Forecast-Verzerrung und Sandbagging: dasselbe Problem, nur in zwei Richtungen

Fragen Sie eine Vertriebsleiterin nach der Zahl fürs nächste Quartal, bekommen Sie einen Wert, der sich leicht schlagen lässt. Fragen Sie einen neuen Abteilungsleiter nach seinem Budget, bekommen Sie einen Puffer gegen das Unbekannte. Beides sind Prognosen. Beide sind absichtlich falsch. Die meisten Finance-Teams behandeln das als zwei entgegengesetzte Probleme (hier übertriebener Optimismus, dort defensive Vorsicht), dabei ist es dasselbe Versagen in zwei Kostümen: Niemand hält den Prognostiker gegen das haftbar, was am Ende tatsächlich abgeschlossen wurde.

Genau das wird übersehen. Sandbagging und Schönrechnerei sehen aus, als bräuchten sie entgegengesetzte Lösungen. Brauchen sie nicht. Beide überleben, weil Forecast-Genauigkeit nirgends gemessen, verfolgt oder über die Zeit einem Namen zugeordnet wird. Beheben Sie die Messung, und beide Formen der Verzerrung werden im selben Report sichtbar.

Zwei Richtungen, eine Ursache

Sandbagging heißt: absichtlich niedrig prognostizieren. Ein Vertriebsleiter committet sich auf 2 Mio. €, obwohl die Pipeline 2,8 Mio. € hergibt: weil eine geschlagene Zahl besser aussieht als eine verfehlte, und weil ein geschlagenes Quartal Luft für ein schwächeres nächstes Quartal verschafft. Schönrechnerei ist das Spiegelbild: Ein Abteilungsleiter committet sich auf eine ambitionierte Umsatz- oder Kostenzahl, weil Optimismus Budgets genehmigt, Personalanträge finanziert und Projekte grün schaltet, und bis die Lücke sichtbar wird, ist es das Quartal von jemand anderem, der sie erklären muss.

Beide Verhaltensweisen sind rationale Reaktionen auf dieselbe Anreizlücke. Wenn Forecast-Genauigkeit nie gegen das Ist gemessen wird, aufgeschlüsselt nach der Person oder dem Team, das die Zahl geliefert hat, kostet Falschliegen in keiner Richtung etwas, außer in der Richtung, die auffällt. Wer zu hoch danebenliegt, bekommt ein unangenehmes Gespräch über Umsetzung. Wer zu niedrig danebenliegt, dem stellt niemand Fragen; man wirkt einfach kompetent, weil man die eigene Zahl geschlagen hat. Diese Asymmetrie drückt Prognosen Quartal für Quartal nach unten, bis “die Prognose schlagen” gar nichts mehr bedeutet.

Der Verräter liegt im Muster, nicht im einzelnen Ausreißer. Ein vorsichtiges Quartal ist Vorsicht. Sechs Quartale in Folge, in denen ein Team 12–18 % über der eigenen committeten Zahl landet, ist keine Vorsicht mehr, das ist ein fest eingebauter Abschlag im Prozess, und der kostet das Unternehmen echte Kapitalallokationsentscheidungen: Kapazität, die nicht eingeplant wurde, Einstellungen, die nicht genehmigt wurden, Lagerbestand, der nicht bestellt wurde, weil die Zahl auf dem Papier nie die echte Zahl war.

Warum es niemandem auffällt

Die meisten Finance-Teams verfolgen Forecast-Genauigkeit gar nicht, oder nur lose auf Gesamtunternehmensebene, wo sich abteilungsindividuelle Verzerrung im Rauschen verliert. Ein Unternehmen kann seinen konsolidierten Forecast auf 2 % genau treffen, während zwei Abteilungen um 15 % sandbaggen und zwei andere 10 % zu heiß laufen, und die Gesamtzahl verrät davon nichts.

Das tiefere Problem: Verzerrung aufzudecken heißt, dasselbe zweimal zu vergleichen: den Q2-Forecast dieser Abteilung, eingereicht im April, gegen das Q2-Ist dieser Abteilung, abgeschlossen im Juli, und das konsequent, über jeden Zyklus, jede Abteilung, jedes Jahr hinweg. Das ist zuerst ein Datendisziplin-Problem, dann erst ein Analyseproblem. Wenn der April-Forecast in einer Slide-Deck-Datei lebt, das Ist im ERP, und niemand die beiden zu einem vergleichbaren Paar zusammenführt, gibt es nichts, wogegen man vergleichen könnte. Die Verzerrung ist real, aber unsichtbar, weil das System, das sie sichtbar machen würde, nicht existiert.

Das ist auch, warum Forecast-Verzerrung zum Personenproblem wird (“dieses Team ist immer konservativ”, informell gesagt, auf dem Flur) statt zu einem zahlenbasierten Prozessbefund. Anekdoten verbreiten sich. Eine belastbare, abteilungsweise Genauigkeitshistorie, an der man die Anekdote prüfen könnte, gibt es nicht, also wird sie entweder ignoriert oder man handelt nach Bauchgefühl, was sein eigenes Risiko birgt: ein Team wird bestraft, weil es zu hoch danebenliegt, während ein tatsächlich sandbaggendes Team weiter Lob dafür bekommt, “die Prognose zu schlagen”.

Was das Tracking von Verzerrung wirklich braucht

Forecast-Genauigkeit von einem vagen Eindruck in einen gemessenen, belastbaren Fakt zu verwandeln, braucht drei Dinge, die in den meisten Finance-Stacks nicht miteinander verbunden sind.

Voraussetzung	Warum sie zählt	Was ohne sie zusammenbricht
Forecasts bei Einreichung erfasst, nicht später rekonstruiert	Bias-Erkennung braucht die Originalzahl, nicht eine überarbeitete oder gerundete Version aus dem Gedächtnis	Nachträgliche Behauptungen über “was wir prognostiziert hatten”, die sich an das Ist anpassen
Ist-Werte auf denselben Zeitraum und denselben Abteilungszuschnitt abgestimmt	Ein Forecast gegen ein anders abgegrenztes Ist zu vergleichen erzeugt eine falsche Genauigkeitsmessung	Äpfel-Birnen-Abweichungen, die wie Rauschen aussehen statt wie ein Muster
Eine laufende Historie über Zyklen hinweg, nicht ein einzelnes Quartal	Ein Ausreißer ist normale Schwankung; ein gerichtetes Muster über 4–8 Quartale ist Verzerrung	Echte Verzerrung wird wiederholt als “einfach ein schwaches Quartal” abgetan

Sobald diese drei Dinge existieren, ist die eigentliche Analyse einfache Arithmetik: Forecast minus Ist, nach Abteilung, nach Periode, über die Zeit aufgetragen. Der Befund zeigt entweder ein Muster nahe null mit normaler Schwankung in beide Richtungen (gesundes Forecasting) oder ein Muster, das konsequent in eine Richtung schief liegt. Ein Team, das sechs Quartale in Folge zweistellig zu niedrig liegt, hat kein Pech. Ein Team, das mit derselben Marge Quartal für Quartal zu hoch liegt, ist nicht angemessen vorsichtig. Beides ist messbar, sobald die abgestimmte Historie vorliegt, und keines erfordert Mutmaßungen über Absicht, die Zahl spricht für sich.

Aus dem Befund eine Lösung machen

Der Sinn des Verzerrungs-Trackings ist nicht, jemanden zu erwischen. Es geht darum, den Anreiz zu korrigieren, der die Verzerrung erzeugt hat, und das funktioniert nur, wenn der Befund konkret genug ist, um darauf zu handeln. “Das Forecasting könnte besser sein” ändert nichts. “Der Forecast dieses Teams lag sechs Quartale in Folge 14 % zu niedrig” ist ein Fakt, auf den eine Führungskraft direkt reagieren kann: indem sie den Review-Prozess anpasst, indem sie Erwartungen setzt, dass eingereichte Zahlen die echte Pipeline widerspiegeln sollen statt eine verteidigungsfähige Untergrenze, oder indem sie die bekannte Verzerrung einfach in die Planung einrechnet, bis sich das Verhalten ändert.

Hier hört die Lösung auch auf, ein neuer Prozess zu sein, und wird zu einer Frage der Sichtbarkeit. Teams brauchen keine Sandbagging-Richtlinie und keine Kampagne gegen Schönrechnerei. Sie müssen wissen, dass die Verzerrung beobachtet wird, konsequent, mit echten Zahlen dahinter, das allein schließt in der Regel den größten Teil der Lücke, weil der Anreiz, der die Verzerrung erzeugt hat (niemand prüft nach), damit wegfällt.

Dasselbe Tracking fängt auch etwas ab, über das seltener gesprochen wird: Verzerrung, die die Richtung wechselt. Ein Team, das jahrelang unter einer Leitung sandbaggte, kann unter neuer Führung mit einer Wachstumsstory ins Gegenteil kippen: zu optimistische Zusagen. Ohne durchgehende Genauigkeitshistorie sieht dieser Wechsel wie ein Neuanfang aus. Mit einer Historie ist er im ersten Quartal sichtbar, in dem er passiert, nicht erst im vierten.

Forecast-Genauigkeits-Tracking hängt direkt mit der Mechanik aus der KPI-Abweichungsanalyse zusammen: dieselbe abgestimmte Abweichung-über-Zeit-Ansicht, die operative Abdrift aufdeckt, deckt auch Forecaster-Verzerrung auf, weil die zugrunde liegende Frage identisch ist: was haben wir gesagt, was passieren wird, und was ist tatsächlich passiert. Am natürlichsten zeigt sich das in Abweichungs-Review-Meetings, wo eine abteilungsweise Genauigkeitshistorie ein defensives Gespräch über ein schlechtes Quartal in ein faktenbasiertes Gespräch über ein Muster über mehrere Quartale verwandelt. Und es hängt davon ab, überhaupt eine saubere Forecast-Baseline zu haben, die zum Zeitpunkt der Einreichung festgehalten wird: Verzerrung lässt sich nicht gegen eine Zahl messen, die nie fixiert wurde.

Fazit

Sandbagging und Schönrechnerei fühlen sich wie entgegengesetzte Charakterzüge an, der eine vorsichtig, der andere übermütig, aber strukturell ist es dieselbe Lücke: Forecast-Genauigkeit, die niemand gegen das tatsächliche Ist nachverfolgt. Die Lösung ist keine neue Forecasting-Methodik und keine strengere Freigabekette. Es ist eine abgestimmte Historie, die jeden eingereichten Forecast mit seinem späteren Ist-Wert paart, nach Abteilung, nach Periode, konsequent genug, dass ein Muster entweder sichtbar wird oder eben nicht. Sobald Verzerrung sichtbar ist, korrigiert sie sich meist von selbst, der Anreiz, sich hinter einer gepufferten Zahl zu verstecken, funktioniert nur, solange niemand mitzählt.

Wenn Ihre Forecasts und Ist-Werte an getrennten Orten liegen, die nie ganz zusammenpassen, dann versteckt sich genau dort die Verzerrung. Demo buchen, um zu sehen, wie eine Forecast-Genauigkeitshistorie aussieht, wenn sie auf einem abgestimmten Modell aufgebaut ist statt auf einer Folienpräsentation.