ZIELGRUPPEN INSIGHTS
Predictive Analytics im Vertrieb: Kaufwahrscheinlichkeit vorhersagen
Aktualisiert: 2026-08-12 · 8 Min. Lesezeit
Prognosemodelle ersetzen kein Verkaufsgespräch, aber sie sagen, mit wem es zuerst geführt werden sollte.
Was Predictive Analytics im Vertrieb leistet
Predictive Analytics nutzt historische Daten, um künftige Ereignisse mit einer Wahrscheinlichkeit zu bewerten: Wird dieser Lead zum Kunden? Wann entsteht Bedarf? Welcher Bestandskunde droht abzuwandern?
Der Nutzen liegt in der Priorisierung. Wenn eine begrenzte Vertriebskapazität zuerst auf die 20 Prozent der Kontakte mit der höchsten Abschlusswahrscheinlichkeit trifft, steigt die Produktivität ohne zusätzliches Budget.
Welche Daten notwendig sind
Modelle brauchen keine perfekte, aber eine konsistente Datenbasis. Als Minimum gilt:
- Historische Deals mit Ausgang (gewonnen/verloren) über mindestens 12 bis 24 Monate.
- Firmenmerkmale: Branche, Größe, Region, Technologieumfeld.
- Verhaltensdaten: Websitebesuche, Downloads, Reaktionszeiten, Gesprächsverlauf.
- Zeitstempel für jede Phase, um Bedarfszeitpunkte modellieren zu können.
Modelle und ihre Grenzen
In der Praxis reichen häufig einfache, erklärbare Verfahren: logistische Regression oder Entscheidungsbaum-Ensembles liefern gute Ergebnisse und lassen sich gegenüber dem Vertrieb begründen.
Grenzen entstehen bei wenigen Deals pro Jahr, stark verändertem Angebot oder verzerrten Trainingsdaten. Ein Modell, das nur die bisherigen Vertriebsgewohnheiten reproduziert, verstärkt vorhandene blinde Flecken.
Einführung in vier Schritten
Ein pragmatischer Einführungspfad vermeidet überdimensionierte Projekte:
- 1. Datenqualität prüfen und Pflichtfelder im CRM festlegen.
- 2. Regelbasiertes Scoring als Basislinie einführen und messen.
- 3. Modell auf historischen Daten trainieren und gegen die Basislinie testen.
- 4. Score in den Vertriebsalltag integrieren und quartalsweise nachtrainieren.
Häufige Fragen
Wie viele Daten braucht Predictive Analytics im B2B?
Als grobe Orientierung sollten mehrere hundert abgeschlossene Vorgänge mit bekanntem Ausgang vorliegen. Bei kleineren Datenmengen ist regelbasiertes Scoring mit klaren Kriterien meist die bessere Wahl.
Wie genau sind solche Prognosen?
Sinnvoll bewertet wird nicht die absolute Trefferquote, sondern die Verbesserung gegenüber der bisherigen Priorisierung. Bereits eine moderate Verbesserung der Reihenfolge erhöht die Vertriebsproduktivität spürbar.
Ersetzt Predictive Analytics den Vertrieb?
Nein. Modelle priorisieren Kontakte und Zeitpunkte. Beratung, Vertrauensaufbau und Verhandlung bleiben Aufgabe des Vertriebsteams.
Welche DSGVO-Aspekte sind zu beachten?
Erforderlich sind eine Rechtsgrundlage für die Verarbeitung, Transparenz über die Logik der Bewertung sowie die Vermeidung ausschließlich automatisierter Entscheidungen mit erheblicher Wirkung für Betroffene nach Art. 22 DSGVO.