Ein schnell wachsendes SaaS-Unternehmen in Berlin machte kürzlich eine auffällige Entdeckung: Die besten Einstellungen kamen nicht von teuren Jobbörsen oder Agenturen - sie kamen von den eigenen Mitarbeitenden. Durch sorgfältiges Tracking stellten sie fest, dass empfohlene Kandidat:innen siebenmal häufiger eingestellt werden als Bewerbende aus klassischen Kanälen. Der Unterschied bei Kosten, Geschwindigkeit und Qualität war eindeutig.

In diesem Guide erhalten Sie einen einsatzbereiten Mitarbeiterempfehlung-ROI-Rechner - plus Benchmarks aus der Praxis und Auszahlungsmodelle, auf die führende HR-Teams bauen, um den Wert ihres Programms zu belegen. Wir zeigen Ihnen genau, wie viel Geld, Zeit und Aufwand Sie mit Empfehlungen im Vergleich zu klassischen Kanälen sparen, und geben Ihnen die Tools, um diesen Effekt gegenüber dem Management zu belegen.

Das finden Sie in diesem Beitrag:

Bereit zu sehen, wie stark Mitarbeiterempfehlungen Ihr Hiring - und Ihr Ergebnis - steigern können? Los geht's.

1. Mitarbeiterempfehlung ROI Rechner verstehen: Warum es zählt

Den echten Return on Investment Ihres Mitarbeiterempfehlungsprogramms zu berechnen, ist entscheidend für Buy-in - und für bessere Hiring-Entscheidungen. Wenn Sie dem Management zeigen, dass Empfehlungen messbare Einsparungen, schnellere Time-to-Fill und bessere Retention liefern, sichern Sie Budget und Unterstützung für den Ausbau.

Die Daten sind eindeutig. 82% der Arbeitgeber sehen Empfehlungen als Recruiting-Kanal mit dem höchsten ROI, und jede erfolgreiche Empfehlung kann bis zu 7.500 $ sparen. Empfehlungen besetzen Rollen 30-55% schneller und kosten rund 40% weniger pro Einstellung im Vergleich zu Jobbörsen oder Agenturen.

Beispiel: Ein mittelgroßes Tech-Unternehmen trackt seine Einstellungen über 12 Monate. Nachdem es 25% der Einstellungen von Agenturen auf Empfehlungen verlagert hatte, ergaben sich 50.000 $ jährliche Einsparungen - ohne höhere Bonuszahlungen. Der Schlüssel: Wegfall von Agenturgebühren (typisch 15-25% des Jahresgehalts) und niedrigere Vakanzkosten durch schnellere Besetzungen.

So schneiden die Kanäle im Vergleich ab:

So bauen Sie Ihren Business Case auf:

Die Transparenz aus dem ROI-Tracking von Empfehlungen macht Hiring von einer Kostenstelle zu einem Wettbewerbsvorteil. Wenn Sie den finanziellen Impact je Kanal kennen, allokieren Sie Budget dort, wo es den höchsten Wert bringt.

Wie berechnen Sie die Einsparungen konkret? Im nächsten Abschnitt sehen Sie die genauen Inputs.

2. Ihren Mitarbeiterempfehlung ROI Rechner aufbauen: Wichtige Inputs und Outputs

Ein praxisnaher Mitarbeiterempfehlung ROI Rechner braucht nur wenige Datenpunkte - jeder davon hat großen Einfluss. Die richtige Struktur verwandelt Rohdaten aus dem Recruiting in handfeste Einblicke zur finanziellen Performance Ihres Programms.

Ihr Rechner sollte diese Kern-Inputs erfassen: besetzte offene Rollen, Anzahl der Einstellungen über Empfehlungen, Time-to-Hire-Delta zwischen Kanälen, Conversion Rates je Quelle, Cost-per-Hire-Differenzen, Ihre Auszahlungsstruktur, administrativen Aufwand und Kosten sowie Teilnahmequote. Kombiniert ergeben diese Variablen ein vollständiges Bild der Ökonomie Ihres Empfehlungsprogramms.

Die Zahlen sind eindeutig. Referral-to-Hire-Conversion Rates sind oft siebenmal höher als bei Jobbörsen-Bewerbungen. Diese Effizienz senkt direkte Recruitingkosten und beschleunigt Besetzungen.

Ein hypothetisches Produktionsunternehmen mit 250 Mitarbeitenden nutzte den Rechner, um Agentur- vs. Empfehlungskosten für Blue-Collar-Rollen zu vergleichen. Ergebnis: Selbst mit einem Bonus von €2.000 blieb ein Netto-Vorteil von €5.000 pro Einstellung - dank schnellerem Onboarding (weniger Überstunden im Team) und Wegfall der Agenturgebühren.

Typische Input-Struktur:

Ihr Rechner sollte diese Kern-Outputs liefern: Gesamteinsparungen vs. Baseline, Amortisationszeit, Qualität und Retention-Lift bei Empfehlungseinstellungen und Akquisekosten pro Einstellung. Diese Metriken erzählen die ganze Geschichte - nicht nur kurzfristige Einsparungen, sondern den langfristigen Wert.

So füllen Sie den Rechner korrekt:

Besonders stark wird der Rechner, wenn Sie Vakanzkosten tracken. Beispiel: Eine Sales-Rolle erwirtschaftet €500 Umsatz pro Tag. Eine 15 Tage schnellere Besetzung spart €7.500 - oft mehr als der Bonus selbst. Hier liegt der echte ROI-Multiplikator.

Sind die Daten bereit, werfen wir einen Blick auf Benchmarks - und wie Ihre Zahlen abschneiden.

3. Echte Benchmark-Daten für Mitarbeiterempfehlungen: Teilnahme, Conversion und Einsparungen

Benchmarks setzen realistische Ziele - und zeigen, ob Ihr Programm unterperformt oder glänzt. Ohne Kontext wissen Sie nicht, ob 20% Einstellungen über Empfehlungen gut oder schwach für Ihre Branche und Größe sind.

Weltweit liefern strukturierte Empfehlungsprogramme typischerweise 25-50% der Einstellungen. Studien aus Asien und Europa bestätigen diesen Bereich, Best-in-Class-Programme liegen über 40%. Time-to-Fill-Reduktionen von 30-55% sind üblich, die Qualitätssteigerung zeigt sich in 40-45% höherer Retention im Vergleich zu anderen Kanälen.

Top-Programme erzielen etwa €28 ROI je investiertem Euro in Boni. Dieser starke Return entsteht durch mehrere Faktoren: niedrigere direkte Kosten, schnellere Besetzungen mit geringerem Vakanzimpact und deutlich bessere Retention, die Ersatzkosten senkt.

Ein Schweizer Industrieunternehmen steigerte die Teilnahme von Frontline-Mitarbeitenden von unter 10% auf fast 40%, nachdem es WhatsApp-basierte Empfehlungsaktionen startete. Sie verschickten Sprachnachrichten direkt auf die Handys der Schichtarbeitenden und hängten visuelle Jobkarten an Stechuhren aus. Das Resultat: dreimal so viele qualifizierte Blue-Collar-Empfehlungen in 6 Monaten. Die Abhängigkeit von teuren Zeitarbeitsfirmen sank deutlich.

So benchmarken Sie Ihr Programm:

So performen typische Programme:

Die Teilnahmequote verdient besondere Aufmerksamkeit. Wenn nur 15% Ihrer Belegschaft jemals empfohlen haben, lassen Sie Geld liegen. Top-Programme sehen 30-50% der Mitarbeitenden, die mindestens einmal pro Jahr empfehlen. Der Unterschied liegt meist in Kommunikation und Prozesssimpelheit, nicht in der Bonushöhe.

Welches Auszahlungsmodell funktioniert wirklich am besten? Schauen wir uns die Optionen an.

4. Auszahlungsmodelle im Vergleich: Flat vs. Tiered vs. Staged

Die richtige bonusstruktur steigert Engagement - und schützt vor Fehlbesetzungen oder früher Fluktuation. Ihr Modell beeinflusst direkt die Teilnahme und die Qualität der Empfehlungen.

Drei Hauptmodelle dominieren. Flat-Boni zahlen für jede erfolgreiche Empfehlung denselben Betrag - simpel, aber bei Rollen mit unterschiedlicher Schwierigkeit nicht immer effizient. Tiered-Boni variieren je nach Level oder Knappheit und lenken Empfehlungen auf schwer zu besetzende Positionen. Staged-Auszahlungen teilen den Bonus in Tranchen, z. B. bei Einstellung und nach bestandener Probezeit.

Forschung zeigt, dass Staged-Auszahlungen die Retention messbar erhöhen. Unternehmen, die den Bonus splitten (Hälfte bei Einstellung, Hälfte nach 6 Monaten), senken die Fluktuation im ersten Jahr um bis zu 26%. Ein Schweizer Dienstleister wechselte genau so: von €2.000 Flat upfront zu €1.000 bei Einstellung plus €1.000 nach 6 Monaten - und reduzierte Frühfluktuation binnen 12 Monaten um ein Drittel.

Die Psychologie ist einfach. Wenn die zweite Zahlung von der Verbleibdauer abhängt, prüfen Empfehlende die langfristige Passung genauer. Diese Selbstselektion steigert die Qualität, ohne die Gesamtauszahlung zu erhöhen.

Praxis-Schritte zur Umsetzung:

Ein praktischer Punkt: 63% der Mitarbeitenden sagen, sie brauchen klare Regeln, bevor sie teilnehmen. Komplexität senkt die Teilnahme. Wenn Sie Tiered- oder Staged-Modelle einführen, investieren Sie gleichermaßen in Kommunikation - erklären Sie genau, wann und wie viel ausgezahlt wird.

Speziell für DACH gilt: Empfehlungsprämien werden in Deutschland, Österreich und der Schweiz wie reguläres Einkommen versteuert. Ein €2.000 Brutto-Bonus ergibt netto oft nur €1.200-€1.400 nach Steuern und Sozialabgaben. Planen Sie die Höhe so, dass der Nettobetrag weiterhin motiviert.

Doch selbst das beste Design braucht solide Prozesse. Wie sammeln Sie saubere Daten?

5. Saubere Daten aus ATS oder HRIS sammeln

Eine genaue ROI-Berechnung verlangt saubere Hiring-Daten - die die meisten modernen ATS liefern, wenn Sie wissen, wo Sie suchen. Die Herausforderung ist weniger die Technik als ein konsistenter Prozess und Disziplin bei der Datenerfassung.

Die meisten Systeme erlauben das Tagging von Einstellungen nach Quelle. Wichtig ist, dass jede Empfehlung von Beginn an korrekt markiert wird. Kombinieren Sie diese Source-Daten mit Payroll-Infos (ausgezahlte Boni) und Performance-Daten (Retention), erhalten Sie volle Transparenz über Kosten und Ergebnis.

Unternehmen, die diese Zahlen regelmäßig prüfen, finden erhebliche Effizienzgewinne. Richtig eingesetzte Automatisierung spart bis zu 50% der Admin-Zeit, die zuvor für manuelles Tracking und Reporting draufging. Ein globaler Retailer automatisierte das Source-Tracking via Custom Fields im ATS - weniger Reporting-Fehler und 3 Stunden pro Woche zurück für das Recruiting-Team.

Roadmap für Ihre Datensammlung:

Das häufigste Datenproblem ist uneinheitliche Source-Zuordnung. Gibt es mehrere Touchpoints (Bewerbung über Jobbörse, aber Hinweis auf Empfehlung im Anschreiben), definieren Sie klare Regeln. Best Practice: Der erste dokumentierte Touchpoint zählt - außer der Empfehlende hat die Person vor der Bewerbung über das offizielle Empfehlungsportal eingereicht.

Für Retention-Tracking ziehen Sie Kündigungsdaten nach 6 und 12 Monaten. Filtern Sie nach Hire-Quelle, um Tenure von Empfehlung vs. Nicht-Empfehlung zu vergleichen. Das wird Ihr Qualitätsmultiplikator im ROI-Rechner - höhere Retention bedeutet niedrigere Ersatzkosten und höheren Lifetime Value pro Einstellung.

Technik-Tipp: Wenn Ihr ATS die Empfehlungsquelle nicht nativ sauber trackt, legen Sie ein Custom Field an oder nutzen Sie Kandidaten-Tags. Manche Teams verwenden eine einfache Benennung im Source-Dropdown: "Referral - [Mitarbeitername]" sichert Attribution und Nachvollziehbarkeit.

Mit gesammelten Inputs und gewähltem Modell geht es an die Praxis. So funktioniert die Berechnung Schritt für Schritt.

6. Step-by-Step: Den Mitarbeiterempfehlung ROI Rechner richtig nutzen

Echte Zahlen in einen interaktiven Rechner einzugeben, zeigt sofort, ob Ihr Empfehlungsprogramm finanziellen Wert liefert - oder wo es hakt. Gehen wir ein praktisches Beispiel mit realistischen Szenarien durch.

Der Rechner enthält vorgefüllte Szenarien für unterschiedliche Unternehmensgrößen und Workforce-Typen. Sie finden Tabs für 100, 250 und 500 Mitarbeitende sowie spezifische Beispiele für Blue-Collar-Rollen mit WhatsApp-Referral-Flows und White-Collar-Positionen via E-Mail und Slack.

Auch kleine Firmen sparen schnell Zehntausende pro Jahr. Ein Unternehmen mit 100 Mitarbeitenden, das nur 5 Einstellungen von Agenturen auf Empfehlungen umstellt - bei €8.000 Agenturkosten vs. €3.000 Gesamtkosten für Empfehlungen (€2.000 Bonus plus €1.000 Admin) - spart im ersten Jahr €25.000.

Ein konkretes Beispiel. Sie sind HR-Manager:in in einem Tech-Unternehmen mit diesen Werten:

Geben Sie diese Zahlen ein, zeigt der Rechner: Nettoeinsparung pro Jahr €24.000, Amortisation unter 3 Monaten und Qualitäts-Uplift von +15% basierend auf Retention-Daten. Die 2 Wochen schnellere Besetzung über 6 Einstellungen spart zusätzlich €16.800 an Vakanzkosten (6 Einstellungen × 14 Tage × €200/Tag).

So gehen Sie im Rechner vor:

Für DACH enthält der Rechner einen Hinweis zur Besteuerung von Boni. In Deutschland und der Schweiz werden Cash-Boni als reguläres Einkommen versteuert und sind sozialabgabenpflichtig. In Österreich sind Sachzuwendungen bis €186 pro Jahr steuerfrei, Cash-Boni darüber sind steuerpflichtig. Prüfen Sie lokale Payroll- und Steuerregeln - der Rechner enthält einen Disclaimer mit dem Hinweis, dies mit Finance zu verifizieren.

Der Blue-Collar-Tab zeigt andere Ökonomie. Ein Produktionsunternehmen, das WhatsApp für Empfehlungen nutzt, sieht oft niedrigere Boni (€1.500), aber viel höhere Teilnahme (50% der Belegschaft), weil die Einreichung nur eine Textnachricht mit Kontaktdaten erfordert. Das Volumen kompensiert die etwas geringeren Einsparungen pro Einstellung. Die ausführliche Anleitung für Non-Desk-Workflows im Blue-Collar-Kontext finden Sie im Leitfaden für gewerbliche Mitarbeitende.

Nachdem Sie die möglichen Returns berechnet haben, lohnt sich kontinuierliche Optimierung. Welche Governance-Praktiken unterscheiden gute von hervorragenden Programmen?

7. Governance und Best Practices für nachhaltige Empfehlungsprogramme

Langfristiger Erfolg braucht klare Regeln gegen Betrug und Interessenkonflikte - und Kommunikationsstrategien, die alle mitnehmen. Der Unterschied zwischen einem Programm, das verpufft, und einem, das wächst, liegt oft in Governance und Prozessdesign.

Programme mit Einwilligung und Datenklarheit erreichen bis zu 63% mehr Teilnahme. Mitarbeitende empfehlen nicht, wenn unklar ist, wie personenbezogene Daten genutzt werden oder ob sie Privatsphäre verletzen. Transparenz schafft Vertrauen, und Vertrauen treibt Engagement.

Kanäle sind entscheidend. Proaktive Kommunikation via WhatsApp oder gedruckte Poster verdreifachte die Blue-Collar-Teilnahme in einem Schweizer Werk. Die Lehre: Treffen Sie Mitarbeitende dort, wo sie ohnehin sind. Office-Teams nutzen Slack, Lager-Teams nicht. Passen Sie die Kanäle an.

Ein deutsches Logistikunternehmen untersagte Manager:innen, ihre direkten Reports zu empfehlen - Ergebnis: mehr Fairness und null Betrugsfälle in 2 Jahren nach Policy-Update. Diese einfache Regel eliminierte den häufigsten Interessenkonflikt und schützte vor Vetternwirtschaftsvorwürfen.

Setzen Sie diese Best Practices um, um Ihr Programm nachhaltig zu machen:

Automatisierung reduziert den administrativen Aufwand deutlich. Plattformen, die Empfehlende automatisch über Statusänderungen informieren (Bewerbung eingegangen, Interview terminiert, Angebot gemacht), senken den Admin-Aufwand um etwa 50%. Das hält Empfehlende engagiert und erspart Rückfragen an HR.

Oft übersehen: Diversität. Empfehlungen kommen aus bestehenden Netzwerken und können Homogenität verstärken. Entgegenwirken können Sie mit expliziten Bitten um vielfältige Empfehlungen, Kooperationen mit Netzwerken und getrenntem Tracking von Diversity-Metriken für empfohlene vs. nicht empfohlene Einstellungen.

Definieren Sie klare Regeln bei Konflikten. Beispiel: Kandidat:innen können nicht von mehreren Mitarbeitenden empfohlen werden (die erste dokumentierte Empfehlung zählt), Empfehlungen ehemaliger Mitarbeitender brauchen ggf. Manager-Approval, und für sensible Rollen gelten Einschränkungen. Dokumentieren Sie diese Ausnahmen in Ihrer Policy.

Regelmäßiges Messen treibt Verbesserung. Setzen Sie Quartalsreviews für Kernmetriken: Referral-to-Hire-Rate, Cost per Referral-Hire vs. Baseline, Teilnahme je Bereich und Retention von Empfohlenen. Teilen Sie diese Zahlen intern, um Momentum aufzubauen und den Impact sichtbar zu machen.

Fassen wir zusammen, was auf dem Weg zu smarterem Hiring durch Empfehlungen zählt.

Fazit: Mitarbeiterempfehlungen liefern messbaren Wert, wenn Daten die Basis sind

Ein gut aufgesetztes Mitarbeiterempfehlungsprogramm spart konstant Geld und besetzt Rollen schneller als jeder andere Kanal. Die Evidenz ist klar: Empfohlene Kandidat:innen konvertieren siebenmal so häufig wie Jobbörsen-Bewerbende, bleiben 25-45% länger und kosten 40% weniger in der Einstellung - inklusive aller Kosten.

Eine strukturierte ROI-Berechnung - mit klaren Inputs wie CPH-Deltas und Retention-Ergebnissen - ist essenziell für laufende Optimierung. Ohne Zahlen raten Sie. Mit Zahlen belegen Sie Wert gegenüber dem Management, sichern Budget und schärfen Ihren Ansatz anhand dessen, was wirklich wirkt.

Die erfolgreichsten Programme kombinieren kluges Incentive-Design mit starker Governance und transparenter Kommunikation auf allen Ebenen. Staged-Boni schützen vor früher Fluktuation. Klare Policies verhindern Konflikte und Betrug. Multi-Channel-Kommunikation erreicht alle - von Führungskräften bis zu Frontline-Teams.

Nächste Schritte für HR-Teams

Während Talentknappheit global anhält und Technologie sich schnell entwickelt, werden datengetriebene Empfehlungsprogramme noch zentraler für wettbewerbsfähiges Hiring. KI-gestützte Matches, mobile Einreichungen und prädiktive Analysen zur Empfehlungsqualität entstehen bereits. Organisationen, die jetzt Messdisziplin aufbauen, sind bereit, diese Fortschritte zu nutzen.

Weitere Ressourcen zu Tools und Plattformvergleichen für Empfehlungsprogramme finden Sie in unserem Guide zur besten Mitarbeiterempfehlungssoftware.

Frequently Asked Questions (FAQ)

Wie nutze ich einen Mitarbeiterempfehlung ROI Rechner effektiv?

Starten Sie mit sauberen Daten zu Einstellungen über Empfehlungen vs. andere Kanäle - inklusive aller Kosten wie ausgezahlte Boni und reduzierte Vakanztage. Geben Sie die Werte in eine Excel- oder Google-Sheets-Vorlage ein, die für die Analyse von Mitarbeiterempfehlungsprogrammen gebaut ist. Das Tool zeigt sofort Gesamteinsparungen vs. Baseline sowie Kennzahlen wie Amortisationszeit, Akquisekosten und Qualitäts-Uplift basierend auf Retention-Daten. Achten Sie auf faire Vergleiche: In der Baseline Agenturgebühren, Jobbörsenkosten und interne Recruiterzeit berücksichtigen, bei Empfehlungen Boni, Admin-Aufwand und ggf. Plattformgebühren einrechnen. Prüfen Sie die Outputs quartalsweise und passen Sie Ihr Programm an, was die Daten zeigen.

Wie hoch ist ein typischer Bonus in erfolgreichen Mitarbeiterempfehlungsprogrammen?

Die meisten Unternehmen zahlen zwischen €1.000 und €3.000 pro erfolgreicher Einstellung. Höhere Beträge (€5.000 oder mehr) sind für schwer zu besetzende oder Executive-Rollen reserviert. Branchendaten zeigen Spannweiten von €1.000 bis €5.000, je nach Level und Markt. Richten Sie die Höhe an realen CPH-Reduktionen aus, um stark zu motivieren, ohne zu überziehen. Für spezialisierte Tech- oder Senior-Rollen können Boni €10.000 erreichen - entscheidend ist, dass die Gesamtkosten der Empfehlung klar unter Agenturkosten liegen. Staged-Payouts (Hälfte bei Einstellung, Hälfte nach Probezeit) werden beliebter, da sie frühe Fluktuation senken und die Gesamtsumme attraktiv bleibt.

Warum liegt meine Teilnahmequote unter den Benchmarks?

Niedrige Teilnahme liegt oft an unklaren Prozessen oder schwacher Kommunikation - nicht an zu niedrigen Boni. Machen Sie das Empfehlen per Mobile, E-Mail oder Chat-Apps einfach. Kommunizieren Sie offene Rollen häufig über mehrere Kanäle. Teilen Sie interne Erfolgsgeschichten von Mitarbeitenden, die Boni erhalten und Kolleg:innen an Bord geholt haben. Erwägen Sie Wettbewerbe oder Sachprämien zusätzlich zu Cash. Studien zeigen: 59% würden mehr empfehlen, wenn Regeln einfacher und klarer wären. Der Prozess sollte unter 2 Minuten dauern. Wenn Mitarbeitende sich in ein separates Portal einloggen, lange Formulare ausfüllen oder nicht wissen, welche Rollen offen sind, leidet die Teilnahme - egal wie hoch der Bonus ist. Treffen Sie Mitarbeitende dort, wo sie arbeiten: Integrieren Sie Empfehlungen in Slack, Teams, WhatsApp oder E-Mail statt in isolierte Systeme.

Wie verbessern gestaffelte Auszahlungen die Retention bei Empfehlungseinstellungen?

Staged-Payouts teilen den Bonus in Tranchen - zum Beispiel Hälfte zum Startdatum plus Hälfte nach bestandener Probezeit. So wird Motivation der Empfehlenden auf langfristige Passung ausgerichtet, nicht nur auf die Einstellung. Dieser Ansatz senkt frühe Fluktuation um bis zu 26%. Wenn die zweite Zahlung vom Verbleib abhängt, prüfen Empfehlende stärker die langfristige Eignung. Ein Schweizer Dienstleister, der von €2.000 upfront auf €1.000 bei Einstellung plus €1.000 nach 6 Monaten wechselte, reduzierte die Fluktuation im ersten Jahr um ein Drittel. Die Psychologie ist simpel: Verzögerte Belohnung sorgt für bessere Ausrichtung zwischen Unternehmenszielen und Anreizen.

Welche Risiken oder Nachteile gibt es beim Einsatz eines Mitarbeiterempfehlung ROI Rechners?

Hauptfallen sind unvollständige oder ungenaue Input-Daten und das Ausblenden indirekter Effekte wie Diversity-Impact oder Admin-Overhead. Wenn Ihr ATS die Source "Empfehlung" nicht konsistent taggt, stimmen die Baseline-Zahlen nicht. Auditieren Sie Source-Tags, bevor Sie Schlüsse ziehen. Ein weiteres Risiko: zu starke Optimierung auf kurzfristige Kostensenkung ohne Qualitätsprüfung. Wenn Empfohlene schnell churnen, verpuffen vermeintliche Einsparungen, sobald Ersatzkosten einfließen. Aktualisieren Sie Annahmen bei Marktveränderungen. Was vor der Pandemie galt, passt heute nicht zwingend. Und: Korrelation ist nicht Kausalität. Empfohlene performen teils besser durch Selbstselektion, nicht nur wegen der Empfehlung selbst. Nutzen Sie den Rechner als einen Input für Entscheidungen, nicht als einzigen.