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.