Unsplash: Jason Briscoe

Liquiditätsforecasting mit Machine Learning

1. November 2021

Für Finanzabteilungen ist die Liquiditätsplanung eines der Hauptaufgaben und essentiell für den Unternehmenserfolg. Bisher wurden dafür riesige Excel-Listen aufgesetzt und verschiedene Szenarien auf Basis von Formeln berechnet. Doch Unternehmen wollen weitaus mehr wissen: Insbesondere im Automotive Bereich spielt Predictive Analytics eine entscheidende Rolle für den Liquiditätsforcast. Das Stichwort: Data Science.

Liquiditätsmanagement verfolgt das Ziel, Finanzierungsbedarfe frühzeitig zu erkennen und die Finanzplanung entsprechend abzustimmen. Für den Liquiditätsforcast werden alle zur Verfügung stehenden Informationen zu laufenden und zukünftigen Geschäftsvorfällen gesammelt. Dazu gehört auch, verschiedene Risikofaktoren zu identifizieren und mögliche Szenarien entsprechend einzukalkulieren. Ein gutes Beispiel dafür ist die Automobilindustrie. Denn in dieser Branche werden sehr viele Geschäftsvorfälle abgedeckt – vom Import über Verkauf, Leasing, Service und Reparatur, Gebrauchtwagen, Flotten, Parken und Mobility Services bis hin zum Export.

Die Automobilindustrie steigert Jahr für Jahr die Investitionen in Big Data & Analytics, wie zuletzt eine Studie von BearingPoint ergab. Der wirtschaftliche Nutzen liegt auf der Hand. Insbesondere im Bereich Forschung und Entwicklung sowie Qualitäts- und Gewährleistungswesen schätzen die Befragten Einsparpotenziale von über 20 Prozent. Denn Predictive Maintenance, also die vorausschauende Instandhaltung, verspricht entscheidende Vorteile für die Liquiditätsplanung. Um jedoch das volle Potenzial zu entfalten, reicht es nicht mehr aus, allein auf Excel-Tabellen zu setzen. Die Abteilungen müssen in der Lage sein, übergreifend zusammenzuarbeiten. Innovative Automobilunternehmen setzen auf eine Community aus Data Scientists und Citizen Data Scientists auf, die gemeinsam Machine Learning Projekte umsetzen. Gemeinsam mit der Controlling-Abteilungen arbeiten Data Scientists an einem Modell, das das Risikomanagement signifikant erleichtert.

Demokratisierung von Machine Learning: Die Data Community

Damit die Zusammenarbeit zwischen Data Scientists und Fachexperten ohne Data-Science-Know-how gelingt, müssen die Machine Learning Projekte demokratisiert werden. Dazu gehört der Aufbau einer Data Community: Ein interdisziplinäres Team aus beispielsweise Experten aus der IT Architektur, Business Intelligence, IT und Data Science. Sie alle müssen auf einer gemeinsamen Plattform zusammenfinden. Dafür ist es notwendig, eine kollaborative Data Science Plattform zu implementieren, die eine gemeinsame Projektzusammenarbeit zwischen Geschäftsanwendern, Data Scientists und Business Analysten ermöglicht. Kurz gesagt: Jeder, unabhängig davon, ob Wissen im Bereich Machine Learning vorhanden ist oder nicht, sollte in der Lage sein, das Tool anzuwenden.

Von der Excel-Tabelle zum automatisierten Machine Learning Modell

Hinter dem Liquiditätsforcast steht jeweils ein Prozess, der insgesamt acht Wochen in Anspruch nimmt und im Normalfall mit der Bestellung eines Autos startet. Auf Basis eingehender Rechnungen wird dann der Cash Outflow vorhergesagt. Erst nach der Auslieferung und dem Verkauf erfolgt die Vorhersage des Cash Inflow. Aus der Differenz zwischen erwartetem Outflow und Inflow ergibt sich der wöchentliche Bedarf an monetären Mitteln, der letztendlich bestimmt, ob und inwiefern weitere Mittel zur Sicherung der Liquidität eingeholt werden müssen. Um diesen Bedarf besser kalkulieren zu können, sollte das bisherige Forecasting-Modell durch ein automatisiertes Forecasting – basierend auf einem Machine Learning Modell – abgelöst werden.

Bisher bereitet die Controlling-Abteilung das Forecasting-Modell in der Regel manuell aus Excel-Daten zusammengetragen und auf Monatsbasis auf. Das nimmt jedoch sehr viel Zeit und Ressourcen in Anspruch. Zudem sind die Ergebnisse oft ungenau und Szenarien können nur schwer vorausgesagt werden. Mit einer Data Community und der richtigen kollaborativen Data Science Plattform können Vorbereitungszeiten von Forecasts von fünf auf einen Tag pro Woche reduziert werden – also um bis zu 80 Prozent. Gleichzeitig können damit die Kosten des Forecasts gesenkt und die Genauigkeit erhöht werden. Innovative Plattformen sind in der Lage, die Liquiditätsforecast-Analysen interaktiv bereitzustellen.

Automatisiertes Liquiditätsforecasting

Für das Machine Learning Projekt müssen zunächst Daten aus verschiedenen Datenquellen gesammelt werden. Dazu gehören Informationen aus dem System für Bestellabwicklung und dem Handelssystem, aber auch Daten der Hersteller bezüglich der Produktionseinplanung und Besonderheiten der Produktionsstandorte. Diese historischen Daten werden anschließend in die Plattform integriert und automatisiert aufbereitet, wobei innovative Tools in der Lage sind, das Forecasting-Modell direkt in der Software umzusetzen.

Das Modell errechnet dann den Forecast jeweils wöchentlich, zum Beispiel am Sonntagabend. Der Output des Modells wird anschließend dem Controlling über ein Dashboard direkt in der Plattform zur Verfügung gestellt – hier kann das Modell anhand menschlicher Erfahrung nochmals validiert und bei Bedarf angepasst werden. Anschließend geht das Modell in den Backtest mit echten Daten und liefert die ersten Ergebnisse. Die durchschnittlichen Fehler pro Woche werden nach und nach mittels Machine Learning reduziert. So ist es möglich die Quote auf bis zu 1 Prozent im relevanten Forecasting-Zeitraum zu verringern.

Mit der Implementierung schafft das Forecasting-Modell in der Regel bereits nach sechs Monaten nach Projektstart großen Mehrwert: Aus dem Forecasting Modell kann das Automotive-Unternehmen direkt ableiten, ob Handlungsbedarf besteht: Ist der Bedarf an Liquidität geringer als der Liquiditätspuffer, muss nichts unternommen werden – andernfalls müssen Maßnahmen ergriffen werden. Der Mehrwert des Modells liegt konkret daran, dass durch die Automatisierung ein höher frequentiertes Tracking der Liquidität erreicht werden kann. Dies ist vor allem für das Risikomanagement von Bedeutung: Unter demselben Liquiditätsrisiko wird dann nämlich weniger Working Capital benötigt. Die Summe der prognostizierten Mittelabflüsse weicht durch den automatisierten Forecast wesentlich geringer von den tatsächlichen Daten ab. Das ermöglicht neue Qualitätsstandards in der Vorhersagegenauigkeit von Liquiditäsforecasts. Neben den qualitativen Gewinnen, kann die Effizienz der Teams enorm gesteigert werden, in dem ein Großteil des Controllings automatisiert über die Plattform läuft.

Zusammenspiel aus Mensch und Modell

Der Finanzbereich kann enorm von den neuen Analysemöglichkeiten profitieren. Jedoch sind die Zahlen essentiell für den Geschäftserfolg. Darum legen Unternehmen Wert darauf, dass das Controlling die Freiheit hat, bestimmte Daten anzupassen. Das spielt insbesondere bei absolut unvorhersehbaren Fällen eine wichtige Rolle, die das Modell nur schwer wahrnehmen kann: Ein Beispiel wäre der Corona-bedingte Engpass an Elektrobauteilen, von dem der Controller aus seiner menschlichen Expertise weiß – ein Fakt, den das Modell nicht kennt. Um solchen Effekten bei Bedarf gegensteuern zu können, sollte bei der Wahl der kollaborativen Data Science Plattform darauf geachtet werden, dass die Abteilung die Möglichkeit hat, einzugreifen.

Rachel Boskovitch leitet das Zentraleuropa-Team bei der Enterprise-AI Plattform Dataiku und hilft Kunden dort bei der Einführung und Skalierung der digitalen Transformation rund um Enterprise AI.

Um einen Kommentar zu hinterlassen müssen sie Autor sein, oder mit Ihrem LinkedIn Account eingeloggt sein.

21907

share

Artikel teilen

Top Artikel

Ähnliche Artikel