Thought Leadership
Wann bezahlt der Kunde seine Rechnung? Diese Frage beschäftigt die Controlling-Abteilung vieler Unternehmen. Intelligente Datenauswertungen mit Hilfe Künstlicher Intelligenz bieten hierbei wichtige Antworten.
Unternehmen benötigen Planungssicherheit im Rechnungswesen. Dabei muss sichergestellt sein, dass immer genügend Liquidität vorhanden ist. Andererseits sollen angesichts der anhaltenden Zinsflaute aber auch keine unnötig hohen Geldbeträge auf dem Konto liegenbleiben. Was hilft, ist ein guter Cash-Forecast.
Doch wie lässt sich die Differenz zwischen den erwarteten und realen Einnahmen so gering wie möglich halten? Mit künstlicher Intelligenz: Machine Learning ermöglicht belastbare Aussagen für die Zukunft auf der Grundlage historischer Daten. Experten nennen diese Form des maschinellen Lernens „Predictive Analytics“.
Mittelstand profitiert von Predictive Analytics
Wie Unternehmen ihr Cash-Management nachhaltig verbessern können, zeigt ein aktueller Use Case von Blanc & Fischer IT Services für eine mittelständische Industriefirma. In Anlehnung an den bewährten Cross-Industry Standard Process for Data Mining (CRISP-DM) haben die IT-Experten aus Oberderdingen bei Karlsruhe verschiedene Time-to-Event- und Regressionsmodelle entwickelt.
Dabei war besonders das Cloud Pak for Data aus dem Hause IBM eine wertvolle Hilfe. „Viele Mittelständler haben weder das Know-how, noch das Geld für ein Predictive-Analytics-Projekt“, berichtet Projektleiter Kevin Jilg. Trotzdem können diese Firmen von KI-gestützten Datenanalysen profitieren.“
Bild: CRISP-DM: das branchenübergreifende Modell kommt bei Predictive Analytics zum Einsatz.
Cash-Forecast mit Predictive Analytics
Für den Cash-Forecast sind drei zentrale Bereiche entscheidend:
Datenverständnis und -aufbereitung: Für Rechnungen gelten in Deutschland sehr lange Aufbewahrungsfristen. Viele Firmen speichern die Belege in einem ERP-System. Die entsprechenden Basisdaten liegen also vor. Komplizierter wird es bei der Einbindung von Kunden, die beispielsweise besondere Zahlungsbedingungen haben. Als Zielvariable für die Datenaufbereitung gilt die Dauer zwischen dem jeweiligen Basisdatum und dem Tag des Geldeingangs. Ein wichtiges Merkmal kann die Zahl der offenen Rechnungen pro Kunde sein, aber auch Vereinbarungen über Skonto oder Zahlungsziele.
Modellierung und Auswertung: Hier steht das erwartete Zahlungseingangsdatum für jede offene Forderung im Fokus. Unternehmen, die sich für das Zahlungsverhalten einzelner Kunden interessieren, können diese Werte mit einer separaten Datenanalyse modellieren lassen. Für die meisten Rechnungen waren die Prognosen mit Abweichungen von weniger als drei Tagen ziemlich genau.
Bereitstellung und Betrieb: Für die Cash-Prognosen wurden die bisherigen Annahmen des Netto-Fälligkeitsdatums durch die prognostizierten Daten ersetzt. In welchen Abständen müssen die Modelle neu trainiert werden, wie wird ihre Leistung überwacht, und wie erfolgt die Benachrichtigung, wenn etwas nicht läuft? Diese Fragen lassen sich problemlos mit einer intelligenten Softwarelösung wie dem IBM Cloud Pak for Data beantworten.
Ideal für die ersten Schritte
Wo im Normalfall ein komplexer Software-Stack nötig wäre, bietet IBM eine Vielzahl optimal aufeinander abgestimmter Komponenten – verknüpft mit einem Ökosystem für jede Cloud-Umgebung. Außerdem ist das vorkonfigurierte Paket für Aufbau, Integration, Ausführung und Management containerisierter Anwendungen leicht skalierbar. „Für die ersten Schritte mit Predictive Analytics ist das Cloud Pak for Data ideal, weil es auf Red Hat OpenShift und Open-Source-Technologie setzt“, betont Jilg. „Dadurch lassen sich Funktionalitäten jederzeit zuschalten, was die Prozesse enorm beschleunigt.“
Datenanalysen mit künstlicher Intelligenz sind aber keineswegs nur für das Cash-Management interessant, sondern auch für viele weitere Bereiche wie die Vorhersage von Energiebedarfskurven oder Maschinenreparaturen in der Industrie. KMU, die im digitalen Wettbewerb erhebliche Effizienzgewinne und Wettbewerbsvorteile erzielen wollen, kommen an Predictive Analytics kaum mehr vorbei.
