Cashflow-Prognose Excel-Vorlage: Der vollständige Leitfaden 2026

Das Wichtigste in Kürze

• Eine Cash-Forecast-Vorlage in Excel erfasst die geplanten Ein- und Auszahlungen über einen festgelegten Zeitraum, meist vier Wochen, 13 Wochen oder 12 Monate, und errechnet daraus für jede Periode einen fortlaufenden Kontostand.
• Excel-Vorlagen sind schnell aufgesetzt, stoßen mit wachsendem Volumen aber an ihre Grenzen. Sie tippen die Daten von Hand ein, haben keine Live-Anbindung an die Debitorenbuchhaltung und kämpfen mit der Versionskontrolle. Bei hohem Volumen im Unternehmen arbeiten sie deshalb unzuverlässig.
• Wie genau eine Prognose ausfällt, hängt fast ausschließlich von der Datenqualität ab. Vorlagen, die Sie mit veralteten ERP-Momentaufnahmen füttern, unterschätzen systematisch strittige Rechnungen, nicht verarbeitete Zahlungsavise und Kunden, die schleppend zahlen.
• Laut der Association for Financial Professionals (AFP, 2024) nennen 61 % der Treasury- und Finanzfachleute die manuelle Datenerhebung als Hauptursache für Prognosefehler.
• KI-native Prognosen stützen sich auf aufbereitete Debitorendaten statt auf reine ERP-Exporte. So ist die Datenbasis der Prognose von Anfang an sauberer.

In diesem Artikel

• Das Wichtigste in Kürze
• Was ist ein Cash-Forecast-Vorlage in Excel?
• Wie funktioniert eine Cash-Forecast-Vorlage in Excel?
• Was sind die 5 Kernbestandteile einer Liquiditätsplanungsvorlage?
• Warum sind die meisten Cashflow-Prognosen ungenau?
• So erstellen Sie eine präzise Liquiditätsplanung als Excel-Vorlage
• Wie verbessert KI die Genauigkeit der Cashflow-Prognose?
• Wann sollten Finanzteams Excel hinter sich lassen?
• Häufig gestellte Fragen
• Fazit

Was ist ein Cash-Forecast-Vorlage in Excel?

Ein Cash-Forecast-Vorlage ist eine strukturierte Tabelle. Sie bildet über einen festgelegten Zeitraum ab, welche Zahlungen Sie erwarten: eingehende (Kundenzahlungen, konzerninterne Eingänge, sonstige Erträge) und ausgehende (Lieferantenzahlungen, Löhne und Gehälter, Steuern, Kapitaldienst). Für jede Periode weist die Tabelle aus, wie hoch Ihr prognostizierter Bestand an liquiden Mitteln am Ende ausfällt.

Die Excel-Variante rechnet weitgehend automatisch, mit Formeln, Pivot-Tabellen und einfacher bedingter Formatierung. Zahlungseingänge erfassen Sie nach Kategorie, Zahlungsausgänge nach Position, und das Modell schreibt den Schlussbestand täglich, wöchentlich oder monatlich fort. Die meisten Vorlagen decken eine kurzfristige Vier-Wochen-Sicht ab, eine rollierende 13-Wochen-Sicht oder eine Jahressicht über zwölf Monate.

Das Ergebnis beantwortet eine Frage: „Haben wir genug Liquidität, und wann?“ Genau deshalb zählt die Cashflow-Prognose zu den am weitesten verbreiteten Aufgaben in der Unternehmensfinanzierung. Der einzelne Controller in einem Unternehmen mit 20 Mio. Umsatz nutzt sie ebenso wie das Treasury-Team eines multinationalen Konzerns mit 20 Mrd. Umsatz.

‍

‍

Wie funktioniert eine Cash-Forecast-Vorlage in Excel?

Die Mechanik ist unkompliziert. Eine gut aufgebaute Excel-Vorlage zur Cashflow-Prognose besteht aus drei Kernbereichen.

• ‍Zuflüsse. Typische Positionen sind Zahlungseingänge aus dem Forderungsmanagement (von Kunden erwartete Zahlungen), konzerninterne Transfers, Kreditauszahlungen, Anlagenverkäufe und sonstige erwartete Einnahmen. In Unternehmen mit hohem Forderungsbestand machen die Kundenzahlungen den Großteil dieses Bereichs aus. Sie lassen sich zugleich am schwersten präzise prognostizieren.
• ‍Abflüsse. Dazu zählen Lieferantenzahlungen (Verbindlichkeiten aus Lieferungen und Leistungen), Löhne und Gehälter, Miete und Betriebskosten, Steuern, Kreditrückzahlungen, Investitionen (Capex) und konzerninterne Zahlungen. Abflüsse lassen sich in der Regel besser planen als Zuflüsse, denn den Zeitpunkt der meisten Zahlungen steuert das Unternehmen selbst.‍
• Nettoposition und laufender Saldo. Für jede Periode gilt: Anfangsbestand + Zuflüsse - Abflüsse = Endbestand. Den Endbestand schreiben Sie als Anfangsbestand der Folgeperiode fort. Eine gut formatierte Vorlage zeigt ein Diagramm des laufenden Saldos. So erkennen die Verantwortlichen im Treasury oder Forderungsmanagement auf einen Blick, wann die Liquidität unter einen Mindestschwellenwert fällt.

Die meisten kostenlosen Vorlagen aus Quellen wie Smartsheet, der Vorlagenbibliothek von Microsoft oder öffentlichen Wirtschaftsförderungsangeboten folgen diesem dreiteiligen Aufbau. Die Unterschiede liegen in der zeitlichen Granularität (täglich vs. wöchentlich vs. monatlich), der Anzahl der Positionen und dem Umfang der eingebauten Automatisierung.

Was sind die 5 Kernbestandteile einer Liquiditätsplanungsvorlage?

Eine praxistaugliche Liquiditätsplanungsvorlage in Excel sollte diese fünf Elemente enthalten:

1. Zeile für den Anfangsbestand an liquiden Mitteln. Diesen Wert übernehmen Sie aus dem Kontoauszug oder dem ERP-System. Er bildet das Fundament des Modells. Stimmt er nicht, stimmt auch alles Weitere nicht. Viele Teams stecken mehr Zeit in das Design des Modells als in die Prüfung dieses einen Eingabewerts.
2. Plan der Zahlungseingänge (Debitoren). Hier schlüsseln Sie die erwarteten Kundenzahlungen nach Fälligkeitsdatum auf und richten sie am bisherigen Zahlungsverhalten aus. Diese Position schwankt am stärksten und verursacht am häufigsten Abweichungen in der Prognose.
3. Plan der Zahlungsausgänge. Bekannte Abflüsse mit festen Fälligkeitsterminen. Diese Position speisen Sie sauber mit strukturierten Daten aus dem ERP-System oder der Kreditorenbuchhaltung. Die Herausforderung liegt darin, Skonti bei früher Zahlung von den Standardkonditionen zu unterscheiden.
4. Fortlaufende Summe und Abweichungsanalyse. Vergleichen Sie Prognose und Ist-Werte Woche für Woche oder Monat für Monat. Ohne Abweichungsanalyse lässt sich das Modell nicht verbessern, denn Sie erfahren nie, woher die Fehler stammen.
5. Szenario-Schalter. Best Case, erwarteter Fall und Negativszenario. Selbst ein einfaches Excel-Modell sollte einem Controller erlauben, eine Annahme zu ändern (zum Beispiel: „30 % der Forderungen dieses Quartals gehen 15 Tage verspätet ein“) und die Auswirkung auf den Endbestand sofort zu sehen.

Am Plan der Zahlungseingänge scheitern die meisten Excel-Vorlagen. Die Rechnung ist einfach. Die Daten dahinter sind es nicht.

Warum sind die meisten Cashflow-Prognosen ungenau?

Laut einer Umfrage der Association for Financial Professionals (AFP) aus dem Jahr 2024 nennen 61 % der Treasury- und Finanzfachleute die manuelle Datenerfassung als Hauptursache für Prognosefehler. PwC kam in einer separaten Analyse zu dem Ergebnis, dass die meisten Unternehmen nur eine Prognosegenauigkeit von 70 bis 80 % erreichen. Firmen mit hohem Forderungsbestand liegen dabei am unteren Ende dieser Spanne.

Der wahre Knackpunkt ist die Datenqualität, nicht der Aufbau des Modells. Eine Excel-Vorlage ist immer nur so genau wie die Daten, die Sie eingeben. In den meisten Unternehmen kranken die Debitorendaten, die in die Prognose einfließen, an folgenden Schwächen:

• ‍Veraltet. In der Nacht zuvor aus dem ERP-System exportiert, ohne die taggleichen Aktualisierungen aus der Zahlungszuordnung. Eine am Dienstagmorgen eingegangene Zahlung taucht in der Prognose womöglich erst am Mittwoch auf.
• ‍Unvollständig. Unbearbeitete Zahlungsavise liegen noch in E-Mail-Postfächern oder Portal-Warteschlangen und sind noch nicht abgeglichen. So fällt der Forderungsbestand höher aus, als tatsächlich offen ist.
• ‍Unzuverlässig beim Zahlungszeitpunkt. Das ERP-System erfasst die Fälligkeitstermine der Rechnungen, nicht den Zeitpunkt, an dem Kunden tatsächlich zahlen. Ein Kunde, der jedes Quartal 15 Tage zu spät zahlt, verfälscht Ihre Prognose zum Forderungseinzug jedes Quartal aufs Neue, sofern niemand das manuell korrigiert.
• ‍Blind für Streitfälle. Strittige Rechnungen stehen in der Debitorenbuchhaltung als „offen“, werden aber nicht fristgerecht bezahlt. Kennzeichnet die Prognose sie nicht gesondert, überschätzt das Modell die erwarteten Zahlungseingänge.

Auch manuelle Modelle altern schlecht. Eine Vorlage, die im ersten Quartal noch sinnvoll war, wird bis zum dritten Quartal unzuverlässig: Das Zahlungsverhalten der Kunden ändert sich, neue Kunden mit anderen Zahlungszielen kommen hinzu, und die Fachkraft, die das Modell erstellt hat, geht in den Urlaub. Warum Cashflow-Prognosen in Unternehmen systematisch danebenliegen, lesen Sie ausführlicher unter Warum sind die meisten Cashflow-Prognosen ungenau?.

So erstellen Sie eine präzise Liquiditätsplanung als Excel-Vorlage

Wenn Sie ein Excel-Modell aufbauen oder verbessern wollen, bringen Ihnen diese sieben Schritte mehr als jede Vorlage zum Herunterladen:

1. Legen Sie zuerst Ihren Planungshorizont fest. Eine tägliche 4-Wochen-Sicht, eine rollierende wöchentliche 13-Wochen-Sicht und eine monatliche 12-Monats-Sicht dienen jeweils anderen Zwecken. Bauen Sie das Modell so, wie Sie es tatsächlich nutzen. Für das kurzfristige Liquiditätsmanagement setzen Treasury-Fachleute üblicherweise auf eine 13-Wochen-Sicht. Wie Sie diese Schritt für Schritt aufbauen, inklusive kostenloser Vorlage, lesen Sie unter So erstellen Sie eine 13-Wochen-Liquiditätsplanung.
2. Gliedern Sie Ihre Debitorenzuflüsse nach Zahlungswahrscheinlichkeit, nicht nur nach Fälligkeitsdatum. Ordnen Sie Ihre Kunden nach Zahlungsverhalten in Stufen: immer pünktlich, konstant zehn bis 15 Tage zu spät, chronisch säumig. Weisen Sie dann jeder Fälligkeitsklasse der jeweiligen Stufe eine Einzugswahrscheinlichkeit zu. Diese eine Änderung verbessert Ihre kurzfristige Prognose stärker als jede Formelanpassung.
3. Übernehmen Sie Ist-Werte automatisch statt manuell. Wenn Ihr ERP-System oder Ihr Bankportal Daten exportieren kann, automatisieren Sie diesen Schritt. Eine Vorlage, in die jemand jeden Morgen die Kontostände hineinkopieren muss, liegt genau an den Morgen falsch, an denen er es vergisst oder keine Zeit dazu hat.
4. Verfolgen Sie Abweichungen von Anfang an. Erfassen Sie jede Woche, wie stark Prognose und tatsächlicher Eingang voneinander abweichen. Nach vier bis sechs Wochen zeigen sich Muster: Vielleicht überschätzen Sie regelmäßig die Zahlungseingänge am Dienstag oder unterschätzen ein bestimmtes Kundensegment. Solche Abweichungsdaten machen aus einer generischen Vorlage ein Modell, das genau auf Ihr Unternehmen zugeschnitten ist.
5. Sperren Sie abgeschlossene Zeiträume. Frieren Sie die Zellen vergangener Wochen ein oder schützen Sie sie und ersetzen Sie die Werte durch Ist-Werte. Ein häufiger Fehler: Man zeigt die ursprünglichen Prognosen neben den Ist-Werten an, ohne sie klar zu trennen. Das macht das Modell unlesbar.
6. Ziehen Sie eine Linie für den Mindestbestand an liquiden Mitteln ein. Zeichnen Sie im Diagramm eine waagerechte Linie, die Ihren betrieblichen Mindestbedarf an liquiden Mitteln markiert. Fällt der voraussichtliche Bestand in einem Prognosezeitraum unter diese Linie, sollte das einen Alarm oder eine Eskalation auslösen, keine manuelle Kontrolle am Freitagnachmittag.
7. Dokumentieren Sie Ihre Annahmen in einem separaten Tabellenblatt. Halten Sie fest, welche Zahlungswahrscheinlichkeiten Sie ansetzen, welche Kunden Sie wegen Streitfällen ausschließen und welche bekannten Sonderposten (Steuerzahlungen, Bonusauszahlungen) Sie einbeziehen. Wenn das Modell falsch liegt, lautet die erste Frage immer: „Wovon sind wir eigentlich ausgegangen?“ Ohne Dokumentation fangen Sie bei null an.

Wie verbessert KI die Genauigkeit der Cashflow-Prognose?

Excel-Vorlagen liefern statische Prognosen. KI-native Tools dagegen erstellen Prognosen, die sich mit der Zeit verbessern, sich in Echtzeit aktualisieren und Signale einbeziehen, die keine Tabellenformel erfassen kann.

Zahlungsprognose auf Rechnungsebene. Statt einer ganzen Kundengruppe pauschal dieselbe Zahlungswahrscheinlichkeit zuzuweisen, analysieren Machine-Learning-Modelle jede Rechnung einzeln: das bisherige Zahlungsverhalten des Kunden, den Rechnungsbetrag im Verhältnis zur üblichen Zahlung, die konkreten Zahlungsbedingungen und saisonale Muster. Laut Gartners Bericht 2025 zur Einführung von Finanztechnologie erreichen Unternehmen, die auf Rechnungsebene prognostizieren, eine um 15 bis 25 % höhere Genauigkeit bei der 30-Tage-Cashflow-Prognose als mit regelbasierten Ansätzen.

Aktuelle Debitorendaten als Grundlage der Prognose. Ein aufbereiteter Debitorenbestand, in dem Zahlungsavise zugeordnet, Abzüge markiert und Streitfälle geklärt sind, ist grundsätzlich genauer als ein reiner ERP-Export. CashPulse erstellt seine Prognose aus Daten, die ClearMatch und CollectPulse bereits aufbereitet haben: zugeordnete Rechnungen, Zahlungszusagen aus Mahntelefonaten und Abzüge, die ClaimIQ erkannt hat. So entsteht eine Prognose, die schon vor Fälligkeit weiß, welche Rechnungen tatsächlich eingehen und welche ins Stocken geraten.

Szenariosimulation, verknüpft mit realen Maßnahmen. In Excel heißt Szenarioanalyse, eine Zahl in einer Zelle zu ändern. In einem KI-nativen Tool koppelt die Szenariosimulation an Maßnahmen, die Ihr Team tatsächlich ergreifen kann: „Wenn wir bei den 20 überfälligsten Konten schneller nachfassen, wie verändert sich der Liquiditätsstatus über 30 Tage?“ Das ist eine andere Klasse von Analyse. Für Teams im Forderungsmanagement beschreibt AR-Cashflow-Prognose: So sagen Sie Zahlungseingänge vorher die vollständige Methodik.

Dauerhaftes Gedächtnis für Kundenverhalten. Eine Tabellenkalkulation weiß nicht, dass Kunde X im vierten Quartal immer zwölf Tage zu spät zahlt oder dass ein bestimmter Händler jede Rechnung über 10.000 im ersten Durchlauf reklamiert. Veros MemoryMesh hält diese Muster dauerhaft fest und lässt sie automatisch in die Zahlungswahrscheinlichkeits-Scores einfließen. Die Prognose wird jeden Monat besser, weil das System immer mehr Klärungshistorie sammelt, ganz ohne dass ein Analyst neu geschult werden muss.

Wann sollten Finanzteams Excel hinter sich lassen?

Excel reicht aus, wenn Ihr Debitorenkonto klein ist (unter 200 offene Rechnungen), das Zahlungsverhalten sich gut vorhersehen lässt, ein bis zwei Personen genügen und Sie die Prognose wöchentlich statt täglich prüfen.

An seine Grenzen stößt Excel jedoch, sobald eine dieser Bedingungen eintritt:

• ‍Das Rechnungsvolumen übersteigt 500 bis 1.000 offene Posten. In dieser Größenordnung schleichen sich bei der manuellen Dateneingabe schneller Fehler ein, als die Analysten sie erkennen können.
• ‍Sie arbeiten über mehrere Gesellschaften oder Währungen hinweg. Eine Multi-Entity-Konsolidierung in Excel verlangt komplexe blattübergreifende Formeln, die bei einer beschädigten Datei, einem Formelfehler oder einem Versionskonflikt zusammenbrechen.
• ‍Ihr DSO steigt und Sie finden die Ursache nicht. Wenn sich die Fälligkeitsstruktur der Forderungen verschlechtert, zeigt Ihnen eine statische Vorlage zwar die Zahl an, aber nicht, ob dies an einem bestimmten Kundensegment, geänderten Zahlungsbedingungen oder einem Rückstau bei den Abzügen liegt. Sie brauchen vernetzte Daten, keine Tabelle.
• ‍Eine Prognoseabweichung hat Sie zu einer reaktiven Entscheidung gezwungen. Ein einziger Prognosefehler, der eine ungeplante Kreditinanspruchnahme auslöst oder eine Lieferantenzahlung verzögert, kostet Sie an Geschäftsbeziehungen und Zinsen meist mehr als ein ganzes Jahr Automatisierungssoftware. Über bessere Tools spricht man in der Regel erst nach der zweiten oder dritten Abweichung.

Für große Finanzteams in dieser Situation lautet der Vergleich nicht „Excel gegen eine bessere Vorlage“. Er lautet „statische Prognose gegen eine Prognose, die dazulernt“. Sehen Sie sich als Beispiel die virtuelle Tour von Transformance an:

‍

‍

Häufig gestellte Fragen

Was ist eine Cash-Forecast-Vorlage in Excel?

Eine Cash-Forecast-Vorlage in Excel ist eine Tabelle, die künftige Ein- und Auszahlungen über einen festgelegten Zeitraum prognostiziert, meist über 4 Wochen, 13 Wochen oder 12 Monate, und für jede Periode einen voraussichtlichen Endbestand ausweist. Sie enthält Zeilen für den Forderungseinzug, für Verbindlichkeiten, Löhne und Gehälter, Steuern und weitere Zahlungspositionen. Formeln schreiben den Endbestand automatisch fort, sodass Finanzteams die erwartete Liquidität Woche für Woche im Blick behalten.

Wie erstelle ich eine 13-Wochen-Liquiditätsplanung in Excel?

Starten Sie mit Ihrem aktuellen Bankbestand. Prognostizieren Sie dann die wöchentlichen Zuflüsse aus Ihrer Offene-Posten-Liste der Debitoren, angepasst an die Zahlungswahrscheinlichkeit je Kundensegment, sowie die Abflüsse aus Ihrer Offene-Posten-Liste der Kreditoren und den bekannten Fixkosten. Schreiben Sie den Endbestand Woche für Woche fort. Eine vollständige Schritt-für-Schritt-Anleitung samt kostenloser Vorlage zum Download finden Sie unter So erstellen Sie eine 13-Wochen-Liquiditätsplanung.

Warum liegt meine Cashflow-Prognose immer daneben?

Meist liegt es am ungenauen Timing beim Forderungseinzug: Das Modell rechnet mit dem Rechnungsfälligkeitsdatum statt mit dem tatsächlichen Zahlungsverhalten. Kunden, die konsequent 10 bis 15 Tage zu spät zahlen, machen jede kurzfristige Zuflussprognose zu optimistisch. Laut AFP (2024) nennen 61 % der Finanzteams die manuelle Datenerfassung als Hauptursache für Prognosefehler. Fast immer bringt es am meisten, den Input aus der Debitorenbuchhaltung zu korrigieren und nicht die Struktur des Modells.

Was ist eine Zahlungsprognose auf Rechnungsebene?

Die Zahlungsprognose auf Rechnungsebene nutzt Machine Learning und schätzt für jede einzelne Rechnung ab, wann sie bezahlt wird, ausgehend von der Zahlungshistorie des Kunden, den Rechnungsmerkmalen und dem aktuellen Debitorenstatus. Das ist genauer, als eine pauschale Zahlungswahrscheinlichkeit auf ein ganzes Kundensegment anzuwenden. Für Teams, die statt auf regelbasierte Alterungsansätze auf eine Prognose auf Rechnungsebene setzen, rechnet Gartner (2025) mit einer um 15 bis 25 % besseren 30-Tage-Genauigkeit.

Welche Software zur Cashflow-Prognose eignet sich am besten für Unternehmen?

Für Finanzteams großer Unternehmen mit hohem Forderungsvolumen, mehreren Gesellschaften oder grenzüberschreitendem Forderungseinzug übertreffen speziell entwickelte KI-Prognosetools Excel-Vorlagen deutlich. Transformance CashPulse prognostiziert aus aktuellen, aufbereiteten Debitorendaten, darunter zugeordnete Rechnungen aus ClearMatch und Zahlungszusagen aus CollectPulse. So wird das Prognosesignal sauberer und aktueller, als es eine statische Tabelle je liefern kann. Zusätzlich können Teams Szenariosimulationen durchführen, die an reale Maßnahmen im Forderungseinzug gekoppelt sind und nicht nur an geänderte Annahmen in einzelnen Zellen.

Wie automatisiert KI die Cashflow-Prognose?

Die KI-gestützte Cashflow-Prognose ersetzt starre Formeln durch Machine-Learning-Modelle. Diese sagen das Zahlungstiming auf Rechnungsebene voraus, aktualisieren sich in Echtzeit, sobald sich die Debitorendaten ändern, und gewinnen mit der Zeit an Genauigkeit, weil sie aus vergangenen Prognosefehlern lernen. Auch die zugrunde liegenden Debitorendaten müssen aktuell sein: Läuft die Zahlungszuordnung langsam oder manuell, ist der Input für die Prognose veraltet, so ausgefeilt das Modell auch sein mag.

Was sind die besten Alternativen zu HighRadius für die Cash-Prognose?

HighRadius bietet Treasury-Prognosen als Teil seiner umfassenderen AR- und Treasury-Suite an. Doch die Qualität der Debitorendaten leidet unter der OCR-basierten Erfassung der Zahlungsavise: Sie erfordert pro Format eine eigene Vorlagenkonfiguration und funktioniert bei geänderten Beleglayouts nicht mehr. Transformance CashPulse liefert eine vergleichbare oder bessere Prognosegenauigkeit, dazu sauberere vorgelagerte Debitorendaten und eine schnellere Einführung: vollständiger Rollout in 4 bis 8 Wochen statt 3 bis 6 Monaten wie bei HighRadius-Implementierungen.

Fazit

Für die meisten Finanzteams ist eine Cash-Forecast-Vorlage in Excel der richtige Einstieg. Sie ist kostenlos, flexibel und schnell aufgesetzt. Doch die Grenzen sind eng gesteckt, und Sie erreichen sie schneller, als die meisten Teams erwarten.

Der entscheidende Engpass ist nicht die Tabellenkalkulation, sondern die Datenbasis. Prognosen, die auf veralteten Debitoren-Exporten und manuell geschätzten Zahlungseingängen beruhen, gehen auf vorhersehbare Weise daneben: Sie sind zu optimistisch bei den kurzfristigen Zuflüssen, übersehen abzugsbedingte Verzögerungen und stellen sich nicht auf Kunden ein, die ihr Zahlungsverhalten ändern.

Der Weg zu höherer Genauigkeit führt über bessere Debitorendaten, nicht über eine ausgefeiltere Formel. Sind Sie an diese Grenze gestoßen? Dann zeigt Ihnen Cashflow-Prognose im Forderungsmanagement: Methoden, KI und Best Practices, welche Methoden statische Vorlagen übertreffen und welche Daten sie überhaupt erst funktionsfähig machen.