Ein Forecast taugt nur, wenn der Vertriebsleiter ihn dem Beirat oder der Bank vorlegen kann. KI-Modelle liefern Präzision, aber nur bei ausreichender Datenbasis und mit klarer Erklärung.
Der klassische Vertriebsleiter-Forecast: jede Opportunity kriegt manuell eine Wahrscheinlichkeit (50 Prozent, 75 Prozent), Deal-Wert wird gewichtet, Summe pro Quartal. Solange die Pipeline überschaubar ist, funktioniert das.
Ab 40-50 offenen Opportunities pro Quartal wird es unpräzise: die Wahrscheinlichkeiten sind subjektiv, oft optimistisch, und niemand pflegt sie wöchentlich sauber. Der Forecast landet regelmäßig 20-30 Prozent daneben, und die Geschäftsführung verliert das Vertrauen.
KI-Forecast hilft, wenn genug historische Deals als Trainingsbasis da sind. Ohne die Basis rechnet auch das Modell schlecht — dann ehrlich sagen: Excel bleibt vorerst besser.
Faustregeln: 100+ abgeschlossene Deals pro Jahr, mindestens 24 Monate saubere CRM-Historie, klare Stufen-Definitionen im Vertriebsprozess, konsistente Aktivitäts-Erfassung.
Wenn das gegeben ist, lernt das Modell aus Deal-Alter, Stufe, Aktivitätsmuster, Segment und Deal-Größe, welche Opportunities mit welcher Wahrscheinlichkeit in welchem Zeitraum abschließen. Der Forecast wird zur Wahrscheinlichkeitsverteilung statt zur Punkt-Schätzung.
Trade-off: das Modell braucht Pflege. Ein oder zwei Stunden pro Monat, um es zu prüfen und mit dem Vertriebsleiter zu kalibrieren. Ohne Pflege driftet der Forecast.
KI-Modelle sind nicht objektiv, sondern lernen die Muster der Vergangenheit. Wenn eure Vertriebler jahrelang Deals mit einer bestimmten Branche gewonnen haben, wird das Modell diese Branche systematisch höher scoren — auch wenn sich der Markt gerade dreht.
Deshalb bauen wir ein Bias-Dashboard ein: welche Segmente scort das Modell systematisch hoch/tief, wie ist die Trefferquote pro Segment über die letzten 6 Monate, wo weicht Modell-Vorhersage von tatsächlichem Abschluss ab.
Der Vertriebsleiter kann so das Modell hinterfragen und Gegen-Argumente einbringen. Das Modell ist nicht die letzte Instanz — es ist ein zweiter, systematischer Blick auf die Pipeline.
Wenn ihr unter 50 Deals pro Jahr habt oder erst seit 12 Monaten sauber im CRM arbeitet, bauen wir kein KI-Modell. Wir bauen einen strukturierten Regel-Forecast mit klaren Wahrscheinlichkeits-Buckets pro Stufe, dokumentierten Annahmen und wöchentlicher Review-Pflicht.
Das ist ehrlicher und liefert bei kleiner Datenbasis meist bessere Ergebnisse als ein hungriges KI-Modell, das rät. Sobald die Datenbasis wächst (typischerweise nach 18-24 Monaten), wechseln wir auf ein Modell.
Im 30-minütigen Audit sehen wir uns Deal-Volumen, CRM-Historie und Stufen-Konsistenz an und sagen ehrlich, ob KI-Forecast trägt oder ob ein besserer Regel-Prozess mehr bringt.
Termin unter /audit — ohne Verkaufsgespräch danach.