Was ist eine Vertriebsprognose?

Was ist eine Vertriebsprognose?

Eine Vertriebsprognose schätzt, was von einem benannten Produkt oder einer Produktgruppe in einer benannten Periode verkauft wird, bevor der Istwert vorliegt, damit eine Entscheidung rechtzeitig fallen kann. Lawrence et al. (2000)² benennen die Entscheidungen klar: Die Vertriebsprognose spielt eine zentrale Rolle für Entscheidungen über Fertigungsplanung und Lagerauffüllung („Sales forecasting plays a pivotal role in decision making in relation to manufacturing scheduling and inventory replenishment“). Mantrala und Raman (1990)³ ergänzen, warum eine Abweichung in beide Richtungen Geld kostet: Unternehmen brauchen genaue Prognosen, um Pläne an Wachstumschancen auszurichten und Kosten durch Fehlbestände oder Überbestände zu vermeiden („to set plans that reflect growth opportunities as well as avoid costs such as those due to stock-outs and excess inventories“).

Eine Vertriebsprognose ist eine datierte Schätzung, die später an dem gemessen wird, was tatsächlich verkauft wurde. In diesem Leitfaden gehören deshalb vier Dinge zur Definition: das Objekt (was prognostiziert wird, in welcher Einheit und auf welcher Ebene, etwa Produkt, Kundensegment, Region oder Account), der Horizont (welche Periode die Prognose abschließt), der Prognose-Stichtag (was bekannt war, als sie entstand) und die Entscheidung, die sie speist. Fehlt eines davon, lässt sich eine spätere Abweichung nicht deuten: Sie kann ein Prognosefehler sein oder eine Änderung dessen, was prognostiziert wurde.

Wie entstehen Vertriebsprognosen?

Durch Urteil, oft auf einer Systemprognose. In den Befragungen aus der Mitte der 1990er-Jahre, die Lawrence et al. (2000)² zitieren, war das Urteil des Managements trotz breit verfügbarer Software die bevorzugte Methode („most surveys show that management judgement is the preferred method for forecasting“). Fildes et al. (2009)¹ beschreiben den üblichen Ansatz in Unternehmen der Lieferkette als Systemprognose mit anschließender Anpassung durch Planer: Ein computergestütztes System erzeugt erste Prognosen, die Bedarfsplaner danach urteilsbasiert anpassen („The most common approach to forecasting demand in these companies involves the use of a computerized forecasting system to produce initial forecasts and the subsequent judgmental adjustment of these forecasts by the company’s demand planners“). Alle vier untersuchten Unternehmen arbeiteten so, und eine Prognosesitzung legte die Endzahl fest; wie oft die Planer eingriffen, war sehr unterschiedlich (Abbildung 1).

Das Urteil trägt Information, die ein statistisches Modell nicht sieht. In den Prognosesitzungen, an denen Lawrence et al. (2000)² teilnahmen, beherrschten Kontextinformationen die Diskussion: neue Marketinginitiativen, Aktionspläne, Schritte der Wettbewerber, Branchenentwicklungen und Fertigungsprobleme („New marketing initiatives, promotion plans, actions of competitors, industry developments, manufacturing problems“); die Zeitreihen selbst erhielten vergleichsweise wenig Aufmerksamkeit („time series data received relatively little attention“). Vertriebsmitarbeiter haben eine zweite Art von Information: Mantrala und Raman (1990)³ gehen davon aus, dass Prognosen genauer werden können, wenn sie Wissen von Vertriebsmitarbeitern nutzen, die die Aussichten ihres Gebiets besser kennen als die zentrale Planung („from salespeople who possess better knowledge than central planners about their territories’ sales prospects“).

Daraus ergeben sich drei Wege, die ein Prozess verbinden kann: eine statistische Basisprognose aus der Verkaufshistorie, eine urteilsbasierte Prognose oder Anpassung durch Manager mit Kontextinformationen und eine Prognose, die Vertriebsmitarbeiter von unten einreichen. Für das Protokoll zählt, dass jeder Beitrag sichtbar bleibt.

Was ist eine Vertriebsprognose nicht?

Neben der Prognose stehen vier Zahlen, die mit ihr verwechselt werden können: das Vertriebsziel, der Plan oder das Budget, die Pipeline-Summe und die Forecast-Kategorie (Abbildung 2). Jede beantwortet eine andere Frage.

Zahl	Die Frage, die sie beantwortet	Gemessen an
Vertriebsprognose	Was wird für dieses Objekt und diese Periode verkauft, nach heutigem Wissen?	Den tatsächlichen Verkäufen für Objekt und Periode
Vertriebsziel oder Quota	Was soll von einem Team oder einer Person verlangt werden?	Der Zielerreichung
Plan oder Budget	Wofür bindet das Unternehmen Ressourcen?	Der Budgetabweichung
Pipeline-Summe	Welcher Wert offener Opportunities besteht jetzt?	Für sich an nichts; die Umwandlung muss noch geschätzt werden
Forecast-Kategorie	Welcher festgelegte Status gilt für einen Deal, nach welcher Eintrittsregel?	Der Eintrittsregel und später dem Ergebnis

Das Vertriebsziel fragt, was verlangt werden soll, nicht, was geschehen wird, und wer beides vermischt, kann die Schätzung verbiegen. In der Analyse von Mantrala und Raman (1990)³ hat ein Vertriebsmitarbeiter, der einen festen Bonus für das Erreichen einer selbst gewählten Quota erhält, einen Anreiz, seine Schätzung zu niedrig anzusetzen; sie halten fest, dass Vertriebsmitarbeiter ihre Schätzungen nach unten setzen können, wenn ihre Vergütung von Quoten abhängt, die auf ihren eigenen Prognosen beruhen („salespeople may understate sales estimates when their compensation depends on fulfillment of quotas based on their sales forecasts“). Lawrence et al. (2000)² nennen denselben Mechanismus als eine mögliche Erklärung der gemessenen Verzerrung, nicht als Beobachtung: Wer für das Übertreffen des Vertriebsziels belohnt wird, kann unter Druck geraten, die Prognose unter den Istwert zu setzen („If managers are rewarded for exceeding the sales target, there may be pressure for the forecasts to be less than the actual“).

Der Plan bindet Ressourcen, und die Sitzung, die ihn hervorbringt, dient mehr als der Genauigkeit. In den Unternehmen, die Lawrence et al. (2000)² untersuchten, liefen Prognose und Budgetierung über eine monatliche Sitzung aller Beteiligten. In den Sitzungen, an denen die Autoren teilnahmen, schien das wichtigste Ziel zu sein, alle Beteiligten, also Vertrieb, Marketing, Fertigung, Einkauf und Finanzen, auf die Endprognose als Zielzahl zu verpflichten („The major objective appeared to be gaining commitment to the target final forecast from all parties“). Damit ist eine Zahl zugleich Ziel und Prognose. Auch Kommunikation schien ein wichtiges Ziel zu sein („Communication also appeared to be an important objective“). Verpflichtung auf eine Zahl ist nützlich. Sie ist nicht dasselbe wie eine Schätzung; deshalb hält dieser Leitfaden beides getrennt.

Fildes et al. (2009)¹ fanden eine verwandte Verwechslung in der Praxis: Beim untersuchten Händler verwechselten Manager Nachfrageprognosen mit Entscheidungen über den Lagerbestand, der für das Serviceniveau nötig ist („managers were confusing forecasts of demand with decisions on the levels of inventory required to meet customer service levels“), etwa indem sie eine Prognose von 200 auf 250 Stück anhoben, um das Risiko eines Fehlbestands zu senken.

Eine Pipeline-Summe ist ein Bestand: Wert offener Opportunities, der erst noch umgewandelt werden muss. Eine Forecast-Kategorie ist ein festgelegter Status, der nach einer Regel vergeben wird, mit einem Verantwortlichen, und später mit dem Ergebnis verglichen wird. Beide können in eine Prognose eingehen; keine ist eine.

Wie genau sind Vertriebsprognosen von Unternehmen?

Das hängt vom Unternehmen ab: In den beiden hier zitierten Feldstudien schlugen urteilsbasierte Prognosen eine naive Prognose in manchen Unternehmen und in anderen nicht. Lawrence et al. (2000)² verglichen Prognosen für den Folgemonat von 13 großen australischen Herstellern von Markenkonsumgütern und Gebrauchsgütern, in einem Aufsatz, der im Januar 1998 bei der Zeitschrift einging, mit einer naiven Prognose, also dem letzten Istwert („is the most recent actual value“), nicht einmal saisonbereinigt. Ihre Datenbasis umfasste rund 24.000 Prognosen und 4.500 Istwerte für Produkte, die jedes Unternehmen als wichtig für die Prognosegenauigkeit benannt hatte; der Vergleich für den Folgemonat umfasst rund 4.600 Paare aus Prognose und Istwert. Bei 4 der 13 Unternehmen waren die urteilsbasierten Prognosen signifikant genauer, bei 2 war die naive Prognose signifikant besser, bei 7 war der Unterschied nicht signifikant. Die Autoren schließen, dass die urteilsbasierten Prognosen der Unternehmen im Allgemeinen nicht genauer sind als naive Prognosen, obwohl diese keine Kontextinformationen enthalten („the company judgemental forecasts are not generally more accurate than naive forecasts even though the naive forecasts do not incorporate any contextual information“), finden aber keine starke Evidenz dafür, dass die Unternehmen das Urteil zugunsten der naiven Prognose aufgeben sollten („no strong evidence that, in general, the companies should abandon judgement and embrace a naive forecast“).

Den Großteil des Fehlers führen die Autoren auf zwei Quellen zurück, Autokorrelation der Fehler („serial correlation in the errors“) und Verzerrung der Prognosen („bias in the forecasts“). Im Regressionstest zeigten die vier Unternehmen, die die naive Prognose schlugen, keine von beiden; im unten berichteten Vorzeichentest waren allerdings zwei von ihnen signifikant verzerrt.

Fildes et al. (2009)¹ stellten einen ähnlichen Vergleich bei vier britischen Unternehmen der Lieferkette für 2003 bis 2005 an. Gemessen am Median des Fehlers, den die Autoren auswerten, waren die Endprognosen der drei Hersteller zusammen genauer als eine naive Prognose; beim Händler waren System- und Endprognose beide ungenauer als die naive Prognose („both the system and final forecasts were less accurate than the naïve forecasts“).

Auch die Anpassung einer Systemprognose klärt die Frage nicht. Fildes et al. (2009)¹ fanden bei mehr als 60.000 Prognosen und Istwerten, dass urteilsbasierte Anpassungen in drei der Unternehmen die Genauigkeit im Durchschnitt erhöhten („In three of the companies, on average, judgmental adjustments increased accuracy“). Beim Händler verbesserten die Anpassungen die Genauigkeit überhaupt nicht signifikant. Am stärksten zählte die Richtung: Anpassungen nach oben verbesserten die Genauigkeit deutlich seltener als Anpassungen nach unten und gingen häufiger in die falsche Richtung, was die Autoren als Hinweis auf eine allgemeine Neigung zum Optimismus lesen („suggesting a general bias towards optimism“). Innerhalb jeder Richtung spielte auch die Größe eine Rolle. Bei den Herstellern senkte das kleinste Viertel der Anpassungen nach oben die Genauigkeit, beim Händler senkten Anpassungen nach oben sie unabhängig von ihrer Größe; Anpassungen nach unten zahlten sich in allen Unternehmen aus, mit Ausnahme der größten Anpassungen des Händlers. Die Autoren erwarteten, dass ein Verzicht auf kleine Anpassungen die Genauigkeit nur geringfügig verbessern würde („marginally enhance accuracy“). Im Test an zurückgehaltenen Daten brachte er bei Anpassungen nach oben wenig und senkte bei Anpassungen nach unten die Genauigkeit; die Autoren folgerten, ein solcher Verzicht werde die Genauigkeit wahrscheinlich nicht verbessern, gleich in welche Richtung die Information weist („not likely to lead to improvements in accuracy, whatever the information direction“). Als Argument bleibt die Zeit der Planer. Wie solche Fehler gemessen und zusammengefasst werden, behandelt Forecastgenauigkeit kann gegenläufige Fehler verbergen.

Warum sind Vertriebsprognosen verzerrt?

Zum Teil, weil die Organisation es so will, jedenfalls nach der Lesart der Autoren. Jedes Unternehmen sagte Lawrence et al. (2000)², es wolle genaue Prognosen; aus genauerem Nachfragen in den Eingangsinterviews schlossen die Autoren, dass sechs lieber zu niedrig und fünf lieber zu hoch prognostizierten und zwei keine Verzerrung in irgendeine Richtung wollten. In einem Vorzeichentest zeigten acht der 13 Unternehmen eine signifikante Verzerrung, sieben davon nach oben; über alle 4.568 Prognosen lagen 56 % über dem Istwert. Bei zwei Unternehmen lief die Verzerrung der ermittelten Präferenz zuwider, bei einem trat sie auf, obwohl es keine Verzerrung wollte; die Autoren folgern, die Ergebnisse legten nahe, dass die Verzerrung die Präferenz des Unternehmens widerspiegelt („suggest that the bias in the company forecasts reflects company preference“).

Der Druck kann in beide Richtungen wirken. Belohnungen für das Übertreffen eines Ziels können Prognosen nach unten drücken, die Sorge vor entgangenen Verkäufen kann sie anheben („Conversely, if product managers are concerned that there be no lost sales, there may be a tendency to over-forecast“). In dieser Studie lief die gemessene Verzerrung überwiegend nach oben. Die Führungskräfte der Studie nannten das nicht Verzerrung. Direkt gefragt, sagten sie den Autoren, sie versuchten genau zu treffen („we try to be spot on“), und sprachen von Absicherung („hedging a bet“) oder Vorsicht („playing safe“); erst genaues Nachfragen zu Fehlern über oder unter dem Istwert ergab Antworten, die die Autoren als bewusste Verzerrung deuteten.

Lässt sich die Schätzung von der Verzerrung trennen? Ein Gutachter des Aufsatzes schlug genau das vor: erst die genaueste mögliche Prognose erstellen und sie dann ausdrücklich an die Ziele der Organisation anpassen („constructing the most accurate forecasts that they can and then explicitly adjusting these forecasts to account for organisational objectives“). Die Autoren nannten das einen vernünftigen Weg („a rational way to proceed“), bezweifelten aber, dass er gelingt, weil Prognose und Verzerrung eng ineinandergreifen („biasing are tightly interwoven“). Das Protokoll unten ist eine Fassung dieses Vorschlags; es ist deshalb ein Vorschlag dieses Leitfadens, den die hier zitierten Studien nicht getestet haben. Zwei Merkmale könnten es praktikabler machen als die nachträgliche Frage nach Verzerrung: Die bevorzugte Fehlerrichtung wird vor der Periode festgelegt, aus den Kosten jeder Art von Abweichung, wie im Gonik-Plan unten; und jede Anpassung trägt einen festgehaltenen Grund, was Fildes et al. (2009)¹ in einem einheitlichen Format vorzuschreiben vorschlagen. Das erste setzt allerdings voraus, dass jemand eine bevorzugte Fehlerrichtung offen benennt; Lawrence et al.² bezweifelten, dass Führungskräfte dazu bereit oder auch nur in der Lage wären.

Die andere Antwort ist die Gestaltung von Anreizen, und sie trennt Prognose und Ziel nicht, sondern bepreist die eine Zahl. Mantrala und Raman (1990)³ analysieren den Gonik-Plan, der einen Vertriebsmitarbeiter dafür belohnt, selbst eine anspruchsvolle Prognose zu wählen, die zu seiner Quota wird, und sie zu erfüllen („self-selecting a demanding forecast that becomes his quota“). Quota, Ziel und Prognose behandeln die Autoren als eine Zahl, was nach ihren Angaben in der Praxis oft zutrifft. Das Management stellt die Parameter so ein, dass Vertriebsmitarbeiter Schätzungen mit der vom Management gewünschten Erfüllungswahrscheinlichkeit melden („report sales estimates with the probabilities of fulfillment desired by management“), abgeleitet aus den Kosten einer zu niedrigen und einer zu hohen Prognose. Das ist eine bevorzugte Fehlerrichtung, in die Vergütung geschrieben, derselbe Gedanke wie im letzten Feld des Protokolls unten. Ihre Analyse ist ein Einperiodenmodell, dessen praktische Hinweise einen risikoneutralen Vertriebsmitarbeiter voraussetzen, kein Feldtest, und das Argument für einen solchen Plan beruht auf den Kosten von Prognosefehlern: Ausschlaggebend ist die Verlustfunktion des Unternehmens für Prognosefehler, nicht die Risikohaltung der einzelnen Vertriebsmitarbeiter („loss function associated with prediction errors rather than individual sales representatives’ risk attitudes that is a dominant concern underlying the use of the Gonik plan“).

Zusammen gelesen: Das Urteil bringt Information, die einem Modell fehlt, und die Feldevidenz zeigt, dass es auch Verzerrung mitbringt. Lawrence et al.² deuten einen Teil davon als gewollt; Fildes et al.¹, deren Prognostiker Genauigkeit als wichtigstes Ziel des Prozesses nannten, konnten Anreiz und kognitive Verzerrung nicht unterscheiden. Keine der Studien zeigt eine Methode, die überall gewinnt. Ein Protokoll kann die Schätzung, die Basisprognose, mit der sie verglichen wird, und die bevorzugte Fehlerrichtung sichtbar halten, damit sich eine Abweichung deuten lässt.

Wie hält man eine Vertriebsprognose schriftlich fest?

Halten Sie pro Prognoseobjekt und Periode eine Zeile mit fünf Feldern fest, in dieser Reihenfolge: Objekt und Ebene, Periode und Stichtag, Basisprognose und Endzahl, Anpassungen sowie bevorzugter Fehler und Zweck (Abbildung 3). Die Felder sind zugleich die Daten, die eine Prognose braucht: Ohne Basisprognose, Stichtag und Istwert kann keine spätere Überprüfung sagen, ob der Prozess etwas beigetragen hat.

1. Objekt und Ebene. Benennen Sie, was prognostiziert wird, in welcher Einheit und auf welcher Ebene: Produkt, Kundensegment, Region oder Account. Eine Summe kann genau wirken, während ihre Teile in entgegengesetzte Richtungen danebenliegen.
2. Periode und Stichtag. Benennen Sie die Periode, die die Prognose abschließt, und das Datum, an dem der Informationsstand eingefroren wurde, damit die Prognose an dem gemessen wird, was damals bekannt war.
3. Basisprognose und Endzahl. Halten Sie neben der Endzahl eine Basisprognose fest: eine statistische Prognose oder wenigstens die naive Prognose des letzten Istwerts, den Vergleichsmaßstab bei Lawrence et al.²
4. Anpassungen. Wenn jemand die Basis verändert, halten Sie fest, wer, in welche Richtung, um wie viel und warum. Eine so festgehaltene Änderung ist ein Prognose-Override.
5. Bevorzugter Fehler und Zweck. Sagen Sie, in welche Richtung sich das Unternehmen lieber irrt und warum, und welche Entscheidung die Prognose speist, bevor die Periode beginnt. Dann lässt sich eine Verzerrung in den Ergebnissen mit einer vorab festgehaltenen Vorgabe vergleichen.

Wo endet die Evidenz zur Vertriebsprognose?

Die Feldevidenz stammt von 13 großen australischen Herstellern von Markenkonsumgütern und Gebrauchsgütern, aus einem Aufsatz, der im Januar 1998 bei der Zeitschrift einging (Lawrence et al., 2000)², sowie von drei Herstellern und einem Händler in Großbritannien, die zwischen 2003 und 2005 die Nachfrage auf Artikelebene jeweils eine Periode im Voraus prognostizierten und deren Planer nach Angabe der Autoren kaum in Prognosemethoden geschult waren (Fildes et al., 2009)¹. Die Anreizanalyse ist ein Einperiodenmodell, dessen praktische Hinweise einen risikoneutralen Vertriebsmitarbeiter voraussetzen (Mantrala & Raman, 1990)³. Keine dieser Arbeiten untersucht B2B-Pipeline-Umsätze, SaaS-Buchungen oder Dienstleistungen; sie dort anzuwenden, ist als Denkstruktur vernünftig, aber eine Annahme, kein Befund.

Die naive Prognose ist ein gewählter Maßstab, kein Gesetz. Lawrence et al. (2000)² nutzen sie als vorsichtigen Vergleichsmaßstab („conservative benchmark“), und ein anderer Maßstab ändert die Zählung: Gegenüber einer naiven Prognose auf Basis zwei Monate alter Daten waren die Unternehmensprognosen in fünf Unternehmen signifikant besser, in drei signifikant schlechter und in fünf nicht signifikant verschieden. Keine der hier zitierten Studien misst, was eine bessere Prognose in Geld wert ist.

Referenzen

Zitate stehen in der Sprache des Originals; die deutschen Wiedergaben im Fließtext sind sinngemäß und stammen vom Autor.

1. Fildes, R., Goodwin, P., Lawrence, M., & Nikolopoulos, K. (2009). Effective forecasting and judgmental adjustments: An empirical evaluation and strategies for improvement in supply-chain planning. International Journal of Forecasting, 25(1), 3-23. https://doi.org/10.1016/j.ijforecast.2008.11.010
2. Lawrence, M., O'Connor, M., & Edmundson, B. (2000). A field study of sales forecasting accuracy and processes. European Journal of Operational Research, 122, 151-160. https://doi.org/10.1016/S0377-2217(99)00085-5
3. Mantrala, M. K., & Raman, K. (1990). Analysis of a sales force incentive plan for accurate sales forecasting and performance. International Journal of Research in Marketing, 7, 189-202. https://doi.org/10.1016/0167-8116(90)90021-E