Was sind die Voraussetzungen für eine KI-basierte Liquiditätsplanung?

Das A und O der KI-gestützten Liquiditätsplanung ist die Datenbasis. Diese muss mindestens drei Jahre zurückreichen und mit ausreichend Details zu den historischen Cashflows ausgestattet sein, damit diese vom Algorithmus erkannt und die Cash-Bewegungen zur richtigen Planungskategorie zugeordnet werden können. Um präzise Forecast mit KI zu erstellen, wird zudem das entsprechende Know-How benötigt. Sofern dieses Wissen in Ihrem Team selbst nicht vorhanden ist, benötigen Sie dafür externe Beratende oder eine Software-Lösung, wie beispielsweise Nomentia Cash Flow Forecasting.

Wieviel Historie sollte man mindestens haben, damit die Nutzung Sinn macht?

Es wird empfohlen, mindestens drei Jahre Historie zu haben, um genaue Prognosen und Analysen durchführen zu können. Eine häufige Fehlannahme ist hier, dass man bei einem Vorsagezeitraum von X-Zeiteinheiten, 3X als Historie benötigt. Das ist falsch. Auch wenn man beispielsweise nur 13 Wochen vorhersagt, wird ein Zeitraum von drei Jahren benötigt, um Saisonalitäten und Ausreißer erkennen zu können. Als Extrembeispiel: Möchte man beispiels weise Woche 4 vorhersagen und dies auf Basis von 3 Ist-Wochen, erkennt man sofort, dass das nicht sinnvoll ist, weil keinerlei untermonatliche Saisonalität aus Vorjahren zur Verfügung steht und die Datenmenge viel zu gering ist.

Woher kommen die Ist-Daten für die Planung?

Im Idealfall können die Daten mittels Belegkettenanalyse aus dem ERP-System abgeleitet werden. Das ist die beste Option, da die Daten aus dem System bereits mit den Details versehen sind, die bei der Kategorisierung der Zahlungsdaten benötigt werden. Vor allem in einer heterogenen ERP-Landschaft oder wenn mit ERP-Systemen gearbeitet wird, die Transaktionen nicht klassifizieren, ist eine Belegkettenanalyse aber oft nicht möglich und es muss auf eine zweite Variante zurückgegriffen werden, bei der die Daten aus Kontoauszügen übernommen werden. Bei dieser Methode können Verwendungszwecke Aufschluss über die Kategorie des Zahlungstroms geben, doch die Detailtiefe ist im Vergleich zur Belegkettenanalyse viel beschränkter.

Wie wählt man die richtigen Modelle für die Planung aus?

Nomentia bietet eine automatische Vorauswahl der Modelle basierend auf den Daten und Anforderungen. Anwender können jedoch auch manuell Modelle ausschließen oder hinzufügen. Die getroffenen Annahmen zu den gewählten Modellen (Saisonalität, Feiertagsabhängigkeit, etc.) werden in einem Bericht übersichtlich dargestellt.

Wie wird ‚overfitting‘ bei den Modellen verhindert?

Das Risiko, dass ein Modell die Trainingsdaten „auswendig“ lernt und auf diese Weise nicht in der Lage ist, auf neue Daten zu verallgemeinern, wird durch die Validierung der Modelle mit historischen Daten und die Auswahl des am besten geeigneten Modells verhindert. Ein wesentlicher Faktor ist hier auch die Auswahl der Parameter für die Modelle, die über ein eigenes neuronales Netzwerk ermittelt werden.

Wie lange dauert mit KI die Berechnung eines Forecasts?

Die Berechnungszeit hängt von der Datenmenge und der Komplexität der Modelle ab. In der Regel dauert es jedoch nur wenige Minuten pro Firma und Kategorie.

Birgt die Nutzung von KI für die Liquiditätsplanung ein Datenschutzrisiko?

Die Art von KI, die bei der Liquiditätsplanung zum Zuge kommt – auch Predictive Analytics genannt – basiert auf ausgewählten historischen Zahlungsdaten und Algorithmen, die darin Muster erkennen. Erfolgt die KI-basierte Planung anhand einer Software-Lösung, sind die Algorithmen im System vorprogrammiert und die Berechnung der Liquiditätsprognosen erfolgt im System selbst. Die sensiblen Cashflow-Daten werden also in der sicheren Umgebung der Lösung verarbeitet und nicht an externe dritte Anbieter weitergegeben.

Wie nachvollziehbar sind die mit KI erstellten Prognosen?

Einige Anbieter KI-basierter Liquiditätsplanung, darunter Nomentia, bieten graphische Darstellungen, die die für die Prognosen miteinbezogenen Faktoren aufschlüsseln. Dies schafft Transparenz darüber, wie die Berechnung der Forecasts zustande gekommen ist und macht diese nachvollziehbarer. Nomentia bietet zudem pro Prognose jeweils einen detaillierten Bericht zu den berücksichtigten internen und externen Faktoren, der Beobachtungen und Trends aufzeigen kann, die ein Treasurer von bloßem Auge möglicherweise nicht erkennen könnte, und sorgt somit für ein tieferes Verständnis von den verschiedenen Einflussfaktoren.

Kann KI das Zahlungsverhalten einzelner Kreditoren erkennen oder erfolgt das pauschal?

Das Zahlungsverhalten kann mit KI für jeden einzelnen Kreditor erkannt werden. Bei geringen Datenmengen erfolgt aber oft eine Clusterung von ähnlichen Kreditoren, nach Ländern, etc.