast = Σ (Deal-Wert × Abschlusswahrscheinlichkeit)
Beispiel:
Deal A: 100.000 EUR × 80% = 80.000 EUR
Deal B: 50.000 EUR × 50% = 25.000 EUR
Deal C: 200.000 EUR × 30% = 60.000 EUR
──────────────────────────────────────
Pipeline-gewichteter Forecast: 165.000 EUR
Vorteile: Granular, deal-spezifisch
Nachteile: Abhängig von CRM-Qualität, Vertriebsoptimismus
2. Top-Down (Historisch)
Forecast = Historischer Umsatz × Wachstumsfaktor
Beispiel:
Q4 Vorjahr: 2.000.000 EUR
Wachstumsziel: +15%
Forecast Q4: 2.300.000 EUR
Vorteile: Einfach, stabil
Nachteile: Ignoriert Pipeline-Realität, marktblind
3. Stage-basiert
| Stage |
Conversion Rate |
Gewichtung |
| Qualification |
10-20% |
15% |
| Discovery |
20-30% |
25% |
| Demo/Evaluation |
40-50% |
45% |
| Proposal |
60-70% |
65% |
| Negotiation |
80-90% |
85% |
| Verbal Commit |
90-95% |
92% |
Forecast = Σ (Deal-Wert × Stage-Gewichtung)
4. Weighted Pipeline
Kombination aus:
- Stage-Wahrscheinlichkeit
- Deal-spezifische Faktoren
- Vertriebs-Confidence
Adjusted Probability = Stage % × Deal-Faktor × Confidence
5. AI/ML-basiert
| Input |
Modell-Faktor |
| Historische Win Rates |
Baseline |
| Deal-Aktivitäten |
Engagement-Score |
| Stakeholder-Kontakte |
Multi-Threading |
| E-Mail-Sentiment |
Kommunikationsqualität |
| Zeitliche Muster |
Saisonalität |
Forecast-Kategorien
Commit vs. Best Case vs. Pipeline
| Kategorie |
Definition |
Confidence |
| Commit |
"Das schließen wir definitiv" |
>90% |
| Best Case |
"Realistisch möglich" |
50-90% |
| Pipeline |
"Potenzielle Deals" |
<50% |
| Upside |
"Könnte noch kommen" |
Bonus |
Beispiel-Forecast
Commit: 800.000 EUR (sichere Deals)
Best Case: 500.000 EUR (wahrscheinliche Deals)
Pipeline: 300.000 EUR (mögliche Deals)
────────────────────────────────────────
Gesamt: 1.600.000 EUR
Erwarteter Forecast: 1.100.000 EUR (Commit + 50% Best Case + 20% Pipeline)
Forecast-Prozess
Wöchentlicher Rhythmus
Montag: Pipeline-Update durch Vertriebler
Dienstag: Manager-Review, Forecast-Calls
Mittwoch: Konsolidierung, Abweichungsanalyse
Donnerstag: Leadership-Review
Freitag: Finale Forecast-Submission
Forecast-Call-Struktur
| Element |
Dauer |
Fokus |
| Pipeline-Review |
15 min |
Neue Deals, Veränderungen |
| Commit-Deals |
15 min |
Status, Risiken, Next Steps |
| At-Risk-Deals |
10 min |
Hilfe, Eskalation |
| Actions |
5 min |
Konkrete nächste Schritte |
Manager-Fragen
| Frage |
Ziel |
| "Warum dieses Close Date?" |
Validierung Timeline |
| "Was muss noch passieren?" |
Hürden identifizieren |
| "Wer ist der Economic Buyer?" |
Entscheider-Zugang |
| "Wann hattest du letzten Kontakt?" |
Engagement prüfen |
| "Was ist der Konkurrenz-Status?" |
Wettbewerb einschätzen |
Forecast Accuracy messen
Metriken
| Metrik |
Formel |
| Forecast Accuracy |
1 - |Forecast - Actual| / Actual |
| Forecast Bias |
(Forecast - Actual) / Actual |
| Win Rate Accuracy |
Predicted Win Rate vs. Actual |
Beispiel
Forecast Q3: 2.500.000 EUR
Actual Q3: 2.200.000 EUR
Accuracy = 1 - |2.500.000 - 2.200.000| / 2.200.000
= 1 - 0.136
= 86.4%
Bias = (2.500.000 - 2.200.000) / 2.200.000 = +13.6%
→ 86% Genauigkeit, aber optimistisch (positiver Bias)
Benchmark
| Accuracy |
Bewertung |
| >95% |
Exzellent |
| 85-95% |
Gut |
| 75-85% |
Akzeptabel |
| <75% |
Verbesserungsbedarf |
Häufige Fehler
Vertriebs-Bias
| Bias |
Auswirkung |
| Optimismus |
Überhöhte Forecasts |
| Sandbagging |
Zu konservativ (für Bonus-Sicherung) |
| Happy Ears |
Kundensignale falsch deuten |
| Recency Bias |
Letzte Deals übergewichten |
Prozess-Fehler
| Fehler |
Konsequenz |
| Kein regelmäßiges Update |
Veraltete Daten |
| Keine Standardisierung |
Äpfel und Birnen |
| Fehlende Konsequenz |
Forecast wird ignoriert |
| Zu viele Kategorien |
Verwirrung |
Daten-Fehler
| Problem |
Lösung |
| Falsche Close Dates |
Regelmäßige Prüfung |
| Veraltete Deal-Werte |
Update bei Änderung |
| Fehlende Stage-Updates |
Pflichtfelder im CRM |
| Zombie-Deals |
Regelmäßige Pipeline-Hygiene |
Best Practices
Pipeline-Hygiene
| Regel |
Umsetzung |
| Close Date realistisch |
Nicht >90 Tage ohne Kundenzusage |
| Stage aktuell |
Wöchentliches Update |
| Inaktive Deals |
Nach 30 Tagen prüfen, nach 60 Tagen archivieren |
| Deal-Wert validiert |
Nur qualifizierte Werte |
Ein strukturiertes Lead Scoring hilft, die richtigen Deals zu priorisieren und unrealistische Opportunities früh zu erkennen.
Forecast-Disziplin
| Prinzip |
Umsetzung |
| Commit = Commit |
Was committed wird, muss kommen |
| No Surprises |
Große Änderungen sofort kommunizieren |
| Evidence-based |
Entscheidungen auf Daten, nicht Gefühl |
| Accountability |
Forecast-Abweichungen reviewen |
Verbesserungsmaßnahmen
| Maßnahme |
Effekt |
| Deal-Reviews |
Qualität der Pipeline |
| Win/Loss-Analyse |
Bessere Wahrscheinlichkeiten |
| Forecast-Training |
Konsistenz im Team |
| CRM-Automatisierung |
Datenqualität |
CRM-Funktionen
| Funktion |
Nutzen |
| Forecast-Modul |
Aggregation, Kategorien |
| Reports |
Visualisierung, Trends |
| AI-Scoring |
Objektive Wahrscheinlichkeiten |
| Alerts |
Risiko-Früherkennung |
| Tool-Kategorie |
Beispiele |
| Revenue Intelligence |
Gong, Clari, Aviso |
| Forecasting-spezialisiert |
Clari, BoostUp |
| BI/Analytics |
Tableau, Looker |
| Spreadsheet |
Excel (für kleine Teams) |
Szenario-Planung
Best/Base/Worst Case
| Szenario |
Definition |
Annahmen |
| Best Case |
Alles läuft optimal |
Win Rates +10%, keine Slip |
| Base Case |
Realistisch |
Historische Patterns |
| Worst Case |
Konservativ |
Win Rates -10%, Slip +20% |
Beispiel
Base Best Worst
──────────────────────────────────────────────
Commit 800k 850k 720k
Best Case 500k 600k 350k
Pipeline 300k 400k 150k
──────────────────────────────────────────────
Expected 1.050k 1.200k 850k
Forecast für verschiedene Modelle
Transactional vs. Enterprise
| Aspekt |
Transactional |
Enterprise |
| Volumen |
Viele kleine Deals |
Wenige große Deals |
| Vorhersagbarkeit |
Statistisch (Muster) |
Deal-spezifisch |
| Forecast-Methode |
Conversion Rates |
Bottom-Up pro Deal |
| Genauigkeit |
Höher (Law of Large Numbers) |
Volatiler |
SaaS-spezifisch
| Komponente |
Berechnung |
| New ARR |
Pipeline × Win Rate |
| Expansion |
Bestehende Kunden × Upsell-Rate |
| Churn |
Kündigungsrisiko-Analyse |
| Net New ARR |
New + Expansion - Churn |
Fazit
Gutes Sales Forecasting erfordert:
- Saubere Daten: CRM-Disziplin im Team
- Klare Methodik: Standardisierte Kategorien
- Regelmäßigkeit: Wöchentliche Reviews
- Accountability: Abweichungen analysieren
- Objektivität: Bias reduzieren, Evidenz nutzen
Ein guter Forecast ist nicht der, der das Ziel erreicht – sondern der, der die Realität trifft.
Zielkunden identifizieren: Firmium liefert Firmendaten für bessere Qualifizierung und realistischere Pipeline-Bewertung.