Liquiditätsplanung mit KI: Vorteile, Voraussetzungen & Implementierung

Liquiditätsplanung ist ein grundlegender Bestandteil der Finanzplanung von Unternehmen. Gerade angesichts des aktuellen Zinsumfeldes und der anhaltenden Sorgen über einen möglichen Wirtschaftsabschwung gewinnt das Liquiditätsmanagement weiter an Bedeutung und steht laut Umfragen wie dem EACT TReasury Survey oder dem Deloitte Global Treasury Survey zunehmend im Fokus der Finanzverantwortlichen. ine akkurate Planung hilft, fundierte Entscheidungen im Finanzmanagement zu treffen und auch in volatilen Marktlagen Liquiditätsengpässe frühzeitig zu erkennen und rechtzeitig gegenzusteuern.

Trotz ihrer strategischen Relevanz, zählt die Liquiditätsplanung meist nicht zu den bevorzugten Aufgaben der Treasurerinnen und Treasurer, da sie oft mit hohem manuellem Aufwand, komplexen Datenintegrationen und Unsicherheiten verbunden ist. Knapp 40% empfinden ihre Forecasting-Fähigkeiten als unterdurchschnittlich und entwicklungsbedürftig.

Künstliche Intelligenz kann hier Abhilfe schaffen. Durch den Einsatz von maschinellem Lernen lassen sich aufwendige manuelle Prozesse automatisieren sowie die Planungsgenauigkeit und -häufigkeit erhöhen. KI-Algorithmen können große Datenmengen in Echtzeit analysieren und liefern präzisere Cashflow-Prognosen, wodurch fundierte Entscheidungen getroffen werden können.

Dieser Artikel basiert auf einem Gespräch mit Hubert Rappold, Senior Treasury Expert bei Nomentia, und einem von ihm mitverfassten Paper zu KI in der Liquiditätsplanung. Im Folgenden gehen wir darauf ein, was genau KI-basierte Liquiditätsplanung bedeutet, welche Vorteile und Herausforderungen sie bietet, und wie die Implementierung mit einer Software funktioniert.

Zum Autor

Hubert Rappold ist Senior Treasury Expert bei Nomentia. Nach 10 Jahren als Partner bei Schwabe, Ley & Greiner gründete er TIPCO, wo er 10 Jahre Co-CEO war. Seit der Übernahme der TIPCO durch Nomentia in 2021 hat er in unterschiedlichen Rollen den Aufbau der Marke Nomentia im deutschsprachigen Raum begleitet.

Warum KI in der Liquiditätsplanung?

Sei es mithilfe von Excel-Tabellen oder durch eine Software – die Wichtigkeit einer effektiven Liquiditätsplanung, um die Zahlungsfähigkeit zu sichern und Engpässe zu vermeiden, liegt auf der Hand. Während viele Unternehmen noch manuell mit Excel-Tabellen planen, nutzen andere bereits zentralisierte Software-Lösung, die die Datenerfassung und das Reporting automatisieren. Der nächste Schritt zur Optimierung des Liquiditätsmanagements ist die Unterstützung der Liquiditätsplanung durch künstliche Intelligenz. Im Vergleich zu herkömmlichen Methoden bedeutet dies nicht nur erheblich weniger manuelle Arbeit, sondern auch eine Steigerung der Planungsgenauigkeit. Denn Algorithmen erkennen auch Trends und Muster, die von bloßem Auge nur schwer erkennbar sind. Zudem können eine Vielzahl an internen und externen Einflussfaktoren in die Liquiditätsprognose miteinbezogen werden, was manuell nahezu unmöglich ist. Dies führt zu einer höheren Planungsqualität mit gleichzeitig deutlich reduziertem Aufwand. "Sobald die KI eingerichtet ist, werden Prognosen und methodische Anpassungen automatisch auf Basis neuer Daten und historischer Analysen aktualisiert", erklärt Hubert Rappold.

Dadurch, dass die Erstellung der Liquiditätsplanungen automatisiert abläuft und somit viel weniger Zeit beansprucht, lässt sich auch die Planungsfrequenz erhöhen. Es ist jederzeit möglich, schnell eine Neuberechnung der Planung durchzuführen, wenn sich beispielsweise die Umstände leicht verändert haben oder andere Einflussfaktoren berücksichtig werden sollen.  Ein weiterer Vorteil der Automatisierung ist, dass die Berechnungen von Mal zu Mal präziser werden, je mehr Ist-Daten hinzukommen. So berichten Nomentia-Kunden bei langfristigen Planungen etwa von einer Trefferquote von knapp 95 Prozent für einen Zeithorizont von ca. 6 Monaten. 

Wie funktioniert KI in der Liquiditätsplanung?

Die Art von KI, die für die Planung von Cashflows zum Zuge kommt, fällt unter den Begriff Predictive Analytics. Dabei kommen Methoden aus dem Bereich der klassischen Statistik sowie dem Maschinellen Lernen zum Einsatz, die sich von der typischen Vorstellung einer unkontrollierbaren künstlichen Intelligenz deutlich unterscheiden. Konkret handelt es sich bei Predictive Analytics in der Liquiditätsplanung um verschiedene Algorithmen, in der Statistik auch Modelle oder Methoden genannt, die in historischen Zahlungsdaten Muster erkennen und daraus Prognosen berechnen.

In einer Software funktioniert das so: In einer ersten Testphase werden verschiedene Algorithmen auf historische Trainingsdaten angewandt. Je nach Art der Daten eignen sich nämlich bestimmte Algorithmen besser als andere. Die erstellten Prognosen werden anschließend mit den tatsächlichen Ist-Daten abgeglichen, um deren Genauigkeit zu bestimmen und die bestmögliche Methode für zukünftige Prognosen zu wählen. Auch nach der Testphase werden die Prognosen regelmäßig mit den tatsächlichen Cashflows abgeglichen, um die Genauigkeit weiter zu verbessern.

Der gesamte Prozess der KI-Planung basiert somit auf einer festgelegten Datenbasis und auf im System vorprogrammierten statistischen Modellen. Das bedeutet, dass die sensiblen Cashflow-Daten in der sicheren Umgebung der Lösung verarbeitet und nicht an externe Anbieter weitergegeben werden.

Für wen eignet sich KI in der Liquiditätsplanung?

Die Möglichkeit, maschinelles Lernen für die Liquiditätsplanung einzusetzen, hängt vor allem von der Datengrundlage ab. „Theoretisch ist eine KI-basierte Liquiditätsplanung für jedes Unternehmen möglich, solange die Datenbasis groß genug ist und zentralisiert vorliegt“, erklärt Hubert Rappold. Unternehmen, die sich bereits in der Vergangenheit um die Kategorisierung der IST-Cashflows gekümmert haben, haben es allerdings leichter.

Die Erkennung von Mustern hängt allerdings nicht nur vom Volumen der Datenmenge ab, sondern auch davon ab, wie konstant die Zahlungsströme sind. So ist das Verfahren besonders geeignet für Unternehmen im B2C-Bereich oder Tochterfirmen mit einer breiten Kundenbasis, deren Zahlungsströme nicht von großen Einzelzahlungen dominiert werden, da sich darin leichter brauchbare Muster erkennen lassen als etwa bei kleineren Tochterfirmen mit Großprojekten im B2B-Bereich. Doch auch für letztere kann das Verfahren von Vorteil sein. Auch wenn die Daten allenfalls aufmerksam geprüft und nachjustiert werden müssen und nebenher dennoch eine manuelle Planung erstellt wird, bleibt der Vorteil erhalten, dass bekannte Einflussfaktoren besser erörtert werden können und digital dokumentiert sind.

Was den Planungshorizont betrifft, eignet sich der Einsatz von KI sowohl für die gewöhnliche langfristige Planung als auch für kurzfristige Planungen. Bei der langfristigen Planung unterstützt KI bei der Mustererkennung und der Erstellung verschiedener Szenarien auf Basis externer Einflüsse und kann die Planungsgenauigkeit dabei erheblich erhöhen. Doch auch bei der kurzfristigen 13-Wochen-Planungen oder gar 14-Tagesplanung auf Basis der offenen Posten ist der Gebrauch von KI von Vorteil, da dadurch vieles an manueller Arbeit eingespart und die Planungsfrequenz erhöht werden kann. Zudem erleichtert die Möglichkeit, verschiedene Liquiditätsszenarien aufzeigen zu können, die Kommunikation mit externen Partnern wie Investoren und Banken. Die erhöhte Transparenz schafft in dieser Situation Vertrauen und kann die Unterstützung der Partner stärken.

5 Schritte zur KI-basierten Liquiditätsplanung

Um KI für effizientere, präzisere Liquiditätsplanungen zu Nutzen, sind folgende fünf Schritte nötig: 

1. Voraussetzungen überprüfen
2. Zielsetzung und Vorbestimmungen
3. Ermittlung und Bereinigung der historischen Daten
4. Kalibrierung und Validierung der Methoden und Gütemaße 
5. Übernahme in den Regelbetrieb und laufende Kontrolle

1. Voraussetzungen überprüfen

Damit KI in der Liquiditätsplanung erfolgreich eingesetzt werden kann, ist eine stabile Datenbasis aus Ist-Daten unerlässlich. „Um präzise Forecasts erstellen zu können, müssen historische Cashflow-Daten von mindestens 3-4 Jahren vorliegen, damit entsprechende Muster und Saisonalitäten erkannt werden können“, erklärt Hubert Rappold.

Die Daten müssen zudem klassifiziert und lückenfrei sein. Das heißt, aus den Daten muss ersichtlich sein, ob es sich um für die Analyse relevante operative Cashflows – wie Kundengeldeingänge und Lieferantenzahlungen – oder von der Planung auszuschließende Sondercashflows – wie Finanzierungen und Dividenden – handelt. Auch sollten die Zahlungsströme nicht zu starke Verwerfungen oder Lücken aufweisen. So ist es beispielsweise schwierig, aus fluktuierenden Cashflows nach einer Unternehmensfusion Muster für eine stabile Liquiditätsprognose zu erkennen.

Liegt die Datenbasis vor, stellt sich die Frage nach dem Know-How im Team. In vielen Treasury-Abteilungen fehlt das für ein solches Projekt notwendige Fachwissen in Statistik, Mathematik und Programmierung – insbesondere in kleinen und mittleren Unternehmen, die keine eigenen Data Scientists beschäftigen. Daher wird bei der Realisierung meist externe Beratung oder eine passende Softwarelösung benötigt. Eine spezielle Software ist zwar keine zwingende Voraussetzung, erleichtert aber den Prozess erheblich. Alternativ können einfache Eigenlösungen mit Excel und frei verfügbaren Rechenkernen genutzt werden, etwa für den Einstieg oder das Prototyping. Diese stoßen aber schnell an Grenzen, wenn es um große Datenmengen geht und die Ergebnisse sind oft nicht nachvollziehbar. Vorsicht ist auch bei Online-Plattformen geboten, die automatisierte Vorhersagen anhand hochgeladener Zeitreihen anbieten. Diese „Blackbox“-Systeme legen ihre Berechnungsmethoden nicht offen, benötigen große Datenmengen und sind zudem aus Datenschutzgründen kritisch zu betrachten.

Die einfachste und sicherste Variante bleibt deshalb die Nutzung einer im ERP oder TMS-System integrierten Lösung. Treasury Management Systeme wie Nomentia, bieten die Möglichkeit, Prognosen auf Basis verschiedener Algorithmen und historischer Daten im System zu erstellen. Die Anbieter besitzen das erforderliche Know-How und bieten oft auch die Möglichkeit eines günstigen Proof-of-Concepts an, bevor man das tatsächliche Projekt startet.

2. Zielsetzung und Vorbestimmungen

Sobald alle Voraussetzungen überprüft und die nötigen Entscheidungen getroffen sind, kann mit der Zielsetzung und Planung des Projekts begonnen werden. 

Wie bei der herkömmlichen Liquiditätsplanung müssen zunächst der unternehmensspezifische Planungsaufbau und die Planungsgrundsätze feststehen. Dies beinhaltet Fragen wie: Soll die Planung direkt oder indirekt sein? Wie oft soll die Planung gemacht werden und über einen wie langen Zeithorizont – lang-, mittel- oder kurzfristig? Gibt es externe makroökonomische Daten, die für die Planung relevant sind? Besteht die Notwendigkeit einer währungsdifferenzierten Liquiditätsplanung?  Und, wer ist für die Bereitstellung und Validierung der Daten, wer für die Qualitätssicherung verantwortlich?

 
Die erste KI spezifische Frage, die Sie sich stellen sollten, ist, welchen Umfang die Liquiditätsplanung mit KI einnehmen soll und welche Erwartungen Sie davon haben. Wollen Sie bestehende Planungen lediglich ergänzen oder vollständig ersetzen und automatisieren? Wollen Sie erst mit einer Proof-of-Concept-Phase mit nur einer Handvoll repräsentativer Konzerngesellschaft beginnen, oder gehen Sie gleich all in? Legen Sie zudem fest, welche Planungskategorien Sie miteinbeziehen wollen und welche Sie ausschließen. Regelmäßige, operative Zahlungsströme wie Debitoren und Kreditoren eignen sich besonders für die automatisierte Planung während unregelmäßige, hohe Zahlungsströme wie etwa aus Investitionen sich besser manuell planen lassen. 

Zur Planung des KI-Projekts gehört auch die Entscheidung, ob das Projekt selbst gestemmt, oder externe Unterstützung benötigt wird. Einige Unternehmen verfügen bereits über eine Abteilung für KI-Projekte, die in das Projekt eingebunden werden kann. Ist dies nicht der Fall, können externe Berater für die Datenanalyse und die Auswahl der KI-Modelle hinzugezogen oder eine Software angeschafft werden. 

Die Entscheidung über die Notwendigkeit von externer Unterstützung hat auch Auswirkungen auf die Budgetierung. Was die Planung des Budgets angeht, ist es schwierig, konkrete Zahlen zu nennen. Zu den Einflussfaktoren auf das Budget gehören etwa die Dauer der Ermittlung der Ist-Daten, der Umfang des Projekts – das heißt für wie viele Konzerngesellschaften und Planungskategorien die Planung erfolgen soll –, der Bedarf an externen Beratenden sowie die einmaligen und laufenden Kosten, die mit einer potenziellen Softwareanschaffung in Verbindung stehen.    

3. Ermittlung und Bereinigung der historischen Daten

Der wichtigste Schritt bei der KI-gestützten Liquiditätsplanung ist die Ermittlung und Bereinigung der historischen Daten, die etwa 80 Prozent des ganzen Arbeitsaufwandes ausmacht. Wird mit einem Proof-of-Concept begonnen, empfiehlt sich, mit zwei, drei repräsentativen Unternehmenseinheiten anzufangen, um anschließend eine Aussage darüber machen zu können, inwiefern sich die Ausweitung auf das gesamte Unternehmen lohnt. Wie bereits erwähnt müssen die Daten klassifiziertund lückenfrei vorliegen, um eine qualitative Planung erstellen zu können. „Dass die historischen Daten richtig klassifiziert sind, ist besonders wichtig, damit sie in die korrekte Planungskategorie eingeordnet werden können und die Ergebnisse der Planung nicht verfälschen“, so Rappold. Ideal ist aus diesem Grund, wenn die Daten mittels Belegkettenanalyse aus dem ERP-System abgeleitet werden können, da diese bereits mit den Details versehen sind, die bei der Kategorisierung der Zahlungsdaten benötigt werden. Vor allem in einer heterogenen ERP-Landschaft oder wenn mit ERP-Systemen gearbeitet wird, die die Transaktionen nicht klassifizieren, ist eine Belegkettenanalyse oft nicht möglich und es muss auf eine zweite Variante zurückgegriffen werden, bei der die Daten aus Kontoauszügen übernommen werden. Bei dieser Methode können Verwendungszwecke Aufschluss über die Kategorie des Zahlungstroms geben, doch die Detailtiefe ist im Vergleich zur Belegkettenanalyse viel beschränkter. „Bei der Ermittlung der Daten über Kontoauszüge können wir bis zu 90% der Zahlungen richtig abbilden und klassifizieren, doch der Rest muss manuell nachgetragen werden – ein sehr großer Aufwand, der sich nicht immer lohnt“, erklärt Rappold.

Nur aus zuverlässigen und richtig kategorisierten Daten lassen sich robuste Prognosen erstellen. Deshalb müssen die Daten nach der Extraktion zunächst bereinigt und analysiert werden. Dabei werden sie auf ihre Vollständigkeit sowie auf Ausreißer, das heißt hohe Cashflows, die nicht dem normalen Geschäftsverlauf entsprechen, überprüft. Bei fehlenden Daten, das heißt wenn etwa ein ganzer Monat oder eine Woche fehlen, sollten die Lücken mit Durchschnittswerten aufgefüllt werden, damit die Prognose dadurch nicht verfälscht wird. Ausreißer können anhand sogenannter Box-Plot-Modelle automatisch angezeigt und allenfalls entfernt werden.

Zu der Vorbereitung der Datengrundlage gehört auch die Ermittlung der Einflussfaktoren auf die Cashflow-Entwicklung. Dies reicht von allgemeinen, branchenübergreifenden Faktoren wie Feiertagseffekte, Saisonalität und Trends bis hin zu individuellen, unternehmensspezifischen Einflussfaktoren wie fixe Zahlungstermine, Produktionsplanung oder bekannte Ausreißer-Ereignisse. Es ist auch möglich, dass zu Beginn noch nicht viele individuelle Faktoren bekannt sind. Diese können aber je länger die Planung im Einsatz ist erkannt und nachjustiert werden, um die Planwerte mit der Zeit präziser zu machen. Auch externe Daten wie etwa Inflation, Konjunktur oder Lohnentwicklungen können in die Prognose miteingebunden werden, wenn diese für das Unternehmen relevant sind. So können beispielsweise OECD-Preis-Indizes zur Berücksichtigung von Preisschwankungen mit in die Planung fließen, sofern sich aus vorherigen Planungen eine Korrelation zwischen den Cashflow-Daten und dem Index ergibt.

4. Kalibrierung und Validierung der Modelle und Gütemaße 

Sobald eine geeignete Datenbasis und relevante Einflussfaktoren vorliegen, erfolgt die Verarbeitung automatisiert. Das System wählt passende Algorithmen basierend auf Faktoren wie Planungszeitraum, Datenmenge und der Einbeziehung externer Parameter. Je nach Konzerngesellschaft oder Planungskategorie können unterschiedliche Modelle zum Einsatz kommen und bei veränderten Geschäftsbedingungen angepasst werden.  Welche Methode die besten Ergebnisse erzielt ist von Fall zu Fall unterschiedlich. Häufig genutzte Modelle sind beispielsweise Regression, neuronale Netze und Zeitreihenanalysen.  

Für die endgültige Auswahl wird mit jedem Modell aus der Vorauswahl eine Testplanung durchgeführt. Dabei dienen mindestens zwei Jahre historischer Cashflow-Daten als Trainingsgrundlage, während die Prognosen mit den tatsächlichen Werten des dritten Jahres verglichen werden. Der Algorithmus mit den besten Ergebnissen wird für die künftige Planung genutzt.

Dieser Prozess läuft in einer Software weitgehend automatisiert ab. Manuelle Anpassungen sind zwar möglich, aber nur erforderlich, wenn außergewöhnliche Ereignisse wie eine Wirtschaftskrise oder die Pandemie die Datenlage verzerren und Fehlinterpretationen vermieden werden müssen.

Um die Qualität der Prognose zu überprüfen und sicherzustellen, kommen sogenannte Gütemaße zum Einsatz. Diese geben Auskunft über die Exaktheit der Prognose, indem sie messen, wie stark die vorhergesagten Werte von den tatsächlich eingetroffenen Daten abweicht. Auch beim Gütemaß gibt es wiederum verschiedene Berechnungsarten – das häufigste darunter das RSME, wobei die Wurzel des mittleren quadratischen Fehlers berechnet wird. Unabhängig davon, welches Gütemaß für die Auswahl der Modelle verwendet wird, ist es wichtig, die Gütemaße regelmäßig zu überprüfen. Denn anhand der Gütemaße wird auch kontinuierlich gemessen, ob die ausgewählte Methode noch immer die beste ist, oder ob aufgrund veränderter Bedingungen ein anderer Algorithmus bessere Resultate erzielen würde.

5. Übernahme in den Regelbetrieb und laufende Kontrolle

Manchmal ergibt sich während der Testphase, dass die Qualität der Daten für die Erstellung eines präzisen Forecasts noch nicht ausreicht oder der Aufwand für die Bereinigung und Nachjustierung der Daten größer ist als bei einer manuellen Planung. Wenn jedoch in der Proof-of-Concept-Phase gute Ergebnisse aus den Testdaten erzielt werden konnten, kann die KI-basierte Liquiditätsplanung auf den Rest des Betriebs ausgeweitet und in den Regelbetrieb aufgenommen werden. 
An diesem Punkt ist zu erwähnen, dass die automatische Planung die manuelle Planung nicht vollständig ablösen muss und dies auch nicht immer kann. Die Verantwortung für die Cashflows bleibt letztlich immer bei den planenden Einheiten und kann nicht durch automatisch generierte Vorhersagen ersetzt werden.  Viele Unternehmen sehen die mit KI berechneten Zahlen als Vorschlagswerte zur Unterstützung und basieren darauf die weiteren manuellen Anpassungen. Diese Entscheidung hängt auch von den verschiedenen Planungskategorien ab. So werden beispielsweise Vorhersagen über Gehälter aufgrund ihrer hohen Genauigkeit meist komplett vom System übernommen während bei Kategorien, die häufig von Ausnahmen dominiert sind, die berechneten Daten oft als Orientierungshilfen für die zusätzliche manuelle Planung dienen. Doch auch wenn für bestimmte Kategorien trotzdem weiterhin manuell eingegriffen wird, bedeutet die Unterstützung durch die generierten Forecasts eine enorme Zeiteinsparung. Zudem können – wenn der Anbieter diese Informationen anbietet – auch die Schätzergebnisse und Beobachtungen, die hinter den Plandaten stecken von großem Wert bei der Identifizierung von Prognosefehlern und der Ermittlung noch unbekannter Einflussfaktoren sein.
Hinzukommt, dass, während der erste Durchlauf noch mehr Aufmerksamkeit und manuelle Nachjustierungen verlangt, die Forecasts mit der Zeit immer präziser werden, umso mehr Ist-Daten dazukommen. Denn die Algorithmen sind so programmiert, dass die erstellten Prognosen jeweils automatisch mit den tatsächlich eingetroffenen Ist-Daten abgestimmt werden, was zu einer kontinuierlichen Verbesserung führt.

Häufig gestellte Fragen zu KI in der Liquiditätsplanung 

Liquiditätsplanung mit Nomentia AI Cash Flow Forecasting

Ob zur vollständigen Automatisierung oder zur Unterstützung manueller Planungen – der Einsatz von Predictive Analytics bringt Ihre Liquiditätsplanung auf das nächste Level. Einmal eingerichtet, optimieren KI-gestützte Methoden das Liquiditätsmanagement durch präzisere Forecasts, tie

Mit Nomentia  erhalten Sie umfassende Unterstützung durch unsere spezialisierten Data Scientists – von der ersten Analyse bis zur laufenden Optimierung. Wir begleiten Sie durch alle Phasen: vom unverbindlichen Proof-of-Concept über die Datenanalyse und -bereinigung bis zur Kalibrierung, Validierung und Generierung des ersten automatischen Forecasts. Auch nach der Implementierung stehen wir Ihnen für die kontinuierliche Verbesserung zur Seite.