close
Share with your friends

Systemgestützte Prognoseverfahren unterstützen das Corporate Treasury bei der unternehmensweiten Liquiditätsplanung

Systemgestützte Prognoseverfahren unterstützen das CT

Unternehmen können lange Zeit ohne Gewinne überleben.

Börries Többens

Partner, Audit, Finanz- und Treasury Management, Finance Advisory

KPMG AG Wirtschaftsprüfungsgesellschaft

Kontakt

Verwandte Inhalte

Liquiditätsplanung

Sie können jedoch im Extremfall innerhalb weniger Tage zahlungsunfähig werden, wenn die notwendige Liquiditätsvorsorge nicht sichergestellt ist. Viele Unternehmen haben sich schon einmal in der Situation wiedergefunden, dass das Zusammentreffen bestimmter Ereignisse in einem Liquiditätsengpass mündet. Bestes Beispiel ist zweifelsohne die Corona-Krise, welche zahlreiche Unternehmen an ihre Liquiditätsgrenze bringt. Unabhängig von der Corona-Krise ergeben aktuelle Umfragen unter Treasurern, dass die Liquiditätsplanung nach wie vor ganz oben auf der Agenda jeder Treasuryabteilung steht. Nur so kann sichergestellt werden, dass Liquiditätsschwankungen angemessen abgesichert werden und dass Zeiten knapper Liquidität sicher und kosteneffizient überwunden werden können. 

Grundsächlich kann dabei zwischen mehreren Ansätzen (direkte und indirekte Methode) und Planungsmethoden unterschieden werden. Dabei ist die Wahl der Planungsmethode abhängig von vielen Unternehmensvariablen wie Geschäftsmodell, Geschäftssteuerung, Komplexität, Verfügbarkeit der Daten und Systeme. Eine Übersicht moderner Methoden und ihrer Voraussetzungen sowie Definition der Planungsansätze kann im unserem Artikel vom Februar-Newsletter nachgeschlagen werden.

Im Folgenden konzentrieren wir uns auf die Methode des sogenannten Predictive Analytics im Cash Forecasting (PA CF), die zu den direkten Ansätzen der Liquiditätsplanung gehört.

Predictive Analytics ist eine Teildisziplin des Data Mining und verwendet historische Daten, um zukünftige Ereignisse vorherzusagen, unter anderem in den Bereichen Controlling, Vertrieb, Einkauf, Treasury/Finanzen, aber auch zum Beispiel Versicherungen, Mobilität und Marketing. Historische Daten werden verwendet, um ein mathematisches Modell zu erstellen, das wichtige Trends und Saisonalitäten erfasst und Zeitreihen in die Zukunft extrapoliert. Dieses prädiktive Modell wird dann auf aktuelle Daten angewendet, um vorherzusagen was als nächstes passieren wird. An dieser Stelle wird abgegrenzt, dass Aktionen vorgeschlagen werden, mit denen optimale Ergebnisse erreicht werden können. Dieser Vorgang wäre der nächsten Stufe zuzuordnen, dem Bereich Prescriptive Analytics.

Predictive Analytics im Cash Forecasting wendet stochastische Methoden an, um eine auf Datenanalyse basierende Vorhersage einzelner liquiditätsrelevanter Planpositionen zu generieren. Hierbei bedient man sich bei der Modellierung der additiven Regression, autoregressiven Modellen wie ARIMA oder gar neuronalen Netzen, wobei die Nachvollziehbarkeit der Prognose bei letzterem nicht mehr gegeben ist. Dabei ist erstmal irrelevant, welche Granularität die Position aufweist. Prinzipiell kann sowohl für die Cash Balance, den Total Cash Flow, Free Cash Flow, Operativen Cash Flow als auch einzelne Geschäftsvorfälle (beispielsweise Einzahlungen aus Umsätzen) ein Forecast erstellt werden. Die Komplexität und der Detailierungsgrad der modellierten Zeitreihen ist somit grundsätzlich flexibel. Zudem lässt sich die grundsätzliche Aussage treffen, dass mit höherer Granularität auch bessere Erkenntnisse über die zugrundeliegenden Geschäftsprozesse einbezogen werden können.

Vorteile von Predictive Analytics Ansätzen im Überblick

Ein klassisches Beispiel im Corporate Treasury ist, den Liquiditätsbedarf auf Tagesebene über den Zeitraum von 13 Wochen anhand von historischen Daten sowie externer und interner geschäftsrelevanter Zeitreihen zu prognostizieren.

Behilflich ist hierbei die Konzeption und Implementierung eines Predictive Analytics Frameworks, welches nachfolgend beleuchtet wird. Vorausgreifend kann gesagt werden, dass sich bei konsequenter Umsetzung, einige Vorteile für den Liquiditätsplaner ergeben, von denen einige nachfolgend hervorgehoben wollen:

  • Predictive Analytics Methoden liefern Liquiditätsmanagern Informationen, die die Effizienz der Entscheidungsfindung erheblich verbessern können, da jene auf der Grundlage zuverlässiger Informationen und qualitätsgesicherter Daten getroffen werden. Auf einen dezentralen Prozess, bei dem in der Regel die Methodik der Plandatengenerierung bei den individuellen Meldeeinheiten liegt, kann verzichtet werden.
  • Durch Einführung von Predictive Analytics kann der Prozess der Liquiditätsplanung automatisiert und idealerweise auf Knopfdruck durchgeführt werden. Dies ersetzt das manuelle Erstellen der Liquiditätsprognose, das sehr zeitintensiv ist und wiederkehrend hohen Koordinationsaufwand erfordert.
  • Die Anzahl der Anwendungsmöglichkeiten im Bereich des Liquiditätsmanagement ist praktisch unbegrenzt. Es kann eine beliebige Anzahl von Modellen sowie internen und externen erklärenden Inputparametern zwecks Prognoseoptimierung verwendet werden. Somit können beliebig komplexe Sachverhalte analysiert werden.
  • Der Prozess ist skalierbar. Skalierbarkeit ist die Fähigkeit einer Software, weiterhin zu funktionieren, wenn es in Größe oder Volumen verändert wird, um die Anforderungen eines Anwenders zu erfüllen. Auf die Predictive Analytics Ansatz angewendet bedeutet es, dass ausgehend vom aktuell benutzten Modellportfolio, eine steigende Anzahl von Zeitreihen ohne größere Anpassungen analysiert werden kann. Die Berechnungszeit pro Zeitreihe ändert sich hierbei nicht signifikant, wobei klar hervorgehoben werden muss, dass die Gesamtdauer ansteigen wird. In der Praxis können dies Veränderungen im Geschäftsmodell sein oder durch M&A-Aktivitäten Veränderungen in den Geschäftseinheiten.
  • Nachgelagerte Softwarelösungen, wie zum Beispiel BI-Reports, können die Ergebnisse in einer zielgruppengerechten, leicht lesbaren Form in hoher Detaillierung wiedergeben. Die Aggregationsstufen können hierbei frei definiert werden. Diese vermitteln jederzeit abrufbare entscheidungsrelevante Informationen in der problembezogen benötigten Granularitätsstufe sowohl an den Vorstand als auch operativ tätigen Treasurer.

Framework zur Umsetzung von Predictive Analytics

Die Anforderungen an den Einsatz und die Umsetzung des Liquiditätsforecasts im Treasury können je nach Unternehmen stark variieren. Deswegen ist es besonders wichtig, erstmals das Framework für den zukünftigen Modus Operandi als auch jedes einzelne Projekt zu erstellen. Üblicherweise werden bei der Einführung neuer Forecast-Methoden sechs Schritte durchlaufen:

Zielbilddefinition: Hierbei werden die allgemeinen Projektziele und erwartete Ergebnisse sowie deren Verwendung innerhalb der Liquiditätsplanung definiert. Neben fachlichen Anforderungen, wie zum Beispiel den Aggregationslevel der zu prognostizierenden Zeitreihe, müssen auch sogenannte non-functional Requirements (NFR) (überwiegend technische Rahmenbedingungen) definiert werden. Auch sind der Automatisierungsgrad und Anzahl der zu analysierenden Positionen für die Abschätzung des Budgets und Zeithorizontes des Projektes von Bedeutung. In diesem Schritt stellt sich auch beim ersten Projekt für viele Unternehmen oft die Frage nach der zielgerichteten Einbettung der Data Science in das Target Operating Modell.

Datenextraktion: Sämtliche Prognosemodelle müssen von internen und externen Datenquellen gespeist werden. Basierend auf den Zielen des Projektes muss ein initialer Kennzahlenkatalog, der aus den Quelldatensystemen zu extrahierenden Daten erstellt werden. Anschließend wird unter Berücksichtigung des Kennzahlenkatalogs ein Datenmodell abgeleitet und implementiert. Dabei ist es wichtig, die Anforderungen und Besonderheiten der einzelnen Quellsysteme im Auge zu behalten, um einen reibungslosen Ablauf der Datenextraktion in der Zukunft zu gewährleisten.

Datenbereinigung: Die Sicherstellung einer hinreichenden Datenqualität ist das oberste Ziel und erfahrungsgemäß auch ein sehr zeitintensiver. Grundsätzlich kann anhand einer Handvoll von KPIs, wie zum Beispiel Eindeutigkeit einzelner Einträge oder Vollständigkeit der Datensätze, die Datenqualität oft stark verbessert werden. Der große Vorteil von qualitativ hochwertigen Daten ist, dass bereits in diesen Schritt nützliche Informationen entdeckt und analysiert werden können. Als positiv zu wertendes „Abfallprodukt“ dieses Teilschrittes gilt, dass in den Quellsystemen systematisch falsch erfasste Daten erkannt und bereinigt werden. Oftmals hat das nicht zu unterschätzende positive Auswirkungen auf andere Abteilungen, wie beispielsweise Buchungsqualität.

Modellierung: Die prädiktive Modellierung bietet die Möglichkeit, automatisch Vorhersagemodelle für die Zukunft zu erstellen. Die Modellauswahl und Kalibrierung der Parameter erfolgten automatisch anhand von sogenannten Trainings. Dabei werden ausgewählte Sets von Inputparametern zur Kalibrierung des Modells verwendet. Das Ergebnis der Trainings ist die Wahl des optimalen stochastischen Modells für jede untersuchte Liquiditätsposition. Als Inputfaktoren dienen dabei neben der Historie, der zu prognostizierenden Zeitreihe zum Beispiel folgenden Parameter:

  • Qualitätsgesicherte Daten aus internen und externen Quellen
  • Strukturelle Effekte wie Saisonalitäten, Businesszyklen, Trends 
  • Identifizierte und analysierte Anomalien, signifikante Ausreißer

Das Modelluniversum ist theoretisch unbegrenzt, jedoch haben sich erfahrungsgemäß die Modellfamilien der Additiven Regression und ARIMA als solide Liquiditätsschätzer etabliert. Die Qualität des Modells wird anhand vordefinierter Fehlermetriken überprüft. Diese Metriken messen die Differenz zwischen Ist- und Zielwerten. Sie sollten zielgerichtet und fragestellungsbezogen ausgewählt werden, da nicht jede Metrik auf alle Modelle angewandt werden sollte.

Bereitstellung: Die generierten Prognoseergebnisse werden in den Liquiditätsplanungsprozess und Entscheidungsfindungsprozessen durch Business Intelligence-Instrumente (beispielsweise Dashboards) überführt. Hierbei ist zu unterscheiden, ob Entscheidungen daraufhin automatisch systemseitig ausgeführt werden oder erst durch Mitarbeiter des Corporate Treasury interpretiert und eingeleitet werden müssen. Im ersten Fall ist eine Automatisierung zwingend erforderlich, ohne jedoch die Inhärenz von menschlicher Seite auszuschließen.

Modellüberwachung und -Anpassungen: Durch die laufende Modellüberwachung soll überprüft werden, ob die Anforderungen an Modelle, die zur Berechnung der Liquiditätsforecasts verwendet werden, eingehalten werden. Darüber hinaus muss sichergestellt werden, dass Anforderungen resultierend aus Veränderungen der IT-Landschaft stets umgesetzt werden. 

Würdigung des Predictive Forecasting Methoden innerhalb hybrider Planungsansätzen

Das sechsstufige Framework für den Aufbau und Betrieb des Predictive Analytics beim Cash Forecasting bietet eine hochflexible Methodik, um Prognosen im Liquiditätsmanagement zu etablieren und im Regelbetrieb durchzuführen. Jedoch sollte es nicht zwangsläufig auf alle liquiditätsrelevanten Zeitreihen angewendet werden. Als Beispiel könnten hier volatile Investitions Cash Flows angebracht werden, die häufig besser von den einzelnen Abteilungen geschätzt und in die Liquiditätsplanung eingearbeitet werden können. 

Wie eingangs erwähnt gibt es mehrere Ansätze für die Liquiditätsplanung und Predictive Analytics ist einer davon. Neben seiner größten Stärke, komplexe Sachverhalte in einer beliebigen Detaillierung zu Modellieren, haben wir auch gesehen, dass dieser Ansatz auch Schwächen hat. Die Transparenz der Ergebnisse ist je nach Modell deutlich eingeschränkt und der verantwortliche Planer steht vor der Fragestellung, inwiefern er den Prognosemodellen vertraut. Folgerichtig favorisiert das Corporate Treasury auf dem Weg zu einer vollautomatischen Lösung zunächst einen sogenannten Hybriden Prozess der mehrere Ansätze je nach Geschäftsvorfall vereint und eine Plausibilisierung durch den Verantwortlichen Planer berücksichtigt. Im Zeitverlauf wächst folgerichtig gleichermaßen das Vertrauen und somit auch der Automatisierungsgrad der Predictive Forecasting Methode.

Quelle: KPMG Corporate Treasury News, Ausgabe 99, März 2020

KPMG Corporate Treasury News

© 2020 KPMG AG Wirtschaftsprüfungsgesellschaft, ein Mitglied des KPMG-Netzwerks unabhängiger Mitgliedsfirmen, die KPMG International Cooperative (“KPMG International”), einer juristischen Person schweizerischen Rechts, angeschlossen sind. Alle Rechte vorbehalten.

So kontaktieren Sie uns

 

Angebotsanfrage (RFP) einreichen

 

loading image Zum Angebotsformular