Forecast aus Verkaufsdaten ableiten

Use Case

Mit KI können Sie aus historischen Verkaufsdaten erste Muster, Trends und Planungsszenarien ableiten. KI ersetzt keine Controlling-Fachkraft, hilft aber dabei, Rohdaten schneller zu strukturieren und Abweichungen sichtbar zu machen.

Für: Controlling / Vertrieb · Niveau: Mittel · Tools: ChatGPT, Microsoft Copilot, Claude, Gemini

Für wen ist dieser Use Case geeignet?

Dieser Use Case eignet sich für Controlling, Vertriebsleitung und Geschäftsführung — überall dort, wo Verkaufszahlen vorliegen und daraus eine Planung oder ein Reporting entstehen soll.

Besonders hilfreich ist er, wenn viele Datenpunkte vorliegen, die manuell kaum zu überblicken sind, oder wenn schnell ein erstes Planungsszenario für ein Meeting benötigt wird.

Ausgangsproblem

Forecasts entstehen in vielen Unternehmen aufwendig: Tabellen werden zusammengekopiert, Trends manuell abgelesen, Annahmen im Kopf gehalten. Das kostet Zeit und führt dazu, dass Szenarien selten systematisch verglichen werden.

KI kann hier helfen, indem sie Strukturen erkennt, Trends benennt und Szenarien formuliert. Sie ist aber kein Ersatz für fundiertes Urteil: Branchenkenntnis, Saisoneffekte oder unternehmensspezifische Ausreißer muss immer ein Mensch einordnen.

Schritt-für-Schritt-Anleitung

Schritt 1: Datenbasis bereinigen und exportieren

Exportieren Sie die Verkaufsdaten in ein Format, das Sie sicher nutzen können: CSV oder eine bereinigte Excel-Tabelle.

Achten Sie dabei auf folgendes:

Personenbezogene Daten (Einzelkunden, Mitarbeitende) vorher anonymisieren oder aggregieren
Zeitraum klar definieren (monatlich, quartalsweise, jährlich)
Ausreißer oder bekannte Sondereffekte notieren
Einheit und Währung einheitlich halten

Schritt 2: Analyseziel festlegen

Beschreiben Sie der KI, was Sie herausfinden möchten. Verschiedene Ziele brauchen unterschiedliche Prompts:

Welche Produktkategorien wachsen, welche stagnieren?
Gibt es saisonale Muster?
Wie hoch könnte der Umsatz in den nächsten drei Monaten sein?
Wo liegen Abweichungen gegenüber dem Vorjahr?

Schritt 3: Daten strukturiert eingeben

Fügen Sie die Tabelle direkt in den Chat (wenn das Tool es erlaubt) oder beschreiben Sie die Struktur und fügen Sie einen repräsentativen Ausschnitt ein.

Bei großen Datensätzen: fassen Sie bereits in Excel aggregierte Werte ein (z. B. Monatssummen), statt Rohdaten einzufügen.

Schritt 4: Forecast und Szenarien ableiten lassen

Lassen Sie die KI mindestens zwei Szenarien formulieren: ein konservatives und ein optimistisches. Bitten Sie sie außerdem, die Annahmen hinter jedem Szenario explizit zu nennen.

Schritt 5: Ergebnis fachlich validieren

Gleichen Sie die KI-Ausgabe mit Ihrer eigenen Einschätzung ab. Fragen Sie sich:

Stimmen die genannten Trends mit bekannten Entwicklungen überein?
Hat die KI Saisoneffekte korrekt erkannt oder ignoriert?
Sind die Annahmen der Szenarien realistisch und transparent?
Gibt es Datenpunkte, die die KI nicht kannte (z. B. ein geplanter Launch)?

Schritt 6: Ergebnisse in Planung überführen

Verwenden Sie die Szenarien als Diskussionsgrundlage — nicht als fertige Wahrheit. Für offizielle Reportings und Budgetabstimmungen muss das Controlling die Zahlen immer freigeben.

Beispielprompt

Analysiere die folgenden Verkaufsdaten und leite einen Forecast ab.

Zeitraum der Daten: [z. B. Januar 2024 – März 2026]
Einheit: [z. B. Umsatz in EUR, Verkaufsvolumen in Stück]
Ziel: [z. B. Forecast für Q3 2026, Trendanalyse je Produktkategorie]

Aufgaben:
1. Erkenne Trends und Muster in den Daten. Beschreibe sie kurz.
2. Weise auf auffällige Ausreißer oder Lücken hin.
3. Erstelle zwei Szenarien für den Forecast-Zeitraum: konservativ und optimistisch.
4. Nenne für jedes Szenario die zentralen Annahmen explizit.
5. Markiere, welche Informationen fehlen, um den Forecast zu verbessern.

Wichtig:
- Erfinde keine Daten, die nicht im Input stehen.
- Wenn etwas unklar ist, frage nach.

Hier sind die Verkaufsdaten:
[Tabelle oder Zusammenfassung einfügen]

Qualitätscheck

Bevor Sie den Forecast weitergeben, prüfen Sie:

Stimmen die Trends mit Ihrer eigenen Einschätzung überein?
Sind die Annahmen der Szenarien transparent und plausibel?
Hat die KI Saisoneffekte und Ausreißer korrekt eingeordnet?
Wurden personenbezogene oder vertrauliche Daten vor der Eingabe entfernt?
Ist das Ergebnis für die Zielgruppe (Geschäftsleitung, Vertriebsleitung) verständlich?

KI-gestützte Forecasts sind nützliche Diskussionsgrundlagen, keine Entscheidungsgrundlagen ohne menschliche Prüfung. Für offizielle Planungen brauchen Sie immer eine fachliche Freigabe.

Risiken und Grenzen

KI kann Muster in Daten erkennen, die es so nicht gibt — besonders bei kleinen Datensätzen oder Ausreißern. Korrelationen werden manchmal als Kausalitäten dargestellt.

Wenn Daten unvollständig oder unbereinigt sind, entstehen Forecasts auf falscher Basis. KI gibt dabei häufig keine Warnung, sondern rechnet einfach mit dem, was vorhanden ist.

Forecasts klingen präzise, sind aber Szenarien. Das wird in der Kommunikation leicht vergessen. Weisen Sie Empfängerinnen und Empfänger immer auf die Unsicherheiten hin.

Datenschutzhinweis

Geben Sie keine personenbezogenen Einzelkundendaten in KI-Tools ein. Aggregieren oder anonymisieren Sie Daten vorab.

In Unternehmen gelten häufig Regeln dazu, welche Daten in externe KI-Dienste eingespeist werden dürfen. Prüfen Sie im Zweifel mit der Datenschutzbeauftragten oder der IT, welche Tools für diesen Use Case freigegeben sind.

Passende Tools

ChatGPT: gut für strukturierte Analyse von tabellarischen Daten und Szenarienbau
Microsoft Copilot: naheliegend, wenn die Daten in Excel oder Power BI liegen
Claude: gut für längere Kontextfenster und erklärende Analyse
Gemini: passend bei Google-Sheets- und Looker-Nutzung