Vertriebsprognosen

Am 7. März 2013 trug Schawarsch Karampetjan die olympische Fackel auf dem Weg nach Sotschi, wo das Feuer im Februar 2014 entflammt werden sollte und letztlich auch wurde. Prompt ging ihm die Fackel aus, weil ein Ventil der Gasfackel defekt war. Sofort wurde in diversen Blogs kommentiert, dass es sich um ein „schlechtes Omen“ für den Verlauf der Spiele handeln würde, und zahlreiche Tageszeitungen und Nachrichtenagenturen griffen dies auf: Das Erlöschen des olympischen Feuers sei ein schlechtes Vorzeichen, die olympischen Winterspiele stünden unter einem „schlechten Stern“.

Besser als Gilliland kann ich es nicht formulieren:

Erstaunlicherweise ist es relativ einfach, die wesentlichen Erfolgsfaktoren für eine gute Prognose zu ermitteln. Diese sollten dann auch – ausgedruckt und fett umrandet – über dem Schreibtisch des Forecasters hängen, gleichsam als „Manifest der Vertriebsprognose“.

Warum ist eine gute, präzise Prognose so schwer? Sie scheint es zumindest zu sein, wenn wir die Leistungsfähigkeit von Prognosen in Unternehmen als Maßstab nehmen. Doch im Grunde genommen ist sie nicht „schwer“, sie ist lediglich „anspruchsvoll“. Das Kap. 3 zeigt bereits einen Weg, zu einer guten, präzisen Vertriebsprognose zu kommen, der eine wichtige Rolle als Grundlage der Bereichs- und Unternehmensplanung zukommt.

Zwei enttäuschende Nachrichten zu Beginn dieses Kapitels: Für die Auswahl der richtigen Prognosetechnik gibt es kein Patentrezept, keine Musteranleitung, kein Standardverfahren.

Im Grunde genommen ist es einfach: Eine Prognose ist gelungen, wenn der Prognosewert exakt vorausgesagt wird. Vielleicht können noch einige Nebenbedingungen hinzukommen, rechtzeitig, kostengünstig und so weiter. Aber dieses Ziel zu erreichen ist so leicht nicht, denn die komplexe Zukunft exakt vorauszusagen, ist schlichtweg unmöglich und das sollte in den vorangegangenen Kapiteln auch deutlich geworden sein.

Mit dem naiven Forecast wird der zweite Teil dieses Buches eröffnet, in dem alle relevanten Prognose-Methoden erläutert und beschrieben werden. Das gerade er den Auftakt macht, ist keineswegs Zufall und der Grund wurde in Abschn. 6.3 beschrieben:

Statistische Prognosen schreiben Werte der Vergangenheit in die Zukunft fort. Dafür werden Algorithmen angewendet, die mal einfach, mal kompliziert sind; teilweise sind sie Bestandteil üblicher Tabellenkalkulationsprogramme wie MS Excel und somit einfach verfügbar.

Bei den bisherigen Methoden, sowohl dem naiven Forecast in all seinen Variationen, als auch bei den auf Zeitreihenanalysen basierenden Trendextrapolationen, war die Basis der Prognose stets eine wie auch immer bewerkstelligte Verarbeitung von Vergangenheitsdaten.

Der in Kap. 9 behandelte rollierende Forecast basiert auf Einschätzungen wesentlicher Parameter durch Verkaufsinstanzen, meist Verkäufer. Diese sind Experten für die zielgerichtete Gestaltung der Interessentenkontaktsituation. Nur sie erleben diese Interaktion, nur sie sind in der Lage, daraus die Folgen für die Zukunft abzuleiten.

Das exorbitante Wachstum der Sozialen Medien einerseits und der Transfer zahlreicher klassischer, etablierter Geschäftsmodelle wie dem Versandhandel auf webgestützte Interaktionsplattformen (Websites und Smartphone-Apps) brachten uns die Möglichkeit, Daten in zuvor unbekannter Menge zu akkumulieren. Big Data war geboren.

Meine Vorstellung vom Leser, den ich beim Schreiben dieses Buches vor Augen hatte, war die eines Vertriebscontrollers. Seine Aufgabe ist, als Teil des Vertriebs dem Vertriebsmanagement, vielleicht auch dem Unternehmensmanagement, Informationen zu liefern, damit diese ihren Job erfolgreich erledigen können. Die luxuriöse Situation für einen Vertriebscontroller ist, dass er (in der Regel) keine unternehmerische Verantwortung trägt.