Cashflow-Prognose aus Debitoren: Methoden, KI und Best Practices

Kernaussagen

• Die AR-Cashflow-Prognose sagt voraus, wann Kunden tatsächlich zahlen, nicht nur, wann Rechnungen fällig werden. Zwischen beiden liegen pro Kunde oft mehr als 10 bis 15 Tage.
• Laut Gartner (2025) zählen 51 % der CFOs eine höhere Prognosegenauigkeit zu ihren fünf wichtigsten Prioritäten für 2026.
• KI-basierte AR-Prognosemodelle treffen auf einen 30-Tage-Horizont zu 85 bis 95 % zu, tabellenbasierte Bucket-Methoden dagegen nur zu 60 bis 70 %.
• Eine Studie von Billtrust und Wakefield Research aus dem Jahr 2025 zeigt: 99 % der Unternehmen, die KI in der Debitorenbuchhaltung einsetzen, senkten ihren DSO, und 75 % erzielten eine Reduzierung um sechs Tage oder mehr.
• Am genauesten prognostiziert man je Rechnung, nicht über Durchschnittswerte je Kategorie. Je feiner die Daten, desto besser die Aggregation.

In diesem Artikel

• Kernaussagen
• Was ist AR Cash Forecasting?
• Warum sind die meisten Cashflow-Prognosen ungenau?
• Wie funktioniert eine AR-Cashflow-Prognose?
• AR-Cashflow-Prognose vs. herkömmliche Ansätze
• Wie verbessert KI die Genauigkeit der Cashflow-Prognose?
• 5 zentrale Kriterien zur Bewertung einer Lösung für die Cashflow-Prognose im Forderungsmanagement
• So erstellen Sie eine präzise rollierende 13-Wochen-Liquiditätsplanung
• Erste Schritte mit der AR-Cashflow-Prognose
• Häufig gestellte Fragen

Was ist AR Cash Forecasting?

AR Cash Forecasting sagt künftige Zahlungseingänge systematisch voraus. Grundlage sind Daten aus der Debitorenbuchhaltung: offene Rechnungen, das bisherige Zahlungsverhalten Ihrer Kunden, Fälligkeitsstrukturen, der Status von Streitfällen und Verhaltensmuster. Es geht nicht darum, vorherzusagen, was Kunden schulden, sondern wann sie tatsächlich zahlen.

Fälligkeitsdaten sind keine Zahlungsdaten. Nehmen Sie eine Rechnung mit Zahlungsziel 30 Tage von einem Kunden, der regelmäßig erst am 44. Tag zahlt. Sie geht zwei Wochen später ein, als Ihr ERP-System vermuten lässt. Rechnen Sie das über Hunderte von Kunden und Tausende von Rechnungen hoch, dann summiert sich der Fehler einer klassischen Prognose zu einem erheblichen Betrag.

Warum sind die meisten Cashflow-Prognosen ungenau?

Dass Cashflow-Prognosen so oft danebenliegen, hat strukturelle Gründe und ist kein Zufall.

Nach Daten, die PYMNTS zitiert, erstellen 72 % der Finanzverantwortlichen ihre Cashflow-Prognose noch immer von Hand. Am gängigsten läuft es so: Man exportiert eine OP-Liste der Debitoren, unterstellt je Fälligkeitsklasse (0-30 Tage, 31-60 Tage, 61-90 Tage) eine prozentuale Eingangsquote und verkauft das Ergebnis als Prognose.

Diese Methode krankt an drei Problemen, die sich gegenseitig verstärken.

• ‍Die Eingangsdaten sind veraltet. ERP-Momentaufnahmen zeigen, was gebucht wurde, nicht das, was gerade in Arbeit ist. Nicht zugeordnete Zahlungsavise, offene Streitfälle und laufende Anpassungen im Forderungseinzug tauchen erst auf, wenn sie jemand manuell verarbeitet. Bis die Prognose steht, können die zugrunde liegenden Daten schon mehrere Tage alt sein.
• ‍Die Annahmen sind Durchschnittswerte. Eine Eingangsquote von 90 % für die Klasse 0-30 sagt nichts darüber aus, welche Rechnungen bezahlt werden, von wem und wann. Sie behandelt einen zuverlässigen Kunden mit einer einwandfreien Rechnung genauso wie einen langsamen Zahler mit einer strittigen Rechnung. Im Durchschnitt heben sich die individuellen Signale gegenseitig auf.
• ‍Das Modell lernt nicht dazu. Wenn Kunde X seit drei Jahren jedes Quartal zu spät zahlt, kann ein klassenbasiertes Modell das nicht abbilden. Jeder Prognosezyklus fängt bei null an und ignoriert das Erfahrungswissen, das Ihr Debitorenteam angesammelt hat.

Die Folgen wiegen schwer. Studien zeigen: 87 % der Finanzverantwortlichen halten ihre Prognosen schon für veraltet, bevor sie diese überhaupt vorstellen. Und 40 % der CFOs sagen, dass sie der Genauigkeit ihrer eigenen Daten nicht trauen. Das liegt nicht an den Menschen, sondern an der Methode. Lesen Sie unseren vollständigen Artikel „Warum sind die meisten Cashflow-Prognosen ungenau?“ HIER.

Wie funktioniert eine AR-Cashflow-Prognose?

Ein sauber aufgesetzter Prozess für die AR-Cashflow-Prognose besteht aus drei Ebenen: Sie erfassen Daten, prognostizieren Zahlungen und aggregieren die Prognose. In unserer interaktiven Demo sehen Sie, wie das funktioniert:

Ebene 1: Datenerfassung

Die Grundlage bilden transaktionale Debitorendaten aus dem ERP-System: offene Rechnungen, Zahlungsbedingungen, historische Ausgleichsdaten, Streitfallprotokolle, Kundenstammdaten und Ausgleichsdaten aus Kontoauszügen. Ein Machine-Learning-Modell braucht in der Praxis mindestens zwei Jahre Zahlungshistorie. Drei bis vier Jahre helfen dem Modell, saisonale Muster besser zu erkennen.

Die Datenqualität bestimmt, wie genau die Prognose überhaupt werden kann. Sind die Debitorendaten unvollständig, weil bei manueller Zahlungszuordnung 15 % der Zahlungen tagelang ungeklärt bleiben, lernt das Modell aus einem verzerrten Signal. Deshalb fließt eine korrekte, zeitnahe Zahlungszuordnung direkt in die Prognosequalität ein: Verarbeiten und gleichen Sie Zahlungen nahezu in Echtzeit aus, bildet das offene Debitorenbuch die Realität ab. Tun Sie das nicht, bildet die Prognose sie ebenfalls nicht ab.

Ebene 2: Zahlungsvorhersage

Hier unterscheidet sich die AR-Cashflow-Prognose von der klassischen Treasury-Prognose.

Statt Einzugsquoten auf Klassenebene anzuwenden, ordnet ein Machine-Learning-Modell jeder offenen Rechnung ein vorhergesagtes Zahlungsdatum und eine Zahlungswahrscheinlichkeit zu. Diese Vorhersagen leitet das Modell aus Merkmalen ab, die es aus historischen Daten gewinnt: kundenspezifische Zahlungsmuster, bevorzugte Wochentage, Verteilungen der Rechnungsbeträge, Häufigkeit von Streitfällen, Ausschöpfung der Zahlungsziele und saisonales Verhalten. Produktivsysteme leiten aus transaktionalen Rohdaten typischerweise 100 oder mehr Merkmale ab und filtern dann die zehn bis 25 aussagekräftigsten Signale pro Kundensegment heraus.

Für die Zahlungsvorhersage im Debitorenbereich eignen sich je nach Portfoliogröße und Datenlage drei Modellarchitekturen:

1. Gradient-Boosting-Modelle (XGBoost, LightGBM): Sie lassen sich schnell trainieren und neu trainieren, kommen ohne spezielle Vorverarbeitung mit fehlenden Daten zurecht und arbeiten zuverlässig mit tabellarischen Debitorendaten. Der Standardeinstieg für die meisten Portfolios.
2. Sequenzielle neuronale Netze (LSTM, GRU): Sie erkennen nichtlineare zeitliche Muster, die Gradient-Boosting-Modelle übersehen, etwa ein allmähliches Abdriften des Zahlungsverhaltens oder eine quartalsweise Verschlechterung. Ideal für große Portfolios, in denen sich das Kundenverhalten im Zeitverlauf verändert.
3. Temporal Fusion Transformer (TFT): Aufbauend auf der Forschung von Lim et al. (2021) verarbeitet der TFT statische Eingaben (Kundensegment, Region), historische Eingaben (bisherige Zahlungsverzögerungen, Streitfallquoten) und bekannte zukünftige Eingaben (Fälligkeitstermine, Aktionskalender) gleichzeitig. Er liefert Quantil-Prognosen (P10, P50, P90), die sich ohne zusätzliche Modellierung direkt auf Best-Case-, Erwartungs- und risikoadjustierte Szenarien abbilden lassen. Besonders wertvoll für Unternehmen in der Agrochemie, der Konsumgüterbranche oder saisonalen Branchen, in denen mehrere externe Faktoren den Zahlungszeitpunkt bestimmen.

Die meisten Produktivsysteme bewerten mehrere Modelltypen pro Kundensegment oder Region und wählen automatisch das leistungsstärkste aus, statt eine Architektur pauschal überall einzusetzen. Einen stabilen europäischen Markt bildet man womöglich am besten mit einem schlanken Gradient-Boosting-Modell ab. Ein volatiler Schwellenmarkt mit währungsgetriebener Zahlungsdynamik profitiert eher von einem TFT, der Wechselkursdaten einbezieht.

Ebene 3: Aggregation der Prognose

Die Vorhersagen je Rechnung fließen in einer definierten Reihenfolge in die Cashflow-Prognose ein:

• Erwarteter Zahlungseingang: Summe aus (Rechnungsbetrag × Zahlungswahrscheinlichkeit), gruppiert nach vorhergesagter Zahlungswoche
• Best Case: Alle Rechnungen werden spätestens am Fälligkeitstermin und in voller Höhe bezahlt
• Risikoadjustiert: Erwarteter Zahlungseingang abzüglich einer Funktion der Vorhersagevarianz, die die Unsicherheit nach unten abbildet

Die Auszahlungen aus der Kreditorenbuchhaltung behandeln Sie separat. Die meisten Kreditorenkategorien (Löhne und Gehälter, Steuern, vertraglich vereinbarte Lieferantenzahlungen) sind deterministisch und lassen sich aus Zahlungsplänen prognostizieren. Für variable Kreditorenpositionen (produktionsgebundene Beschaffung) kommen unter Umständen einfachere Trendmodelle zum Einsatz. Der Netto-Liquiditätsstatus ergibt sich aus der Differenz zwischen Debitoren-Zuflüssen und Kreditoren-Abflüssen und lässt sich nach Rechtseinheit, Region und Währung filtern.

AR-Cashflow-Prognose vs. herkömmliche Ansätze

Die praktischen Unterschiede zwischen herkömmlicher und KI-gestützter AR-Prognose sind in jeder operativen Hinsicht erheblich:

Wie McKinsey herausgefunden hat, verbessern rollierende Prognosen die finanzielle Performance gegenüber statischen Jahresbudgets im Schnitt um 20 bis 30 %. Die KI-gestützte AR-Prognose denkt den Rolling Forecast noch weiter: Sie macht nicht nur den Zeithorizont dynamisch, sondern auch die zugrunde liegenden Zahlungsprognosen selbst.

Wo genau die Cashflow-Prognose in den Order-to-Cash-Prozess gehört, erfahren Sie ausführlicher in Was ist Order-to-Cash? 10 KI-Anwendungsfälle. Dort betrachten wir den gesamten Prozessablauf im Detail.

Wie verbessert KI die Genauigkeit der Cashflow-Prognose?

KI verbessert die Genauigkeit der Cashflow-Prognose in der Debitorenbuchhaltung über drei Mechanismen, die manuelle Methoden nicht nachbilden können.

‍

• ‍Prognose auf Einzelpostenebene. Statt zu fragen „Welcher Prozentsatz der Rechnungen mit 31 bis 60 Tagen Fälligkeit wird diesen Monat üblicherweise ausgeglichen?“, fragt das Modell: „Wann gleicht dieser konkrete Kunde diese konkrete Rechnung aus, gemessen an seinem Zahlungsverhalten der letzten 36 Monate?“ Granulare Prognosen lassen sich präziser aggregieren als Durchschnittswerte über Fälligkeitsklassen, weil sich einzelne Fehler eher gegenseitig ausgleichen, statt sich zu summieren.
• ‍Kontinuierliches Lernen. Sobald Sie Rechnungen ausgleichen, wird jedes Ergebnis zu einem neuen Trainingsdatenpunkt. Bezahlt Kunde Y die Rechnung Nr. 10043 am Tag 49 statt am Tag 30, passt das Modell seine Prognose für die nächste Rechnung dieses Kunden entsprechend an. Feature Stores werden alle 14 Tage aktualisiert, und sobald die Abweichung zwischen Prognose und Ist-Wert einen definierten Schwellenwert überschreitet, startet automatisch ein vollständiges Neutraining des Modells. So lässt die Genauigkeit nicht unbemerkt mit der Zeit nach.
• ‍Handlungsgekoppelte Prognose. Genau diese Fähigkeit lassen die meisten Tools zur Cashflow-Prognose komplett aus.

CashPulse prognostiziert den Netto-Cashflow aus Ihren realen Debitoren- und Kreditorendaten und nutzt dafür granulare Modelle über mehrere Zeithorizonte. Über 90 Tage bleibt die Genauigkeit bei 90 bis 95 Prozent, und zwar mit Konfidenzbereichen statt einzelner Punktschätzungen, mit Unterstützung für jahresweite Horizonte und mit bekannten künftigen Eingangsgrößen wie Wechselkursen und Rohstoff-Futures, die direkt in die Prognose einfließen. Meldet CashPulse eine Woche mit knapper Liquidität, kann Vero Eskalations-E-Mails auslösen, KI-gestützte Inkassoanrufe starten oder gezielt die überfälligen Konten priorisieren, die die Lücke verursachen. So wird die Prognose zum Auslöser für Maßnahmen und nicht bloß zu einem Bericht, der im Postfach des CFO landet.

Diese Integration ist deshalb entscheidend, weil Prognosegenauigkeit und Ergebnisse im Forderungsmanagement nicht unabhängig voneinander sind. Jede Rechnung, die eine zeitnahe Nachfassaktion erhält und zu einer Zahlungszusage führt, verbessert die Prognose für diese Zahlungswoche. So schließt sich der Kreislauf. Mehr dazu, wie Controller solche geschlossenen Automatisierungskreisläufe sehen, lesen Sie in Was Controller sich von KI-Automatisierung wirklich wünschen (aber nie bekommen), ein lesenswerter Beitrag.

Laut Forresters Analyse der KI-Anwendungsfälle in der Automatisierung der Debitorenbuchhaltung aus dem Jahr 2025 sind Forderungsmanagement und prädiktive Cashflow-Prognose die beiden Bereiche mit den derzeit höchsten Unternehmensinvestitionen und dem am schnellsten messbaren ROI.

5 zentrale Kriterien zur Bewertung einer Lösung für die Cashflow-Prognose im Forderungsmanagement

Wenn Sie Tools zur Cashflow-Prognose im Forderungsmanagement bewerten, sollten Finanzteams diese fünf Kriterien in den Vordergrund stellen:

1. Prognosegranularität. Prognostiziert das System auf Rechnungsebene oder nur nach Fälligkeitsklassen? Auf Rechnungsebene aggregieren Sie präziser und erkennen genau, welche Kunden das Prognoserisiko treiben.
2. Datenaktualität. Wie aktuell sind die zugrunde liegenden Debitorendaten? Eine Prognose auf Basis des ERP-Snapshots von gestern Abend übersieht die heutigen Zahlungseingänge, die geklärten Streitfälle und die laufenden Mahnaktivitäten. Entscheidend sind Daten in Echtzeit oder nahezu in Echtzeit.
3. Modellanpassung. Trainiert sich das System automatisch neu, sobald sich das Zahlungsverhalten der Kunden ändert, oder muss jemand es von Hand neu konfigurieren? Das Modell sollte sich mindestens vierteljährlich aktualisieren, besser alle zwei Wochen.
4. Kreditoren-Integration. Prognosen, die nur die Debitorenseite betrachten, bleiben unvollständig. Das System sollte auch die Auszahlungen aus der Kreditorenbuchhaltung einbeziehen und so einen echten Netto-Liquiditätsstatus ermitteln, aufgeschlüsselt nach Gesellschaft und Währung.
5. Handlungs-Integration. Löst die Prognose Mahnaktivitäten aus, sobald sie ein Risiko erkennt, oder erzeugt sie nur Berichte? Plattformen, die Prognose und Umsetzung verbinden, schließen die Lücke zwischen Wissen und Handeln.

Auch die Einführungsdauer zählt in der Praxis. Wer erst sechs Monate Beratungsleistung bezahlt, bevor er eine brauchbare Prognose erhält, macht bei akutem Bedarf an Liquiditätsplanung ein schlechtes Geschäft. Bevorzugen Sie Plattformen, die historische Debitorendaten einlesen und innerhalb weniger Wochen erste Prognosen liefern.

So erstellen Sie eine präzise rollierende 13-Wochen-Liquiditätsplanung

Eine rollierende 13-Wochen-Liquiditätsplanung ist das Standardinstrument, mit dem das Treasury großer Unternehmen die Liquidität kurzfristig steuert. So bauen Sie eine Planung auf, die auch einer genauen Prüfung standhält:

‍

1. Ziehen Sie die aktuellen Debitorendaten täglich. Automatisieren Sie den ERP-Export oder nutzen Sie eine AR-Plattform, die alle offenen Posten in einem Echtzeit-Hauptbuch führt. Sind die Eingangsdaten veraltet, veralten auch die Prognosen.
2. Wenden Sie kundenspezifische Zahlungsmodelle an. Ersetzen Sie pauschale Annahmen je Fälligkeitsklasse durch Zahlungsprognosen auf Kundenebene. Selbst einfache historische Durchschnittswerte zur Zahlungsdauer je Kunde liefern bessere Ergebnisse als generische Einzugsquoten je Fälligkeitsklasse.
3. Kennzeichnen Sie strittige und risikoreiche Rechnungen gesondert. Bei einer strittigen Rechnung ist die Zahlungswahrscheinlichkeit grundlegend anders als bei einer einwandfreien Rechnung eines pünktlichen Zahlers. Modellieren Sie sie separat oder ziehen Sie manuell einen Abschlag von der Wahrscheinlichkeit ab.
4. Beziehen Sie Zahlungszusagen ein. Legt sich ein Kunde auf ein Zahlungsdatum fest (erfasst durch eine Mitarbeiterin im Forderungsmanagement oder ein KI-gestütztes Anrufsystem), sollte diese Zusage das prognostizierte Zahlungsdatum der Rechnung in der Planung anpassen.
5. Erstellen Sie drei Szenariolinien. Best Case, erwarteter Fall und risikobereinigter Fall. Die Spanne zwischen Best Case und risikobereinigtem Fall zeigt dem Treasury, wie hoch der Liquiditätspuffer ausfallen sollte. Eine einlinige Prognose verschleiert, wie breit die möglichen Ergebnisse streuen.
6. Fixieren Sie die Prognose jede Woche und verfolgen Sie die Abweichung. Der wöchentliche Soll-Ist-Vergleich zeigt, welche Kundensegmente oder Regionen systematische Fehler verursachen. Korrigieren Sie die zugrunde liegenden Daten oder das Modell, nicht die Annahme.
7. Verknüpfen Sie die Prognose mit den Prioritäten im Forderungsmanagement. Zeigt die Prognose in den Wochen 3 bis 5 eine Unterdeckung, sollte das Forderungsmanagement-Team erkennen, welche konkreten Rechnungen zuerst zu beschleunigen sind. Ohne diese Verknüpfung hat die Prognose lediglich informativen Charakter.

Erste Schritte mit der AR-Cashflow-Prognose

Wenn Ihr Team Cash-Prognosen aus Fälligkeitsberichten und Annahmen in Tabellenkalkulationen erstellt, klafft zwischen Ihrer Prognose und den tatsächlichen Zahlungseingängen vermutlich eine größere Lücke, als die Daten vermuten lassen. Laut Gartner (2025) arbeiten 51 % der CFOs aktiv daran, ihre Prognosen genauer zu machen. Am schnellsten kommen dabei die Unternehmen voran, die Live-Daten aus der Debitorenbuchhaltung direkt mit Prognosemodellen aus dem Machine Learning verknüpfen.

Transformance CashPulse baut auf derselben KI-Plattform auf, die auch Zahlungszuordnung, Forderungsmanagement und Abzugsmanagement steuert. Die Modelle Gradient Boosting und Temporal Fusion Transformer prognostizieren Zahlungen pro Rechnung. Daraus entsteht eine Netto-Cashflow-Prognose über 30/60/90+ Tage mit drei Szenario-Linien, die Sie nach Gesellschaft, Region und Währung filtern können. Meldet die Prognose ein Risiko, kann Vero direkt handeln, statt es nur anzuzeigen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Cashflow-Prognose und AR-Cash-Forecasting?

Die Cashflow-Prognose erfasst sämtliche Zu

• und Abflüsse: Forderungen, Verbindlichkeiten sowie Finanzierungs
• und Investitionstätigkeit. Das AR-Cash-Forecasting beantwortet gezielt die Frage, wann Kunden offene Rechnungen bezahlen. Innerhalb der übergeordneten Cashflow-Prognose ist es meist die Komponente mit der höchsten Unsicherheit, denn es speist die Einzahlungsseite Ihres Netto-Liquiditätsstatus.

Warum sind die meisten Cashflow-Prognosen ungenau?

Die meisten Cashflow-Prognosen sind ungenau, weil sie auf ERP-Momentaufnahmen, historischen Durchschnittswerten beim Forderungseinzug und manuellen Bucket-Annahmen beruhen, statt auf Echtzeit-Debitorendaten und Zahlungsmodellen je Rechnung. Laut Daten, die PYMNTS zitiert, erstellen 72 % der Finanzverantwortlichen ihre Prognosen noch immer manuell. Untersuchungen zeigen außerdem: 87 % der Finanzverantwortlichen sagen, ihre Prognosen seien bereits veraltet, bevor sie sie überhaupt präsentieren. Das Kernproblem liegt in der Methode, nicht im Aufwand.

Wie verbessert KI die Genauigkeit von Cashflow-Prognosen?

KI steigert die Prognosegenauigkeit, indem sie den Zahlungszeitpunkt für jede einzelne Rechnung vorhersagt, aus dem bisherigen Zahlungsverhalten jedes Kunden lernt und ihre Vorhersagen laufend aktualisiert, sobald neue Zahlungsdaten eintreffen. KI-gestützte Tools für das AR-Forecasting erreichen laut Praktikern aus dem Fachgebiet auf einem 30-Tage-Horizont eine Genauigkeit von 85 bis 95 %, gegenüber 60 bis 70 % bei tabellenkalkulationsbasierten Methoden.

Was ist eine Zahlungsvorhersage auf Rechnungsebene?

Bei einer Zahlungsvorhersage auf Rechnungsebene erhält jede offene Rechnung ein eigenes vorhergesagtes Zahlungsdatum und eine eigene Zahlungswahrscheinlichkeit, gestützt auf das bisherige Verhalten des jeweiligen Kunden und die Merkmale der Rechnung. Diese Vorhersagen je Rechnung führen Sie anschließend zu einer wöchentlichen oder monatlichen Cashflow-Prognose zusammen. Das ist genauer als eine Prognose auf Bucket-Ebene, weil sich einzelne Vorhersagefehler eher gegenseitig ausgleichen, statt sich aufzuaddieren.

Wie erstelle ich eine genaue rollierende 13-Wochen-Liquiditätsplanung?

Eine genaue rollierende 13-Wochen-Liquiditätsplanung erfordert tägliche Abrufe der Debitorendaten, Zahlungsmodelle je Kunde statt pauschaler Annahmen zu Einzugsquoten, eine gesonderte Behandlung strittiger Rechnungen, die Einbindung von Zahlungszusagen aus dem Forderungsmanagement sowie drei Szenariolinien (Best Case, erwarteter Fall, risikoadjustiert). Verfolgen Sie wöchentlich die Abweichung zwischen Prognose und Ist-Wert und verknüpfen Sie die Prognose mit den Prioritäten im Forderungseinzug. Genau diese beiden Schritte lassen die meisten Teams aus, und sie machen einen erheblichen Teil der Genauigkeitslücke aus.

Welche Software automatisiert die Debitorenbuchhaltung für das Cash-Forecasting im Unternehmen?

Die genauesten Prognosen liefern Enterprise-AR-Plattformen, die Zahlungszuordnung, Forderungsmanagement und Cash-Forecasting in einer einheitlichen Datenebene verbinden. Transformance CashPulse erstellt Zahlungsvorhersagen je Rechnung mithilfe von Machine-Learning-Modellen, darunter Gradient-Boosting- und Temporal-Fusion-Transformer-Architekturen, aggregiert sie zu einer rollierenden Netto-Cashflow-Prognose und verknüpft die Prognose direkt mit automatisierten Einzugsmaßnahmen, sobald es ein Risiko erkennt.

Was sind die besten Alternativen für das Cash-Forecasting?

Zu den Alternativen für das AR-Cash-Forecasting zählen Anbieter mit Fokus auf Treasury-Management, mehrere spezialisierte Plattformen sowie Transformance. Bewerten Sie dabei vor allem die Vorhersagegranularität (Rechnungsebene versus Bucket-Ebene), die Aktualität der Daten, den Umsetzungszeitraum und die Frage, ob die Prognose an die Ausführung im Forderungseinzug angebunden ist oder rein zum Reporting dient. Wenn Sie den Kreislauf zwischen Prognose und Handlung schließen wollen, bevorzugen Sie Plattformen mit integrierter Automatisierung des Forderungseinzugs.

Wie erklärt das Modell, warum sich eine Prognose von Woche zu Woche verändert hat?

Moderne AR-Forecasting-Plattformen führen jede Prognoseänderung auf konkrete Treiber zurück: Das vorhergesagte Zahlungsdatum eines Kunden hat sich verschoben, neue Streitfälle wurden eröffnet, Zahlungen gingen früher oder später ein als erwartet, oder externe Signale wie Wechselkurse haben sich verändert. CashPulse hebt die wichtigsten Einflussfaktoren jeder wöchentlichen Veränderung hervor. So erkennt das Treasury, ob die Bewegung von einem einzelnen Großkunden, einer portfolioweiten Verschiebung oder aktuellen Einzugsaktivitäten herrührt. Ohne eine Zuordnung nach einzelnen Treibern erklären Finanzteams Veränderungen am Ende, indem sie einzelne Rechnungen manuell prüfen, und das skaliert jenseits einiger hundert Konten nicht mehr.

Wie erstellt das System Prognosen für Neukunden oder Konten mit begrenzter Zahlungshistorie?

Neukunden und Kunden mit geringer Datenbasis prognostiziert das System über ein Verhaltens-Kohortenmodell. Es gruppiert Kunden nach Branche, Region, Zahlungsbedingungen, Bonitätsprofil und Rechnungsgröße und wendet dann die Zahlungsverteilung der Kohorte an, bis genügend kundenspezifische Historie vorliegt (in der Regel 6 bis 12 Monate). Damit entfällt der althergebrachte Rückgriff auf Portfolio-Durchschnitte, die große Konten systematisch über- und kleine systematisch unterschätzen. Die Genauigkeit bei über Kohorten modellierten Konten liegt üblicherweise innerhalb von 5 bis 10 Prozentpunkten der Genauigkeit etablierter Konten und nähert sich vollständig an, sobald sich kundenspezifische Historie ansammelt.

Quellen

• Cash Flow Forecasting for CFOs | Gartner
• Gartner Survey Shows Top Priorities for CFOs in 2026
• Top AI Use Cases For Accounts Receivable Automation In 2025 | Forrester