Die bestehende Planung bleibt wertvoll und erhält eine zweite Perspektive
In die Cashflow-Prognose fließen häufig ERP-Daten, Angaben der Tochtergesellschaften und die fachliche Einschätzung von Treasury ein. Diese betriebliche Sicht berücksichtigt Informationen, die aus historischen Daten allein nicht hervorgehen. Sie bleibt für die Planung unverzichtbar.
Nomentia Predictive Forecasting ergänzt sie um eine KI-generierte Prognose auf Grundlage historischer Ist-Cashflows. Treasury kann diese neben den vorhandenen Liquiditäts- und Prognosen der Tochtergesellschaften betrachten, die Ergebnisse hinterfragen und sie dort, wo es sinnvoll ist, auch direkt übernehmen.
So entsteht ein flexibler Prognoseprozess, der nicht für sämtliche Zahlungsströme dieselbe Datenquelle vorschreibt.
Historische Ist-Cashflows bilden die Datengrundlage
Die KI-generierte Prognose nutzt historische Liquiditätstransaktionen, die dem Planungsprozess bereits zur Verfügung stehen. Dazu zählen beispielsweise Beträge, Buchungsdaten, Cashflow-Kategorien, Gesellschaften, Bankkonten und Währungen.
Ausgangspunkt sind tatsächlich erfolgte Zahlungsströme: Das Modell untersucht, was im Zeitverlauf eingetreten ist, und stützt sich nicht auf frühere Planwerte.
Wie gut die Daten geeignet sind, hängt unter anderem von ihrer Qualität und dem verfügbaren Zeitraum ab. Nomentia berücksichtigt deshalb Datenqualität und Prognostizierbarkeit im Prozess. Schließlich ist nicht jeder Datensatz gleich gut für eine statistische Prognose geeignet.
Unterschiedliche Cashflows brauchen unterschiedliche Modelle
Eine einzige Prognosemethode passt selten zu jeder Zeitreihe.
Nomentia Predictive Forecasting vergleicht mehrere statistische Verfahren und Machine-Learning-Ansätze. Für jede Zeitreihe wird das Modell mit den besten Ergebnissen ausgewählt. Regelmäßige Gehaltszahlungen folgen möglicherweise anderen Mustern als Kundeneingänge, Steuerzahlungen oder unregelmäßige Lieferantenzahlungen.
Die automatische Modellauswahl reduziert den Aufwand für Treasury, unterschiedliche Verfahren für zahlreiche Gesellschaften, Konten und Cashflow-Kategorien manuell auszuwählen und zu pflegen.
Saisonale Muster und Prognostizierbarkeit werden sichtbar
Historische Cashflows können saisonale Schwankungen, längerfristige Trends und unregelmäßige Bewegungen aufweisen.
Der Modellierungsprozess kann saisonale Muster erkennen und für einzelne Zeitreihen Kennzahlen zur Prognostizierbarkeit und Genauigkeit bereitstellen. Treasury sieht damit, für welche Teile der Prognose eine aussagekräftige historische Datenbasis vorliegt und wo die Ergebnisse vorsichtiger zu bewerten sind.
Diese Informationen helfen zu entscheiden, wie stark die KI-generierte Prognose in die Liquiditätsplanung einfließen soll.
Die Prognose kann kurz-, mittel- und langfristige Zeiträume abdecken
Abhängig von den verfügbaren Daten und der Konfiguration unterstützt die KI-generierte Prognose kurz-, mittel- und längerfristige Planungshorizonte.
Das ist besonders hilfreich, wenn die manuelle Planung für die nächsten Wochen sehr detailliert ist, im weiteren Verlauf aber weniger Informationen vorliegen. Historische Daten können dann einen zusätzlichen Ausblick ermöglichen, ohne dass jede Tochtergesellschaft über den gesamten Zeitraum dieselbe Planungstiefe liefern muss.
So lassen sich Lücken im Liquiditätsausblick verringern.
Der Vergleich hinterfragt die Annahmen der Fachbereiche
Der unmittelbarste Anwendungsfall ist der direkte Vergleich beider Prognosen.
Stimmen die Planung der Tochtergesellschaft und die KI-generierte Prognose weitgehend überein, liefert dies einen zusätzlichen Hinweis auf die Plausibilität der erwarteten Entwicklung. Bei deutlichen Abweichungen erhält Treasury einen konkreten Ansatzpunkt für die weitere Prüfung.
Es geht nicht darum, dem Modell oder dem Fachbereich pauschal recht zu geben. Vielmehr soll Treasury frühzeitig erkennen, wo die beiden Informationsquellen zu unterschiedlichen Ergebnissen kommen – noch bevor eine Liquiditätsentscheidung ansteht.
Treasury entscheidet, wann die KI-Prognose zur Arbeitsgrundlage wird
Bei gut vorhersehbaren Cashflows kann die KI-generierte Prognose belastbar genug sein, um sie direkt einzusetzen.
Damit kann Treasury die manuelle Planung insbesondere für Gesellschaften oder Kategorien reduzieren, deren historische Muster stabil sind und bei denen zusätzliche Informationen aus den Fachbereichen wenig Mehrwert liefern.
Bei unregelmäßigen oder von Einzelereignissen geprägten Cashflows kann die KI-generierte Prognose dagegen vor allem als Referenz dienen. So lässt sich der Umfang menschlicher Mitwirkung je nach Zahlungsstrom festlegen, statt überall denselben Prozess vorzuschreiben.
Die Prognoseabdeckung wächst, ohne das Treasury-Team zu vergrößern
Bei der konzernweiten Planung ist die Zahl der Gesellschaften, die Treasury detailliert einbeziehen kann, oft begrenzt.
Historische Transaktionsdaten, die bereits in Nomentia Liquidity vorliegen, lassen sich nutzen, um Prognosen für zusätzliche Gesellschaften und Cashflows zu erstellen – auch für Bereiche, die bisher nicht in der manuellen Planung berücksichtigt wurden.
Das hilft insbesondere zentralen Treasury-Teams, die viele Tochtergesellschaften mit begrenzten lokalen Planungsressourcen betreuen.
Die Ergebnisse fließen zurück in das Liquiditätsreporting
Die KI-generierte Prognose steht in Nomentia Liquidity Reports neben Ist-Werten und anderen Prognosedaten zur Verfügung.
Damit bleibt sie in dem Planungszusammenhang, in dem Treasury Cash-Bestände prüft und über Finanzierung oder Geldanlage entscheidet. Das Ergebnis muss nicht erst aus einer separaten Datei oder einem Data-Science-System in den Treasury-Prozess übertragen werden.
Planmäßig wiederholte Prognoseläufe können außerdem dafür sorgen, dass die KI-generierte Sicht im Rhythmus der unternehmensinternen Liquiditätsplanung aktualisiert wird.
Für jeden Cashflow die geeignete Informationsquelle nutzen
Angaben aus dem Unternehmen, historische Daten und Treasury-Fachwissen leisten jeweils einen anderen Beitrag zur Planung.
Nomentia Predictive Forecasting ergänzt die verfügbaren Informationen um statistisch fundierte Ergebnisse. Die Lösung kann bestehende Prognosen hinterfragen, Planungshorizonte erweitern, Lücken schließen und den manuellen Aufwand dort reduzieren, wo die Datenbasis dies zulässt.
So gewinnt Treasury zusätzliche Anhaltspunkte und mehr Spielraum, bevor Entscheidungen über die künftige Liquiditätslage getroffen werden.
Häufig gestellte Fragen (FAQ)
Welche Eingangsdaten nutzt Nomentia Predictive Forecasting?
Die Lösung verwendet historische Ist-Transaktionen aus dem Liquiditätsprozess, beispielsweise Beträge, Daten, Cashflow-Kategorien, Gesellschaften, Bankkonten und Währungen.
Muss die KI-generierte Prognose immer eine reine Referenz bleiben?
Nein. Treasury kann sie mit der bestehenden Planung vergleichen, als unabhängige Referenz heranziehen oder die prognostizierten Werte für geeignete Cashflows und Gesellschaften direkt übernehmen.
Wie wählt das System das Prognoseverfahren aus?
Es vergleicht verschiedene statistische Verfahren und Machine-Learning-Ansätze und wählt für jede Zeitreihe das Modell mit den besten Ergebnissen aus.
Warum sind Datenqualität und Prognostizierbarkeit wichtig?
Die Kennzahlen zeigen, wo die historischen Daten eine belastbare Prognose ermöglichen und wo unregelmäßige Zahlungsströme oder eine zu kurze Datenhistorie eine vorsichtige Bewertung und mehr fachliche Einschätzung erfordern.