Ersetzen Sie statische Umsatzprognosen durch Gemini-gestützte Vorhersagen
Statische Tabellenkalkulationen und fixe Abschlusswahrscheinlichkeiten reichen nicht mehr aus, wenn sich Märkte, Deal-Größen und Kaufverhalten jedes Quartal ändern. Dieser Leitfaden zeigt, wie Sie Gemini nutzen, um von starren Umsatzprognosen zu dynamischen, datengetriebenen Erlösvorhersagen zu wechseln. Sie lernen die Strategie, konkrete Workflows und Best Practices kennen, mit denen KI-gestütztes Forecasting in Ihrer Vertriebsorganisation funktioniert.
Inhalt
Die Herausforderung: Statische Forecasting-Methoden
Die meisten Vertriebsteams erstellen ihre Umsatzprognosen immer noch in Tabellenkalkulationen oder direkt im CRM mit festen Abschlusswahrscheinlichkeiten pro Phase. Ein Deal in „Angebot“ hat 40 %, „Verhandlung“ 70 % und so weiter. Das wirkt einfach und objektiv, ignoriert aber die Realität, dass nicht alle Deals, Mitarbeitenden oder Märkte gleich funktionieren. Das Ergebnis ist eine Prognose, die auf dem Papier strukturiert aussieht, aber nicht widerspiegelt, was im nächsten Quartal tatsächlich passieren wird.
Traditionelle Ansätze tun sich außerdem schwer mit Saisonalität, Deal-Größe, Produktmix und Kaufverhalten. Ein Enterprise-Deal über 200k, der seit 45 Tagen stagniert, ist offensichtlich nicht dasselbe wie ein Upsell über 10k, der in einer Woche durch den Funnel gegangen ist – dennoch behandelt phasenbasiertes Forecasting beide nahezu identisch. Statische Modelle können sich nicht anpassen, wenn sich Ihr Markt verändert, ein neues Preismodell eingeführt wird oder Einkaufsgremien größer werden. Bis Menschen die Zahlen manuell angepasst haben, haben sich die Bedingungen bereits wieder geändert.
Die geschäftlichen Auswirkungen sind erheblich. Eine Überschätzung der Umsätze führt zu aggressiven Neueinstellungen, überhöhten Marketingausgaben sowie Lagerbeständen oder Kapazitäten, die nie genutzt werden. Eine Unterschätzung führt zu verpasstem Wachstum, Unterinvestition und risikoaverser Planung, die Ihre Wettbewerber gern ausnutzen. In beiden Fällen verliert das Management das Vertrauen in den Prognoseprozess, und Umsatzprognosen werden zu Verhandlungen statt zu einem evidenzbasierten Planungsinstrument.
Die gute Nachricht: Diese Herausforderung ist lösbar. Moderne KI-Modelle wie Gemini können aus Ihrem historischen Pipeline-Verhalten, Risikosignalen und externen Faktoren lernen, um dynamische, erklärbare Prognosen zu erzeugen. Bei Reruption haben wir gesehen, wie KI-first-Ansätze manuelles, statisches Forecasting durch Systeme ersetzen können, die kontinuierlich lernen und sich verbessern. Im weiteren Verlauf dieser Seite finden Sie konkrete Hinweise, wie Sie Ihr Vertriebsteam Schritt für Schritt von statischen Tabellen zu KI-gestütztem Forecasting mit Gemini führen – ohne das gesamte Unternehmen auf eine Big-Bang-Transformation zu setzen.
Brauchen Sie einen Sparring-Partner für diese Herausforderung?
Lassen Sie uns unverbindlich sprechen und brainstormen.
Innovatoren bei diesen Unternehmen vertrauen uns:
Unsere Einschätzung
Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.
Aus Sicht von Reruption besteht der Schlüssel nicht darin, „KI oben draufzusetzen“ auf ein ohnehin fehlerhaftes Forecasting, sondern Umsatzprognosen mit Gemini von Grund auf neu zu denken. Unsere Erfahrung beim Aufbau und Roll-out von KI-Produkten in Organisationen zeigt, dass der eigentliche Hebel entsteht, wenn Sie KI als Teil Ihres Planning-Betriebssystems verstehen – nicht als Reporting-Add-on. Mit Gemini, das an Ihr CRM, Sheets oder BigQuery angebunden ist, können Sie über phasenbasierte Wahrscheinlichkeiten hinausgehen und das Modell aus historischer Performance, Saisonalität und Deal-Risikosignalen lernen lassen – und diese Erkenntnisse dann genau dort anzeigen, wo Vertriebsleiter:innen ohnehin in Google Workspace arbeiten.
Forecasting als Lernsystem statt als statischen Bericht neu denken
Die erste strategische Veränderung betrifft die Denkweise: Ihre Umsatzprognose sollte ein Lernsystem sein, das jeden Monat besser wird – keine statische Tabelle, die jedes Quartal neu erstellt wird. Mit Gemini können Sie laufend neue Pipeline-Daten, Abschlussergebnisse und qualitative Notizen in Ihr Modell einspeisen, sodass es sein Verständnis davon verfeinert, wie ein „gesunder“ bzw. „risikobehafteter“ Deal aussieht. So wird Forecasting von einer einmaligen Übung zu einem kontinuierlichen Feedback-Loop.
Das Management sollte ausdrücklich kommunizieren, dass das Ziel darin besteht, das System lernen zu lassen, nicht alte Annahmen zu verteidigen. Wenn Vertriebsteams verstehen, dass ihre Aktivitätsdaten, Notizen und Abschlussdaten das Modell verbessern – und nicht nur CRM-Felder füllen – steigt die Datenqualität und die KI-Prognose wird vertrauenswürdiger. Strategisch positionieren Sie KI so als Partner der Vertriebsorganisation, nicht als Kontrollmechanismus.
Die Datenbasis gestalten, bevor Sie das Modell gestalten
Viele Teams springen direkt zu der Frage „Welches Modell benutzen wir?“, ohne zu definieren, welche Signale in ihrem Kontext tatsächlich die Abschlusswahrscheinlichkeit und den Deal-Timing treiben. Bevor Sie Gemini konfigurieren, investieren Sie Zeit mit Sales Ops, RevOps und einigen erfahrenen Vertriebsmitarbeitenden, um die Faktoren zu kartieren, die historisch die Ergebnisse beeinflusst haben: Reaktionszeiten, Anzahl der Stakeholder, Deal-Größenklassen, Branche, Rabattniveau, Phasen der Inaktivität und so weiter.
Stellen Sie anschließend sicher, dass Ihr CRM und Ihre Sheets-/BigQuery-Schemata diese Signale tatsächlich in strukturierter Form erfassen. Strategisch benötigen Sie einen minimalen, aber robusten Satz an Input-Features, auf die sich Gemini verlassen kann. So vermeiden Sie ein häufiges Risiko: ein beeindruckend wirkendes KI-Modell, das sich auf verrauschte oder inkonsistente Daten stützt und schnell an Glaubwürdigkeit beim Management verliert.
Granularität des Forecasts an Planungsentscheidungen ausrichten
Eine weitere strategische Entscheidung betrifft die Granularität der KI-Prognose. Für einige Organisationen reicht eine monatliche Prognose nach Region und Produktlinie aus, um Personal, Marketing und Kapazitäten zu planen. Andere benötigen wöchentliche Prognosen pro Segment, Kanal oder sogar pro Schlüsselkunde. Gemini kann mehrere Granularitätsstufen unterstützen, aber mehr Detail ist nicht immer besser.
Stellen Sie klar, welche Entscheidungen direkt durch die KI-Prognose unterstützt werden sollen – etwa Personalplanung, Zielvorgaben, Budgetallokation oder Lieferkettenverpflichtungen. Entwerfen Sie anschließend die Output-Struktur von Gemini entlang dieser Entscheidungspunkte. So vermeiden Sie, das Management mit dutzenden Forecast-Varianten zu überfordern, und fokussieren die Organisation auf die Sichten, die tatsächlich relevant sind.
Vertriebsführung auf eine erklärbare, nicht nur präzise Prognose vorbereiten
Genauigkeit ist entscheidend, aber für die Akzeptanz ist Erklärbarkeit mindestens ebenso wichtig. Wenn Gemini prognostiziert, dass das Quartal 8 % unter Ziel abschließen wird, werden CROs und Finanzverantwortliche fragen: „Warum?“. Strategisch müssen Sie im Vorfeld entscheiden, wie Sie Treiber sichtbar machen: veränderte Gewinnraten in bestimmten Segmenten, Verschiebung großer Deals, saisonale Muster oder geringere Konversion nach einer Preisänderung.
Setzen Sie die Erwartung, dass Gemini nicht nur eine Zahl liefert, sondern auch eine Erklärung: Was sich gegenüber dem Vormonat verändert hat, welche Kohorten die Abweichungen treiben und welche Opportunities am stärksten gefährdet sind. Die Vertriebsführung darin zu schulen, diese Erklärungen zu lesen und kritisch zu hinterfragen, ist entscheidend, damit die KI-Prognose zu einem vertrauenswürdigen Planungsinstrument wird – statt zu einer Black Box, die ignoriert wird.
Risiken durch kontrollierte Piloten und Leitplanken begrenzen
Strategisch sollten Sie Ihr Unternehmen niemals über Nacht vollständig auf Gemini-basiertes Forecasting umstellen. Starten Sie mit einem kontrollierten Piloten in einer Region oder Geschäftseinheit, in der die Datenqualität relativ hoch ist und Stakeholder offen für Experimente sind. Lassen Sie die KI-Prognose mindestens ein bis zwei Quartale parallel zu Ihrer bestehenden Methode laufen und vergleichen Sie Genauigkeit, Varianz und Stabilität.
Definieren Sie klare Leitplanken: So kann beispielsweise die Finanzabteilung während des Piloten weiterhin die traditionelle Prognose für bindende Budgetentscheidungen nutzen, während Gemini Szenarioplanung, Risikoassessment und Pipeline-Coaching unterstützt. Dieser risikoarme Ansatz schafft Vertrauen auf Executive-Ebene und gibt Ihnen Raum, Modell und Workflows vor dem Skalieren zu verfeinern.
Gemini für Umsatzprognosen zu nutzen, bedeutet weniger, ein Tool gegen ein anderes auszutauschen, sondern vielmehr, ein Prognosesystem aufzubauen, das mit Ihrem Geschäft lernt, erklärt und sich anpasst. Mit der richtigen Datenbasis, einem klaren strategischen Scope und geeigneten Leitplanken kann Gemini Ihre Organisation von statischen Phasenwahrscheinlichkeiten zu dynamischer, szenariobasierter Umsatzplanung führen. Bei Reruption sind wir darauf spezialisiert, diese Ideen in konkrete KI-Lösungen zu übersetzen, die in Ihre realen Vertriebs-Workflows eingebettet sind – von PoC bis Roll-out. Wenn Sie erkunden möchten, wie das in Ihrem Umfeld aussehen könnte, entwickeln und testen wir gerne gemeinsam mit Ihrem Team einen fokussierten Forecasting-Prototyp.
Hilfe bei der Umsetzung dieser Ideen?
Nehmen Sie gerne unverbindlich Kontakt zu uns auf.
Fallbeispiele aus der Praxis
Von Bankwesen bis Telekommunikation: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.
Best Practices
Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.
Gemini mit Ihrem CRM und Ihren Pipeline-Daten verbinden
Der taktische Einstiegspunkt besteht darin, saubere Pipeline-Daten in Gemini zu bringen. Für viele Organisationen bedeutet das, Opportunity-Daten aus Salesforce, HubSpot oder einem anderen CRM in Google Sheets oder BigQuery zu exportieren und Gemini Zugriff zu gewähren. Achten Sie darauf, Felder wie Phase, Betrag, erwartetes Abschlussdatum, Erstellungsdatum, Produktlinie, Besitzer, Datum der letzten Aktivität sowie Gewinn-/Verlust-Status einzubeziehen.
Nutzen Sie einen geplanten ETL-Prozess (Extract-Transform-Load) oder native Konnektoren, um diese Tabellen täglich zu aktualisieren. Sobald die Daten in Sheets oder BigQuery vorliegen, können Sie Gemini direkt aus Google Workspace heraus auffordern, Forecast-Szenarien zu analysieren und zu modellieren – ohne zunächst eine vollständig individuelle Anwendung zu entwickeln.
Mit Gemini ein Basis-Forecast-Modell aus historischen Daten aufbauen
Bevor Sie Gemini bitten, das nächste Quartal vorherzusagen, lassen Sie es aus Ihrer Historie lernen. Erstellen Sie eine View oder ein Sheet mit mindestens 12–24 Monaten abgeschlossener Opportunities, die als gewonnen oder verloren markiert sind, inklusive relevanter Merkmale (Deal-Größe, Phasenverlauf, Verweildauer in Phasen, Branche, Produkt, Besitzer, Quartal usw.). Verwenden Sie dann einen strukturierten Prompt, damit Gemini einen Modellierungsansatz vorschlägt.
Beispiel-Prompt an Gemini (verbunden mit BigQuery oder Sheets):
Sie sind ein KI-Assistent, der bei der Verbesserung von Umsatzprognosen hilft.
1. Analysieren Sie die historischen Opportunity-Daten in der Tabelle `sales.closed_opportunities`.
2. Identifizieren Sie, welche Features (Spalten) am aussagekräftigsten sind für:
- Wahrscheinlichkeit zu gewinnen
- Typische Länge des Verkaufszyklus
3. Schlagen Sie eine einfache Modellstruktur vor, die:
- die Gewinnwahrscheinlichkeit pro offener Opportunity vorhersagt
- den erwarteten Abschlusszeitraum prognostiziert
4. Geben Sie Folgendes zurück:
- Eine Zusammenfassung der wichtigsten Treiber
- Eine Query oder Formel, die ich ausführen kann, um einen Basis-Forecast pro Monat zu berechnen.So erhalten Sie eine erste, datengetriebene Basis, die statische Phasenwahrscheinlichkeiten bereits übertrifft. Sie können diese schrittweise verfeinern, indem Sie Felder hinzufügen oder entfernen und die Vorhersagen mit kürzlich abgeschlossenen Deals validieren.
Offene Opportunities mit dynamischen Abschlusswahrscheinlichkeiten bewerten
Weisen Sie statt fixer Phasenwahrscheinlichkeiten mithilfe von Gemini dynamische Gewinn-Scores für jede offene Opportunity zu. Berücksichtigen Sie verhaltensbasierte Signale wie Tage seit dem letzten Kontakt, Anzahl eingebundener Stakeholder, Antwortmuster in E-Mails oder ob ein Proof of Concept gestartet wurde. Exportieren Sie offene Opportunities in ein Worksheet oder eine BigQuery-Tabelle, auf die Gemini zugreifen kann.
Beispiel-Prompt an Gemini zur Bewertung offener Deals:
Sie sind ein KI-Modell, das beim dynamischen Umsatz-Forecasting unterstützt.
Nutzen Sie die offenen Opportunities in `sales.open_opportunities` und die zuvor
abgeleiteten historischen Muster und führen Sie Folgendes für jeden offenen Deal durch:
- Weisen Sie eine Gewinnwahrscheinlichkeit zwischen 0 und 1 auf Basis aller verfügbaren Features zu
- Schätzen Sie einen erwarteten Abschlussmonat
- Markieren Sie Deals als "healthy", "watch" oder "at risk"
Geben Sie eine Tabelle mit folgenden Spalten aus:
- opportunity_id
- win_probability
- expected_close_month
- risk_flag
- kurze Erklärung der 2–3 wichtigsten Treiber für Ihre Einschätzung.Spielen Sie diese Scores zurück in Ihr Forecast-Sheet oder -Dashboard. Vertriebsleiter:innen können dann KI-Scores mit menschlichem Urteil in Forecast-Calls kombinieren und ihre Zeit auf die Segmente „watch“ und „at risk“ konzentrieren, statt die gesamte Pipeline zu diskutieren.
Saisonalität und Szenario-Varianten modellieren
Statische Methoden ignorieren häufig Saisonalität (z. B. Budget-Spitzen in Q4, Sommerflaute) und externe Veränderungen (Preiserhöhungen, Produkteinführungen). Nutzen Sie Gemini, um diese Muster zu erkennen und einzubeziehen. Stellen Sie historische Bookings-Daten bereit, aggregiert nach Monat und zentralen Dimensionen wie Region oder Produktlinie.
Beispiel-Prompt an Gemini für Saisonalität und Szenarien:
Sie unterstützen bei der Umsatzplanung.
1. Analysieren Sie die Tabelle `sales.monthly_bookings` (3+ Jahre Daten).
2. Identifizieren Sie saisonale Muster nach Monat und Region.
3. Erstellen Sie 3 Forecast-Szenarien für die nächsten 4 Quartale:
- Konservativ (Marktabschwächung um 10 %)
- Basis (Fortführung der aktuellen Trends)
- Upside (erfolgreiche Einführung der neuen Produktlinie X)
4. Geben Sie für jedes Szenario die erwarteten Bookings pro Quartal aus
und erläutern Sie kurz die zugrunde liegenden Annahmen.Binden Sie diese Szenario-Ergebnisse in ein Google-Sheets-Dashboard oder einen Looker-Studio-Bericht ein. Vertrieb und Finanzen können dann dieselben KI-generierten Szenarien nutzen, wenn sie über Budget, Ziele und Kapazitäten sprechen – statt Prognosen manuell in Tabellen neu zu berechnen.
Forecast-Narrative für Management-Reviews automatisieren
Führungskräfte wollen nicht nur Zahlen, sondern auch eine Geschichte, die erklärt, warum sich die Prognose verändert hat. Nutzen Sie Gemini, um automatisch eine Forecast-Zusammenfassung in klarer Sprache zu erstellen, basierend auf den aktuellsten Daten. Ziehen Sie Eingaben wie Pipeline-Coverage, Konversionsraten pro Phase, Deal-Verschiebungen und Kohorten-Performance aus Ihren Sheets- oder BigQuery-Tabellen.
Beispiel-Prompt an Gemini für Forecast-Narrative:
Sie bereiten eine monatliche Umsatzprognose-Zusammenfassung für das Executive-Team vor.
Basierend auf den aktuellen Daten in den folgenden Tabellen:
- `sales.forecast_current`
- `sales.forecast_previous`
- `sales.pipeline_changes`
Erstellen Sie eine einseitige Zusammenfassung, die Folgendes erklärt:
- Prognose für das laufende Quartal vs. Ziel
- Zentrale Veränderungen gegenüber dem Vormonat (nach Segment und Region)
- Top 3 Risiken und deren potenzielle Auswirkungen
- Top 3 Chancen und empfohlene Fokusbereiche für die Vertriebsleitung.
Verwenden Sie klare, nicht-technische Sprache, geeignet für CRO und CFO.Fügen Sie die generierte Narrative direkt in Ihr monatliches Forecast-Deck ein oder lassen Sie sie direkt in Google Docs erstellen. Das spart Stunden manueller Analyse und sorgt dafür, dass das Management konsistente, datenbasierte Erklärungen erhält.
Ein Forecasting-Cockpit in Google Workspace aufbauen
Damit KI-Forecasting im Alltag verankert wird, müssen Sie es dort sichtbar machen, wo Menschen ohnehin arbeiten. Nutzen Sie Google Sheets oder Looker Studio als Live-Forecasting-Cockpit, das von Gemini unterstützt wird. Integrieren Sie Sichten wie KI-Forecast vs. Ziel, Forecast vs. Vormonat, Pipeline-Risikostruktur und wichtigste gefährdete Deals mit Erklärungen von Gemini.
Richten Sie geplante Aktualisierungen ein, sodass Gemini täglich die neuesten Daten liest und aktualisierte Scores, Szenarien und Narrative zurückschreibt. Vertriebsleiter:innen können das Cockpit dann in wöchentlichen Forecast-Calls nutzen und von anekdotenbasierten Diskussionen zu einer strukturierten Review aus KI-Signalen plus menschlicher Einschätzung wechseln.
Wenn Forecasting auf diese Weise implementiert wird, sehen Organisationen typischerweise innerhalb von 1–2 Quartalen stabilere Prognosen, eine bessere Identifikation gefährdeter Pipeline und weniger manuelle Tabellenarbeit für Sales Ops. Die genauen Werte hängen von Datenqualität und Verkaufszyklen ab, aber realistisch ist eine Verbesserung der Forecast-Genauigkeit um 10–20 % sowie eine deutliche Reduzierung des Aufwands für die manuelle Erstellung von Forecast-Berichten.
Brauchen Sie jetzt Umsetzungskompetenz?
Lassen Sie uns über Ihre Ideen sprechen!
Häufig gestellte Fragen
Gemini geht über fixe Phasenwahrscheinlichkeiten hinaus, indem es aus Ihren tatsächlichen historischen Vertriebsdaten lernt. Statt davon auszugehen, dass jeder Deal in der Phase „Verhandlung“ die gleiche Abschlusschance hat, berücksichtigt Gemini Faktoren wie Deal-Größe, Segment, Verweildauer in der Phase, Aktivitätsmuster und historische Gewinn-/Verlust-Ergebnisse. Daraus leitet es dynamische Gewinnwahrscheinlichkeiten und erwartete Abschlussdaten für jede Opportunity ab.
So können Sie Prognosen erstellen, die sich an Saisonalität, Produktänderungen und ein sich wandelndes Käuferverhalten anpassen. Im Zeitverlauf, wenn mehr Daten durch das System fließen, verbessert sich das Modell – etwas, das eine statische Tabelle nicht leisten kann.
Mindestens benötigen Sie drei Fähigkeiten: Zugriff auf Ihre CRM- bzw. Pipeline-Daten, jemanden, der Ihren aktuellen Forecasting-Prozess versteht (oft Sales Ops oder RevOps), und grundlegende Vertrautheit mit Google Workspace (Sheets, BigQuery, Looker Studio). Sie brauchen kein großes Data-Science-Team, um mit Gemini Mehrwert zu erzielen.
In einem typischen Setup bereitet eine Person aus Sales Ops oder BI die Daten-Views in Sheets/BigQuery vor, und Reruption oder Ihr internes KI-Team konfiguriert und iteriert die Gemini-Prompts und -Workflows. Mit der Zeit können Sie die Fähigkeiten intern aufbauen, um die Lösung selbst zu betreiben und weiterzuentwickeln.
Für Organisationen mit einigermaßen sauberen CRM-Daten lässt sich in der Regel innerhalb weniger Wochen ein erster funktionierender KI-Forecast-Prototyp aufsetzen. Dazu gehören das Anbinden der Datenquellen, der Aufbau einer historischen Basis und die Generierung der ersten KI-Vorhersagen und Szenarien.
Spürbare Verbesserungen der Forecast-Genauigkeit werden typischerweise nach 1–2 vollständigen Verkaufszyklen (z. B. 1–2 Quartale) sichtbar, wenn Sie die Gemini-Prognosen mit den tatsächlichen Ergebnissen vergleichen und das Modell verfeinern. Entscheidend ist, die KI-Prognose in dieser Phase parallel zu Ihrer bestehenden Methode laufen zu lassen, um Vertrauen aufzubauen und Evidenz zu sammeln.
Die direkten Kosten für den Einsatz von Gemini im Forecasting sind in erster Linie nutzungsbasiert (API oder Workspace-Integration) und im Vergleich zu Vertriebs-Personalkosten oder Tool-Budgets meist überschaubar. Die größere Investition liegt im initialen Setup: Datenaufbereitung, Workflow-Design und Veränderungsmanagement für Vertriebsleitung und -teams.
Der ROI entsteht durch bessere Planung und weniger Überraschungen: Präzisere Prognosen reduzieren Über- oder Unterbesetzung, ermöglichen eine genauere Marketing- und Kapazitätsplanung und fokussieren die Vertriebsführung auf die richtigen Deals. Schon wenige Prozentpunkte verbesserter Forecast-Genauigkeit auf einer Umsatzbasis in Millionenhöhe übersteigen typischerweise die Implementierungs- und Betriebskosten deutlich.
Reruption arbeitet als Co-Preneur und nicht als klassisches Beratungsunternehmen. Wir arbeiten eng mit Ihren Vertriebs- und Ops-Teams zusammen, um eine reale Lösung zu entwerfen und umzusetzen – nicht nur ein Folienset. Ein pragmatischer Einstieg ist unser KI-PoC-Angebot (9.900€), bei dem wir einen konkreten Use Case für Umsatzprognosen definieren, Gemini mit Ihren realen Daten testen und einen funktionierenden Prototypen mit Performance-Kennzahlen liefern.
Darauf aufbauend helfen wir Ihnen, das Setup zu stabilisieren – Datenpipelines, Gemini-Prompts, Dashboards in Google Workspace sowie Enablement für Ihre Vertriebsleitung. Unser Fokus liegt darauf, KI-first-Fähigkeiten in Ihrer Organisation aufzubauen, sodass Forecasting mit Gemini Teil Ihres operativen Rhythmus wird – und kein einmaliges Experiment bleibt.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon