Genauigkeit ist nur ein Teil des Prognosen-Problems.
Cashflow-Prognosen wird häufig als Suche nach höherer Genauigkeit beschrieben. Das ist nachvollziehbar. Treasury-Teams wollen bessere Prognosen, CFOs wollen verlässliche Liquiditätsplanung und Finance Leaders wollen weniger Überraschungen. Genauigkeit ist jedoch nur ein Teil des Problems. Eine Prognose ist nur dann nützlich, wenn Finanz-Teams den Eingaben dahinter vertrauen. Wenn Daten unvollständig, verspätet, inkonsistent oder schwer erklärbar sind, schafft auch ein technisch anspruchsvolles Modell nur begrenzt Vertrauen.
Ein Forecast ist ein Prozessergebnis, nicht nur ein Modell
Deshalb dürfen Prognosen nicht nur als Modellierungsaufgabe verstanden werden. Ein Forecast ist das Ergebnis eines Prozesses. Er hängt davon ab, wer Eingaben liefert, wie Kategorien definiert sind, wie oft Daten aktualisiert werden, welche Annahmen verwendet werden, wie Abweichungen erklärt werden und ob Ist-Werte mit früheren Eingaben verglichen werden. Wenn dieser Prozess schwach ist, wird der Forecast zu einer Zahl, über die diskutiert wird, statt zu einem Entscheidungsinstrument, dem man vertraut.
Aktuelle Treasury-Studien zeigen, wie relevant dieses Thema ist. Der EACT Treasury Survey 2025 zählt Cash-Flow Prognosen zu den wichtigsten Prioritäten von Corporate Treasurern. Der Nomentia Treasury Trends Report 2026 zeigt gleichzeitig, dass ungenaue oder inkonsistente Forecast-Eingaben vor allem für Mid-Market-Unternehmen eine große Herausforderung bleiben. Das sagt viel aus: Forecasting ist kein gelöstes Standardthema. Es bleibt einer der sichtbarsten Druckpunkte zwischen Treasury, Finance, Tochtergesellschaften und CFO Office.
Wo Vertrauen in Forecasts häufig bricht
In vielen Unternehmen beginnt das Problem bei der Verantwortung für Eingaben. Prognose-Daten kommen häufig aus lokalen Gesellschaften, Business Units, Accounting, Accounts Payable, Accounts Receivable, Sales, Einkauf, Tax und Treasury selbst. Jede Quelle versteht ihre eigenen Zahlen, aber nicht immer deren Wirkung auf die Konzernliquidität. Manche Eingaben kommen zu spät. Manche werden in der falschen Kategorie geliefert. Manche basieren auf optimistischen Geschäftsannahmen. Manche werden aus dem Vormonat kopiert und leicht angepasst. Manche bleiben außerhalb des formalen Prozesses, bis jemand danach fragt. Das Ergebnis ist ein Forecast, der rechnerisch vollständig, aber operativ fragil ist.
Ein zweites Problem ist Kategoriedisziplin. Wenn Gesellschaften unterschiedliche Definitionen für Kundeneingänge, Lieferantenzahlungen, Steuern, Gehälter, interne Finanzierung oder Sondereffekte nutzen, wird der konsolidierte Prognosen schwer vergleichbar. Eine Gesellschaft klassifiziert eine Bewegung als Working Capital, eine andere als Finanzierung, eine dritte als Einmaleffekt. Wenn Kategorien inkonsistent sind, wird die Abweichungsanalyse unzuverlässig. Finance verbringt dann Zeit mit Definitionen, statt die geschäftliche Auswirkung zu interpretieren.
Ein drittes Problem ist Timing. Prognosen reagieren stark darauf, wann Daten erfasst werden. Eine Prognose, der vor der Verzögerung einer großen Kundenzahlung eingereicht wird, sieht anders aus als einer nach diesem Update. Ein Forecast mit freigegebenen Zahlungsläufen unterscheidet sich von einem Forecast auf Basis offener Rechnungen. Ein wöchentlicher Forecast zeigt Risiken, die ein monatlicher Forecast verdecken kann. Das bedeutet nicht, dass ein Horizont immer besser ist als ein anderer. Es bedeutet, dass Finance Klarheit über Zeitpunkt und Status jeder Eingabe braucht.
Warum Prognosesicherheit zählt
Genau deshalb ist Prognosesicherheit ebenso wichtig wie Prognosegenauigkeit. Prognosegenauigkeit fragt, ob die Prognose mit der Realität übereingestimmt hat. Prognosesicherheit fragt, ob das Unternehmen versteht, warum eine Prognose belastbar ist oder nicht. Eine Prognose kann ungenau sein, weil sich das Geschäft verändert hat, weil eine Annahme falsch war, weil Daten fehlten, weil eine Gesellschaft zu spät geliefert hat oder weil das Modell ein Muster nicht erkannt hat. Das sind unterschiedliche Probleme und sie brauchen unterschiedliche Lösungen.
Wie KI bessere Prognose-Diskussionen unterstützt
KI-gestützte Prognosen können helfen, aber nur, wenn das Datenfundament stark genug ist. Ein KI-generierter Referenzforecast auf Basis historischer Cashflow-Daten kann eine sinnvolle Vergleichsgrundlage schaffen. Er kann Treasury helfen, manuelle Eingaben mit historischen Mustern zu vergleichen und ungewöhnliche Abweichungen früher zu erkennen. Er kann Annahmen hinterfragen, Ausreißer aufzeigen und bessere Gespräche mit Gesellschaften ermöglichen. Aber KI kann schwache Prozessdisziplin nicht allein beheben. Wenn die Datenhistorie inkonsistent ist oder Prognose-Kategorien schlecht gepflegt sind, lernt das Modell im Zweifel nur aus Rauschen.
Der beste Einsatz von KI in Cashflow Prognosen besteht daher nicht darin, Treasury-Urteil zu ersetzen. Er besteht darin, die Diskussion zu verbessern. Wenn Treasury einen systemgenerierten Referenzforecast, einen manuellen Forecast und Ist-Werte in einem Prozess vergleichen kann, entstehen bessere Fragen. Warum erwartet diese Gesellschaft deutlich höhere Eingänge als das historische Muster? Warum verschiebt sich Payroll in diesem Monat? Warum sind Lieferantenzahlungen niedriger, obwohl Verpflichtungen bekannt sind? Warum hat der Forecast des Vormonats die Ist-Werte verfehlt? Diese Fragen erhöhen Verantwortlichkeit, ohne Schuldzuweisungen zu erzeugen.
Vertrauen in Prognosen hängt auch von Feedbackschleifen ab. Ein Prognosen-Prozess, der nur Eingaben sammelt und eine Zahl ausgibt, wird sich nur langsam verbessern. Ein besserer Prozess vergleicht Forecasts mit Ist-Werten, erklärt Abweichungen, erkennt wiederkehrende Fehler und verbessert Annahmen über die Zeit. So sieht Finance, wo die Datenqualität stark ist, wo Eingabeverhalten verbessert werden muss und wo das Modell nachgeschärft werden sollte. Forecasting wird dadurch weniger zu einer Jagd nach Zahlen und mehr zu einem kontinuierlichen Verbesserungsprozess der Liquiditätsplanung.
Was CFOs von einer vertrauenswürdigen Prognose benötigen
Für CFOs ist das relevant, weil Vertrauen in Prognosen direkte Auswirkungen auf Entscheidungen hat. Finanzierungspläne, Investitionen, Kreditziehungen, Intercompany-Darlehen, Hedging-Zeitpunkte und Liquiditätspuffer hängen vom Forecast ab. Wenn die Geschäftsleitung den Eingaben nicht vertraut, werden Entscheidungen vorsichtiger. Cash bleibt möglicherweise ungenutzt. Finanzierung wird früher als nötig gesichert. Geschäftspläne werden spät hinterfragt. Chancen werden verpasst, weil das Unternehmen seiner eigenen Zukunftssicht nicht vertraut.
Für Treasury-Teams beginnt der praktische Einstieg mit einer Prüfung des Prosnosen-Prozesses, nicht nur des Prognosen-Ergebnisses. Welche Gesellschaften liefern spät? Welche Kategorien zeigen die größten Abweichungen? Welche Annahmen werden ohne Überprüfung wiederholt? Welche Daten werden manuell angepasst? Welche Teile des Forecasts könnten durch historische Referenzprognosen unterstützt werden? Wer sieht die Abweichungsanalyse? Diese Fragen zeigen, wo Prognosegenauigkeit durch Prozessqualität begrenzt wird.
Welche Prognosen nützlich sind
Eine nützliche Prgonose ist nicht der komplexeste Forecast. Es ist die Prgonose, der Finanzverantworliche vertrauen, erklären und nutzen können. Dafür braucht es verlässliche Eingaben, klare Verantwortlichkeiten, strukturierte Kategorien, transparente Annahmen und eine Feedbackschleife zwischen Prognosen und Ist-Werten. Bessere Modelle können Forecasting verbessern. Aber bessere Eingaben und stärkere Verantwortlichkeit machen Prognosen wirklich nutzbar.
Read more blogs of this series:
#4 Von Cash-Visibilität zu Entscheidungsvisibilität: Was CFOs heute vom Treasury erwarten
