VertriebsplanungWie entstehen zuverlässige Verkaufsprognosen?

Wenn Sie in einem Unternehmen im oder mit dem Vertrieb arbeiten, dann wurden Sie mit Sicherheit schon einmal nach Zahlen zu zukünftigen Verkäufen gefragt. Etwa so: „Wie viel werden Sie im nächsten Quartal schätzungsweise verkaufen?“

Sind solche Abfragen sinnvoll? Entstehen durch grobe Schätzungen vieler Vertriebler gute Verkaufsprognosen? Es gibt viele Möglichkeiten, Prognosen zu erstellen. Sie reichen vom einfachen Bauchgefühl bis zu sehr komplexen Modellen der Mathematik und Statistik.

Woran haben Sie zuerst gedacht, wenn Sie das Wort „Verkaufsprognose“ lesen? Vermutlich verbinden Sie damit Umsatzprognosen. Und das ist auch richtig. Allerdings sind Umsatzprognosen nur eine von mehreren Vorhersage-Arten, die im Vertrieb nützlich sind.

Darüber hinaus gibt es weitere Vorhersagen über Ihre Kunden, die für die Vertriebs- und Geschäftsplanung wichtig sein können. Zum Beispiel:

• Vorhersagen zur Preisgestaltung (Dynamic Pricing) mit Antworten auf Fragen wie: „Welchen Preis akzeptiert Ihr Kunde am wahrscheinlichsten?“
• Vorhersagen zur Kundenbindung (Abwanderungsprognosen) mit Antworten auf Fragen wie: „Welcher Kunde droht abzuwandern?“

Amazon hat einen weiteren Verkaufsprognose-Typ zu einer Berühmtheit gemacht: die Cross-Selling-Prognose. Fast alle kennen die Produktvorschläge, die mit „Andere Kunden kauften auch …“ oder „Das könnte Sie ebenfalls interessieren …“ gekennzeichnet sind. Sie basieren auf den Cross-Selling-Prognosen des Amazon-Algorithmus.

Cross-Selling bedeutet Querverkauf und hat zum Ziel, dass ein Kunde – zusätzlich zum ursprünglichen Produkt – ein oder mehrere weitere Produkte kauft oder zusätzliche Dienstleistungen erwirbt. Mit Cross-Selling generiert Amazon über 25 Prozent des Umsatzes.

Viele Unternehmen planen ihren zukünftigen Umsatz mithilfe von Abfragen bei ihren Mitarbeiterinnen und Mitarbeitern im Vertrieb. Sie bauen auf deren Erfahrung und Bauchgefühl. Erstaunlich ist es, dass diese „Pi-mal-Daumen-Vorhersagen“ oft gar nicht so schlecht sind.

Doch in vielen Fällen reichen diese Schätzungen nicht aus. Dann, wenn Sie viele hunderte Kunden und Produkte und somit auch sehr viele Transaktionen haben, helfen nur mehr oder weniger ausgeklügelte mathematische und statistische Verfahren.

Ein weiterer Knackpunkt sind detaillierte und differenzierte Vorhersagen. Eine Umsatzvorhersage ist eine Zahl, die den gesamten Umsatz über einen bestimmten Zeitraum beinhaltet. Aber was ist, wenn es genauer sein soll?

Der zukünftige Umsatz pro Kunde oder pro Produkt – wenn Produktion, Lagerhaltung und Logistik von möglichst genauen und zuverlässigen Verkaufsprognosen abhängen. Bauchgefühle und einfache Schätzungen reichen dann nicht mehr aus. Diese Vorhersagen sind nicht besser als Zufall.

Das Prinzip der statistischen Modelle lässt sich am einfachsten mit dem Modell einer linearen Funktion erklären. Als kurzes Beispiel: Ein Kunde kauft seit einem Jahr jeden Monat für 100 Euro Waren bei Ihnen ein. Sie können auf dieser Basis gut vorhersagen, wie viel Umsatz Sie mit diesem Kunden in den nächsten drei Monaten machen. Was ist für diese Vorhersage nötig?

1. Historische Daten: Der Kunde hat in den vergangenen Monaten immer für 100 Euro eingekauft.
2. Mustererkennung: Sie gehen davon aus, dass das Muster „jeden Monat 100 Euro Umsatz“ beibehalten wird.
3. Hochrechnung: Auf der Grundlage dieses Musters, berechnen Sie, wie viel Umsatz der Kunde in drei Monaten einbringt; drei Mal 100 Euro.

Ein so einfaches und stabiles Muster entspricht aber selten der Realität. Denn es gibt viele Einflussfaktoren, die das Kaufverhalten von privaten und gewerblichen Kunden bestimmen. Die Muster sind dynamisch und die statistischen Modelle müssen daraufhin angepasst werden.

Mathematische und statistische Modelle für dynamische Muster basieren auf dem Kaufverhalten in der Vergangenheit. Es braucht also die gleichen drei Grundlagen: historische Daten, Mustererkennung und Hochrechnung. Allerdings müssen in die Berechnungen viele unterschiedliche Einflussfaktoren und Variablen einbezogen werden.

Gleichzeitig gilt: Käufe finden nicht wahllos und zufällig statt. Wenn Sie in einem Handelsunternehmen oder bei einem Industrieunternehmen arbeiten, wissen Sie, dass Ihre Kunden gewisse Regelmäßigkeiten und Präferenzen bei ihren Käufen haben, aus denen sich Muster ableiten lassen. Regelmäßigkeiten finden sich beispielsweise bei folgenden Betrachtungen:

• wie oft Kunden kaufen
• wie viel sie kaufen
• wie viel sie in der Vergangenheit gezahlt haben
• in welchen Zeitabstände sie kaufen
• … und noch viele mehr

Das sind Kriterien, aus denen eine Prognose für jeden einzelnen Kunden abgeleitet werden kann. Welches statistische Modell dafür verwendet wird, hängt vom Ziel der Vorhersage ab. Also: Was wollen Sie wissen?

• Ob der Kunde abwanderungsgefährdet ist? Hier muss eine Wahrscheinlichkeit für eine Abwanderung berechnet werden. Das kann beispielsweise über einen Wahrscheinlichkeitsbaum ermittelt werden.
• Welchen Preis der Kunde akzeptieren könnte? Hier wird ein Preiskorridor pro Kunde und Produkt erstellt.

Sie sehen, dass diese Hochrechnungen sehr aufwendig und bei hunderten Kunden und Produkten manuell und aus dem Bauch heraus nicht mehr machbar sind.

KI als Hilfestellung

Durch den Einsatz von Künstlicher Intelligenz (KI) hat sich in den vergangenen Jahren die Qualität der Vorhersagen enorm gesteigert. Der Grund dafür ist, dass die Algorithmen, die dahinterstecken, sehr viele Merkmale, Einflussfaktoren und Variablen in Ihre Hochrechnungen einbeziehen können. Sie sind Meister darin, in großen Datensätzen Muster zu erkennen (maschinelles Lernen).

Für diese Verfahren hat sich auch der Begriff „Predictive Analytics“ oder speziell auf den Vertrieb bezogen: „Predictive Sales Analytics“ etabliert. Hier werden Softwareprogramme eingesetzt, die sich voll und ganz darauf spezialisiert haben, möglichst genaue Verkaufsvorhersagen zu machen.

Auch für die besten mathematischen Verfahren gilt: Prognosen sind nie zu einhundert Prozent richtig. Sie können die Zukunft nicht genau vorhersagen. Das Ziel von Prognosen und den zugrundeliegenden Modellen ist es, möglichst nahe an die zukünftige Realität zu kommen.

Was ist die Mindestanforderung an ein Prognosemodell? Es muss mindestens besser als der Zufall sein.

Das lässt sich wieder am Beispiel Amazon erläutern. 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. Amazon hat rund 500 Millionen Produkte für Verbraucher.

Die Mindestanforderung an den Amazon-Algorithmus ist es also, dass diese Vorschläge besser angenommen werden als komplett zufällig angebotene Produkte. Und das lässt sich mit dem Algorithmus prüfen. Und über alle Verkäufe hinweg, ist dieser Amazon-Vorschlag-Algorithmus so gut, dass er ein Viertel des Gesamtumsatzes einbringt.