Anhand von Pre­dic­ti­ve Analytics Methoden kann der Cash Forecast nicht nur in seiner Qualität deutlich ver­bes­sert, sondern gleich­zei­tig auch auto­ma­ti­siert werden. Mit einer Genau­ig­keit von 80 Prozent und mehr über­trifft ein Cash Forecast auf Basis von Pre­dic­ti­ve Analytics Methoden eine manuelle Her­lei­tung deutlich.

 

Unter­neh­men haben in der Regel einen auf­wen­di­gen Prozess etabliert, um einen kurz‑, mittel- und lang­fris­ti­ge Forecast ihrer Cash­po­si­ti­on zu erstellen. Dabei werden Bankkonto, ope­ra­ti­ves Geschäft und nicht zuletzt die Beziehung zu Kunden und Lie­fe­ran­ten als Kern­grö­ßen in der Fore­cast­ent­wick­lung verwendet. Die finale Fest­le­gung der konkreten Position ist zumeist eine Manage­men­tent­schei­dung.

Bei der Ent­wick­lung des Forecast gewinnen mensch­li­che Biases oftmals die Oberhand. Manche Menschen sind besonders risi­ko­avers, andere besonders risi­ko­freu­dig. Als Resultat ist zu beob­ach­ten, dass die Güte des Cash Forecast, gemessen an seiner Vor­her­sa­ge­ge­nau­ig­keit, nicht her­aus­ra­gend ist. Diese schlechte Qualität muss im Tages­ge­schäft des Treasury durch kurz­fris­ti­ges Cash Manage­ment teuer kom­pen­siert werden.

Zusam­men­fas­sen­de Erkennt­nis­se zum Cash Fore­cas­ting

  1. Cash Fore­cas­ting ist ein auf­wen­di­ger manueller Prozess, in dem viele Manage­ment Res­sour­cen gebunden sind.
  2. Die Ergeb­nis­se des Cash Fore­cas­ting müssen durch kurz­fris­ti­ge Maßnahmen aufwendig abge­si­chert bzw. frei­ge­setzt werden.

Die Nutzung von Pre­dic­ti­ve Analytics Methoden kann die Mög­lich­keit eröffnen, diese Pro­blem­stel­lung zu lösen. Dabei werden auf bestehen­den Daten Algo­rith­men ange­wen­det, die einen präzisen Forecast auto­ma­tisch erzeugen.

Das Schema des Lösungs­auf­baus wird mit folgenden Eck­punk­ten struk­tu­riert:

Nutzung exis­tie­ren­der Daten für Pre­dic­ti­ve Analytics

Es kommen mehrere Daten­quel­len in Betracht. Aus dem ERP System können die Daten der Rech­nungs­stel­lung sowie des Mahn­we­sens aus der Debi­to­ren­buch­hal­tung genutzt werden. Ein weiteres inter­es­san­tes System könnte das CRM System sein. Bestel­lun­gen, Ange­bots­an­fra­ge oder Kun­den­kon­tak­te sind dabei von Interesse. In manchen Fällen ist das Customer Support System nutzbar, um mögliche Beschwer­den oder ähnliche Pro­blem­stel­lun­gen ein­be­zie­hen zu können. Abge­run­det wird diese Infor­ma­ti­ons­ba­sis durch externe Daten, wie Wirt­schafts­da­ten­ban­ken, um die generelle Ent­wick­lung der Zah­lungs­mo­ral ein­be­zie­hen zu können.

Pre­dic­ti­ve Analytics Methoden – Anwendung von Algo­rith­men

Zur Bestü­ckung der Algo­rith­men müssen zunächst Attribute fest­ge­legt werden, die das Ergebnis beein­flus­sen könnten. Bei­spiel­haft sind folgende Attribute zu nennen:

  • Zah­lungs­ziel der Rechnung
  • Mahnstufe der letzten Rechnung
  • Mahn­stu­fen­his­to­rie
  • Zah­lungs­ver­läu­fe (z.B. „immer mittwochs“)
  • Zeitpunkt der Rech­nungs­stel­lung
  • Temporäre Beson­der­hei­ten (z.B. Werks­fe­ri­en)
  • Kauf­häu­fig­keit
  • Kauf­vo­lu­men
  • Auf­trags­kom­ple­xi­tät

Diese Attribute sind der Start­punkt, um erste Ergeb­nis­se des Forecast aus den Algo­rith­men ziehen zu können. Zur Auswahl der Algo­rith­men und deren Einsatz kann auf ver­schie­de­ne Res­sour­cen zurück­ge­grif­fen werden. Bewährt hat sich dabei Azure Machine Learning von Microsoft. Ergebnis der Anwendung der Algo­rith­men ist eine Wahr­schein­lich­keit für die Bezahlung zu einem bestimm­ten Tag pro Rechnung.

Durch die Zusam­men­füh­rung der ver­schie­de­nen Wahr­schein­lich­kei­ten kann eine Ver­tei­lungs­funk­ti­on der Zahlungen erzeugt werden.

Cash Forecast Model – Simu­la­ti­on der Ergeb­nis­se

Algo­rith­men defi­nie­ren die Wahr­schein­lich­keit einer Zahlung zu einem bestimm­ten Zeitpunkt. Diese Wahr­schein­lich­keit beträgt in vielen Fällen 80 bis 90 Prozent. Nun stellt sich die Frage, was man mit den rest­li­chen Wahr­schein­lich­kei­ten machen kann, die sich auf die anderen Tage einer möglichen Zahlung beziehen. Diese kann man nun in einem nächsten Schritt für Simu­la­tio­nen nutzen, um die Vorschau durch Risi­ko­ana­ly­sen abzu­si­chern.

Fest­le­gung des Cash Forecast durch Pre­dic­ti­ve Analytics Methoden

Die Finale Fest­le­gung des Forecast ergibt sich aus den Wahr­schein­lich­kei­ten sowie der Simu­la­ti­on von Risi­ko­ana­ly­sen. Finanz­in­stru­men­te können mit diesen Ergeb­nis­sen optimal aus­ge­stal­tet werden.

Um den Erfolg eines solchen Projekts sicher­zu­stel­len, ist ein zwei­stu­fi­ger Proof of Concept sinnvoll. In der ersten Stufe wird geprüft, ob relevante Infor­ma­tio­nen in der benö­tig­ten Qualität im Unter­neh­men vorliegen. Dabei können Ein­gren­zun­gen nach besonders großen oder besonders reifen Pilo­t­ein­hei­ten hilfreich sein. Erst in der zweiten Stufe werden die Algo­rith­men ange­wen­det und auf Taug­lich­keit geprüft. Ergebnis dieses Proof of Concept ist die Erkennt­nis, ob mit der Nutzung der Algo­rith­men die Forecast Erzeugung der Cash Position möglich ist.

Ergeb­nis­se aus Unter­neh­men haben gezeigt, dass der Forecast 80 Prozent Genau­ig­keit und mehr aufweisen kann. Damit über­trifft dieses Verfahren das manuelle Verfahren in seinem Business Case bei weitem.

Sofern Sie tiefer in das Thema ein­stei­gen möchten, freuen wir uns sehr über eine Kon­takt­auf­nah­me zu einem unserer Experten.