Häufig wird ein hoher Aufwand bei nicht adäquater Prognosegüte betrieben – mit entsprechenden Kosten.
Effizienter und effektiver: Predictive Cash Forecasting
Viele Treasurer hoffen auf eines der Wunderwerkzeuge der Digitalisierung: Predictive Cash Forecasting. Aber wie funktioniert es und vor allem: Liefert es bessere Ergebnisse bei geringeren Kosten? Die Antwort lautet ja. Hierzu eine kurze Darstellung des Cash Prediction Tools, das die Qualität der Prognose verbessert:
Es handelt sich um ein Deep Learning Modell, welches lineare und nicht-lineare Ansätze kombiniert und sich flexibel an unterschiedliche Unternehmensstrukturen und Geschäftsmodelle anpasst. Im Ergebnis erhält der Nutzer drei Informationsebenen:
1. Deskriptive Analyse
2. Zerlegung der Rohdaten (Dekomposition)
3. Prognose (Forecast)
Zunächst erfolgt die rein deskriptive Analyse der historischen Daten aus einzelnen Kreditoren- und Debitorenkonten. Sie zeigen die Liquiditätsentwicklung über den Betrachtungszeitraum, der mindestens drei, idealerweise fünf Jahre beträgt. Zum einen stehen damit genügend Daten zur Verfügung, mit denen der Algorithmus arbeiten und lernen kann, zum anderen ermöglicht ein langer Betrachtungszeitraum das Backtesting über mehrere Planungszyklen hinweg.
Liefert Predictive Cash Forecasting bessere Ergebnisse bei geringeren Kosten? Die Antwort lautet ja.
Die Visualisierung erfolgt hierbei entweder auf Kreditoren- bzw. Debitorenebene oder – wie üblicherweise gewohnt – über Liquiditätskategorien. Sie gibt einen ersten Überblick zum Verhalten des Cash Flows über den definierten Zeithorizont. Ohne hier bereits in die Analytik einsteigen zu müssen, ermöglicht sie dem Planer bzw. Adressaten ein fundiertes Verständnis über die Entwicklung oder das Timing des Cash Flows.
Überwachtes Lernen zur Cash-Flow-Analyse
Im zweiten Schritt erfolgt eine sogenannte Rohdaten-Zerlegung (Dekomposition). Hierbei werden die historischen Cash Flows in einzelne Komponenten zerlegt. Das Ergebnis ist die Identifikation verschiedener Cash Flows:
- diejenigen, die einfacher vorhersagbar sind, weil sie bestimmten Mustern folgen
- diejenigen, die schwerer vorhersagbar sind, wie z. B. Ausreißer (Outlier)
- und insbesondere diejenigen, die nicht erkennbaren Einflussfaktoren unterliegen.
Diese Cash Flows können dann, da sie nun isoliert sind, bei Bedarf durch den Mitarbeiter weiter analysiert werden. Die gewonnen Erkenntnisse werden dem Modell anschließend mitgegeben, sodass hiermit das sogenannte „überwachte Lernen“ (supervised learning) beginnt. Verschiedene Machine Learning Algorithmen kommen dabei zum Einsatz.
Vorhersagen für ein Jahr ohne Abstimmungsaufwand
Erst im dritten Schritt erfolgt dann der eigentliche Forecast. Ein Bottom-up Deep Learning Ansatz ermöglicht es, die Cash Flows auf Tagesbasis für einen Zeithorizont von bis zu 12 Monaten vorherzusagen. Dadurch, dass auch interne Kreditoren und Debitoren erfasst und ausgewertet werden bzw. der entsprechende Cash Flow vorhergesagt wird, erübrigt sich auch die extrem aufwändige Abstimmung der Intercompany-Beziehungen im Rahmen der Liquiditätsplanung.
Ein anderer Nebeneffekt ergibt sich aus der währungsdifferenzierten Planung mittels des Predictive-Ansatzes: Eine genauere Vorhersage des erwarteten Exposures ermöglicht eine präzisere Steuerung und damit verbunden geringeren Sicherungskosten.
Rund
95 %beträgt die Vorhersagegenauigkeit durch Predictive Cash Forecasting.
Der Zeithorizont kann grundsätzlich unbegrenzt in die Zukunft verlängert werden. Möglich wird dies dadurch, dass bei dem Ansatz die einzelnen Komponenten (saisonale und regelmäßige Zahlungen, Trendkomponenten etc.) individuell vorhergesagt und somit die Cash Flow Schwankungen abgebildet werden. Die häufig verwendeten (S)ARIMA-Modelle führen dagegen zu einer Konvergenz zum durchschnittlichen Cash Flow, was die Nutzbarkeit einschränkt, weil gerade die Liquiditätsspitzen relevant sind. Sichtbar wird dies auch beim Genauigkeitsvergleich. Standard (S)ARIMA-Modelle führen zu einem Genauigkeitsgrad von rund 70 Prozent, während dieses Modell eine Vorhersagegenauigkeit von rund 95 Prozent erreicht.
Nach dem ersten Lernen geht es darum, die Kenntnisse über das eigene Geschäftsmodell mitzugeben, die es ermöglichen, den Cash Flow präziser vorherzusagen.
Fortbildung für den Algorithmus
Genügt es nun, einfach das Tool mit den Daten der Kreditoren und Debitoren zu füttern und die Maschine macht den Rest alleine? So funktioniert es leider nicht. Nach dem ersten Lernen geht es darum, die Kenntnisse über das eigene Geschäftsmodell mitzugeben, die es ermöglichen, den Cash Flow präziser vorherzusagen. Dies können Anpassungen am Algorithmus sein oder auch zusätzliche Informationen, wie z. B. die Korrelation zwischen der Anzahl erhaltener Ausschreibungen und den erfolgreichen Vertragsabschlüsse. Dafür muss der Maschine dann zusätzlich die Anzahl von Angeboten mitgegeben werden, die aktuell in Bearbeitung sind. Auch externe Einflussfaktoren, wie beispielsweise Forward-Rates, können zur Steigerung der Prognosegüte herangezogen werden.
Weitere Möglichkeiten ergeben sich aus der Nutzung von kognitiven Assistenzsystemen. Mit ihrer Hilfe kann die Wahrscheinlichkeit zukünftiger Lagebilder und deren Auswirkung auf die Geschäftsentwicklung in die Unternehmensplanung überführt werden.
Ähnlicher Artikel
Fazit
Standardmodelle erreichen für die Liquiditätsplanung einen Genauigkeitsgrad von circa 70 Prozent – da bleibt viel Raum für Unwägbarkeiten bestehen. Mit der Hilfe des EY-Tools zum Predictive Cash Forecasting können diese zu einem Großteil ausgeräumt werden.