Skip to content

Forecast-Genauigkeit (Forecast Accuracy)

Das Maß dafür, wie nah Umsatzprognosen am tatsächlichen Ergebnis lagen — die Grundlage für verlässliche Einstellungs-, Budget- und Kapazitätsentscheidungen.

Was ist Forecast-Genauigkeit?

Forecast-Genauigkeit — englisch Forecast Accuracy oder Prognosegenauigkeit — misst, wie nah eine Umsatzprognose am tatsächlich erzielten Umsatz lag. Sie wird typischerweise als Prozentsatz ausgedrückt: 100 % Genauigkeit bedeutet eine exakte Prognose, 90 % Genauigkeit bedeutet eine durchschnittliche Abweichung von 10 %. Je nach Unternehmensphase und Umsatzmix gelten unterschiedliche Werte als akzeptabel.

Für DACH-CFOs ist Forecast-Genauigkeit eine der sensibelsten Kennzahlen überhaupt. Unternehmen, die ihren Umsatz systematisch überschätzen, investieren konsequent zu viel in Personal, Marketing und Infrastruktur. Unternehmen, die ihn systematisch unterschätzen, verpassen Wachstumschancen und agieren zu defensiv. In beiden Fällen führt schlechte Forecast-Genauigkeit zu suboptimalen Entscheidungen — und die Kosten dieser Fehlentscheidungen sind schwer rückgängig zu machen.

Im DACH-B2B-SaaS-Kontext wird Forecast-Genauigkeit typischerweise auf Quartalsebene gemessen, da die Budgetplanung und Board-Berichte ebenfalls quartalsweise strukturiert sind. Manche Unternehmen messen zusätzlich die monatliche Forecast-Genauigkeit, um frühzeitiger korrigieren zu können.

Formel: MAPE und Forecast-Bias

Die zwei wichtigsten Metriken zur Messung von Forecast-Genauigkeit sind MAPE und Forecast-Bias:

MAPE (Mean Absolute Percentage Error):
MAPE = (1/n) × Σ |Ist − Forecast| / Ist × 100

Forecast-Bias:
Bias = (1/n) × Σ (Forecast − Ist) / Ist × 100

Forecast-Genauigkeit (vereinfacht):
Genauigkeit = 100 % − MAPE

Ein konkretes Beispiel für drei Quartale:

         Forecast      Ist-Umsatz    Abweichung   |Abw.| %
Q1:      1.200.000 €   1.080.000 €   +120.000 €    11,1 %
Q2:      1.350.000 €   1.410.000 €    −60.000 €     4,3 %
Q3:      1.500.000 €   1.320.000 €   +180.000 €    13,6 %

MAPE:    (11,1 + 4,3 + 13,6) / 3 = 9,7 %
Bias:    (+11,1 − 4,3 + 13,6) / 3 = +6,8 % (systematische Überschätzung)

Dieser Forecast zeigt eine MAPE von 9,7 % — noch im akzeptablen Bereich — aber einen positiven Bias von +6,8 %, der darauf hindeutet, dass das Unternehmen seinen Umsatz systematisch überschätzt. Ohne Bias-Analyse würde die MAPE allein dieses strukturelle Problem verbergen.

Warum Forecast-Bias gefährlicher ist als MAPE

MAPE misst die Streuung der Abweichungen — also wie stark die Prognosen im Durchschnitt vom Ist abweichen, unabhängig von der Richtung. Zufällige Abweichungen gleichen sich über mehrere Perioden aus: Ein Quartal mit +15 % Abweichung und eines mit −12 % ergeben einen MAPE von 13,5 %, aber einen Bias von nur +1,5 %.

Forecast-Bias dagegen misst die systematische Richtung. Wenn ein Unternehmen seinen Umsatz über mehrere Quartale konsequent um 10–15 % überschätzt, mitteln sich diese Fehler nicht aus — sie kumulieren sich in Überinvestitionen und zu hohen Fixkosten. Deshalb fordern erfahrene DACH-CFOs nicht nur MAPE-Berichte, sondern explizite Bias-Analysen nach Vertriebsmitarbeiter, Segment und Quartal.

Ein positiver Bias (Prognosen systematisch zu hoch) ist typisch für Vertriebsorganisationen, in denen Vertriebsmitarbeiter incentiviert werden, den Forecast zu optimieren — zum Beispiel, wenn ein voller Forecast Quota-Reduktionen verhindert. Ein negativer Bias (Prognosen systematisch zu niedrig) ist typisch für konservative Kulturen oder Vertriebsleiter, die lieber über- als untererfüllen wollen.

Benchmarks für Forecast-Genauigkeit (DACH B2B SaaS)

MAPE Bewertung Typischer Kontext
Unter 5 % Exzellent Hoher ARR-Anteil, geringes Neugeschäft-Risiko
5 – 10 % Gut Standard für wachsende B2B-SaaS-Unternehmen
10 – 20 % Akzeptabel Hoher Neugeschäft-Anteil, lange Vertriebszyklen
Über 20 % Kritisch Strukturelle Probleme im Forecasting-Prozess

Zusätzlich zur MAPE sollte der Forecast-Bias unter ±5 % liegen. Werte außerhalb dieses Bereichs deuten auf systematische Verzerrungen hin, die durch Prozessänderungen oder veränderte Incentive-Strukturen adressiert werden müssen.

Wie Fairview Forecast-Genauigkeit überwacht

Fairview berechnet MAPE und Forecast-Bias automatisch aus CRM-Forecast-Daten und tatsächlichen Abrechnungsdaten — ohne manuelle Exports oder Excel-Modelle. Die Berechnung erfolgt auf jeder Ebene der Vertriebsorganisation: gesamt, nach Region, nach Vertriebsmitarbeiter und nach Kundensegment.

Wenn ein Vertriebsmitarbeiter oder eine Region einen Forecast-Bias von mehr als 10 % über zwei oder mehr Quartale zeigt, markiert Fairview dies als strukturelles Muster und gibt konkrete Empfehlungen: Deal-Qualifizierungsprozess überprüfen, Stage-Wahrscheinlichkeiten kalibrieren oder Forecast-Governance verschärfen. So erhalten CFOs und COOs die Datenbasis, die für sachliche Gespräche über Forecast-Qualität mit dem Vertrieb notwendig ist — gestützt auf Zahlen, nicht auf Eindrücke.

Häufige Fragen

Was ist Forecast-Genauigkeit?

Forecast-Genauigkeit misst, wie nah eine Umsatzprognose am tatsächlich erzielten Umsatz lag. Sie wird als Prozentsatz ausgedrückt: 100 % bedeutet eine exakte Prognose, 90 % bedeutet eine durchschnittliche Abweichung von 10 %. Hohe Forecast-Genauigkeit ist die Grundlage für verlässliche Einstellungs-, Budget- und Kapazitätsentscheidungen.

Was ist MAPE und wie wird er berechnet?

MAPE (Mean Absolute Percentage Error) ist der mittlere absolute prozentuale Fehler — das Standardmaß für Forecast-Genauigkeit. Er berechnet sich als Durchschnitt der absoluten prozentualen Abweichungen zwischen Forecast und Ist-Wert über mehrere Perioden. Ein MAPE von 10 % bedeutet, dass Prognosen im Durchschnitt um 10 % vom tatsächlichen Umsatz abweichen.

Was ist Forecast-Bias und warum ist er gefährlicher als MAPE?

Forecast-Bias misst die systematische Richtung der Abweichung. Ein positiver Bias von +15 % bedeutet, dass Forecasts systematisch 15 % höher sind als der tatsächliche Umsatz — was zu konsequenter Überinvestition führt. Bias ist gefährlicher als MAPE, weil er nicht selbst-korrigierend ist: Zufällige Abweichungen mitteln sich aus, systematische nicht.

Was sind gute MAPE-Werte für B2B SaaS im DACH-Markt?

Unter 5 % gilt als exzellent und ist typisch für Unternehmen mit hohem ARR-Anteil. 5–10 % ist gut und für die meisten wachsenden B2B-SaaS-Unternehmen realistisch. 10–20 % ist akzeptabel bei hohem Neugeschäft-Anteil. Über 20 % signalisiert strukturelle Probleme im Forecasting-Prozess. Der Forecast-Bias sollte zusätzlich unter ±5 % liegen.

Wie verbessert man Forecast-Genauigkeit?

Die wirksamsten Hebel sind: konsistente Deal-Qualifizierung nach einem einheitlichen Framework (MEDDIC, BANT), Verwendung historischer Win-Rates statt Bauchgefühl, systematische Messung und Kommunikation von Forecast-Bias sowie Verpflichtung zur Analyse bei Abweichungen über 15 %. Technologie allein löst das Problem nicht — sie muss von Governance-Maßnahmen begleitet werden.

Verwandte Begriffe

Forecast-Genauigkeit systematisch messen

Fairview berechnet MAPE und Forecast-Bias automatisch aus Ihren CRM- und Abrechnungsdaten — ohne manuelle Exports, nach Vertriebsmitarbeiter und Segment aufgeschlüsselt.

Fairview erleben