Cash Forecasting mit Unterstützung von künstlicher Intelligenz (KI)

Ist mein Unternehmen liquide genug, um Krisenzeiten zu überstehen? Mit dieser bedeutungsvollen Frage beschäftigen sich im aktuellen Marktumfeld, das von einer hohen Volatilität und Unsicherheit geprägt ist, zunehmend mehr Treasurer. Die Vorhersage von zukünftigen Cashflows ist für Unternehmen von entscheidender Bedeutung, um ihre Finanzen effektiv zu managen, fundierte Geschäftsentscheidungen zu treffen und den langfristigen Erfolg sicherzustellen. Doch viele Treasurer scheitern hier bereits bei der Datenbasis, da Treasury Management Systeme oder auch Tochtergesellschaften nicht voll integriert sind, was zu einem hohen Grad an manuellen Aktivitäten und Ungenauigkeiten bei der Erstellung von Cashflow Forecasts führt. Um genaue Prognosewerte für die Zukunft vorherzusagen, werden komplexe und umfangreiche Datensätze benötigt. Mithilfe von Machine Learning (ML)-Anwendungen, die unter anderem Predictive Analytics Modelle verwenden, können Prozesse bei der Erstellung von Forecasts automatisiert und beschleunigt, Risiken minimiert und Entscheidungen auf der Grundlage von optimierten Daten und Analysen getroffen werden. Interessante Use Cases sind zusätzlich, dass mit variablen Annahmen verschiedene Szenarien systemgestützt simuliert werden können und somit eine Unterstützung bei der Finanzierungsentscheidung darstellen können.

Doch bei der Umsetzung solcher Lösungen lauern einige Stolpersteine, die es vorzeitig zu umgehen gilt.

Eines der größten Probleme, dem Unternehmen unterliegen, ist fehlerfreie und notwendige historische Daten vollständig zur Verfügung zu stellen, um genaue Cashflow-Vorhersagen zu erhalten. Hierbei ist zu beachten, dass es bei fehlerhaften Daten zu Verzerrungen in der Vorhersage kommen kann, die negative Auswirkungen auf die Prognosequalität haben. Die Datenqualität, auf denen KI basiert, ist entscheidend für die Genauigkeit der Cashflow-Prognosen. Daher müssen Unternehmen sicherstellen, dass die Datenbasis sauber, konsistent und vollständig ist.

Um das passende Modell für das jeweilige Unternehmen zu entwickeln, wird ein tiefes Verständnis von komplexen mathematischen Algorithmen und maschinellen Lernmethoden in Kombination mit einer tiefgreifenden Kenntnis über des Geschäftsmodells benötigt. Im Data Science Bereich stehen hier verschiedene Modellierungsmöglichkeiten zur Verfügung wie ARIMA(X), Additiver Regression, Neuronalen Netzen etc. Hier gilt es neben der Wahl der Ausarbeitung des passenden Modells dann auch in der Umsetzung den heiligen Gral zwischen Pragmatismus und Komplexität zu finden, um nachvollziehbare Modelle zu entwickeln und zu implementieren, sodass die Modelle transparent und nachvollziehbar für die Endanwender sind. Daher ist es wichtig, dass transparente und nachvollziehbare Prozesse implementiert werden.

Ein wesentlicher Bestandteil einer optimalen und effizienten Planung ist, dass die Tools fortlaufendes Training benötigen, um die Vorhersagen zu optimieren, da diese auf Basis von Algorithmen arbeiten, die auf konsistenten Daten und Modellparametern trainiert werden. Somit ist die regelmäßige Validierung der Daten notwendig, um weiterhin genaue Prognosen zu erhalten. Dafür sind Trainings- und Validierungsprozesse sicherzustellen.

Wenn alle Voraussetzungen für ein optimales ML-Tool erfüllt sind, kann die Schätzgenauigkeit der Cash Forecasts verbessert werden. ML-Tools können komplexe Zusammenhänge erkennen, die von Treasurern möglicherweise übersehen werden würden. Dennoch ist es wichtig, dass Unternehmen eine Kombination aus menschlicher Expertise und modernen Tools nutzen, um die Vorhersagen zu optimieren und auf unvorhergesehene Ereignisse wie der Wirtschaftslage vorbereitet zu sein.

Künstliche Intelligenz wird bereits im Corporate Treasury verwendet, um das Cash Management zu optimieren. Viele Unternehmen nutzen bereits die Vorteile der künstlichen Intelligenz, um die Cashflow-Vorhersagen zu verbessern und Entscheidungen über die Liquiditätsposition zu treffen. Um Prozesse zu automatisieren und die Effizienz zu steigern, sollten Unternehmen KI-basierte Modelle in die bestehenden Treasury Management Systeme integrieren und manuelle Aufwände minimieren, da 

• Anomalien durch Analysen von Mustern und Abweichungen festgestellt werden können
• Automatisierte Dashboards und Berichte erstellt werden können
• Komplexe Daten aus verschiedenen Quellen eigenständig verarbeitet werden
• Daten in Echtzeit analysiert und auf der Grundlage Entscheidungen getroffen werden

ML-Tools können neben der Liquiditätsplanung auch für andere Anwendungsbereiche im Corporate Treasury genutzt werden wie beispielsweise: 

• Risiken im Treasury automatisch überwachen, um unerwünschte Aktivitäten zu verhindern
• Daten aus verschiedenen Quellen erfassen und integrieren, wie zum Beispiel dem Treasury Management System, ERP-Systemen oder dem Banking-Tool
• Investitionsentscheidungen optimieren, um Renditen zu maximieren und Risiken zu minimieren
• Zahlungsprozesse automatisieren und manuelle Fehler minimieren

Um ein solches Vorhaben zum Erfolg zu bringen, sind einige Faktoren zu beachten. Ein paar wichtige seien im Folgenden genannt:

• Vollständigkeit und Richtigkeit der zugrundeliegenden Daten: Die Grundlage für eine automatisierte Cashflow Prognose sind die Vergangenheitswerte. Diese müssen vollständig, valutarisch richtig und hinreichend detailliert sein.
• Selektion der richtigen Treiber: Die wirtschaftlichen und geschäftlichen Rahmenbedingungen können sich jederzeit ändern. Die erfolgreiche Prognose der Liquidität beruht auf der Identifikation und Modellierung der relevanten Business Treiber.
• IT-Architektur und Schnittstellen: Der performante Betrieb des Cash Forecast Modells beansprucht eine leistungsfähige Architektur. Die zeitnahe Realisierung der benötigten Schnittstellen ist für den Zeitplan erfolgskritisch
• Bündelung von fachlicher und technischer Kompetenz: Wie in vielen Projekten der Digitalisierung ist die konstruktive Kombination von fachlicher Expertise (inkl. Zusammenhängen der Zahlungsflüsse im jeweiligen Geschäftsmodell) und technischem Know-How erforderlich. Das bedeutet insbesondere eine klare Kommunikation und klare Aufteilung von Verantwortlichkeiten und gegenseitiger Erwartung im Rahmen eines Projektmanagements

Zusammenfassend lässt sich sagen, dass eine ML-Anwendung die Cash-Flow Prognose optimieren kann, indem es mithilfe von ausgewählten Algorithmen genaue Vorhersagen liefert. Durch die Verwendung von historischen und zukunftsgerichteten Daten und die kontinuierliche Validierung der Modelle an neue Daten und Merkmale können Treasurer bessere Prognosen erstellen und erhalten dadurch eine solide Grundlage, um Entscheidungen treffen zu können. ML-Tools können auch manuelle Eingriffe vereinfachen und den Planungsprozess automatisieren, was Zeit spart und die Genauigkeit erhöht. Letztendlich kann die Verwendung von ML-Tools dazu beitragen, das Risiko von Fehlentscheidungen zu minimieren und die finanzielle Stabilität und Liquidität eines Unternehmens gewährleisten. Vorausgesetzt die Datenbasis stimmt. Denn nur wenn dies vorausgesetzt ist, kann der Einsatz von ML-Tools eine sinnvolle Ergänzung sein.

Quelle: KPMG Corporate Treasury News, Ausgabe 131, April 2023
Autoren:
Börries Többens, Partner, Finance and Treasury Management, Corporate Treasury Advisory, KPMG AG
Nico Krämer, Manager, Finance and Treasury Management, Corporate Treasury Advisory, KPMG AG