Verkaufsprognosen – wie entstehen präzise Vorhersagen?
Wenn Sie in einem B2B-Unternehmen im (oder mit) dem Vertrieb arbeiten, dann wurden Sie mit Sicherheit schon einmal nach ihrer Meinung zu zukünftigen Verkäufen gefragt. Ungefähr so: „Wieviel werden Sie im nächsten Quartal schätzungsweise verkaufen?“
Ist das sinnvoll? Entstehen durch die grobe Abschätzung vieler Vertriebler gute Verkaufsprognosen? Seien Sie gespannt.
Es gibt viele Möglichkeiten Prognosen zu erstellen. Vom Bauchgefühl geleiteten Schätzungen über einfache bis hin zu sehr komplexen Modellen der Mathematik und Statistik. Manche sind nur besser als andere.
Bevor wir auf die verschiedenen Vorhersage-Möglichkeiten eingehen, widmen wir uns zuerst einmal folgender Frage:
Verkaufsprognosen: Von was genau reden wir hier?
An was haben Sie zuerst gedacht, wenn Sie das Wort „Verkaufsprognosen“ lesen? Wir tippen auf Umsatzprognosen. Und das ist auch richtig. Allerdings sind Umsatzprognosen nur eine von mehreren Vorhersagearten, die dem Vertrieb nützlich sind.
Überlegen Sie: Welche Vorhersagen über Ihre B2B-Kunden könnten Ihren Job noch erleichtern?
Welche Kaffeesorte ihr Verhandlungspartner am ehesten trinkt? Unterhaltsam wäre es – aber Spaß beiseite.
Vorhersagen wie „Welchen Preis akzeptiert Ihr Kunde am wahrscheinlichsten“ (Dynamic Pricing) oder „Welcher Kunde droht abzuwandern“ (Abwanderungsprognosen), bewahren vor bösen Überraschungen und geben Zeit zum Handeln.
Amazon hat einen weiteren Verkaufsprognose-Typ zu einer Berühmtheit gemacht: Die „Cross-Selling-Prognose“.
Wir sind uns sicher, dass Sie folgende Sätze kennen: „Andere Kunden kauften auch…“ oder „Das könnte Sie ebenfalls interessieren…“.
Cross-Selling bedeutet „Querverkauf“ und hat zum Ziel, dass ein Kunde – zusätzlich zum ursprünglichen Produkt – ein weiteres Produkt kauft. Diese Funktion generiert bei Amazon über 25% des Umsatzes.
Sie sehen also, dass Umsatzprognosen nicht die einzigen nützlichen Vorhersagen sind, die dem Vertrieb helfen können.
Wie kommen solche Prognosen zustande – Möglichkeit „Mensch“.
Sie wären erstaunt, wie viele deutsche B2B-Unternehmen ihren Umsatz über Vertriebsmitarbeiter-Befragungen und durch eine gute Portion Bauchgefühl vorhersagen.
Und noch erstaunlicher ist es, dass diese „Pi-mal-Daumen-Vorhersagen“ oft gar nicht so schlecht sind. Nur wann wird es schwierig?
Dann, wenn Sie viele hunderte Kunden und Produkte und somit auch sehr viele Transaktionen haben. Je weniger Kunden und Produkte, desto einfacher ist es, den Überblick zu behalten und desto besser sind die eigenen „menschlichen“ Hochschätzungen. Aber mit Tausenden? Mission impossible.
Ein weiterer Knackpunkt sind detaillierte Vorhersagen. Was meinen wir damit? Eine Umsatzvorhersage ist eine Zahl, die den gesamten Umsatz über einen bestimmten Zeitraum beinhaltet. Aber was ist, wenn es tiefer geht? Der zukünftige Umsatz pro Kunde oder pro Produkt. Unserer Erfahrung nach, sind die „menschlichen“ Vorhersagen auf dieser detaillierten Ebene nicht besser als Zufall.
Wie kommen solche Prognosen zustande – Möglichkeit „statistische Modelle“.
Um das Prinzip hinter diesen Modellen zu erklären, nehmen wir eines der einfachsten zu Hilfe: eine lineare Funktion.
Als kurzes Beispiel: ein Kunde kauft seit einem Jahr jeden Monat für 100 € bei Ihnen ein.
Ich schätze, Sie können jetzt ganz gut vorhersagen, wie viel Umsatz Sie mit diesem Kunden in den nächsten 3 Monaten machen. Keine Raketenwissenschaft.
Was war für diese Vorhersage nötig?
Historische Daten: der Kunde hat in den vergangenen Monaten immer für 100 € eingekauft.
Mustererkennung: Sie gehen davon aus, dass das „Muster“ (jeden Monat 100 €) beibehalten wird.
Hochrechnung: anhand von diesem Muster, berechnen Sie (100 Euro x 3) wie viel Umsatz der Kunde in 3 Monaten einbringt.
In der Realität folgt leider nicht viel diesem sehr simplen Muster.
Und insbesondere menschliche Verhaltensweisen nicht. Denn auch getätigte Käufe im B2B-Bereich zählen zu menschlichem Verhalten.
Wie kann „Mathe“ menschliches Verhalten vorhersagen?
Durch Muster in der Vergangenheit. Nicht so einfache Muster, wie eine lineare Funktion – doch sie sind da und das Prinzip ist ähnlich (historische Daten, Mustererkennung und Hochrechnung).
Denn Käufe finden nicht wahllos und zufällig statt.
Wenn Sie in einem Großhandelsunternehmen oder bei einem Industriehersteller arbeiten, wissen Sie, dass Ihre Kunden schon gewisse Regelmäßigkeiten und Präferenzen bei ihren Käufen haben.
Um nur ein paar zu nennen:
– wie oft sie kaufen,
– wie viel sie kaufen,
– wie viel haben sie in der Vergangenheit gezahlt,
– in welchen Zeitabstände sie kaufen.
…und noch viele mehr.
Das sind alles Kriterien, aus denen eine Prognose für jeden einzelnen Kunden „gebaut“ werden kann.
Welches statistische Modell verwendet wird, hängt von dem Ziel der Vorhersage ab. Also: was will ich wissen?
Ob der Kunde abwanderungsgefährdet ist? Hier muss eine Wahrscheinlichkeit für eine Abwanderung berechnet werden. Das kann bspw. über einen Wahrscheinlichkeitsbaum gemacht werden.
Welchen Preis er akzeptieren könnte? Hier müsste ein Preiskorridor pro Kunde und Produkt erstellt werden.
Sie sehen also, dass diese Hochrechnungen sehr aufwendig und bei hunderten Kunden und Produkten händisch nicht mehr machbar sind.
Wie funktioniert es also?
Durch den Einsatz von künstlicher Intelligenz hat sich in den letzten Jahren die Qualität der Vorhersagen enorm gesteigert.
Der Grund dafür ist, dass die Algorithmen, die dahinter stecken sehr viele Merkmale in Ihre Hochrechnungen miteinbeziehen können. Sie sind Meister darin, in großen Datensätzen Muster zu erkennen (maschinelles Lernen).
So hat sich auch das Wort „Predictive Analytics“ (oder speziell auf den Vertrieb bezogen: „Predictive Sales Analytics“) etabliert.
Es gibt Softwareprogramme, die sich voll und ganz darauf spezialisiert haben, möglichst genaue Verkaufsvorhersagen zu machen.
Unser Tipp ist also: Plagen Sie sich nicht mit händischen Excel Tabellen. Auch die Zeit von Fachkräften im Bereich Datenanalysen ist sehr wertvoll und begrenzt. Automatisieren Sie Verkaufsprognosen durch eine Software. So können Sie und Ihre Vertriebsmannschaft sich voll und ganz auf Ihre Kunden konzentrieren.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Mindestanforderung an Verkaufsprognosen.
Eines muss klargestellt werden. Prognosen sind nie 100 % richtig. Wir können die Zukunft nicht haargenau vorhersagen, denn keiner von uns kennt sie oder hat eine magische Glaskugel .
Das Ziel von Prognosen und den ganzen Modellen, die dahinter stecken ist es, möglichst nahe an die zukünftige Realität zu kommen.
Um das zu erklären, nehmen wir wieder Amazon.
Sie erinnern sich an die Produktvorschläge „Was Sie noch interessieren könnte…“? Darunter werden Ihnen mehrere Artikel vorgeschlagen. Und jedes Produkt, auf das Sie NICHT klicken, wäre eine falsche Vorhersage.
Ganz schön viele falsche Vorhersagen, oder? Für den Einzelnen gesehen, ja. ABER über die Masse hinweg, ist dieser Amazon-Vorschlag-Algorithmus so gut, dass er ein Viertel des Gesamtumsatzes einbringt!
Was ist nun die Mindestanforderung an ein Prognosemodell? Es muss mindestens besser als der Zufall sein.
Amazon hat ca. 500 Millionen Produkte für Verbraucher. Die Mindestanforderung an den Amazon Algorithmus ist es also, dass diese Vorschläge besser angenommen werden, also komplett zufällig angebotene Produkte.
Und das schafft dieser Algorithmus mit Pauken und Trompeten.
ICH MÖCHTE PREDICTIVE ANALYTICS FÜR DEN B2B-VERTRIEB
Literaturempfehlungen und Nachweise:
Lorenz, H. (2018): 4 Methoden für treffsichere Prognosen. Hg.: Das Unternehmerhandbuch.
Wie entstehen Prognosen? Hg.: SWR