Datenqualität im Treasury

Standardisierung, Automatisierung, Advanced Analytics und Einsatz künstlicher Intelligenz versprechen, Treasury-Prozesse effizienter, schneller und vorausschauender zu gestalten. Dennoch richtet sich die Diskussion häufig vor allem auf neue Technologien und konkrete Use Cases, während sich ihr tatsächlicher Nutzen oft an einer weniger sichtbaren Stelle entscheidet: der Qualität und Verfügbarkeit der zugrunde liegenden Daten.

Denn auch die leistungsfähigste Technologie kann nur mit den Informationen arbeiten, die ihr zur Verfügung stehen. Inkonsistente Datenstrukturen, fehlende Schnittstellen, unterschiedliche Formate oder unklare Prozessverantwortlichkeiten können dazu führen, dass Automatisierungspotenziale nicht oder nicht vollständig ausgeschöpft werden und KI-Anwendungen hinter den Erwartungen zurückbleiben. Die bestehende Datenarchitektur wird damit zunehmend zu einem entscheidenden Erfolgsfaktor: Sie kann technologische Transformation ermöglichen oder begrenzen.¹

Während in der Vergangenheit vor allem Treasury-eigene Informationen im Fokus standen, erfordern moderne Steuerungsansätze heute einen deutlich breiteren Blick auf die Unternehmensdatenlandschaft. Relevante Erkenntnisse entstehen zunehmend an den Schnittstellen zwischen Finanz-, Unternehmens- und Prozessdaten und reichen weit über klassische Treasury-Systeme hinaus.

Eine belastbare Datenbasis setzt daher voraus, Informationen aus unterschiedlichen Bereichen zusammenzuführen und in einen gemeinsamen fachlichen Kontext zu bringen. Im Treasury betrifft dies beispielsweise Bankstammdaten und Kontenhierarchien, Cash-Flow- und Liquiditätspositionen, Zahlungsverkehrsdaten sowie Markt- und Kontrahentendaten. Eine Liquiditätsvorschau kann ihren vollen Steuerungsnutzen beispielsweise erst dann entfalten, wenn Planwerte, operative Zahlungsströme und tatsächliche Kontobewegungen konsistent zusammengeführt werden. Auch im Counterparty Management ist eine einheitliche Datenbasis entscheidend: Eindeutige Stammdaten und Kennungen wie der Legal Entity Identifier (LEI) erleichtern die konsistente Zuordnung und Aggregation von Kontrahentenpositionen.

Entscheidend ist dabei nicht nur die Verfügbarkeit von Daten, sondern vor allem deren Konsistenz, Aktualität und Nachvollziehbarkeit. Häufig erschweren historisch gewachsene Datenmodelle, uneinheitliche Definitionen – etwa bei der Abgrenzung verfügbarer Liquidität – oder fehlende Standards die konsistente Nutzung von Informationen. Die Fähigkeit, Daten strukturiert zusammenzuführen und qualitativ abzusichern, wird damit zu einer zentralen Voraussetzung für eine datengetriebene Treasury-Funktion.¹

Obwohl viele Treasury-Prozesse bereits digital unterstützt werden, ist die Bereitstellung entscheidungsrelevanter Informationen weiterhin häufig mit manuellem Aufwand verbunden. Daten müssen aus unterschiedlichen Quellsystemen zusammengetragen, validiert und aufbereitet werden, bevor sie für Reporting-, Analyse- oder Steuerungszwecke genutzt werden können.

Unterschiedliche Definitionen, abweichende, sogar widersprüchliche Datenstände oder mangelnde Transparenz über Herkunft und Qualität von Informationen können dazu führen, dass Auswertungen uneinheitlich interpretiert werden oder Entscheidungen auf einer unzureichenden Datengrundlage basieren. Im Treasury zeigt sich dies beispielsweise bei zentralen Steuerungsgrößen: 

• Fehlende oder verspätete Kontoinformationen können die Cash Visibility beeinträchtigen, inkonsistent zugeordnete Cash-Flow-Positionen die Aussagekraft von Liquiditätsprognosen und
• Fehlerhafte Stamm- oder Zahlungsdaten die automatisierte Verarbeitung im Zahlungsverkehr.

Ein Beispiel aus der Praxis verdeutlicht dies: Bei einem international tätigen Konzern wurden eingehende Zahlungsströme über verschiedene Ländergesellschaften hinweg uneinheitlich kategorisiert, sodass identische Sachverhalte in unterschiedliche Liquiditätspositionen einflossen. In der Folge wich die rollierende 13-Wochen-Vorschau wiederholt von den tatsächlichen Kontobewegungen ab. Erst die Vereinheitlichung der Kategorisierungslogik und eine klar definierte führende Quelle je Datenobjekt stellten eine belastbare Prognose wieder her – ohne dass hierfür eine neue Technologie erforderlich war.

Auch ISO 20022 verdeutlicht die Bedeutung konsistenter und strukturierter Daten. Der internationale Nachrichtenstandard ermöglicht umfangreichere und stärker strukturierte Zahlungsinformationen und kann bei harmonisierter Anwendung die Interoperabilität sowie effizientere Zahlungsprozesse unterstützen. Gerade im Zuge der Weiterentwicklung von Zahlungsformaten zeigt sich, dass technische Standardisierung ihren Nutzen nur dann entfalten kann, wenn die zugrunde liegenden Stamm- und Transaktionsdaten vollständig und konsistent gepflegt sind.²

Belastbare Prozesse benötigen daher standardisierte Datenstrukturen, klar definierte Datenflüsse und ein hohes Maß an Datenqualität. Fehlen diese Voraussetzungen, werden bestehende Schwachstellen häufig lediglich digitalisiert, anstatt nachhaltig beseitigt zu werden. Datenqualität ist damit kein technisches Randthema, sondern ein wesentlicher Enabler erfolgreicher Transformation.

Datenqualität entsteht in der Praxis nicht in einem einzelnen Bereich, sondern im Zusammenspiel dreier Funktionen: IT, Accounting und Treasury. Erst wenn technische Datenbereitstellung, bilanzielle Systematik und fachliche Steuerungslogik aufeinander abgestimmt sind, lassen sich Ergebnisse erzeugen, die inhaltlich belastbar und organisatorisch akzeptiert sind. Fehlt diese Abstimmung, entstehen leicht widersprüchliche Sichten auf dieselben Sachverhalte – und damit Steuerungsgrößen, denen im Management nicht vertraut wird.

Die führende Rolle sollte dabei das Treasury übernehmen. Als fachlicher Eigentümer der Liquiditäts- und Steuerungssicht definiert es die inhaltlichen Anforderungen, koordiniert die Abstimmung zwischen den Bereichen und verantwortet die Auslegung der Steuerungsgrößen. Die IT stellt die technische Anbindung und Verarbeitung sicher, das Accounting die bilanzielle Anschlussfähigkeit – die inhaltliche Steuerungshoheit und die Zusammenführung der Perspektiven liegen jedoch beim Treasury.

Besonders deutlich wird dies in Cash- und Liquiditätsmanagement-Projekten. Die eigentliche Herausforderung liegt dort weniger in der Technologie als in der fachlich-technischen Abstimmung entlang mehrerer Schritte:

• Definition der Datenquellen und technische Anbindung: Gemeinsam mit der IT ist festzulegen, welche Quellsysteme führend sind und wie der technische Zugriff auf die relevanten Datenbestände erfolgt ‒ einschließlich Schnittstellen, Aktualisierungslogik und Berechtigungen.
• Mapping der Liquiditätspositionen: Die aus den Quellsystemen stammenden Positionen müssen sowohl an die fachliche Treasury-Definition als auch an die unternehmerische bzw. bilanzielle Sichtweise (Accounting) angebunden werden, damit dieselbe Position bereichsübergreifend einheitlich verstanden wird.
• Definition und Mapping der Steuerungs-KPIs: Die im Treasury verwendeten Steuerungskennzahlen sind fachlich zu definieren und anschließend konsistent auf die Unternehmensbilanz abzubilden, um eine durchgängige Verbindung zwischen operativer Steuerung und Konzernabschluss herzustellen.
• Technologische Unterstützung des Reportings: Erst ein abgestimmtes, technisch unterstütztes Reporting stellt sicher, dass die validierten Steuerungsgrößen dem Management entscheidungsgerecht und nachvollziehbar zur Verfügung stehen. Entscheidend ist hier der Datenlayer zur Harmonisierung, Transformation und Historisierung der Stamm- und Bewegungsdaten für das Reporting.

Der Mehrwert dieses Vorgehens liegt im validierten Ergebnis: Wenn Treasury die Abstimmung von Datenquellen, Positionsmapping und KPI-Definition federführend mit IT und Accounting zusammenführt, entstehen Steuerungsgrößen, die fachlich korrekt, bilanziell anschlussfähig und technisch reproduzierbar sind. Datenqualität ist damit kein reines IT-Thema, sondern das Ergebnis abgestimmter fachlicher und technischer Verantwortung unter Treasury-Führung – erst dieses Zusammenspiel macht Steuerungsgrößen validierbar und für das Management vertrauenswürdig.

Je heterogener die Systemarchitektur und je stärker Daten über unterschiedliche Anwendungen verteilt sind, desto höher fallen die Anforderungen an Integration, Harmonisierung und Governance aus. Unternehmen mit konsolidierten Plattformen, klaren Schnittstellen und einheitlichen Datenmodellen können neue Technologien schneller implementieren, analytische Anwendungsfälle effizienter skalieren und Veränderungen flexibler umsetzen.

Neben der technischen Integration gewinnt dabei auch die fachliche Steuerung der Daten an Bedeutung. Entscheidend ist beispielsweise, welche Quelle für ein Datenobjekt führend ist, wie dessen Qualität überwacht wird und wer für Definition und Pflege verantwortlich ist. Gerade bei ERP- oder Treasury-Transformationen bietet sich die Möglichkeit, gewachsene Datenbestände zu harmonisieren und einheitliche Definitionen frühzeitig zu verankern. Die Qualität der Datenarchitektur entscheidet damit zunehmend darüber, wie schnell Innovationen produktiv genutzt werden können und welchen Mehrwert neue Technologien tatsächlich liefern.

Für Treasury-Funktionen bedeutet dies, Datenqualität systematisch in Prozesse und Verantwortlichkeiten zu integrieren. Einen Ausgangspunkt bildet eine klare Data Ownership für zentrale Datenobjekte. Während der fachliche Data Owner Definitionen und Qualitätsanforderungen festlegt, kann Data Stewardship die operative Pflege und Überwachung der Datenqualität unterstützen. Für wesentliche Informationen sollte zudem eine führende Quelle („Golden Source“) definiert werden, um widersprüchliche Datenstände zwischen Systemen zu reduzieren.

Ergänzend schaffen Datenqualitäts-KPIs, beispielsweise zu Vollständigkeit, Aktualität, Konsistenz und Fehlerquoten, Transparenz über die bestehende Datenbasis. Validierungsmechanismen sollten möglichst dort ansetzen, wo Daten entstehen, damit Fehler nicht erst im Reporting oder in nachgelagerten Prozessen sichtbar werden. Eine nachvollziehbare Data Lineage macht darüber hinaus Herkunft und Verarbeitung steuerungsrelevanter Informationen transparent und unterstützt deren Nachvollziehbarkeit. Die Bedeutung genauer, vollständiger und zeitnah verfügbarer Daten sowie klarer Governance-Strukturen wird auch im Kontext der regulatorischen Prinzipien zur Aggregation und zum Reporting von Risikodaten hervorgehoben.³

Wo ein Unternehmen auf diesem Weg steht, lässt sich anhand eines einfachen Reifegradmodells einordnen:

Damit wird Datenqualität von einer reaktiven Bereinigungsaufgabe zu einem kontinuierlich steuerbaren Bestandteil der Treasury-Organisation.

Mit der steigenden Bedeutung von Analytics, Automatisierung und KI rücken Datenqualität und Governance zunehmend in den Mittelpunkt strategischer Überlegungen. Hierfür benötigt es ein Zusammenspiel aus klaren Standards, definierten Verantwortlichkeiten und etablierten Qualitätsmechanismen. Ziel ist es, Transparenz über Herkunft, Verwendung und Qualität von Daten zu schaffen sowie eine konsistente Interpretation über Fachbereiche hinweg sicherzustellen.

Beim Einsatz von KI gewinnt diese Grundlage zusätzlich an Bedeutung. KI-gestützte Analysen können auf Basis unvollständiger, inkonsistenter oder veralteter Daten Ergebnisse erzeugen, die auf den ersten Blick plausibel erscheinen, deren Aussagekraft jedoch eingeschränkt ist. Datenqualität wird damit zu einer wesentlichen Voraussetzung für nachvollziehbare und vertrauenswürdige KI-Anwendungen. Das Financial Stability Institute identifiziert Datenqualität neben Datenschutz und Datensicherheit als eine zentrale Herausforderung für die breitere Nutzung fortgeschrittener KI-Systeme im Finanzsektor.¹

Auch regulatorische Entwicklungen unterstreichen die Bedeutung von Data Governance. Die europäische KI-Verordnung formuliert für bestimmte Hochrisiko-KI-Systeme konkrete Anforderungen an die Governance und Qualität der für Training, Validierung und Tests eingesetzten Datensätze. Unabhängig von der konkreten regulatorischen Einordnung eines Treasury-Use-Cases gewinnt damit die Fähigkeit an Bedeutung, Datenherkunft, Qualitätsmechanismen und Verantwortlichkeiten nachvollziehbar zu dokumentieren.⁴

Gleichzeitig müssen Governance-Strukturen so ausgestaltet sein, dass sie Innovation ermöglichen und nicht ausbremsen. Erfolgreiche Unternehmen verstehen Datenqualität daher nicht als einmaliges Bereinigungsprojekt, sondern als kontinuierliche Managementaufgabe.

Die Zukunft des Treasurys wird zunehmend durch datengetriebene Entscheidungen, intelligente Automatisierung und den Einsatz von KI geprägt. Der langfristige Erfolg dieser Entwicklungen hängt jedoch weniger von der einzelnen Technologie als von der Qualität der zugrunde liegenden Datenbasis ab.

Für Unternehmen bedeutet dies, Datenqualität frühzeitig als strategisches Handlungsfeld zu adressieren. Eine integrierte Datenarchitektur, konsistente Datenmodelle, klar definierte Datenquellen und eindeutige Verantwortlichkeiten – unter fachlicher Führung des Treasurys und im Zusammenspiel mit IT und Accounting – schaffen die Voraussetzungen, Innovationen effizient umzusetzen und nachhaltig zu skalieren.

Datenqualität entwickelt sich damit vom operativen Thema zu einem zentralen Werttreiber der Treasury-Transformation – und zu einer wesentlichen Voraussetzung dafür, das Potenzial moderner Technologien langfristig auszuschöpfen.

____________________________________________________________________________________________________________

¹ Crisanto, J. C.; Currat, A.; Ehrentraud, J.; Wu, W. (2026): In data we trust? Emerging policy and supervisory approaches to AI data use in financial services, FSI Insights No. 73, Financial Stability Institute / Bank for International Settlements, 26.03.2026. https://www.bis.org/fsi/publ/insights73.htm
² Committee on Payments and Market Infrastructures (CPMI) (2026): Harmonised ISO 20022 data requirements for enhancing cross-border payments – updated report, Bank for International Settlements, 26.02.2026. https://www.bis.org/cpmi/publ/d230.htm
³ Basel Committee on Banking Supervision (2026): Implementation of the Principles for effective risk data aggregation and risk reporting (BCBS 239 Principles), Bank for International Settlements, 06.01.2026. https://www.bis.org/publ/bcbs_nl36.htm
⁴ Europäische Union (2024): Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (KI-Verordnung), insbesondere Art. 10 „Daten und Daten-Governance“. https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689