Vertriebsprognosen erstellenVorgehensweise und Methoden für Vertriebsprognosen

Vertriebsprognose vorbereiten

Um Zahlen für den zukünftigen Absatz und Umsatz von Produkten und Dienstleistungen zu ermitteln, lassen sich unterschiedliche Methoden oder Rechenverfahren einsetzen. Die Ergebnisse werden in Form von Zahlenwerten für die betrachtete Messgröße angegeben und in einer Tabelle oder in einem Diagramm dargestellt.

Zunächst müssen folgende Parameter der Vertriebsprognose festgelegt werden:

Betrachtungseinheit abgrenzen

Die Betrachtungseinheit, für die eine Vertriebsprognose erstellt werden soll, muss festgelegt werden. Das können ein Geschäftsbereich (Business-Unit), eine Produktkategorie, eine Produktgruppe oder einzelne Produkte und Produktvarianten sein. Entsprechendes gilt auch für Dienstleistungen oder Serviceangebote.

Messgröße definieren

Die Messgröße, die geschätzt oder berechnet wird und die wichtig für die Vertriebsplanung und weitere Fachpläne im Unternehmen ist, muss festgelegt werden. Meist sind das Absatz, Umsatz, Marktanteil oder Preise für die jeweilige Betrachtungseinheit.

Zeitraster festlegen

Die Vertriebsprognose folgt einem Zeitraster. Das können Tage, Wochen, Monate, Quartale oder Jahre sein. Die Vertriebsprognose deckt dann diesen festgelegten Zeitraum ab. Da kurzfristige Prognosen meist genauer sind, können auch unterschiedliche Zeitraster und Prognosezeiträume festgelegt werden: ein kurzfristiger (Woche, Monat) und ein langfristiger (Quartal, Jahr).

Um die zukünftigen Werte der Messgröße zu ermitteln, werden unterschiedliche Verfahren eingesetzt.

Vertriebsprognose auf der Basis von Marktanalysen

Grundlage für die Vertriebsprognose sind Einschätzungen und Erwartungen zur Marktentwicklung, zum Wettbewerb und Analysen zum Produktlebenszyklus. Der Vertrieb analysiert die Faktoren, die das Marktpotenzial und die Marktentwicklung beeinflussen und was die einzelnen Wettbewerber auszeichnet.

Dem werden die eigenen Produkte und die Marktposition des Unternehmens gegenübergestellt. Außerdem wird die Preisentwicklung am Markt eingeschätzt. Daraus werden dann Prognosewerte abgeleitet für:

• Marktvolumen
• Marktanteil
• Zielgruppenanteil
• Penetrationsraten
• Absatz
• Umsatz

Für die Absatz- und Umsatzplanung werden dann die bisher erreichten Istwerte in einem Diagramm visualisiert. Für den Prognosezeitraum wird abgeschätzt, dass sich diese Istwerte um x Prozent verändern werden. Das Diagramm wird entsprechend fortgeschrieben. Die folgende Abbildung ist ein Beispiel, wie dies visualisiert werden kann.

Trendextrapolation

Die Vertriebsergebnisse der Vergangenheit werden über eine Zeitskala aufgetragen und in die Zukunft extrapoliert, also fortgeschrieben. Dazu wird eine Trendlinie eingezeichnet. Hier werden keine weiteren Einflussfaktoren betrachtet, sondern nur ein mathematisch-statistisches Verfahren eingesetzt.

Die Trendlinie ist die lineare Funktion, für die gilt, dass die Summe der Abweichungen der Istwerte von der Trendlinie minimal ist. Dies entspricht der Methode der kleinsten Quadrate.

Aus den Werten der Vergangenheit ergeben sich dann die Parameter für eine lineare Funktion oder Trendlinie, wie in der folgenden Abbildung. Der betrachtete Zeitraum in der Vergangenheit sollte dabei so gewählt werden, dass er „typisch“ ist für den Prognosezeitraum und keine Besonderheiten oder Ausreißer beinhaltet.

Gleitender Durchschnitt

Die Entwicklung der Verkäufe wie sie in der vorigen Abbildung dargestellt ist, sollte im Diagramm immer genau angeschaut werden. Der Trend für den betrachteten Zeitraum zeigt zwar nach oben. Wird aber ein Ausschnitt gewählt, dann zeigt sich ein anderer Verlauf. Das Diagramm deutet an, dass es im Zeitverlauf immer wieder zu großen Schwankungen kommen kann.

Um sichtbar zu machen, wie sich der Trend in einzelnen Zeiträumen entwickelt, kann die Methode des gleitenden Durchschnitts helfen. Dabei wird ein Ausschnitt aus dem Gesamtzeitraum gewählt und für diesen wird der Durchschnitt der Messgröße berechnet. Dieser Durchschnitt ist der Prognosewert für den unmittelbar anschließenden Zeitpunkt.

Entscheidend ist, welcher Ausschnitt gewählt wird. In der vorigen Abbildung ergibt sich aus dem betrachteten Zeitraum ein linearer Verlauf (rote Linie) und ein Trend, der eine positive Entwicklung zeigt.

Wird dagegen nur ein Zeitraum von sechs Monaten gewählt und der gleitende Durchschnitt berechnet, ergibt sich das Diagramm in der folgenden Abbildung. Damit wird deutlich, dass der Absatz in den vergangenen Monaten stagnierte oder sogar leicht rückläufig war.

Rollierender Forecast auf Basis der Schätzung durch Experten

Wenn es keine Ergebnisse aus der Vergangenheit gibt oder diese nicht als Basis für eine Prognose geeignet sind, dann braucht es Schätzungen. Meist können die betroffenen Mitarbeiterinnen und Mitarbeiter im Vertrieb am besten einschätzen, wie sich der Absatz oder das Auftragsvolumen in Zukunft entwickeln. Sie sind die Experten, auf deren Erfahrung und Überlegungen die Vertriebsprognosen basieren.

Dabei ist allerdings zu beachten, dass Experten bewusst oder unbewusst auch falsche Schätzungen abgeben können. Manche schätzen mutig optimistisch, andere schätzen sehr konservativ (damit beispielsweise die Vertriebsziele nicht so hoch gesteckt werden).

Damit diese Schätzung nachvollziehbar wird und mit guten Gründen belegt werden kann, werden messbare Indikatoren hergenommen, die für die Prognose der Messgröße hilfreich sind. Aus diesen Indikatoren leitet das Vertriebsteam seine Prognosen für die Zukunft ab. Beispiel:

• Das Vertriebsteam prüft, wie viele Projektausschreibungen von potenziellen Kunden es im laufenden Quartal gibt.
• Es weiß, dass die Hälfte der Ausschreibungen für das Unternehmen interessant ist, sodass ein Angebot abgegeben wird.
• Von allen Angeboten führt etwa ein Drittel zum Auftrag.

Als Prognosewert wird deshalb berechnet:

• Angebotsvolumen = Summe der ausgeschriebenen Projektvolumen × 0,5
• Prognose- oder Forecast-Wert = Angebotsvolumen × 0,33

Diese Berechnung mit den entsprechenden Erwartungswerten und Wahrscheinlichkeiten kann für einzelne Produkte oder Kunden verfeinert und genauer gefasst werden. Alle diese Einschätzungen werden dann zusammengetragen und daraus eine begründete Absatz- und Umsatzplanung erstellt. Das ist in einem vereinfachten Beispiel in der folgenden Abbildung dargestellt.

Um diese Schätzung laufend zu verbessern, werden die Eingangsgrößen Projektausschreibungen mit Projektvolumen, Faktor für Angebotsschreibung und Wahrscheinlichkeit der Auftragserteilung laufend aktualisiert. Erteilte Aufträge oder Absagen werden aus der Liste entfernt, neue Angebote kommen hinzu. Die Prognose erfolgt also rollierend.

Big-Data-Analyse

Diese Form der rollierenden Vertriebsprognose kann auch automatisiert werden. Dann werden die Parameter, die in die Berechnung der Prognosewerte eingehen, aus vorhandenen Datenquellen extrahiert, und die Wahrscheinlichkeiten werden berechnet. Das funktioniert allerdings nur dann, wenn ausreichend viele Daten (aus der Vergangenheit) vorliegen, sodass ein statistischer Algorithmus Wahrscheinlichkeiten berechnen kann.

Grundlage sind Daten, wie sie mit Big-Data-Analysemethoden ermittelt werden. Beispiele:

• Der Absatz im Online-Shop lässt sich über Besucherzahlen, Seitenzugriffe und Conversion-Rates ermitteln.
• Zukünftige Bestellungen ergeben sich aus den aktuellen Verkaufszahlen am Point of Sale der Kunden (Kassenumsatz mit einzelnen Produkten).

Künstliche Intelligenz und KI-Tools für die Vertriebsprognose nutzen

Für Vertriebsprognosen lassen sich spezielle KI-Tools einsetzen. Sie nutzen Algorithmen des maschinellen Lernens, um Muster und Zusammenhänge zu erkennen, die für menschliche Analysten nicht zu entdecken sind und die auch mit statistischen Methoden nur schwierig zu modellieren sind.

Grundlage für die KI-Tools sind eine Fülle unterschiedlicher Daten und Informationen, die für eine Mustererkennung zusammengeführt und für die Vertriebsprognose genutzt werden. Insbesondere:

• Historische Verkaufsdaten: Umsätze, Absatzzahlen, Durchschnittspreise und Verkaufsvolumen über bestimmte Zeiträume.
• Kundendaten: Informationen zu Kundenverhalten, Kaufhistorie, demografische Daten, Kundenbindung und Rückmeldungen.
• Marketing-Daten: Daten zu Kampagnen, Werbebudgets, Conversion-Rates und deren Einfluss auf den Umsatz.
• Saisonale und zyklische Trends: Veränderungen im Kaufverhalten basierend auf saisonalen Ereignissen (zum Beispiel Feiertage) oder Marktzyklen.
• Wirtschaftliche Indikatoren: Makroökonomische Daten wie Inflation, Arbeitslosenrate, Zinssätze oder allgemeine Wirtschaftsentwicklungen.
• Wettbewerbsdaten: Informationen zu Preisen, Produkten, Promotionen und Marktveränderungen bei Mitbewerbern.
• Lagerbestände und Lieferketten: Verfügbarkeit von Produkten, Bestellzeiten und potenzielle Engpässe in der Lieferkette.
• Externe Faktoren: Wetterbedingungen, politische Ereignisse oder regulatorische Änderungen, die das Kaufverhalten beeinflussen könnten.
• Online- und Social-Media-Daten: Kundeninteraktionen und -stimmungen, Trends auf Social Media oder Bewertungen, die das Interesse an Produkten widerspiegeln.

Regressionsanalyse

Die multivariate Regressionsanalyse basiert auf der Annahme, dass ein heute messbarer Indikator eine zuverlässige Aussage darüber zulässt, wie viel zu einem zukünftigen Zeitpunkt verkauft wird. Um zu ermitteln, wie der zukünftige Wert von dem heutigen Wert abhängt und wie er sich daraus berechnen lässt, wird eine Regressionsanalyse durchgeführt.

Im einfachen Fall ergibt sich ein linearer Zusammenhang, sodass eine lineare Funktion ermittelt wird, mit deren Hilfe sich aus dem messbaren Indikator (X-Wert) der Wert für die Vertriebsprognose (Y-Wert) berechnen lässt.

Beispiel für eine Korrelation:

Ein Unternehmen schaltet Werbeanzeigen in Tageszeitungen, um den Verkauf anzukurbeln. Jede Anzeige erreicht eine bestimmte Zahl von Leserinnen und Lesern, die sich aus den Mediadaten des Zeitungsverlags ermitteln lässt.

Die Regressionsanalyse auf der Basis von vergangenen Daten zeigt, dass der Umsatz mit den beworbenen Produkten in den vier Wochen nach Erscheinen der Anzeige von der Zahl der erreichten Leserinnen und Leser abhängt. Es besteht ein funktionaler Zusammenhang, der für die Vertriebsprognosen im kommenden Monat genutzt werden kann.

Der Zusammenhang kann in einem Korrelationsdiagramm visualisiert werden wie in der folgenden Abbildung.

Sondereffekte bei der Vertriebsprognosen beachten

Was einige dieser Methoden nicht berücksichtigen können, sind unvorhersehbare oder unerwartete Ereignisse. Diese können jederzeit eintreten und alle Vertriebspläne über den Haufen werfen. Sie lassen sich kaum oder gar nicht in den Berechnungen berücksichtigen, müssen aber durchaus bedacht und ins Kalkül gezogen werden.

Um sich auf solche Ereignisse vorzubereiten, ist es hilfreich, wenn Sie mit folgenden Methoden arbeiten:

• Szenarien mit Best-Case- und Worst-Case-Berechnungen
• Notfallpläne

Sobald Signale das Eintreten eines solchen Ereignisses andeuten, prüfen Sie mithilfe der Szenarien, was Sie tun können. Wenn es schnell gehen muss, greifen Sie auf Ihre Notfallpläne zurück. In jedem Fall muss die Vertriebsprognose überarbeitet und angepasst werden.

Wie Sie mit den Methoden zur Vertriebsprognose arbeiten

Wenn Sie in Ihrem Vertrieb mit Vertriebs- und Verkaufsprognosen arbeiten wollen, ist folgende Vorgehensweise hilfreich. Dabei nutzen Sie einen Mix aus den vorgestellten Methoden:

1. Aus den Ergebnissen der vergangenen 24 Monate wird mithilfe der Trendextrapolation eine Prognoserechnung für die kommenden 12 Monate erstellt. Diese Berechnung wird einmal im halben Jahr aktualisiert. Eine solche Prognose ist schnell und einfach erstellt.
2. Diese Prognose geht halbjährlich an die Fachbereiche Produktion, Logistik, Marketing und Finanzplanung für deren Vorschau und grobe Jahresplanung.
3. Wenn möglich setzen Sie ein KI-Tool für die Vertriebsprognose ein. Wenn es eingerichtet und regelmäßig mit Daten gefüttert wird, erstellt das Tool eine Vertriebsprognose für die kommenden 6 bis 12 Monate.
4. Ein Expertengremium aus erfahrenen Vertriebsmitarbeitern, einem Marktanalysten aus dem Marketing und Vertretern von Vertriebspartnern bespricht alle zwei Monate, ob der 12-Monats-Trend und die KI-gestützte Prognose für die kommenden 6 Monate realistisch sind.
5. Auf der Grundlage der KI-Ergebnisse und mit Beachtung von Auftragslage, der Anzahl abgegebener Angebote, Auswertungen von Messeauftritten, Kundenbesuchen und Kundenanfragen erstellt das Gremium eine Liste mit potenziellen Absatzzahlen und Wahrscheinlichkeiten, dass diese realisiert werden.
6. So entsteht eine rollierende Vertriebsprognose für die jeweils nächsten 6 Monate.
7. Falls es unabhängige Einflussgrößen auf die Messgröße der Prognose gibt, wird deren Effekt mithilfe einer Regressionsanalyse ermittelt. Das Ergebnis geht ebenfalls in die 6-Monats-Prognose ein.
8. Das Ergebnis der Prognose wird alle zwei Monate an die Fachbereiche weitergeleitet, die daraus Informationen für ihre Feinplanung ziehen. Zum Beispiel: Schichtpläne für Mitarbeiter, Beschaffung von Maschinen, Bestellungen bei Lieferanten, Einrichten von Lagerplatz oder Umschichtungen beim liquiden Vermögen des Unternehmens.
9. Das Expertengremium prüft bei seinen zweimonatlichen Besprechungen auch, welche Abweichungen zwischen Prognose- und Istwerten eingetreten sind und was die Gründe dafür waren. Diese Erkenntnisse fließen in die langfristige 12-Monats-Prognose und die kurzfristige 6-Monats-Prognose ein.
10. Grundlegende Veränderungen, neue Trends, Effekte durch andere Rahmenbedingungen, die dabei sichtbar werden, werden mit der Geschäftsleitung halbjährlich besprochen, um Unternehmensziele, Geschäftsplanung und Strategien anzupassen.

Je nach Branche und Marktentwicklung können der Vorhersagezeitraum und das Zeitraster angepasst werden. Entscheidend ist, welchen Vorlauf die einzelnen Unternehmens- und Fachbereiche für ihre Planungen benötigen.

Die Qualität der Prognosemethoden betrachten

Wenn mit einer der genannten Methoden der zukünftige Absatz und Umsatz im Vertrieb berechnet werden, dann zeigt sich die Qualität der Methode leider erst im Nachhinein. Nämlich dann, wenn der für den Zeitpunkt X prognostizierte Wert mit dem zu diesem Zeitpunkt tatsächlich erzielten Wert verglichen werden kann.

Wenn es keine Abweichungen gibt, war die Prognose perfekt. Je geringer die Abweichungen im Zeitverlauf sind, desto besser ist die Prognosemethode.

Deshalb sollten Sie ihre Prognosemethoden regelmäßig auf den Prüfstand stellen und bewerten:

• Wie präzise sind die Prognosewerte der nahen Zukunft, wenn Prognosewert und Istwert miteinander verglichen werden?
• Für welchen Zeitraum liefert die Methode gute Prognosewerte, die dann nur gering vom Istwert abweichen?

Je weiter die Prognose in die Zukunft reicht, desto größer dürfte die Abweichung zwischen Prognosewert und Istwert ausfallen. Deshalb ist es wichtig, dass die Prognose rollierend erfolgt und die zeitlich näher liegenden Prognosen immer wieder verfeinert und angepasst werden, sodass später beim Vergleich mit den Istwerten die Differenz möglichst minimal ist.

Wenn Sie eine Prognosemethode anwenden, sollten Sie die Ergebnisse regelmäßig prüfen. Dazu vergleichen Sie:

• Welche Prognosewerte hat die Methode erzeugt?
• Was ist dann wirklich eingetreten?

Messen Sie die Abweichungen und vergleichen Sie das Ergebnis mit der Methode: „Die Vertriebsleitung gibt eine Schätzung aus dem Bauch heraus ab.“ Wenn diese Bauchschätzung regelmäßig genauso gut oder sogar besser als die mit der Methode berechneten Ergebnisse ist, dann taugt die Methode für Ihren Fall nicht. Es genügt die Bauchschätzung – bis eine bessere Methode gefunden wird.