Verbesserte Cash Forecast Berechnung durch Predictive Analytics

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.

Clemens Frank
Clemens Frank
02 February, 2018
operative planung & forecasting