Datenqualität für Umsatzprognosen: CRM, ERP, Shop – Quick‑Wins

Forecasting scheitert an Datenlücken, Definitionen und fehlenden Prozess-Signalen

„Forecasting scheitert selten am Algorithmus – fast immer an Datenlücken, inkonsistenten Definitionen und fehlenden Prozess-Signalen.“

Wenn CRM, ERP und Shop unterschiedliche Wahrheiten liefern, wird jede Prognose zu einem Streit über Zahlen statt zu einer Entscheidungsgrundlage.

Ziel dieser Seite: Klarheit, welche Daten in welcher Qualität nötig sind – und wie man ohne Mammutprojekt schnelle Verbesserungen erreicht.

Welche Daten für belastbare Umsatzprognosen wirklich zählen

Minimum-Viable-Forecast-Dataset über CRM, ERP und E-Commerce

  • Orders: Bestelldatum, Lieferdatum, Status (offen/teilgeliefert/storniert), Menge, Produkt, Kunde, Kanal
  • Preise & Discounts: Listenpreis, verhandelter Preis, Rabattlogik, Währung, Steuern, Preisänderungen über Zeit
  • Retouren & Credits: Rücksendegrund, Gutschrift, Teilretouren, Zeitverzug zwischen Sale und Retour
  • Pipeline & Stages (B2B): Stage-Definitionen, Eintritts-/Austrittszeitpunkte, Deal-Wert (brutto/netto), Close-Date, Wahrscheinlichkeit
  • Kampagnen & Touchpoints: Kampagnen-IDs, Quelle/Medium, Offer/Promo, Attribution-Logik, Touchpoint-Zeitpunkte
  • Stammdaten: Account-/Customer-ID, Parent/Child-Strukturen, Produktkategorien, Regionen, Owner/Team
  • Prozess-Signale: Aktivitätsdaten (Calls/Meetings/Mails), Angebotsversionen, CPQ-Status, Liefer-/Fulfillment-Events

Typische Datenfehler, die Forecasts „kaputt“ machen

Die Klassiker aus CRM/ERP/Shop – und warum sie schwer zu sehen sind

  • Uneinheitliche Definitionen: „Umsatz“ = Auftragseingang vs. Faktura vs. Payment; „Won“ ohne klare Kriterien
  • Broken Keys: fehlende oder wechselnde Customer-IDs, Dubletten, keine stabile Produkt-ID
  • Stage-Degeneration: Stages werden übersprungen, zurückgesetzt oder „kreativ“ genutzt (Prozess = nicht messbar)
  • Close-Date-Drift: erwartetes Abschlussdatum wird verschoben, ohne Historie/Signal (Forecast wird kosmetisch)
  • Rabatt- und Preis-Shadowing: Discounts stehen in Freitext, Excel-Anhängen oder nur im Angebot/PDF
  • Retouren blind spot: Brutto-Umsatz wird prognostiziert, Netto-Umsatz wird überrascht
  • Channel-Mix-Fehler: Shop/Marketplace/Direct werden vermischt, obwohl Margen & Retouren stark variieren
  • Zeitzonen & Cut-offs: Tages-/Monatsgrenzen, Buchungslogik, verspätete ERP-Postings

Quick-Wins: 10 Hebel für bessere Prognosen ohne Big-Bang

In 2–6 Wochen spürbar bessere Daten-Signale

  • 1) Einheitliche Umsatzdefinition: ein Glossar für AE, Umsatz, Netto, ARR/MRR (inkl. Beispiele)
  • 2) Pflichtfelder mit Sinn: Close-Date, Amount (netto), Stage, Next Step – aber nur, wenn Validierungen greifen
  • 3) Stage-Exit-Kriterien: klare Regeln + automatische Checks (z. B. „Offer sent“ braucht Angebots-ID)
  • 4) Historisierung: Stage- und Close-Date-History speichern (kein Überschreiben ohne Audit)
  • 5) Dubletten-Stop: Matching-Regeln für Accounts/Contacts + „Golden Record“
  • 6) Order↔Deal-Verknüpfung: eindeutiger Link von CRM-Deal zu ERP-Order/Faktura
  • 7) Retouren als negatives Signal: Rückläuferquote pro Kanal/Produkt in die Forecast-Logik aufnehmen
  • 8) Discount-Standardisierung: Rabatte als strukturierte Felder statt Freitext
  • 9) Data Quality Dashboard: 5 Kennzahlen reichen (z. B. Missing Close-Date, Stage-Skips, Dublettenquote)
  • 10) Prozess-Signale aktivieren: Activity-Capture, Angebotsstatus, Fulfillment-Events als Frühindikatoren

Pragmatische Zielarchitektur

Eine „Source of Truth“ ohne Tool-Dogma

Prinzip: ERP ist die Quelle für Faktura/Delivery, CRM für Pipeline & Prozess, E-Commerce für Checkout & Retouren. Prognosen brauchen ein sauberes, versioniertes „Revenue Model“ darüber.

  • Semantic Layer: einheitliche Definitionen (Umsatz, Netto, Storno, Return, ARR)
  • Identity Resolution: stabile Customer-/Product-Keys, Mapping-Tabellen, Dublettenregeln
  • Event-Timeline: Deal-Events, Order-Events, Fulfillment-Events, Return-Events
  • Data Contracts: welche Felder müssen wann vorhanden sein (inkl. Validierungen)

Wenn Datenqualität stimmt: Was Forecasting dann leisten kann

Von Statusberichten zu Frühwarnsystemen

  • Stabilere Forecasts durch weniger manuelle „Glättung“ und weniger späte Überraschungen
  • Frühwarnsignale bei Deal-Risiken (Stage-Stagnation, Aktivitätsabfall, Close-Date-Drift)
  • Netto-Prognosen inkl. Retouren, Credits und Preis-/Discount-Effekten
  • Steuerbarkeit: klare Prioritäten, welche Deals/Accounts Aufmerksamkeit brauchen

Leitmotiv: Weniger Excel. Weniger Status-Meetings. Mehr Klarheit.