FACHWISSEN · PROJEKTE & TRANSFORMATIONINSIGHTS · PROJECTS & TRANSFORMATION
Priorisierung im Vertrieb: Warum eine Trefferquote nicht alle übersehenen Fälle zeigtSales prioritisation: why precision does not reveal every missed case
Eine Regel kennzeichnet einige Anfragen als besonders relevant. Viele dieser markierten Fälle passen tatsächlich zur vorgesehenen Bearbeitung. Trotzdem kann die Regel weitere geeignete Fälle übersehen. Für die Bewertung braucht es deshalb mehr als eine einzige Trefferquote: Wichtig ist auch, was außerhalb der priorisierten Gruppe liegt.
Zwei Blickrichtungen unterscheiden
Precision betrachtet, welcher Anteil der als positiv markierten Fälle tatsächlich positiv ist. Recall fragt, welcher Anteil aller tatsächlich positiven Fälle gefunden wurde. Beide Kennzahlen verwenden unterschiedliche Nenner. Eine hohe Precision belegt deshalb nicht automatisch, dass nahezu alle relevanten Fälle erkannt werden.
Ein fiktives Beispiel mit Anfragen
Ein fachlich geprüfter Testbestand enthält 40 relevante Anfragen. Eine Regel markiert 20 Anfragen, davon sind 18 tatsächlich relevant. Die Precision beträgt 18 von 20, also 90 Prozent. Der Recall liegt dagegen bei 18 von 40, also 45 Prozent. Die gute erste Zahl verdeckt damit 22 nicht erkannte relevante Fälle.
Schwellen verändern die Arbeitsverteilung
Eine strengere Priorisierungsgrenze kann die markierte Gruppe verkleinern. Ob dadurch weniger Fehlmarkierungen entstehen und mehr relevante Fälle übersehen werden, muss am tatsächlichen Bestand geprüft werden. Ebenso zählen die Folgen: unnötige Prüfung und übersehener Bearbeitungsbedarf sind unterschiedliche Kostenarten. Eine allgemeingültige optimale Schwelle folgt daraus nicht.
Den Testbestand nachvollziehbar halten
Für eine belastbare Bewertung braucht es fachlich geprüfte Ergebnisse und eine klare Definition von Relevanz. Noch ungeklärte Fälle dürfen nicht still als negativ gelten. Außerdem wird geprüft, ob der Testbestand zum späteren Eingang passt. Die Kennzahlen unterstützen dann die Bewertung einer Bearbeitungsregel, ohne individuelle Entscheidungen oder einen fachlich verantworteten Ausnahmeweg durch einen bloßen Punktwert zu ersetzen.
A rule flags some enquiries as especially relevant, and many of those flagged cases genuinely fit the intended processing route. The same rule may still overlook other suitable cases. Evaluation therefore needs more than one hit rate: what remains outside the prioritised group matters too.
Distinguish two perspectives
Precision measures the proportion of predicted positive cases that are actually positive. Recall measures the proportion of all actual positive cases that were found. These metrics use different denominators. High precision therefore does not automatically demonstrate that almost every relevant case has been identified.
A fictional enquiry example
A business-reviewed test set contains 40 relevant enquiries. A rule flags 20 enquiries, of which 18 are genuinely relevant. Precision is 18 out of 20, or 90 percent. Recall is 18 out of 40, or 45 percent. The strong first result therefore hides 22 relevant cases that the rule missed.
Thresholds change the distribution of work
A stricter threshold may reduce the flagged group. Whether it produces fewer false positives and misses more relevant cases must be tested on actual data. The consequences also differ: unnecessary review and overlooked processing needs are different types of cost. These observations do not establish one universally optimal threshold for every operation.
Keep the test set traceable
Dependable evaluation requires reviewed outcomes and a clear definition of relevance. Unresolved cases should not silently be labelled negative. Check whether the test set resembles later incoming work as well. The metrics can then inform assessment of a processing rule without replacing individual judgement or a responsibly managed exception route with a score alone.