Automatisierungsansätze im Credit Management

In einer zunehmend volatilen Weltwirtschaft, geprägt von geopolitischen Spannungen, Lieferkettenrisiken und steigenden Finanzierungskosten, rückt das Customer Credit Management stärker in den Fokus strategischer Treasurythemen. Die Fähigkeit, Kundenrisiken frühzeitig zu erkennen und effizient zu steuern, entscheidet nicht nur über die Liquiditätssituation eines Unternehmens, sondern auch über dessen Resilienz gegenüber externen Schocks. Damit ist nicht mehr nur das Kreditorenmanagement betroffen, sondern auch das Treasury indirekt involviert. 

Traditionell war das Credit Management stark manuell geprägt – mit Excel-basierten Limitvergabeprozessen, zeitverzögerten Bonitätsprüfungen und fragmentierten Schnittstellen zu Versicherern und Informationsdienstleistern. Doch neue Technologien, insbesondere im Bereich Künstliche Intelligenz (KI), ermöglichen heute eine tiefgreifende Automatisierung und intelligente Entscheidungsunterstützung.

Die Einführung automatisierter Prozesse im Credit Management ist dabei kein „Big Bang“-Projekt, sondern vielmehr eine stufenweise Optimierung. Veränderte Prozesse müssen sich erst in einer Organisation entlang der gesamthaft standardisierten Prozesskette und Abhängigkeiten etablieren, um darauf aufbauend den nächsten Schritt zu gehen. Viele Unternehmen, die erfolgreich automatisieren, starten mit drei klar definierten Vorbereitungen, durch die eine Grundlage für Automatisierungspotenziale geschaffen wird, bevor sie ihre Transformation sukzessive fortsetzen. Die folgenden Ansätze haben sich dabei bewährt. Die Priorität des jeweiligen Ansatzes orientiert sich dabei individuell am aktuellen Reifegrad des hauseigenen Credit Managements.

1. Datenharmonisierung – Saubere Daten als Fundament für automatisiertes Credit Management
Ohne saubere Daten ist keine sinnvolle Auswertung und damit auch keine effektive Automatisierung möglich. Das gilt für alle auf Daten basierenden Entscheidungsprozesse, so auch für das Credit Management. Ein zentraler Quick Win besteht darin, die relevanten Datenquellen zu harmonisieren, darunter insbesondere:

• Kundendaten: Einheitliche Stammdaten, konsolidierte Business Partner-Strukturen
• Exposure-Daten: Klare Definition offener Forderungen, Zahlungsziele, Fälligkeiten
• Zahlungseingänge: Ausziffern offener Posten mit Zahlungseingängen

Initial bieten Auskunfteien hierzu Dienstleistungen, die dabei helfen, Duplikate oder inkorrekte Kundendatensätze zu identifizieren. Für das laufende, operative Geschäft braucht es einen Governance Ansatz, um die Neuerstellung fehlerhafter oder redundanter Datensätze zu vermeiden.

2. Prozessharmonisierung – Einheitliche Abläufe schaffen
Sind die Daten konsistent, folgt die Harmonisierung der Prozesse. Ziel ist es, eine funktionale Guideline für das Credit Management zu definieren – also klare Verantwortlichkeiten, Eskalationsstufen, Entscheidungslogiken und verwendete Tools oder Systeme. Klarheit über Credit Management Prozesse und Verantwortungen zu haben, bildet die Basis, um diese Prozesse zu optimieren und konsolidieren.

3. Systemunterstützung – Die Automatisierungsgrundlage
Automatisierung braucht eine zukunftsfähige Plattform. Viele Unternehmen arbeiten noch mit fragmentierten und unintegrierten Lösungen (beispielsweise MS Excel) oder veralteten ERP-Systemen, die keine durchgängige Prozesslogik ermöglichen. Eine entscheidende Optimierung besteht daher darin, eine zentrale Credit Management Plattform zu etablieren. Hier gibt es unterschiedlichste Lösungsanbieter, wie etwa SAP Receivables Management, Professor Schumann oder HighRadius.

Systeme bieten nicht nur die technische Grundlage für Automatisierung, sie helfen auch dabei, den Überblick über Stamm- und Bewegungsdaten zu behalten und interne wie externe Schnittstellen zu etablieren.

Sind o.g. Daten, Prozesse und Systemauswahl vorbereitet, können erste Prozesselemente vollständig automatisiert werden. In der Regel braucht es hier etwas Zeit, um das Vertrauen in Datengüte und Prozessverarbeitung im System aufzubauen. Ist das Vertrauen nach ausreichender Anlaufphase vorhanden, so können Prozesse Stück für Stück automatisiert werden.

Im Folgenden stellen wir einen Überblick über bewährte Automatisierungshebel:

• Scoring-Modelle für Business Partner: Kombination interner Daten (z.B. Zahlungsverhalten, Mahnhistorie) mit externen Bonitätsdaten zur Bonitätsbewertung der Businesspartner
• Automatische Limitvergabe: Für geringere Exposure anhand vordefinierter Entscheidungsregeln
• Systemunterstützung bei manuellen Aussteuerungen: Vorbefüllung von Scoring-Templates durch das System mit automatischen Empfehlungen zur Limithöhe
• Bestellung von Wirtschaftsinformationen: Automatisierte Bestellung von Auskünften oder Wirtschaftsdatensätzen nach vordefinierten Regeln (z.B. ab bestimmtem Exposure, bei Kunden in Hochrisikoländern oder einer bestimmten Kundenbranche)
• Bedienung von Kreditversicherungspolicen: Automatisierte Limitanfragen und Überfälligkeits- bzw. Schadensmeldungen über System-Schnittstellen zum Kreditversicherer
• Automatische Berichte: Erstellung von Berichten und Dashboards mit automatisiertem Berichtversand und Echtzeitdaten
• Workflow Abbildung: Darstellung der manuellen Prozessaussteuerungen in Form von Workflows mit System und E-Mail-Notifikationen

Auch im Credit Management ist der Einsatz von KI ein potenzieller Automatisierungshebel. So können generative KI-Lösungen z.B. genutzt werden, um umfangreiche Jahresabschlüsse von Geschäftspartnern auf die relevanten Informationen und Daten zusammen zu fassen und nachgelagerte Datentabellen im Credit Management System zu befüllen. Dies erleichtert gerade bei intensiven manuellen Prüfungen das Sichten und Verstehen der Dokumente. Der Credit Analyst kann sich damit voll und ganz auf seine eigentliche Expertise ‒ das Bewerten der Kundenrisiken ‒ fokussieren.

Weitere KI Einsatzmöglichkeiten sind das klassische Auswerten, Rücktesten (Backtesting) und Extrapolieren von Daten und Entscheidungen. Ein KI-Assistent kann so dabei helfen, die Scoring Modelle immer weiter zu optimieren, was wiederum mehr Möglichkeiten zur automatischen Vergabe von Scores und Limiten ermöglicht. Auch auf aktuelle makroökonomische Schocks kann mithilfe von KI schneller reagiert werden.

Wie immer gilt beim Einsatz von KI: Die zur Verfügung gestellten Daten müssen belastbar sein und die Ergebnisse müssen vor Verwendung kritisch überprüft werden.

Eine Prozessoptimierung kann außerdem durch die systemische Integration von Inkasso- (Collections-) und Streitbeilegungsmanagement (Dispute Management) erreicht werden. Effizienzsteigerungen lassen sich oft durch die Reduktion manueller Arbeiten gerade an der Schnittstelle zum vorgelagerten Credit- Management-Prozess und auch entlang der Wertschöpfungskette heben. Die Integrationstiefe der Prozesse in die Systeme spielt hierbei eine entscheidende Rolle, denn so können gerade im Collections & Dispute Management vordefinierte Regeln im System aufgesetzt werden, KI-gestützte Erkenntnisse ermittelt werden oder auch Prozesse robotergestützt automatisiert werden. Eine der wichtigsten Funktionen ist die automatische Erstellung von Arbeitslisten für den Einzug überfälliger Forderungen, die Automatisierung der Kundenkommunikation bei Streitfällen und die Bereitstellung intelligenter Werkzeuge für Agenten, um Unstimmigkeiten schneller zu klären.

Auf der Grundlage vordefinierter Regeln sowie der Verwendung von Echtzeitdaten aus Vertrieb und Rechnungswesen können automatisch priorisierte Arbeitslisten für den Collection Agent erstellt werden, wobei die überfälligen Kunden bereits nach Schweregrad und/oder Ausfallrisiko priorisiert sind. Der Collection Agent ist die Person im Unternehmen, die sich auf das Einziehen von ausstehenden Zahlungen spezialisiert hat, Kunden diesbezüglich kontaktiert und beispielsweise Zahlungspläne verhandelt und wenn nötig rechtliche Schritte einleitet. Somit werden im Unternehmen die Liquidität gesichert und finanzielle Risiken minimiert.

Business AI kann in dem Zusammenhang auch historische Daten zur Vorhersage von Zahlungseingängen nutzen, wodurch für den Collections Agent eine intelligente Prioritätensetzung erfolgt. Diese rückt die wichtigsten offenen Rechnungen automatisch in den Fokus der Bearbeitung.

Darüber hinaus können mit dem Kunden vereinbarte Zahlungsversprechen oder Streitfälle zentral überprüft und dokumentiert werden ‒ mit allen relevanten Informationen aus vor- oder nachgelagerten Prozessen. Das optimiert die Kundeninteraktion bedeutend und ermöglicht es, notwendige Korrespondenzen für Folgeaktionen direkt zu erzeugen und an den Kunden zu versenden. Zu guter Letzt kann die automatisierte Nachverfolgung des Kunden eingerichtet werden, so dass die erhaltenen Zahlungsversprechen auch zeitspezifisch geprüft werden können. Durch die saubere Dokumentation aller Kundenkontakte ist eine teamübergreifende Arbeit möglich.

Streitfälle oder sogenannte Dispute Cases werden oft im Rahmen des Collection Managements aufgenommen und können auch über den Customer Support, eine Hotline, Beschwerdestellen oder sonstige Kanäle durch Kunden direkt gemeldet werden. In diesem Fall ist es für die nachgelagerten Finanzprozesse wichtig, dass diese Informationen zeitnah im Rechnungswesen ankommen und dort entsprechende Maßnahmen ergriffen werden können. Der Klassiker ist hier, direkt Mahnsperren zu verhängen, wenn z.B. eine fehlerhafte Lieferung als Streitfall gemeldet wurde. Die Kunden erwarten im Zeitalter der Digitalisierung, dass der Informationsfluss im Unternehmen entsprechend schnell und automatisiert ist und der Streitfall so möglichst schnell gewürdigt und behoben wird.

Im Dispute Management gibt es verschiedene Einsatzmöglichkeiten von KI. So kann KI in Form eines Dispute Resolution Agents beispielsweise Rechnungs- und Vertragsdaten analysieren, Unstimmigkeiten erkennen und proaktiv dem Dispute Case Resolver Lösungen wie z.B. die Erstellung einer Gutschrift vorschlagen. Das System kann gleichzeitig so konfiguriert werden, dass bestimmte Streitfälle unter passenden Bedingungen automatisch abgeschrieben werden.

Als Brücke zum Collection Management besteht außerdem die Möglichkeit bei Forderungsfälligkeit direkt automatisiert Dispute Cases zu erstellen und diese zur Klärung zu bringen. Auch hier ist eine regelbasierte Konfiguration beispielsweise abhängig vom Forderungsumfang möglich.

Die Integration in die Logistikprozesse einer intelligenten Organisation führt zu erheblichen Effizienzsteigerungen. So kann der Kunde im Beschwerdemanagement eine Klassifizierung angeben, wenn Ware wegen Überlieferung, Qualitätsmängeln oder Transportschäden zurückgegeben wird oder zu wenig Ware geliefert wurde. Auf Basis bestimmter Beschwerdegründe können direkt Dispute Cases erstellt werden und dem verantwortlichen Team zugewiesen werden. Das funktioniert in einem integrierten System über die gesamte Prozesskette und alle Beteiligte haben jederzeit aktuelle Informationen zu dem jeweiligen Case. Außerdem können Folgeprozesse im Finanzwesen gestoppt werden, indem eine überfällige Forderung zur Mahnung gesperrt wird bis der Dispute Case gelöst ist. So wird die Information aus dem Dispute Case in Echtzeit an alle wichtigen Beteiligten der Organisation verteilt und Folgeaktivitäten werden sofort ausgelöst.

In der finalen Ausbaustufe dieses Szenarios ist es auch denkbar, unterschiedliche Agents für Dispute Cases aus Logistik, Buchhaltung oder Collections zusammenarbeiten zu lassen. Diese bereiten dann in den vorab definierten Leitplanken automatisiert Entscheidungen vor oder wickeln diese sogar ab. Man spricht bei diesem Setup von der sogenannten „Agentic AI“, da Agents unterschiedlicher Bereiche miteinander kommunizieren, vergleichbar mit der analogen Kommunikation von Mitarbeitern heute, um wiederkehrende Probleme einheitlich zu lösen.

Durch Integration von Automatisierungsansätzen in Credit Management, Collections und Dispute Management erreichen Organisation neben Effizienzsteigerungen verbesserte Datenqualität und -transparenz, womit fundierte Entscheidungen und schnellere Reaktionen auf Kundenanfragen möglich sind. Zudem werden manuelle Eingaben und Interaktionen deutlich reduziert, was Fehler minimiert und die Effizienz zusätzlich steigert.

Am Ende bewirkt dies eine verbesserte Kundenkommunikation und damit eine höhere Kundenzufriedenheit. Der ganzheitliche Überblick über die Kundenbeziehung ermöglicht der intelligenten Organisation das proaktive Verwalten von Kreditrisiken und Forderungen im Gegensatz zur fragmentierten Silo-Organisation. 

Durch Standardisierung, Automatisierung und dadurch verbesserte Geschwindigkeit lassen sich die quantitativen Effekte ableiten, beispielsweise positive Effekte auf das Working Capital durch Verkürzung der Days Sales Outstanding und Reduktion von Risikofällen im Debitorenportfolio. 

Gerade während oder direkt nach einem fundamentalen ERP-Transformationsprojekt bieten sich hervorragende Chancen, bestehende Prozesse und Systemunterstützung im Credit Management zu hinterfragen. Teils eröffnen sich hier in vorhandenen Standardmodulen kurzfristige Möglichkeiten, um Innovationen der neuen Software für die eigene Organisation zu heben. 

Dies bietet die Gelegenheit, um das eigene Unternehmen auf die nächste Stufe der Automatisierung zu heben und die Zukunft aktiv zu gestalten.