Absatzprognose & Abschlusswahrscheinlichkeit von Verkaufschancen

Die meisten Absatzprognosen sind noch immer eine gewichtete Summe aus Meinungen des Vertriebs und Phasenprozenten, die vor Jahren jemand ins CRM getippt hat. Maschinelles Lernen, das auf den eigenen gewonnenen und verlorenen Abschlüssen des Unternehmens trainiert wird, sagt voraus, wie wahrscheinlich jede offene Verkaufschance abgeschlossen wird, wann und in welcher Höhe. Es verdichtet diese Vorhersagen zu einer Prognose mit ehrlicher Spannweite und markiert Abschlüsse, die wegrutschen, bevor das Quartal verloren ist. LLMs ergänzen Signale aus E-Mails, Notizen und Gesprächen und schreiben die Zusammenfassung für das Pipeline-Review. Das Ergebnis ist eine zweite, unvoreingenommene Meinung neben dem Commit des Vertriebs. Das Urteil der Vertriebsleitung ersetzt es nicht.

Problem & Nutzen

• Heute: Vertriebsmitarbeitende melden „Commit / Best Case“-Zahlen in Tabellen oder CRM-Prognoseregistern, und Führungskräfte nehmen nach Bauchgefühl einen Abschlag vor. Phasenbasierte Wahrscheinlichkeiten („Angebot = 60 %“) ignorieren Alter des Abschlusses, Aktivität, Abdeckung der Einkaufsgremien und verschobene Abschlussdaten. Die Folgen sind Zurückhalten von Abschlüssen (Sandbagging), übertriebener Optimismus („Happy Ears“), späte Überraschungen für Finanzen und Lieferkette sowie lange wöchentliche Prognoserunden.
• Die Datenqualität ist das Haupthindernis. Salesforce verweist auf seine Studie „State of Sales“: 39 % der Vertriebsmitarbeitenden sagen, dass schlechte Datenqualität ihre Prognosegenauigkeit beeinträchtigt [5]. Die Abschlussprognose funktioniert nur, wenn Phasen, Beträge und Abschlussdaten aktuell gehalten werden; deshalb steht oft zuerst die CRM-Hygiene an (AGENT-011).
• KI-Nutzen: eine objektive Wahrscheinlichkeit je Abschluss, damit der Vertrieb priorisieren kann, frühere Erkennung wegrutschender Abschlüsse, eine Prognosespanne, gegen die die Finanzen planen können (PRED-016), und kürzere Review-Termine. Von Anbietern veröffentlichte Ergebnisse sind meist Einzelkunden-Erfahrungsberichte. Gong nennt einen Kunden mit „95 % Prognosegenauigkeit“ und behauptet „20 % mehr Präzision als CRM-basierte Algorithmen“ aus über 300 Signalen, ohne öffentliche Methodik [4]. Behandeln Sie solche Zahlen als Behauptungen, die Sie im eigenen Pilotprojekt überprüfen.

Varianten

• KMU / Mittelstand B2B: Abschlusswahrscheinlichkeit und eine monatliche KI-Projektion, in das CRM eingebaut (HubSpot, Dynamics 365 Sales, Pipedrive, Salesforce). Oft gibt es nur wenige hundert abgeschlossene Geschäfte, sodass das mitgelieferte Modell genügt oder ein einfaches Gradient-Boosting-Modell gebaut wird.
• Revenue Operations im Großunternehmen: eine eigene Revenue-Intelligence-Plattform mit Prognoseverdichtung über Hierarchien, Szenarioansichten und KI-Projektion vs. Einschätzung des Vertriebs vs. Quote.
• Laufende und wiederkehrende Umsätze: Abo-Verlängerungen und Erweiterungen werden je Vertrag prognostiziert (Kündigungsrisiko verweist auf PRED-003), die Pipeline für Neukunden wird getrennt prognostiziert. Transaktions- und Nachbestellgeschäfte (Großhandel, Komponenten) stehen der Zeitreihen-Bedarfsprognose (PRED-001) näher.
• Sales-/Revenue-Intelligence (zusammengeführte Variante): Gesprächsanalyse, die Vertriebsgespräche aufzeichnet (ASR + Sprechererkennung + LLM) und in Abschlusssignale übersetzt: vereinbarte nächste Schritte, genannte Wettbewerber, Anwesenheit der Entscheiderin bzw. des Entscheiders, Methodikbewertung (MEDDICC usw.). Sie synchronisiert diese ins CRM und speist das Abschlussmodell. Sie nutzt denselben Stack wie die Contact-Center-Analyse SPEECH-002. Siehe auch CONV-005 und EDU-010 für Rollenspiel-Coaching.
• Fertigung / Projektgeschäft: Ausschreibungen und Anfragen mit langen Zyklen, bei denen die Abschlussprognose Abschlussdaten mit Angebotsmarge, Wettbewerber und technischer Passung kombiniert. Das knüpft an die Angebotskalkulation auf Basis der Sollkosten (PRED-032) an.
• Hier nicht abgedeckt: Bewertung neuer Leads, bevor sie zu Verkaufschancen werden (PRED-005), Gebiets- und Quotenplanung (OPT-034), Preisoptimierung (OPT-004).

So funktioniert es

1. CRM + Aktivitäten + ERP-Aufträge (nächtliche / ereignisgesteuerte Synchronisation)
2. Snapshots (Zustand der Verkaufschance „zum Stand“ jeder Woche, damit keine Zukunftsinformation einfließt)
3. Feature Engineering (Alter der Phase, Verschiebungen des Abschlussdatums, Betragsänderungen, Aktualität der Aktivität, beteiligte Kontakte/Rollen, Produkt, Segment, historische Abschlussquote von Mitarbeitenden/Team)
4. optionale LLM-Signalextraktion aus Notizen, E-Mails und Gesprächsmitschriften (strukturierte Felder)
5. Abschlussmodell (Gradient Boosting oder tabellarisches Foundation-Modell) + Modell für Abschlussdatum / Zeit bis Abschluss
6. Kalibrierung (vorhergesagte 70 % ≈ 70 % solcher Abschlüsse werden tatsächlich gewonnen)
7. Monte-Carlo- oder analytische Verdichtung
8. P10/P50/P90-Prognose je Periode und Hierarchie
9. Verschneidung mit Zeitreihenprognose des laufenden Geschäfts und historischer Pipeline-Konversion
10. Erklärungen (SHAP / wichtigste Faktoren) + LLM-Text
11. CRM-Widgets, Prognosetafel, Warnungen
12. Mensch: Vertriebsmitarbeitende und Führungskraft passen ihre Einschätzung an; die KI-Projektion bleibt daneben sichtbar

• Die Abschlusswahrscheinlichkeit ist ein binärer Klassifikator auf zeitpunktbezogenen Snapshots. Das entscheidende technische Detail ist die Vermeidung von Datenleckage: Trainieren Sie nie mit Feldern, die erst nach dem Abschluss der Verkaufschance gefüllt werden.
• Die Prognoseverdichtung summiert kalibrierte Wahrscheinlichkeiten × Beträge, simuliert Ergebnisverteilungen für eine Spannweite und ergänzt eine Zeitreihenkomponente (z. B. Chronos-2 oder StatsForecast) für Umsätze, die noch nicht in der Pipeline stehen („Create-and-Close“ in derselben Periode).
• Rolle des LLM: Signale aus unstrukturiertem Text extrahieren, die Prognose in verständlicher Sprache erklären, Fragen beantworten („Warum ist EMEA gefallen?“). Das LLM erzeugt die Zahl nicht selbst, weil LLMs bei numerischen Wahrscheinlichkeiten schlecht kalibriert sind.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Abgabe der Prognose bleibt Sache von Menschen. Nutzen Sie die KI-Zahl als Referenz, nicht als Vorgabe für einzelne Vertriebsmitarbeitende.

Datenaufbereitung

Die Abschlussprognose lernt aus vergangenen Verkaufschancen; Hauptquelle ist daher das CRM, verbunden mit ERP-Aufträgen, E-Mail- und Kalenderaktivität und optional Gesprächsnotizen.

Typische Lücken: - Nachlässig gepflegte Phasen und Abschlussdaten oder nur zum Quartalsende aktualisiert. - Fehlende Verlustgründe. - Doppelte Konten und Kontakte. - Notizen in Outlook oder auf Papier statt im CRM. - Zu wenige abgeschlossene Geschäfte (unter etwa 200) für ein verlässliches Modell. - Überschriebene Phasenhistorie, sodass frühere Zustände verloren sind.

Aufbereitungsschritte: 1. Die Historie der Verkaufschancen einschließlich der Phasenwechsel exportieren, nicht nur den aktuellen Status (PREP-005). 2. Konten und Kontakte deduplizieren und Phasendefinitionen mit dem Vertrieb abstimmen (PREP-012, PREP-019). 3. Gewonnen-/Verloren-Labels und Gründe nachträglich ergänzen (PREP-020). 4. Zeitpunktbezogene Features bilden, damit keine Zukunftsinformation ins Training gelangt. 5. Einen separaten Testzeitraum zurückhalten (PREP-018). 6. Kontaktdaten für externe Werkzeuge nach Möglichkeit pseudonymisieren (PREP-022).

Aufwandsanteil: 30–40 %, vor allem CRM-Hygiene und Disziplin im Team. Eine Prüfung der Datenreife (GUIDE-003) zeigt, ob Sie zunächst ein Produkt mit vortrainierten Modellen nutzen sollten. Werkzeuge: CRM-Berichte, Power Query, dbt, Python.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Die eingebaute Prognose und Bewertung von Abschlüssen gängiger CRM-Systeme ist ausgereift und günstig, und der Vertriebs-Pipeline-Prozess ist standardisiert.
• Großunternehmen (B): Die Prognose sollte CRM, ERP-Aufträge und Gesprächsdaten auf der eigenen Datenplattform verbinden, mit Modellen, die zum Vertriebszyklus des Unternehmens passen und prüfbar sind.
• Entwickler (C): Gradient Boosting auf HW1 mit Open-Source-Werkzeugen hält sensible Abschluss- und Kontaktdaten im Haus und ist günstig im Betrieb.

Weg A — Kaufen (für die meisten KMU empfohlen)

• Im CRM eingebaut: Microsoft Dynamics 365 Sales – prädiktive Bewertung von Verkaufschancen (benötigt ≥ 40 gewonnene und ≥ 40 verlorene Verkaufschancen in einem Zeitfenster von 3 Monaten bis 2 Jahren, trainiert alle 15 Tage neu, zeigt die wichtigsten Einflussfaktoren; verfügbar mit Hosting in der EU Data Boundary) [1]. Salesforce Sales Cloud Einstein – Bewertung von Verkaufschancen und Prognose mit Agentforce-Pipeline-Agenten [5]. HubSpot Breeze KI-Prognoseprojektionen (Sales Hub Professional/Enterprise, Spannweitenausgabe mit wahrscheinlich/oben/unten, Genauigkeitsverfolgung; zum Zeitpunkt der Erstellung in der Beta) [2]. SAP Sales Cloud (DE), SuperOffice (NO), CAS genesisWorld (DE) und Pipedrive (Ursprung EE) für CRM-Landschaften mit EU-Schwerpunkt; prüfen Sie, welche KI-Funktionen in Ihrer Edition enthalten sind.
• Revenue-Intelligence-Plattformen: Clari (inzwischen mit Salesloft fusioniert, vertrieben als Clari Forecast) [3], Gong Forecast mit AI Deal Predictor [4], Aviso, BoostUp, People.ai. Prüfen Sie Datenhaltung in der EU, Umgang mit der Einwilligung zur Gesprächsaufzeichnung und eine betriebsratstaugliche Konfiguration.
• Wählen Sie A, wenn: Ihr CRM das führende System ist, Sie eine standardisierte B2B-Pipeline haben und Ergebnisse binnen Wochen wollen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• AutoML auf Ihrem Data Warehouse: Azure Machine Learning AutoML (EU-Regionen), Google Vertex AI tabellarisch / BigQuery ML Boosted Trees (EU-Multiregion), Amazon SageMaker Autopilot oder AutoGluon auf SageMaker (Frankfurt). Databricks oder Snowflake ML, wenn die CRM-Daten bereits dort liegen.
• LLM-Ebene: ein in der EU gehostetes Spitzenmodell (Azure OpenAI EU Data Zone, Claude oder Gemini in EU-Regionen, Mistral La Plateforme) extrahiert Abschlusssignale aus Notizen und Mitschriften mit strukturierten Ausgaben und schreibt den Prognosetext.
• Integration: CRM-Schnittstellen (Salesforce REST/Bulk, Dataverse, HubSpot), Orchestrierung in n8n oder Power Automate, Scores werden in ein eigenes Feld zurückgeschrieben und im CRM angezeigt.
• Wählen Sie B, wenn: Sie eigene Features brauchen (ERP-Marge, Angebotsdaten, Produktkonfiguration), eine Landschaft mit mehreren CRM-Systemen haben oder das Modell bei Finanzen/Controlling liegen soll.

Weg C — Selbst betreiben (Open Source)

• Modelle: LightGBM, XGBoost oder CatBoost mit scikit-learn; AutoGluon-Tabular für automatisches Ensembling; TabPFN (Prior Labs, DE) als tabellarisches Foundation-Modell, das bei kleinen Datensätzen gut funktioniert. Beachten Sie, dass neuere TabPFN-Gewichte unter nicht kommerziellen Lizenzen stehen, mit einer kommerziellen Enterprise-Edition [6]. Überlebenszeitmodelle (lifelines, scikit-survival) für die Zeit bis zum Abschluss.
• Zeitreihen: Nixtla StatsForecast, Darts, Chronos-2 (Apache-2.0, Zero-Shot mit Kovariaten) [8], TabPFN-TS [7].
• Stack: dbt + Postgres/DuckDB für Snapshots, MLflow für Modellverwaltung und Monitoring, Metabase oder Superset für die Prognosetafel, optional ein lokales LLM (z. B. Qwen3 oder Mistral Small über vLLM/Ollama) zur Extraktion aus Notizen.
• Hardware: HW1. Die Modelle trainieren in Minuten auf einem CPU-Server. Ergänzen Sie HW2 nur, wenn ein lokales LLM Notizen und Mitschriften verarbeitet, und teilen Sie diese GPU mit SPEECH-002 oder DATA-001.

Weg D — Eigenes Training

Der „eigene“ Anteil besteht hier im Training auf Ihrer eigenen Abschlusshistorie, das jeder Weg außer A ohnehin leistet. Das Feintuning eines LLM lohnt sich selten. Es kann sich bei einem kleinen Modell auszahlen, das Gesprächsmitschriften bei hohem Volumen in die Felder Ihrer Vertriebsmethodik einordnet. Dafür braucht es einige tausend beschriftete Gesprächsabschnitte.

Stand der Technik (2026)

• Gradient-Boosted Trees auf zeitpunktbezogenen Snapshots bleiben das Arbeitspferd im Produktivbetrieb. Tabellarische Foundation-Modelle (TabPFN-3.5 verarbeitet bis zu etwa 1 Mio. Zeilen und 20.000 Features) schließen die Lücke zu abgestimmtem Boosting oder übertreffen es bei kleinen und mittleren Datensätzen ohne Abstimmung [6]. Das ist nützlich für KMU mit nur hunderten abgeschlossenen Geschäften.
• Zeitreihen-Foundation-Modelle (Chronos-2, TimesFM, Moirai, TabPFN-TS) liefern Zero-Shot-Prognosen für laufende Umsätze mit Kovariaten [7][8].
• Aktivitäts- und Gesprächssignale (Interaktion der Käufer, Multi-Threading, Anrufe) sind das wichtigste Unterscheidungsmerkmal der Revenue-Intelligence-Anbieter gegenüber reinen CRM-Modellen [4]. Die Kombination Clari–Salesloft spiegelt das Zusammenwachsen von Prognose, Kundenansprache und Gesprächsanalyse [3].
• Agentische Prognose: CRM-Anbieter ergänzen Agenten, die die Pipeline prüfen, Lücken markieren und nächste Schritte vorschlagen [5]. Sie helfen bei der Vorbereitung des Reviews, ihre Ausgabe muss aber beratend bleiben.
• Grenzen: Prognosen sind nur so gut wie die Disziplin bei Phasen und Abschlussdaten. Modelle lernen historische Verzerrungen, z. B. ein Team, das große Abschlüsse stets verlor. In neuen Segmenten gibt es wenige abgeschlossene Geschäfte, und Regimewechsel (neues Produkt, Preise, makroökonomische Schocks) brechen das Modell. Das Verhalten der Vertriebsmitarbeitenden ändert sich, sobald Scores sichtbar sind (Goodhart-Effekt). Messen Sie stets die Kalibrierung, nicht nur die AUC.

Gemeinsame Bausteine & Kombinationen

• Gleicher Tabellen-ML-Stack und Feature Store: PRED-005 Lead-Scoring (oberer Trichter), PRED-003 Kündigungsprognose und PRED-004 CLV (Prognose zu Verlängerung und Erweiterung). Eine CPU-basierte Trainingspipeline mit MLflow bedient alle. Features auf Ebene einzelner Vertriebsmitarbeitender dürfen ohne gesonderte rechtliche Prüfung nicht in HR-Modellen wie PRED-012 wiederverwendet werden.
• Zeitreihenkomponente gemeinsam mit PRED-001 Bedarfsprognose und PRED-016 Liquiditätsprognose. Die P50/P90-Werte des Vertriebs fließen direkt in die Liquiditäts- und S&OP-Pläne ein.
• Datengrundlage: AGENT-011 CRM-Anreicherung und -Hygiene verbessert die Modelleingaben; DATA-003 Stammdaten-Deduplizierung für Konten.
• Sprach- und LLM-Stack (ASR, Sprechererkennung, allgemeines LLM) gemeinsam mit SPEECH-002 für die Revenue-Intelligence-Variante, bei Selbstbetrieb auf einem HW2/HW3-GPU-Server.
• Nachgelagert: OPT-034 Gebiets- und Quotenplanung nutzt Kontopotenzial und Prognosen; DATA-001 / DATA-002 dialogbasierte BI und automatisierte Prognosetexte; ANOM-030 erkennt plötzliche Anomalien in Pipeline oder Auftragseingang; AGENT-007 KI-Vertriebsassistent füllt die Pipeline, die dieses Modell bewertet.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis wenige Wochen, sobald die CRM-Daten sauber sind. Die Kosten bestehen aus CRM-Zusatzlizenzen oder Revenue-Intelligence-Lizenzen pro Nutzer.
• Weg B/C: 6–12 Wochen für Snapshot-Pipeline, Modell, Kalibrierung, CRM-Rückschreiben und Dashboard. Hauptkostenfaktor ist die Datentechnik. Die Rechenleistung ist für den tabellarischen Teil vernachlässigbar.
• Kennzahlen: Prognosegenauigkeit je Periode an festen Kontrollpunkten (z. B. Woche 2, 6, 10 des Quartals, gemessen als 1 − |Ist − Prognose| / Ist, die von HubSpot verwendete Definition [2]), Kalibrierung (Brier-Score, Zuverlässigkeitskurve), AUC / Log-Loss des Abschlussmodells, Bias (systematische Über- oder Unterprognose), Anteil der rechtzeitig markierten verschobenen Abschlüsse, Zeitaufwand in Prognoserunden, Abschlussquote bei priorisierten Geschäften.

Menschen & Veränderung

Beteiligen Sie: die Geschäftsleitung als Förderer, die Vertriebsleitung als Prozessverantwortliche, die Vertriebsmitarbeitenden als tägliche Nutzer, die IT für den CRM-Zugriff, die/den Datenschutzbeauftragte(n) und den Betriebsrat. Beziehen Sie die Vertriebsmitarbeitenden früh ein, denn das Modell ist nur so gut wie ihre CRM-Disziplin.

Betriebsrat: in der Praxis ja. Das System analysiert Aktivitätsdaten identifizierbarer Vertriebsmitarbeitender und stellt Prognosen den eigenen Einschätzungen gegenüber, ist also zur Leistungsüberwachung geeignet; nach dem Bundesarbeitsgericht (BAG) genügt die objektive Eignung (§87 Abs. 1 Nr. 6 BetrVG). Informieren Sie außerdem nach §90 Abs. 1 Nr. 3 und erwägen Sie einen Sachverständigen nach §80 Abs. 3 BetrVG. Schließen Sie eine Betriebsvereinbarung, die individuelle Leistungsrankings ausschließt (GUIDE-004). Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Kontakt- und Aktivitätsdaten sind personenbezogen, daher ist eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) wahrscheinlich, wenn E-Mails und Anrufe analysiert werden. Schließen Sie einen Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter (Art. 28 DSGVO) und beziehen Sie die/den Datenschutzbeauftragte(n) ein (GUIDE-005).

KI-Kompetenz: schulen Sie Vertriebsmitarbeitende und Führungskräfte darin, was eine Wahrscheinlichkeit bedeutet und wo das Modell schwach ist (GUIDE-006).

Typische Bedenken: Überwachung und Quotendruck. Machen Sie klar, dass Scores Pipeline-Reviews unterstützen und nie für Einzelbeurteilungen genutzt werden und dass Menschen über jeden Abschluss entscheiden. Wählen Sie ein Team als Pilot (GUIDE-009, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): kommt darauf an. Abschlussprognosen auf Ebene einzelner Geschäfte und aggregierte Umsatzprognosen sind minimales Risiko; erforderlich ist nur die KI-Kompetenz (Art. 4). Sie wird hochriskant nach Anhang III Nr. 4 Buchst. b, wenn das System bestimmungsgemäß Leistung und Verhalten von Beschäftigten überwachen und bewerten soll, zum Beispiel Rankings von Vertriebsmitarbeitenden oder „Prognosezuverlässigkeits“-Scores, die für Boni, Beförderung oder Kündigung herangezogen werden [9][10]. Emotionserkennung in Vertriebsgesprächen, angewendet auf die eigenen Vertriebsmitarbeitenden des Unternehmens, ist nach Art. 5 Abs. 1 Buchst. f verboten. Aktivieren Sie in der Gesprächsanalyse für Beschäftigte keine Funktionen wie „Stimmung des Verkäufers“ oder Stresserkennung. Die Analyse des Inhalts dessen, was Kunden sagen (Themen, Einwände), ist keine Emotionserkennung. Die Transparenzpflicht nach Art. 50 gilt, wenn ein KI-Sprach- oder Chat-Agent mit Interessenten spricht.
• DSGVO: Ansprechpartner und Vertriebsmitarbeitende sind betroffene Personen. Rechtsgrundlage ist meist das berechtigte Interesse (Art. 6 Abs. 1 Buchst. f) mit dokumentierter Interessenabwägung. Die Gesprächsaufzeichnung braucht eine Einwilligung und einen klaren Hinweis. Vermeiden Sie vollautomatisierte Entscheidungen mit erheblicher Wirkung auf Einzelne (Art. 22; siehe die vom EDSA bestätigten Leitlinien zum Profiling [11]). Schließen Sie einen AVV mit Anbietern, bevorzugen Sie EU-Hosting, minimieren Sie Features auf Ebene einzelner Vertriebsmitarbeitender.
• Deutschland – Betriebsrat: Systeme, die Verhalten oder Leistung von Beschäftigten überwachen können, erfordern Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG. Vereinbaren Sie eine Betriebsvereinbarung, die eine individuelle Leistungsbewertung anhand der Scores untersagt oder ausdrücklich begrenzt.
• Finanzen: Prognosen, die in Ausblick oder Berichterstattung börsennotierter Unternehmen einfließen, brauchen dokumentierte Methoden und Korrekturen. Führen Sie ein Prüfprotokoll von KI-Projektion vs. gemeldeter Prognose.
• Gegenmaßnahmen: Leckage-Tests, Kalibrierungsüberwachung, Neutraining nach Prozessänderungen, Berichte auf Ebene einzelner Vertriebsmitarbeitender nur aggregiert, eine klare Aussage, dass der Score beratend ist.

Erste Schritte

1. CRM-Daten prüfen: Anzahl abgeschlossener gewonnener/verlorener Geschäfte je Segment über 2 Jahre, Phasenhistorie und Änderungsverfolgung der Felder aktiviert, Vollständigkeit von Abschlussdatum und Betrag. Zuerst die Hygiene beheben (AGENT-011).
2. Ausgangswert festlegen: aktuelle Prognosegenauigkeit und Bias in Woche 2/6/10 der letzten 4–8 Quartale.
3. Die eingebaute CRM-Bewertung oder KI-Projektion (Weg A) einschalten und ein volles Quartal lang im Schattenbetrieb neben der Prognose des Vertriebs laufen lassen.
4. Mit Betriebsrat und Datenschutzbeauftragter/-m den Umfang abstimmen (Geschäfte und Aggregate, keine Bewertung einzelner Vertriebsmitarbeitender), bevor Dashboards ausgerollt werden.
5. Reichen Genauigkeit oder Erklärungen nicht aus, ein Snapshot-basiertes LightGBM/TabPFN-Modell (Weg B/C) mit ERP- und Aktivitäts-Features bauen und die Kalibrierung mit dem Anbietermodell vergleichen.

Quellen

1. Microsoft Learn — Configure predictive opportunity scoring (Dynamics 365 Sales) — https://learn.microsoft.com/en-us/dynamics365/sales/configure-predictive-opportunity-scoring
2. HubSpot Knowledge Base — Improve forecasting with AI projections — https://knowledge.hubspot.com/forecast/improve-forecasting-with-ai-projections
3. Salesloft / Clari — Clari Forecast product page — https://www.salesloft.com/platform/sales-forecasting-software
4. Gong — Gong Forecast (AI Deal Predictor) — https://www.gong.io/forecast/
5. Salesforce — Sales forecasting software (incl. State of Sales data-quality figure) — https://www.salesforce.com/sales/analytics/sales-forecasting-software/
6. Prior Labs — TabPFN repository (versions, limits, licences) — https://github.com/PriorLabs/TabPFN
7. Prior Labs — TabPFN-TS time-series forecasting — https://github.com/PriorLabs/tabpfn-time-series
8. Amazon Science — Chronos / Chronos-2 forecasting models — https://github.com/amazon-science/chronos-forecasting
9. EU AI Act Annex III (high-risk use cases, point 4 employment) — https://artificialintelligenceact.eu/annex/3/
10. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
11. EDPB — Guidelines on automated decision-making and profiling — https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/automated-decision-making-and-profiling_en