Kann eine KI-generierte Prognose eine manuelle Planung ersetzen?
Bei gut vorhersehbaren Cashflows kann sie den manuellen Aufwand verringern oder eine separate Planung ersetzen. In anderen Bereichen bleibt das Wissen der Fachabteilungen entscheidend. Treasury legt anhand der Datenqualität und Prognostizierbarkeit fest, wie die KI-generierten Ergebnisse eingesetzt werden.
Prognosegenauigkeit zählt – entscheiden muss Treasury schon vorher
Cashflow-Prognosen bilden die Grundlage für Finanzierungsentscheidungen, Geldanlagen, Liquiditätspuffer und die zeitliche Steuerung von Zahlungsströmen. Liegt die Prognose daneben, werden all diese Entscheidungen schwieriger.
Ob eine Prognose verlässlich genug ist, muss Treasury allerdings beurteilen, bevor die tatsächlichen Zahlungsströme feststehen. Das Team muss mit einer erwarteten Entwicklung arbeiten und auf dieser Basis schon heute entscheiden.
Deshalb braucht Treasury neben hoher Prognosegenauigkeit auch Vertrauen in die Werte, mit denen es plant.
Vertrauen entsteht, wenn sich Annahmen überprüfen lassen
Eine Prognose wirkt schnell plausibel, wenn der Ablauf vertraut ist: Dieselben Gesellschaften liefern dieselben Vorlagen, dieselben Mitarbeitenden konsolidieren die Zahlen, und Annahmen werden von einer Planungsrunde in die nächste übernommen.
Ein eingespielter Prozess ist hilfreich. Er beweist aber nicht, dass die zugrunde liegenden Annahmen noch stimmen.
Mehr Sicherheit gewinnt Treasury durch eine unabhängige Vergleichsgrundlage: Was erwartet das Unternehmen, und welche Entwicklung lässt sich aus den bisherigen Cashflows ableiten?
KI ergänzt das Wissen aus dem Unternehmen um eine zweite Sicht
Nomentia Predictive Forecasting analysiert historische Ist-Cashflows und erstellt daraus eine KI-generierte Prognose. Sie lässt sich neben bestehenden Liquiditätsprognosen und den Prognosen der Tochtergesellschaften betrachten.
Beide Sichtweisen beruhen auf unterschiedlichen Informationen. Die Planung der Fachbereiche berücksichtigt Verträge, geplante Investitionen, erwartete Kundenzahlungen und andere künftige Ereignisse, die in historischen Daten noch nicht erkennbar sind. Die KI-generierte Prognose untersucht dagegen wiederkehrende Muster in den tatsächlich eingetretenen Zahlungsströmen.
Erst der Vergleich zeigt, was sich aus beiden Perspektiven lernen lässt.
Übereinstimmung stärkt das Vertrauen, Abweichungen liefern Ansatzpunkte
Liegen manuelle und KI-generierte Prognose nah beieinander, erhält Treasury einen weiteren Anhaltspunkt dafür, dass die Erwartungen plausibel sind.
Weichen die beiden Werte deutlich voneinander ab, lohnt sich ein genauerer Blick. Vielleicht kennt der Fachbereich ein bevorstehendes Ereignis, das die historischen Daten nicht abbilden. Vielleicht weist die statistische Prognose auf ein wiederkehrendes Muster hin, das in der manuellen Planung bislang nicht berücksichtigt wurde.
In beiden Fällen verfügt Treasury über mehr Entscheidungsgrundlagen als bei einer einzigen Prognose.
Bei gut vorhersehbaren Cashflows kann die KI auch Planungsaufwand übernehmen
Eine KI-generierte Referenzprognose muss nicht auf eine rein ergänzende Rolle beschränkt bleiben.
Bei Cashflows mit stabilen, wiederkehrenden Mustern kann Treasury entscheiden, die KI-generierte Prognose direkt zu verwenden. In einzelnen Bereichen lässt sich dadurch der manuelle Planungsaufwand der Tochtergesellschaften reduzieren oder eine gesonderte Meldung ganz ersetzen.
Welche Vorgehensweise sinnvoll ist, hängt vom jeweiligen Zahlungsstrom ab. Regelmäßige Gehaltszahlungen oder wiederkehrende Lieferantenzahlungen lassen sich unter Umständen besser statistisch prognostizieren als unregelmäßige Einmalzahlungen.
Das Ziel ist, die Zeit der Mitarbeitenden dort einzusetzen, wo ihr Wissen über das Geschäft den größten Unterschied macht.
Automatische Modellauswahl entlastet Treasury
Wer eine statistische Prognose manuell aufsetzt, muss auch die Prognosemethode auswählen und langfristig pflegen.
Nomentia Predictive Forecasting vergleicht verschiedene statistische Verfahren und Machine-Learning-Ansätze und wählt für jede Zeitreihe das leistungsfähigste Modell aus. Saisonale Muster, Modellgüte und Prognostizierbarkeit lassen sich differenziert beurteilen, statt alle Cashflows mit demselben Verfahren abzubilden.
Treasury benötigt damit kein eigenes Data-Science-Team, um für jede Gesellschaft, jedes Konto, jede Währung und jede Cashflow-Kategorie eine statistische Methode zu betreuen.
Vertrauen setzt voraus, die Schwächen des Modells zu erkennen
Nicht jeder historische Verlauf lässt sich zuverlässig fortschreiben.
Ein guter Prognoseprozess macht diese Grenzen sichtbar. Kennzahlen zur Datenqualität, Prognosegenauigkeit und Prognostizierbarkeit zeigen, für welche Zeitreihen die KI-generierte Prognose auf einer belastbaren Grundlage beruht und wo Vorsicht angebracht ist.
Manchmal ist die wichtigste Erkenntnis, dass sich ein Cashflow anhand seiner Historie gerade nicht verlässlich prognostizieren lässt. Dann ist fachliche Einschätzung besonders gefragt.
Eine breitere Abdeckung kann ebenso wertvoll sein wie höhere Genauigkeit
Die manuelle Planung konzentriert sich meist auf die größten Gesellschaften und die wichtigsten Zahlungsströme. Kleinere Tochtergesellschaften oder weniger wesentliche Kategorien bleiben mitunter außerhalb der strukturierten Planung, weil die Datenerhebung zu aufwendig wäre.
KI-generierte Prognosen können die Abdeckung anhand historischer Transaktionsdaten erweitern, die im Liquiditätsprozess bereits vorliegen. So erhält das zentrale Treasury einen Ausblick auf größere Teile des Konzerns, ohne dass jede Gesellschaft denselben manuellen Planungsprozess aufbauen muss.
Gerade für kleine Treasury-Teams kann eine breitere Abdeckung das Gesamtbild der künftigen Liquidität spürbar verbessern.
Kurz-, mittel- und langfristige Planung lässt sich leichter erweitern
Eine auf historischen Daten basierende Prognose kann den Planungshorizont über den bisherigen manuellen Prozess hinaus verlängern.
Vielleicht verfügt ein Unternehmen für die nächsten Wochen oder Monate über detaillierte Informationen aus den Fachbereichen, während die Planung weiter in die Zukunft deutlich weniger strukturiert ist. Eine KI-generierte Prognose kann für kurz-, mittel- und längerfristige Zeiträume eine ergänzende Sicht liefern, sofern die historische Datenbasis dafür geeignet ist.
Die Unsicherheit verschwindet dadurch nicht. Sie lässt sich jedoch strukturierter einordnen.
Mit dem Vergleich von Planung, KI-Prognose und Ist-Werten wächst das Vertrauen
Ein belastbarer Prognoseprozess lebt vom Vergleich unterschiedlicher Sichtweisen.
Treasury kann die bestehende Planung, die KI-generierte Prognose und die späteren Ist-Werte nebeneinander auswerten. Mit der Zeit wird sichtbar, wo welcher Ansatz gute Ergebnisse liefert, wo systematische Abweichungen auftreten und welche Cashflows mehr manuelle Aufmerksamkeit verdienen.
Prognosegenauigkeit bleibt eine wichtige Kennzahl. Vertrauen in die Prognose entsteht, wenn Treasury die Grundlagen der erwarteten Werte versteht, bevor es eine Entscheidung treffen muss.