Die Zahl, die Sie melden

Jeden Montagmorgen vollzieht sich in tausenden Vertriebsorganisationen dasselbe Ritual. Das Revenue-Operations-Team zieht die aktuellen Pipeline-Daten aus Salesforce, HubSpot oder einer KI-gestützten Prognoseplattform wie Clari. Das System berechnet eine mathematische Projektion für das Quartal – die operative Grundlage für eine gemeinsame Zahl für das kommerzielle Team.

Dann setzen sich die Vertriebsleiter zusammen, um die Zahl zu überprüfen.

Deal für Deal, Kategorie für Kategorie wird korrigiert. Ein Enterprise-Deal, der in der Rechtsabteilung feststeckt, wird nach vorne geschoben, weil der Account Executive auf die mündliche Zusage des Kunden vertraut. Eine Region, die ihrem Ziel hinterherhinkt, erhält einen pauschalen Aufschlag von fünf Prozent im Commit, weil der Regionalleiter zuversichtlich ist, dass sein Team das Quartal noch dreht. Wenn die Prognose schließlich beim Vorstand landet, ist es nicht mehr die Zahl des Systems. Es ist die Zahl, die die Vertriebsführung beschlossen hat zu melden.

Diesem wöchentlichen Vorgehen liegt die implizite Annahme zugrunde, dass menschliche Eingriffe die Prognosequalität verbessern. Führungskräfte glauben, dass ihre Nähe zum Markt, ihr Gespür für Kundenentscheidungen und ihre Erfahrung zusätzlichen Informationswert stiften.

Die empirischen Daten zeigen das Gegenteil.

Wenn menschliches Urteil eine quantitative Baseline-Prognose ohne klare Leitplanken überschreibt, sinkt die Treffsicherheit systematisch. Und in der größten Feldstudie, die jemals zu diesem Thema durchgeführt wurde, war dieser Schaden nicht zufällig verteilt. Er folgte einem klaren mathematischen Muster: Die Richtung dominiert die Größe.

Warum verzerren manuelle Management-Overrides systematisch die Umsatzprognose?

Während Softwareanbieter unablässig Whitepaper über Pipeline-Hygiene veröffentlichen, hat die akademische Forschung zum Thema Judgmental Forecasting über Jahrzehnte präzise vermessen, was tatsächlich geschieht, wenn Manager statistische Baselines manuell anpassen.

Die maßgebliche empirische Untersuchung stammt von Fildes et al. (2009), veröffentlicht im International Journal of Forecasting. Die Forscher analysierten 68.984 vollständige Prognose-Tripel – jeweils bestehend aus der statistischen System-Baseline, der manuell angepassten Prognose und dem tatsächlich eingetretenen Ergebnis – über zwei bis drei Jahre hinweg in vier großen Industrie- und Handelsunternehmen.

Die Ergebnisse widerlegen das gängige Management-Bauchgefühl in drei Punkten:

1. Aufwärtskorrekturen sind überwiegend falsch. Bei den Herstellern führten 66 % der Aufwärtskorrekturen zu einer Endprognose, die über dem tatsächlichen Bedarf lag. Beim Einzelhändler waren es sogar 83 %. Wenn Führungskräfte Zahlen nach oben korrigierten, lagen sie in drei bis vier von fünf Fällen falsch.
2. Abwärtskorrekturen stiften verlässlich Wert. Negative Anpassungen überschätzten die Realität über den gesamten Datensatz hinweg nur in 46 % der Fälle. Wenn Manager eine Prognose kürzen, haben sie meistens recht. Abwärtskorrekturen fungieren als notwendiges Korrektiv gegen überoptimistische Baselines.
3. Kleinstkorrekturen vernichten Zeit, ohne Genauigkeit zu bringen. Manager verwenden erhebliche Arbeitszeit darauf, Zahlen um wenige Prozentpunkte anzupassen. Fildes et al. zeigten, dass kleine Anpassungen kaum oder gar keinen Genauigkeitsgewinn bringen. Wie die Autoren in §5.3 festhalten, würde das Vermeiden kleinerer Anpassungen die Genauigkeit geringfügig verbessern, vor allem aber wertvolle Arbeitszeit der Beteiligten freisetzen.

Warum die Asymmetrie entsteht: Die Übertragung auf B2B

Fildes et al. untersuchten die Nachfrageprognose auf Artikelebene (SKU) in Lieferketten. Eine B2B-Vertriebspipeline unterscheidet sich davon naturgemäß: Deals sind diskret, Abschlussvolumina heterogen und Vertriebszyklen erstrecken sich über Monate.

Moderne Plattformen für Revenue Operations bilden jedoch exakt dieselbe Architektur ab: Eine quantitative Baseline (basierend auf Phasenfortschritt, historischen Konversionsraten und Aktivitätsdaten, wie bei der Analyse wie KI Revenue Operations verändert), wird anschließend durch menschliche Führungskräfte manuell übersteuert.

Der Grund, warum das Phänomen der Richtungsverzerrung nahtlos auf Vertriebsleiter zutrifft, liegt in der Asymmetrie der menschlichen Nutzen- und Verlustfunktion.

Wenn ein Vertriebsleiter eine Prognose nach oben korrigiert, reagiert er auf Zielerreichungsdruck, Erwartungen der Geschäftsführung und optimistische Selbstüberzeugung. Ein Account Executive, dem ein einziger Deal zur Quartalsquote fehlt, redet sich ein, dass die Verzögerung im Einkauf reine Formsache sei. Der Vertriebsleiter bestätigt die Erhöhung, um im wöchentlichen Meeting einen tragfähigen Plan präsentieren zu können. Die kurzfristigen Schmerzen eines offenen Forecast-Lochs wiegen schwerer als das ferne Risiko eines Fehlschlags am Quartalsende.

Abwärtskorrekturen geschehen unter völlig anderen psychologischen Vorzeichen. Kaum ein Vertriebsleiter streicht freiwillig einen fest eingeplanten Deal, es sei denn, er verfügt über harte, unumstößliche Negativinformationen: Der Hauptansprechpartner hat das Unternehmen verlassen, ein Wettbewerber hat die Preise um 40 % gesenkt oder die Geschäftsleitung des Kunden hat einen Einstellungs- und Ausgabenstopp verhängt. Weil negative Anpassungen politisch unangenehm sind, werden sie nur bei erdrückender Beweislage vorgenommen.

Das Ergebnis: Unbeschränkte Aufwärtskorrekturen erzeugen Rauschen und Wunschdenken, während Abwärtskorrekturen echte, im System noch nicht erfasste Risikoinformationen einbringen.

Wie schützt das asymmetrische Override-Protokoll die Prognosegenauigkeit?

Vertriebsleitern manuelle Anpassungen vollständig zu untersagen, ist weder realistisch noch sinnvoll. Im Vertrieb existiert echtes Insiderwissen: Juristische Blockaden oder überraschende Vetos von Budgetverantwortlichen lassen sich von CRM-Phasenregeln nicht in Echtzeit erfassen.

Die Lösung besteht nicht darin, das Urteilsvermögen abzuschaffen, sondern asymmetrische Hürden einzuziehen.

Prognosedimension	Übliche Vertriebspraxis	Asymmetrisches Override-Protokoll
Aufwärtskorrekturen (Hochstufen in den Commit)	Basiert auf verbaler Zuversicht oder Bauchgefühl. Geringe Hürden.	Hohe Nachweispflicht: Erfordert nachweisbare, externe Belege (z. B. genehmigte Vertragsentwürfe, abgeschlossenes Security-Audit, schriftliche Freigabe). Verpflichtende Dokumentation.
Abwärtskorrekturen (Streichen aus dem Commit)	Im Forecast-Review ungern gesehen; oft als mangelnder Einsatz ausgelegt.	Reibungslos: Sofort und ohne Sanktionen möglich. Ausdrücklich erwünscht, sobald Deal-Geschwindigkeit sinkt oder Kundenkontakte abreißen.
Kleinstanpassungen (unter 10 %)	Ständiges Feilen an dutzenden Deals im Mittelfeld der Pipeline.	Untersagt: Anpassungen unter 10 % des Dealvolumens sind gesperrt, um Führungskapazitäten zu schützen.
Erfolgsmessung & Tracking	Nur die gemeldete Endzahl wird mit den Ist-Zahlen verglichen.	Drei-Spalten-Audit: Das CRM protokolliert System-Baseline, Manager-Anpassung und Tatsächlicher Umsatz, um die Trefferquote einzelner Führungskräfte über Zeit zu messen.

Für die operative Umsetzung im Team gelten drei Regeln:

1. Nachweishürden für Aufwärtskorrekturen etablieren

Lassen Sie im Forecast-Call keinen Deal allein aufgrund von Gesprächen in den Commit hochstufen oder im Volumen anheben. Fordern Sie drei objektive Kriterien:

• Schriftliche Bestätigung der Budgetallokation durch den wirtschaftlichen Entscheider.
• Vollständiger Abschluss technischer und juristischer Prüfungen (z. B. freigegebenes Security-Assessment, Vertragsvorlage im finalen Umlauf).
• Ein gemeinsam mit dem Kunden schriftlich vereinbarter Einführungs- und Unterzeichnungsplan.

Liegen diese Nachweise nicht vor, bleibt die statistische Baseline unverändert bestehen.

2. Barrieren für Abwärtskorrekturen abbauen

Fördern Sie frühzeitige Warnungen. Wenn ein Vertriebsmitarbeiter oder Teamleiter erkennt, dass ein Deal ins Stocken gerät, und ihn aus dem Commit nimmt, akzeptieren Sie diesen Schritt sofort. Je früher eine realistische Lücke sichtbar wird, desto schneller können Marketing- und Outbound-Ressourcen umverteilt werden, um die Pipeline nachzuziehen.

3. Ein Override-Journal im CRM führen

Erfassen Sie im CRM oder in Ihrem BI-Tool über das gesamte Quartal hinweg drei Kennzahlen:

• Forecast_Baseline: Die unbereinigte quantitative Systemprognose.
• Forecast_Final: Die von der Vertriebsleitung gemeldete Prognose nach manuellen Eingriffen.
• Actual_Revenue: Die tatsächlich zum Quartalsende gebuchten Umsätze.

Berechnen Sie am Quartalsende für beide Spalten die mittlere absolute prozentuale Abweichung (MAPE) im Vergleich zu den tatsächlichen Ergebnissen. Weist die manuell angepasste Prognose einer Führungskraft eine höhere Fehlerquote auf als die Baseline des Systems, zerstört der manuelle Eingriff systematisch Information.

Wie Fildes und Goodwin bereits 2007 in ihrer Studie in Interfaces nachwiesen, eliminiert allein die Pflicht zur schriftlichen Begründung und die systematische Nachverfolgung der Trefferquote mehr als die Hälfte aller wertvernichtenden Anpassungen. Da Forecastgenauigkeit gegenläufige Fehler verbergen kann, verhindert ein stufenweises Audit zudem, dass sich optimistische und pessimistische Fehleinschätzungen gegenseitig neutralisieren.

Wenn Ihr Führungsteam das nächste Mal zusammenkommt, um die Zahl für das Quartal festzulegen, denken Sie an das, was 68.000 Prognosen belegen: Wenn Sie das Bedürfnis verspüren, eine Zahl nach oben zu korrigieren, raten Sie höchstwahrscheinlich. Wenn Sie sie nach unten korrigieren, haben Sie fast immer recht.

Grenze

Grenze. Die SKU-Studie ist kein B2B-Pipeline-Beleg. Übertrage sie als Hypothese und vergleiche bereinigte Aufträge mit einer passenden Baseline.

Literatur

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