Pipeline-Hoffnung vs. Pipeline-Wahrheit: Was Ihr CRM Ihnen nicht sagt

Der Vertriebsleiter sagt: 'Wir haben €2 Millionen in der Pipeline.' Der Geschäftsführer nickt. Das monatliche Forecast-Meeting ist beendet.

Aber was sagt diese Zahl tatsächlich aus? Wie viel davon wird sich in den nächsten 90 Tagen in Umsatz umwandeln? Ist das mehr oder weniger als im Vorquartal? Welche Deals sind realistisch abschließbar und welche sind Hoffnungspositionen, die seit acht Monaten in der Pipeline stehen?

Diese Fragen beantwortet fast kein mittelständisches Unternehmen mit Daten. Und das ist kein Management-Versagen: Es ist ein Systemversagen.

Das CRM-System wurde eingeführt, um Deals zu tracken. Es wird genutzt, um Deals zu tracken. Aber die meisten Unternehmen haben nie den Schritt gemacht, aus diesen getrackten Deals Muster zu destillieren: Wie lange bleibt ein Deal durchschnittlich in Stage X? Welcher Anteil der Deals, die Stage 3 erreichen, wird gewonnen — differenziert nach Segment, Dealtyp und Größenklasse? Welcher Vertriebsmitarbeiter hat die höchste Conversion-Rate bei welchem Kundenprofil?

Ohne diese Fragen bleibt jede Pipeline-Zahl das, was sie im Kern ist: eine Addition von Hoffnungen.

Jedes halbwegs eingeführte CRM speichert wertvolle Rohdaten: Deals mit Öffnungsdatum, Stage-Verläufen, geschätztem Abschlussdatum, zugehörigem Vertriebsmitarbeiter, Kundensegment und Dealwert. Im Schnitt hat ein mittelständisches Unternehmen nach drei Jahren CRM-Nutzung Daten zu 300 bis 1.500 abgeschlossenen oder verlorenen Deals.

Aus diesen Daten lassen sich drei Klassen von Pipeline-Intelligenz ableiten, die fast niemand nutzt:

**1. Historische Stage-Conversion-Raten:** Von allen Deals, die Stage 2 'Angebot versendet' erreicht haben — wie viele wurden in den letzten 24 Monaten gewonnen? Wenn die historische Win-Rate in Stage 2 bei 38% liegt, dann ist Ihre 'Stage-2-Pipeline' deterministisch €380K wert, nicht €1M. Das ist kein Pessimismus: Es ist Wahrheit auf Basis von Daten.

**2. Deal-Velocity nach Segment:** Wie lange braucht ein Enterprise-Deal durchschnittlich von Stage 1 bis Abschluss? Wie lange ein SMB-Deal? Ein Dienstleister mit 15% Enterprise-Anteil in der Pipeline, der in drei Monaten einen Liquiditätsengpass hat, braucht andere Entscheidungen als einer mit 80% SMB-Anteil, der in sechs Wochen schließt.

**3. Stage-Aging-Analyse:** Welche Deals sind bereits überdurchschnittlich lang in ihrer aktuellen Stage? Ein Deal, der seit 120 Tagen in 'Vertragsverhandlung' hängt, während der historische Durchschnitt 18 Tage beträgt, ist entweder ein Ausreißer oder ein stiller Verlierer. Beides erfordert eine Entscheidung, keine Hoffnung.

Ein Rolling Forecast kann nur so gut sein wie die Umsatzprognose, auf der er aufbaut. Und die Umsatzprognose kann nur so gut sein wie die Pipeline-Wahrheit, aus der sie abgeleitet wird.

Ein konkretes Beispiel: Ein Softwareunternehmen mit €8M Jahresumsatz plant für Q3 einen Umsatz von €2,3M auf Basis einer Pipeline von €4,8M und einer 'geschätzten' Conversion-Rate von 48% — die der Vertriebsleiter aus dem Bauch nennt. Die tatsächliche historische Win-Rate des Unternehmens bei Deals über €50K liegt bei 31%. Die korrekte Prognose wäre €1,5M: ein Planungsfehler von €800K, der direkt in Liquiditätsplanung und Kapazitätsentscheidungen eingeht.

Dieser Fehler pflanzt sich fort: Personalkapazität wird für €2,3M Umsatz geplant. Die Kreditlinie wird für einen Q3-Cash-Eingang von €2,3M kalkuliert. Neue Mitarbeiter werden eingestellt auf Basis des erwarteten Umsatzwachstums. Das Marketing-Budget für Q4 wird erhöht.

Am Ende des Quartals: €1,6M tatsächlicher Umsatz. Die Kapazität ist falsch dimensioniert. Die Kreditlinie wurde nicht optimal genutzt. Die neuen Mitarbeiter können nicht ausgelastet werden.

Das ist keine Vertriebsschwäche. Das ist ein Prognose-Systemfehler, der von Anfang an in der Pipeline-Wahrheit hätte korrigiert werden können.

Deterministisch bedeutet: jede Pipeline-Prognose ist aus historischen Daten berechnet, nicht aus subjektiven Einschätzungen. Das ist keine KI-Magie — es ist Muster-Mining aus dem, was das CRM bereits weiß.

**Ebene 1 — Stage-Conversion-Raten:** Für jeden Deal im CRM mit bekanntem Outcome wird die Conversion-Rate von jeder Stage zum Abschluss berechnet. Ergebnis: statt 'Pipeline-Summe × Bauchgefühl' eine stage-gewichtete Prognose auf Basis des tatsächlichen historischen Verhaltens. Keine Benchmarks, kein externes Modell. Nur: 'Von unseren letzten 200 Deals in Stage 3 wurden 41% gewonnen.'

**Ebene 2 — Segment-differenzierte Conversion:** Enterprise-Deals haben andere Win-Raten als SMB-Deals. Q4-Deals schließen schneller als Q1-Deals. Wenn genug historische Datenpunkte vorhanden sind (Faustregel: mindestens 50 abgeschlossene Deals pro Segment), werden segmentspezifische Rates berechnet. Die Pipeline-Prognose wird segmentspezifisch — und deutlich präziser.

**Ebene 3 — Stage-Aging-Malus:** Für jede Stage wird die durchschnittliche Verweildauer berechnet. Deals, die länger als das 75. Perzentil ihrer Stage verharren, erhalten einen Abzug: historisch werden diese Deals wesentlich seltener gewonnen. Das räumt Hoffnungs-Deals automatisch aus der Prognose — ohne sie aus dem CRM zu löschen.

Die Umsetzung von deterministischer Pipeline-Intelligence ist kein Jahresprojekt. Es ist ein strukturiertes 6–8-Wochen-Vorhaben auf Basis vorhandener CRM-Daten.

**Schritt 1 — CRM-Daten-Audit (1–2 Wochen):** Vor der Musteranalyse muss klar sein, wie vollständig die Daten sind. Wie konsequent werden Deals beim Verlust als 'verloren' markiert? Wie vollständig sind Stage-Übergänge dokumentiert? Fehlen Datum- oder Segmentfelder? Dieser Audit ist gleichzeitig eine Investition in zukünftige Datenqualität.

**Schritt 2 — Historische Conversion-Raten berechnen (1 Woche):** Aus 24 Monaten CRM-Daten werden Win-Raten nach Stage, Segment und Dealgrößenklasse berechnet. Das ist Standard-SQL oder eine Pivot-Tabelle — kein Machine Learning. Das Ergebnis ist eine Conversion-Matrix: 'Stage 3 → Gewonnen: 38% bei Enterprise-Deals, 52% bei SMB-Deals.'

**Schritt 3 — Forecast-Modell aufbauen und in den Rolling Forecast integrieren (2–3 Wochen):** Jeder offene Deal wird automatisch mit der historisch passenden Conversion-Rate bewertet. Die Summe der wahrscheinlichkeitsgewichteten Deals ist die deterministische Umsatzprognose. Automatisch aktualisiert, wenn Deals Stage wechseln. Als Umsatz-Input direkt in den Rolling Forecast eingespielt.

Das Ergebnis: Der CFO sieht für die nächsten 12 Monate eine Umsatzprognose, die nicht auf dem Optimismus des Vertriebsleiters beruht, sondern auf dem historischen Verhalten des eigenen Unternehmens. Entscheidungen über Personal, Kapazität und Kreditlinien werden auf einer Basis getroffen, die der Realität wesentlich näher kommt.

Das ist keine Utopie für Enterprise-Unternehmen. Es ist das Minimum an Vertriebscontrolling, das jeder Mittelständler mit mehr als 20 Mitarbeitern und einem funktionierenden CRM umsetzen kann — und der Unterschied zwischen Planung auf Hoffnung und Planung auf Evidenz.