Startseite > Lexikon > KPIs & Rechner > Precision und Recall

Bleistiftskizze: Ein Netz wird aus dem Wasser gezogen, darin Fische und ein Stiefel, darunter zwei orange Fische außerhalb, als Bild für Precision und Recall
KPIs & Rechner

Precision und Recall

Wie viele deiner Treffer stimmen — und wie viele echte Fälle hast du übersehen? Precision und Recall beantworten zwei Fragen, die jedes Lead-Scoring und jeder Spamfilter beantworten muss.

Auch bekannt alsPräzision und TrefferquotePrecision and Recall

6 Min

Lesezeit

21.11.2026

Letzte Aktualisierung

Was sind Precision und Recall?

Stell dir ein Fischernetz vor. Precision fragt: Wie viel von dem, was im Netz liegt, ist wirklich Fisch — und wie viel alter Stiefel? Recall fragt: Wie viele der Fische im Wasser hast du überhaupt erwischt?

Übertragen aufs Marketing:

  • Precision: Von den Leads, die dein Scoring als „heiß“ markiert, wie viele kaufen wirklich?
  • Recall: Von allen Leads, die am Ende gekauft haben, wie viele hat dein Scoring vorher erkannt?

Beide Werte kommen aus den vier Feldern der Konfusionsmatrix: richtig positiv, falsch positiv, falsch negativ und richtig negativ. Google definiert Precision als Anteil der positiven Vorhersagen, die wirklich positiv sind, und Recall als Anteil der echten Positiven, die richtig erkannt wurden.

Wie werden sie berechnet?

Beide Formeln haben denselben Zähler. Der Unterschied steckt im Nenner — also in der Frage, welche Fehler du mitzählst.

Precision

Precision = richtig positiv ÷ (richtig positiv + falsch positiv) × 100

Beispiel: 30 Käufer unter 80 markierten Leads → Precision = 37,5 %

Recall

Recall = richtig positiv ÷ (richtig positiv + falsch negativ) × 100

Beispiel: 30 erkannte von 50 Käufern insgesamt → Recall = 60 %

So nutzt du den Rechner für beide Werte:

  • Für Precision trägst du im zweiten Feld die Fehlalarme ein: markiert, aber kein Treffer (falsch positiv).
  • Für Recall trägst du die Übersehenen ein: echte Fälle, die das Modell nicht markiert hat (falsch negativ).
  • Die Zahlen bekommst du aus deinem CRM, indem du die Vorhersage von damals mit dem echten Ergebnis vergleichst.

Der Zielkonflikt: der Schwellenwert

Die meisten Modelle geben eine Wahrscheinlichkeit aus, etwa 0,72 für „kauft“. Ab welchem Wert du „heiß“ sagst, entscheidest du. Google beschreibt das Verhältnis der beiden Kennzahlen als oft gegenläufig:

  • Schwellenwert hoch: Du markierst nur die ganz sicheren Fälle. Precision steigt, Recall sinkt.
  • Schwellenwert niedrig: Du markierst viele. Recall steigt, Precision sinkt.

Eine feste Regel ist das nicht: Laut scikit-learn muss die Precision nicht zwingend fallen, wenn der Recall steigt. Die Precision-Recall-Kurve zeigt das ganze Bild über alle Schwellenwerte. Bei seltenen Fällen ist sie laut einer Studie in PLOS ONE (2015) aussagekräftiger als die bekanntere ROC-Kurve.

Beispiele aus der Praxis

Case A · Lead-Scoring

1.000 Leads, 50 kaufen

80

als heiß markiert

30

davon gekauft

Precision 37,5 % · Recall 60 %

Schwellenwert höher, nur noch 40 markiert, 24 kaufen: Precision 60 %, Recall 48 %. Der Vertrieb verschwendet weniger Zeit, übersieht aber mehr Käufer.

Case B · Bot-Filter

10.000 Sitzungen, 800 Bots

700

geblockt

600

davon Bots

Precision 85,7 % · Recall 75 %

100 echte Besucher wurden geblockt, 200 Bots kamen durch. Was teurer ist, entscheidet, wohin du den Filter schiebst.

Beide Beispiele sind ausgedacht, aber durchgerechnet. Ein Filter, der nie blockt, käme in Case B übrigens auf 92 % Accuracy — bei 0 % Recall.

Häufige Fehler

Fehler 1 · Nur eine der beiden Zahlen nennen

100 % Recall schafft jeder, der einfach alles markiert. Eine hohe Precision schafft jeder, der fast nichts markiert. Eine Zahl allein ist wertlos. Nenn immer beide — oder den F1-Score, der beide verbindet.

Fehler 2 · Accuracy feiern

Google rechnet vor: Sind nur 1 % der Fälle positiv, kommt ein Modell, das immer „nein“ sagt, auf 99 % Accuracy. Bei seltenen Ereignissen wie Käufen oder Betrug zählen Precision und Recall.

Fehler 3 · Den Schwellenwert nicht hinterfragen

Viele Tools stehen ab Werk auf 0,5. Das ist eine Voreinstellung, keine Geschäftsentscheidung. Google rät: Recall wählen, wenn übersehene Fälle teurer sind, und auf Fehlalarme achten, wenn die teurer sind.

Was ist wichtiger?

  • Recall vorn, wenn ein übersehener Fall wehtut: Kündiger, Betrug, kaufbereite Großkunden.
  • Precision vorn, wenn ein Fehlalarm wehtut: Vertrieb ruft nur heiße Leads an, ein Filter blockt echte Kunden.
  • Beides gleich: dann den F1-Score nehmen.

Häufige Fragen

Was ist der Unterschied zwischen Precision und Recall?

Precision schaut auf deine Markierungen: Wie viele davon stimmen? Recall schaut auf die echten Fälle: Wie viele davon hast du gefunden? Precision bestraft Fehlalarme, Recall bestraft Übersehene.

Warum reicht die Accuracy nicht?

Weil sie bei seltenen Fällen täuscht. Sind nur 5 % der Leads Käufer, erreicht die Regel „niemand kauft“ schon 95 % Accuracy, ohne einen einzigen Käufer zu finden.

Was zeigt eine Precision-Recall-Kurve?

Sie trägt Precision und Recall für alle möglichen Schwellenwerte ab. Je größer die Fläche unter der Kurve, desto besser hält das Modell beide Werte zugleich hoch.

Was bedeuten Precision und Recall bei KI-Suche und RAG?

Dort geht es um die abgerufenen Textstücke. Precision fragt, wie viele der gefundenen Stücke wirklich passen. Recall fragt, ob alle nötigen Informationen dabei waren. Tools wie Ragas messen das als Context Precision und Context Recall.

Gibt es einen guten Richtwert?

Nein. Was gut ist, hängt davon ab, wie selten die Fälle sind und was Fehler kosten. Vergleiche Werte nur für dieselbe Aufgabe und dieselben Daten.

Begriff teilenHat dir die Definition geholfen? Schick sie weiter.