Ihr Finanzteam ist Tabellenkalkulationen längst entwachsen. Cashflow-Prognosen kosten Stunden, geraten durcheinander, sobald jemand die falsche Zelle bearbeitet, und liegen am Ende trotzdem zweistellig daneben. Sie wissen, dass Sie eine automatisierte Plattform für die Cashflow-Prognose brauchen, doch der Markt ist überfüllt und unübersichtlich.
Die eigentliche Frage lautet nicht „Sollen wir automatisieren?“, sondern welcher Typ Plattform zu Ihrem Finanzbetrieb passt. Treasury-Management-Systeme, eigenständige Prognosetools, ERP-eigene Module und debitorenorientierte Plattformen versprechen alle, die Cashflow-Prognose zu lösen. Tatsächlich lösen sie aber unterschiedliche Probleme.
Dieser Leitfaden ordnet die beiden Hauptansätze, führt Sie durch die Kriterien, die wirklich zählen, und zeigt, wo KI die Gleichung verändert.
Eine Plattform für die automatisierte Cashflow-Prognose ist eine Software, die Finanzdaten aus verschiedenen Quellen zusammenführt (Bankkonten, ERP-Systeme, Debitoren- und Kreditorenbuchhaltung), mit statistischen oder KI-gestützten Modellen künftige Liquiditätsstände vorhersagt und die Ergebnisse in Dashboards samt Szenarioanalyse aufbereitet. Sie soll den manuellen Weg ablösen, bei dem Sie Daten nach Excel übertragen, Formeln bauen und darauf hoffen, dass Ihre Annahmen tragen.
Kurz gesagt: schlechte Eingangsdaten. Im AFP Treasury Survey 2025 nennen 59 % der Treasury-Teams Datenqualität und -verfügbarkeit als größte Hürde für treffsichere Prognosen, weit vor technischen Grenzen (18 %) oder Prozessproblemen (23 %).
So sieht das in der Praxis aus: Ihr ERP-System führt eine Rechnung noch als offen. Dabei hat der Kunde bereits vor drei Tagen per E-Mail ein Zahlungsavis gesendet. Verarbeitet hat es noch niemand. Ihre Prognose führt diese Rechnung weiter als unbezahlt. Dann geht das Geld ein und die Prognose lag daneben, nicht weil das Modell versagt hätte, sondern weil die Eingangsdaten veraltet waren.
Genau hier liegt das strukturelle Problem der meisten Prognosetools. Sie ziehen ihre Daten aus ERP-Systemen und Kontoauszügen, und beide hinken der Entwicklung hinterher. Das Zahlungsavis im Posteingang, der noch nicht zugeordnete Abzug, die Zahlungszusage aus dem letzten Mahnanruf: All das taucht erst dann im ERP-System auf, wenn ein Mensch es verarbeitet. Und Ihre Prognose ist immer nur so gut wie die Daten, die sie speisen.
Untersuchungen von McKinsey zeigen: Machine Learning Modelle können die Genauigkeit kurzfristiger Cashflow-Prognosen um 30-50 % steigern. Vorausgesetzt, die Daten sind sauber und aktuell. Die Technik funktioniert, der Engpass sitzt weiter vorne im Prozess.
Treasury-Management-Systeme (TMS) wie Kyriba, GTreasury und Trovata betrachten die Cashflow-Prognose von der Bankenseite. Sie binden Ihre Banken an, führen Salden über Gesellschaften und Währungen hinweg zusammen und prognostizieren anhand historischer Zahlungsmuster.
Geht es Ihnen vor allem um Bankanbindung, Cash Pooling oder Zahlungsautomatisierung, ist ein TMS das richtige Werkzeug. Aber wenn die Genauigkeit der Debitoren-Cashflow-Prognose Ihr Problem ist, behandelt ein TMS nur das Symptom (die schlechte Prognose), ohne an die Ursache (unverarbeitete Debitorendaten) heranzugehen.
Debitorenzentrierte Plattformen setzen an den Quelldaten an: Rechnungen, Zahlungsavise, Mahnaktivitäten, Abzugsstreitfälle und Zahlungszusagen. Sie verarbeiten diese Daten zuerst und prognostizieren erst danach.
Der entscheidende Unterschied: Eine Treasury-Plattform sagt Ihnen, was passiert ist. Eine debitorenzentrierte Plattform sagt Ihnen, was gleich passiert, weil sie die vorgelagerten Aktivitäten in Echtzeit beobachtet.
KI verbessert die Prognose auf drei klar unterscheidbaren Ebenen, und die meisten Plattformen liefern nur die erste.
Ebene 1: Statistische Mustererkennung. Machine-Learning-Modelle analysieren historische Zahlungsdaten (wer wann, wie viel und wie spät gezahlt hat), um künftiges Verhalten vorherzusagen. Das ist Standard. Jedes moderne Prognosewerkzeug beherrscht das. Kurzfristige Genauigkeit: 92-97 % bei sauberen Daten, gemäß Produktions-Benchmarks über mehrere Plattformen hinweg.
Ebene 2: Prognose auf Rechnungsebene. Statt aggregierte Zahlungseingänge zu prognostizieren, sagt das System Zeitpunkt und Betrag für jede einzelne Rechnung voraus. Dafür muss es eingehende Zahlungen offenen Rechnungen zuordnen, Mahnaktivitäten nachverfolgen und Kundenreaktionen erfassen. So entsteht die Prognose als Bottom-up-Summe einzelner Vorhersagen statt als statistische Top-down-Schätzung.
Ebene 3: Institutionelles Gedächtnis. Das System merkt sich, dass Kunde X im vierten Quartal immer 5 Tage zu spät zahlt. Dass Händler Y Rechnungen ab einem bestimmten Schwellenwert bestreitet. Dass bei einem Schlüsselkunden der Ansprechpartner in der Kreditorenbuchhaltung letzten Monat gewechselt hat und die Zahlungen seither langsamer eingehen. Dieses kontextbezogene Wissen verbessert die Prognosegenauigkeit im Laufe der Zeit. Zugleich ist es die Ebene, die die Zahlungsprognose mittels Machine Learning allein nicht leisten kann; sie setzt ein dauerhaftes Gedächtnis über alle Transaktionen hinweg voraus.
Die meisten Plattformen bleiben auf Ebene 1 stehen. Einige wenige erreichen Ebene 2. Transformances CashPulse erreicht Ebene 3, indem es Prognosen aus den Live-Daten von ClearMatch (Zahlungszuordnung), CollectPulse (Forderungsmanagement) und ClaimIQ (Abzüge) erstellt. Die Prognose weiß, welche Rechnungen abgeglichen wurden, welche strittig sind und für welche Vero, der KI-Agent der Plattform, ein Zahlungszusage-Datum erfasst hat.
Nicht alle Plattformen zur automatisierten Cashflow-Prognose sind gleich gebaut. Diese fünf Kriterien trennen Werkzeuge, die brauchbare Prognosen liefern, von solchen, die teure Ratespiele produzieren.
Die meisten Prognose-Tools behandeln Debitorendaten als einen Input, den sie erhalten. Transformance verarbeitet die Debitorendaten, bevor sie in die Prognose einfließen. Genau das ist der strukturelle Unterschied.
CashPulse, das Prognosemodul, bündelt Zahlungsprognosen aus drei vorgelagerten Produkten:
Das Ergebnis: ein Cash-Control-Tower-Dashboard, das Ihnen den Anfangsbestand der Liquidität, den erwarteten Zufluss der kommenden 30 Tage, die gefährdete Liquidität und den prognostizierten DSO anzeigt, aufgeschlüsselt nach Gesellschaft, Währung und Liquiditätskategorie. Dazu drei Szenariolinien (Best Case, erwartet, risikobereinigt) für Zeithorizonte von 7 Tagen bis 9 Monaten.
Der komplette Rollout dauert 4 bis 8 Wochen. Erste Zahlungen ordnen Sie bereits innerhalb weniger Tage zu. Sie müssen keine Vorlagen trainieren und keinen eigenen Administrator abstellen.
Für Unternehmen, die SAP, Oracle oder NetSuite einsetzen und mit unsauberen vorgelagerten Zahlungsdaten in unterschiedlichen Formaten und Sprachen kämpfen, führt dies am schnellsten von Prognosen aus der Tabellenkalkulation zu einer präzisen, debitorengestützten Cashflow-Prognose.
| Dimension | Treasury-First (TMS) | AR-First (Transformance CashPulse) |
|---|---|---|
| Datenquelle | Bankguthaben + ERP-Momentaufnahmen | Aufbereitete Debitorendaten (zugeordnete Zahlungen, Mahnaktivitäten, Streitfälle) |
| Prognosegranularität | Aggregierte Liquiditätskategorien je Gesellschaft | Prognosen auf Rechnungsebene, verdichtet zu Ansichten je Gesellschaft und Währung |
| Vorgelagerte Verarbeitung | Keine; hängt von der Qualität der ERP-Daten ab | Zahlungszuordnung, Forderungsmanagement und Abzüge laufen integriert in einem Prozess |
| Bankanbindung | Stark (SWIFT, APIs, Host-to-Host) | Verarbeitet Kontoauszüge in MT940, CAMT.053 und BAI2; ersetzt aber kein vollständiges TMS |
| Szenarioanalyse | Parameterbasierte Was-wäre-wenn-Analyse | Simulation, die direkt an konkrete Debitorenaktivitäten anknüpft |
| Implementierung | typischerweise 3-6 Monate | 4 bis 8 Wochen, erste Daten schon nach wenigen Tagen |
| Ideal für | Treasury-Teams, die Liquidität, Bankbeziehungen und Cash-Pooling steuern | Finanzteams, in denen das Forderungsmanagement über die Liquiditätsschwankungen entscheidet |
Kein Ansatz ist grundsätzlich überlegen. Brauchen Sie ein vollständiges Treasury-Management mit Payment Factories, Cash Pooling und Währungsabsicherung, dann setzen Sie auf ein TMS und verbessern Sie die Debitorendaten, die es speisen. Beginnen Ihre Probleme mit der Prognosegenauigkeit dagegen schon bei nicht verarbeiteten Zahlungsavis, ungeklärten Abzügen und einer lückenhaften Abdeckung im Forderungsmanagement, dann bringen Sie zuerst die vorgelagerten Prozesse in Ordnung.
Für viele Unternehmen lautet die richtige Antwort: beides. Eine KI-Plattform für das Forderungsmanagement wie Transformance verarbeitet die Daten, und ein TMS nutzt die saubereren Ergebnisse weiter.
Das hängt davon ab, ob Ihre größte Herausforderung im bankseitigen Liquiditätsmanagement liegt oder darin, dass Ihre Zahlungseingänge forderungsbedingt schwanken. Für treasurylastige Anforderungen bewältigen etablierte TMS-Plattformen wie Kyriba die Bankanbindung und das Cash-Pooling zuverlässig. Leidet Ihre Prognosegenauigkeit dagegen unter unverarbeiteten Debitorendaten (Zahlungsavise, Abzüge, Forderungsmanagement), prognostiziert CashPulse von Transformance den Netto-Cashflow aus Ihren echten Debitoren- und Kreditorendaten. Dazu nutzt die Plattform granulare Modelle über mehrere Zeithorizonte, samt Konfidenzbereichen und einer Genauigkeit, die bis 90 Tage bei 90 bis 95 % bleibt.
KI steigert die Genauigkeit, indem sie historische Zahlungsmuster analysiert und daraus das künftige Verhalten auf Rechnungsebene vorhersagt. Laut McKinsey verbessern ML-Modelle die Genauigkeit kurzfristiger Prognosen um 30 bis 50 %. Den größten Zugewinn erzielt KI, wenn sie die vorgelagerten Debitorendaten verarbeitet (Zahlungen abgleicht, Mahnaktivitäten nachverfolgt, Abzüge klassifiziert), statt lediglich aggregierte historische Muster zu modellieren.
Eine Zahlungsprognose auf Rechnungsebene sagt für jede einzelne Rechnung voraus, wann und in welcher Höhe sie bezahlt wird, statt die aggregierten Zahlungseingänge aus statistischen Durchschnittswerten zu schätzen. Dieser Bottom-up-Ansatz liefert genauere Prognosen, weil er das kundenspezifische Zahlungsverhalten, aktive Streitfälle und jüngste Interaktionen im Forderungsmanagement berücksichtigt.
Die Treasury-Umfrage 2025 der AFP ergab, dass 59 % der Treasury-Teams die Datenqualität für ungenaue Prognosen verantwortlich machen, nicht die Technologie. Die Ursache liegt meist in einer Verzögerung: Zwischen einem realen Ereignis (ein Kunde schickt ein Zahlungsavis, ein Abzug wird eingereicht) und dem Zeitpunkt, an dem diese Information im ERP-System erscheint, vergeht Zeit. Wer auf Basis veralteter Daten prognostiziert, erhält veraltete Vorhersagen.
Die Zeitrahmen für die Einführung unterscheiden sich erheblich. ERP-native Module (wie der SAP Cash Flow Analyzer) brauchen mitunter 18 bis 24 Monate, bis sie einen Nutzen liefern. Cloud-native TMS-Plattformen sind meist in 3 bis 6 Monaten einsatzbereit. Debitorenzentrierte Plattformen wie Transformance gehen in 4 bis 8 Wochen live, mit ersten zugeordneten Zahlungen schon nach wenigen Tagen, weil sie keine Anpassung des ERP-Systems erfordern.
Speziell für die Cashflow-Prognose sind die wichtigsten Alternativen Kyriba und GTreasury (treasuryzentriert), Trovata (Aggregation von Bankdaten) sowie Transformance CashPulse (debitorenzentrierte Prognose auf Basis verarbeiteter Zahlungs-, Mahn- und Abzugsdaten). Die richtige Wahl hängt davon ab, ob Ihr Genauigkeitsproblem auf der Bankseite oder auf der Debitorenseite liegt.
Ja. Moderne Plattformen ermöglichen Szenariomodellierung auf jeder Aggregationsebene: einzelner Kunde, Kundensegment, Region, Gesellschaft oder Portfolio. Treasury-Teams können fragen, was mit dem Cashflow des nächsten Monats passiert, wenn die 20 größten überfälligen Konten zehn Tage später zahlen, oder was geschieht, wenn der größte EU-Kunde auf Kreditsperre gesetzt wird. Die Auswirkung auf die Netto-Cashflow-Prognose sehen sie sofort. Auf Buckets basierende Altsysteme erzwingen Szenarien nur auf Portfolioebene, was für echte Entscheidungen im Working Capital zu grob ist. Über Szenarien auf Kundenebene verknüpft das Treasury die Prognoseergebnisse mit konkreten Maßnahmen im Forderungsmanagement, mit Kreditentscheidungen und Liquiditätsplänen statt mit abstrakten Parameter-Schiebereglern.
Debitorenprognosen fließen in die Treasury-Prognosen ein, nicht umgekehrt. Treasury-Cashflow-Prognosen erfassen alle Ströme (Debitoren, Kreditoren, Finanzierung, konzerninterne Verrechnung), während die Debitorenebene die Einzahlungsseite mit Genauigkeit auf Rechnungsebene vorhersagt. Der Abgleich funktioniert am besten, wenn die Debitorenprognose als Einzahlungskomponente direkt in die Treasury-Prognose einfließt und Kreditoren
Ungenaue Cashflow-Prognosen entstehen an der Quelle. Wenn Ihre Zahlungsavise unbearbeitet liegen bleiben, Abzüge ungeklärt sind und Ihr Forderungsmanagement Lücken hat, rettet Sie auch kein Prognosealgorithmus. Bringen Sie die Daten in Ordnung, dann bringt sich die Prognose von selbst in Ordnung.
Transformance CashPulse prognostiziert Ihren Netto-Cashflow aus echten Debitoren
