Wann ist ein Forecast gut?

Ein Forecast ist umso besser, je präziser und je langfristiger mit ihm der Eintritt des Verkaufserfolgs zeitlich, monetär und mengenmäßig abgeschätzt werden kann. Seine Qualität wird an der Abweichung des geschätzten Wertes von dem im Augenblick der Schätzung selbstverständlich nicht bekannten, weil erst in der Zukunft eintreffenden, realen Wertes gemessen. Je näher diese Zukunft zeitlich rückt, desto präziser muss die Schätzung sein. Abbildung 3.1 verdeutlicht dies und zeigt das Ergebnis: eine sich trichterförmig zeigende Verteilung der Prognosewerte bei einem rollierenden, also in festen Zeitintervallen (hier: wöchentlich) aktualisierten Forecast.

Um die Prognosefehler zu messen, muss der Forecast in jedem Aktualisierungsintervall (hier: jede Woche) festgehalten, also gespeichert, werden. Wird er lediglich fortgeschrieben, ist es im Nachhinein nicht mehr möglich, zu ermitteln, wie gut der (tatsächliche) Eintrittswert vor x Wochen oder Monaten geschätzt wurde. Erfolgt das Speichern korrekt, kann überprüft werden, ob sich die Prognosewerte für einen zukünftigen Zeitpunkt tz tatsächlich trichterförmig dem zunächst unbekannten Eintrittswert annähern. Tun sie das nicht, weist dies auf zufällige Schätzungen hin. Der nächste Aspekt ist, dass ein Forecast zweckdienlich sein muss. Welche Prognosedaten erhoben bzw. ermittelt werden sollen, hängt von den betrieblichen

Anforderungen ab. Typisch und in den meisten Fällen Usus ist es,

1. den Auftragswert in Euro,

2. den Auftragsumfang als Menge,

3. den Zeitpunkt des Kaufs,

4. die angebotenen Produkte bzw. Leistungsverrichtungen sowie

5. die Wahrscheinlichkeit des Kaufs

zu prognostizieren. Hier zeigt sich zuweilen, dass Unternehmen dazu neigen, den Forecast zu überfrachten: Es werden je nach Geschäftsmodell und betrieblicher Erfordernis weitere Informationen gefordert (Lieferzeitpunkt, Lieferintervalle, Produktarten, Zwischenschritte im Verkaufsprozess, Rechnungsstellung, Zahlungseingang usw.). Der Aufwand steigt beträchtlich und der Fokus der Arbeit, einen guten Basis-Forecast zu erstellen, geht verloren.

Ein letzter hier dargestellter Aspekt, der die Forecast-Erstellung schwierig macht, ist die Verfügbarkeit von Inputdaten. Dabei kommt es auf folgende Faktoren an:

• Qualitative Konstanz: Die Reliabilität als das Maß für die Genauigkeit, mit der die Inputdaten als Ausgangspunkt von Prognosen die erwartete Zukunft beschreiben, soll konstant sein. Wohlgemerkt geht es hier nicht um das Genauigkeitsmaß an sich, sondern um dessen Konstanz! Unsystematische, erratische Schwankungen lassen sich nicht durch methodische Korrekturen ausgleichen. Günstiger ist, dass wenn schon ein die Zukunft beeinflussender Faktor falsch eingeschätzt wird, dieser konstant falsch eingeschätzt wird, denn das lässt sich korrigieren.

• Regelmäßigkeit: Ein kontinuierlicher Prognoseprozess ist möglich, wenn die Inputdaten regelmäßig vorgelegt werden. Die Anpassung an Hinzugelerntes, etwa die Neueinschätzung eines Kundenkontaktes nach dem letzten Gespräch mit dem Einkäufer, erfolgt in prozessual definierter Form, so dass sichergestellt ist, dass diese Information berücksichtigt wird.

• Festgelegter Dateninput-Prozess: Es ist festgelegt, auf welche Art und Weise Inputdaten in den Forecast einfließen. Ob es sich um eine Hohlschuld des Vertriebscontrollers oder um eine Bringschuld der Verkaufsinstanz handelt, ob die Belieferung IT-unterstützt, per Mail, in einem Meeting, kontinuierlich oder diskontinuierlich erfolgt, ist zu definieren.

Achtet ein Vertriebscontroller oder derjenige, der für die Erstellung des Forecast verantwortlich ist, auf die in diesem Kapitel dargestellten Aspekte, wird er eine Reihe von Fehlern, die oft zu beobachten sind, vermeiden. Gute, belastbare Forecasts, auch jene, die methodisch einfach sind, bedürfen zweifelsfrei einiger gründlicher Vorüberlegungen, die Fehler zu vermeiden helfen.