Top-down, Bottom-up, treiberbasiert, statistisch: ein klarer Leitfaden für Prognosemethoden

Fragen Sie drei FP&A-Analysten, welche Prognosemethode „die richtige” ist, und Sie bekommen drei unterschiedliche Antworten, meist mit spürbarem Nachdruck vorgetragen. Das ist die falsche Diskussion. Top-down, Bottom-up, treiberbasiert und statistisch sind keine konkurrierenden Philosophien, bei denen am Ende eine gewinnt. Es sind vier unterschiedliche Werkzeuge, die jeweils zu bestimmten Positionen passen, und sie als Entweder-oder-Entscheidung zu behandeln, ist genau der Grund, warum so viele Planungen entweder zu grob sind, um daraus zu handeln, oder zu detailliert, um sie zu pflegen.

Die relevantere Frage, gerade jetzt, wo KI beginnt, Teile der Planung selbst zu erzeugen, lautet nicht „welche Methode ist die beste”. Sie lautet: „Woran ist diese Zahl verankert, und kann ich diesem Anker vertrauen?” Beantworten Sie das pro Position sauber, und die Methodenwahl ergibt sich meist von selbst.

Die vier Methoden im Klartext

Top-down startet bei einer Makrogröße (Gesamtmarktvolumen, Vorjahresumsatz plus Zielwachstumsrate, Branchenbenchmark) und verteilt diese hinunter auf Abteilungen, Regionen oder Produkte. Das geht schnell und eignet sich, um ein erstes Ziel zu setzen oder einen Bottom-up-Aufbau plausibel zu prüfen: nur ist die Verteilungslogik dabei oft eine Schätzung im Gewand der Präzision. Ein Umsatzziel von 10 Mio. € im Verhältnis 40/35/25 auf drei Regionen aufzuteilen, nur weil das letztes Jahr so war, ist keine Analyse, sondern Beharrungsvermögen mit Excel-Anstrich.

Bottom-up baut dieselbe Zahl von unten auf: die Pipeline der Vertriebsmitarbeiter je Deal, den Personalplan je Rolle, die Stückwirtschaft je Artikel, summiert zur Gesamtzahl. Der Aufbau und die Pflege dauern länger, aber die Zahl bedeutet etwas: Sie können 4,2 Mio. € prognostizierten Q3-Umsatz bis auf 340 einzelne, nach Phase gewichtete Pipeline-Opportunities zurückverfolgen. Der Preis dafür ist der Pflegeaufwand. Ein Bottom-up-Modell mit veralteten Pipeline-Daten ist schlechter als gar kein Modell, weil es präzise wirkt, während es falsch liegt.

Treiberbasierte Prognosen greifen die Handvoll operativer Stellhebel heraus, die eine Position tatsächlich bewegen (Kopfzahl und Durchschnittsgehalt bei den Personalkosten, Sitzplatzzahl und Net Revenue Retention beim SaaS-ARR, Stückzahl und Preis bei einer Produktlinie), und drücken die Prognose als explizite Formel über diese Treiber aus. Sie liegt zwischen Top-down und Bottom-up: disziplinierter als eine geschätzte Wachstumsrate, aber weniger granular, und pflegeleichter, als jede Einzeltransaktion zu modellieren.

Statistische bzw. ML-Prognosen passen ein Modell an die historische Zeitreihe an (gleitende Durchschnitte, exponentielle Glättung, ARIMA oder eine trainierte Regression) und schreiben das Muster fort. Als einzige der vier Methoden benötigt sie keine explizite kausale Erzählung; sie findet das Muster in den Daten und verlängert es. Das ist zugleich ihre Schwäche: Sie verlängert das Muster, nicht die Geschäftslogik. Ein statistisches Modell weiß nicht, dass Ihr größter Kunde gerade mit 90 Tagen Frist gekündigt hat.

Methode	Verankert an	Am besten geeignet für	Schwach bei
Top-down	Einem Ziel oder Benchmark	Ersten Planungszielen, schnellen Plausibilitätsprüfungen	Positionen mit willkürlicher Verteilungslogik
Bottom-up	Einzelnen Transaktionen oder Deals	Vertriebsgetriebenem Umsatz, Personalkosten	Positionen mit zu vielen Einzelkomponenten für eine individuelle Nachverfolgung
Treiberbasiert	Einer kleinen Zahl kausaler Stellhebel	Wiederkehrendem Umsatz, Kostenpositionen mit klaren Treibern	Positionen ohne stabile Treiberbeziehung
Statistisch / ML	Historischen Zeitreihen	Positionen mit hohem Volumen und stabilem Muster (Nebenkosten, Kartengebühren)	Allem mit Strukturbruch oder ohne Historie

Warum „welche Methode” die falsche erste Frage ist

Reale Planungen kombinieren alle vier, je Position, nicht per unternehmensweitem Dekret. Ein SaaS-Unternehmen könnte den ARR bottom-up aus der Vertriebspipeline ableiten, die Kündigungsquote statistisch aus zwei Jahren Kohortendaten projizieren, die Personalkosten treiberbasiert aus dem Einstellungsplan aufbauen und dem gesamten Opex-Wachstum top-down eine Obergrenze setzen, um den Vorstand ehrlich zu halten. Das ist alles in sich stimmig. Jede Position bekommt die Methode, die zu ihrem tatsächlichen Verhalten passt.

Der Fehler liegt darin, eine Methode als Hausstandard festzulegen und jede Position hindurchzupressen: jede SaaS-Vertragsverlängerung bottom-up von Hand zu modellieren, wo eine Kohorten-Retentionskurve genügen würde, oder eine einzige Top-down-Wachstumsrate auf eine Kostenbasis anzuwenden, die eigentlich von bereits getroffenen Personalentscheidungen getrieben wird. Die Methode sollte sich nach der Natur der Zahl richten, nicht nach einer Vorlage.

Die eine Frage, die für alle vier gilt

Hier hören die vier Methoden auf, unterschiedlich zu sein, und werden zum selben Problem: Welche Methode Sie auch wählen, die Ist-Daten, an denen sie verankert ist, müssen stimmen.

Ein statistisches Modell, trainiert auf historischen Umsatzdaten mit einer doppelt erfassten Rechnung aus einer missglückten ERP-Migration, wird diesen Fehler zuversichtlich fortschreiben: die Trendlinie ist eine Schätzung im Gewand der Mathematik, und ein fehlerhafter Input macht die Schätzung schlechter, ohne dass sich am selbstsicheren Auftreten des Ergebnisses etwas ändert. Ein treiberbasierter Aufbau ist nicht automatisch sicherer: „Arithmetik auf abgestimmten Ist-Zahlen” stimmt nur, wenn die Ist-Zahlen hinter den Treibern tatsächlich abgestimmt sind. Kopfzahl mal Durchschnittsgehalt ist einfache Mathematik, aber wenn die Kopfzahl einen Freelancer doppelt zählt, der bereits im HRIS-Export enthalten war, liefert die einfache Mathematik ein falsches Ergebnis mit voller Überzeugung. Auch Bottom-up ist nicht immun: Eine Pipeline-Prognose aus einem CRM, das nicht mit dem tatsächlich verbuchten Umsatz im Hauptbuch abgeglichen wurde, zählt bereits abgeschlossene Deals doppelt oder übersieht solche, die außerplanmäßig abgeschlossen wurden.

Das ist der Teil, der am meisten zählt, sobald KI ins Spiel kommt. Ein KI-System, das eine Prognose erstellt oder erklärt, kann jede der vier Methoden kompetent anwenden: der Rechenschritt selbst ist meist unproblematisch. Was es nicht von sich aus leisten kann, ist zu prüfen, ob die historischen Ist-Zahlen, die es fortschreibt, verteilt oder als Treiber verwendet, überhaupt korrekt sind. Diese Prüfung muss vorgelagert stattfinden, in der Datenebene, bevor die Prognosemethode überhaupt läuft. Eine Planung, die auf nicht abgestimmten Ist-Zahlen aufbaut, ist falsch, unabhängig davon, welche der vier Techniken sie erzeugt hat, und keine noch so ausgefeilte Prognosemethodik repariert einen schlechten Anker.

Zusammengeführt: eine praktische Auswahlregel

Ein brauchbarer Standardablauf, pro Position:

1. Gibt es eine stabile, umfangreiche Historie ohne erwarteten Strukturbruch? Statistisch verwenden. Wiederkehrende Bankgebühren, Nebenkosten, verlässliche Saisonmuster.
2. Gibt es eine kleine Zahl klar benennbarer kausaler Treiber? Treiberbasiert verwenden. Personalkosten, Abo-Umsatz, mengengebundener Wareneinsatz.
3. Besteht die Position aus einzeln nachverfolgbaren, wesentlichen Transaktionen? Bottom-up verwenden. Enterprise-Vertriebspipeline, Investitionsprojekte, ein Personalplan mit namentlich benannten Rollen.
4. Brauchen Sie schnell ein Ziel, bevor ein detaillierter Aufbau existiert, oder eine Plausibilitätsgrenze für eine Aggregatgröße? Top-down verwenden. Frühphasenplanung, Wachstumsziele auf Vorstandsebene, Gegenprobe eines Bottom-up-Rollups.

Anschließend die vier Ergebnisse gegeneinander abgleichen. Wenn treiberbasierte Personalkosten und Bottom-up-Personalplanung bei der Gesamtkopfzahl auseinanderlaufen, ist diese Abweichung ein Signal, kein Rauschen: einer der beiden Inputs ist veraltet.

Fazit

Es gibt keine einzelne beste Prognosemethode, und die Suche danach verschwendet einen Planungszyklus. Top-down, Bottom-up, treiberbasiert und statistisch passen jeweils zu einer anderen Art von Position, und die meisten realen Planungen nutzen drei oder vier davon gleichzeitig. Was allen Methoden gemeinsam ist: die Abhängigkeit von den zugrunde liegenden Ist-Zahlen. Ein statistischer Trend, eine Treiberformel und ein Bottom-up-Rollup sind jeweils nur so vertrauenswürdig wie die Buchhaltungsdaten, auf denen sie aufbauen, und wenn dieses Fundament nicht abgestimmt ist, ist die Methodenwahl eine Debatte über die falsche Ebene des Problems.

Rexfins Rolle ist genau dieses Fundament: ein abgestimmtes Modell, verankert im Hauptbuch, auf dem jede dieser Prognosemethoden mit einer nachvollziehbaren Antwort auf die Frage „Woher kommt diese Zahl?” aufbauen kann. Demo buchen, um es an Ihrem eigenen Kontenplan zu sehen.

Für die treiberbasierte Methode im Detail siehe treiberbasierte Prognose und deterministische Mathematik. Wie Rexfin den historischen Anker setzt, von dem jede dieser Methoden ausgeht, zeigt Prognosebasislinien. Und wie ein rollierender Turnus die gewählte Methode aktuell hält, zeigt rollierender Prognoseturnus.