Das Wichtigste in Kürze
- KI-Prognosen werden vor allem dadurch genauer, dass sie vorhersagen, wann welcher Kunde welche Rechnung bezahlt, statt einfach das Fälligkeitsdatum anzusetzen.
- Eine Genauigkeitsangabe ohne Horizont sagt nichts. Weisen Sie den Fehler getrennt aus, für die Wochen 1 bis 2, 3 bis 6, 7 bis 13 und alles danach.
- WAPE und Bias sagen mehr als der MAPE, der in Wochen mit wenig Zahlungsverkehr und bei einem Netto-Cashflow nahe null versagt.
- Eine gute Prognose liefert eine Spanne. Brauchbar ist diese Spanne, wenn die Istwerte so oft darin liegen, wie sie verspricht.
- Zu „90 % genau“ gehören immer eine Kennzahl, ein Horizont, eine Detailebene und ein Testzeitraum, den das Modell nicht kannte (Out-of-Sample).
In diesem Artikel
- Das Wichtigste in Kürze
- Wie macht KI die Liquiditätsplanung genauer?
- Welche Daten machen die KI-gestützte Cashflow-Prognose genauer?
- Wie messen Sie die Genauigkeit Ihrer Cashflow-Prognose?
- Rechenbeispiel: eine Prognose, drei Kennzahlen
- Warum hängt die Prognosegenauigkeit vom Horizont ab?
- So messen Sie die Prognosegenauigkeit in 7 Schritten
- Was sollte „90 % genau“ eigentlich bedeuten?
- Genauigkeit, die sich belegen lässt
Wie macht KI die Liquiditätsplanung genauer?
KI-native Plattformen wie Transformance machen die Liquiditätsplanung genauer, indem sie Durchschnittswerte und Fälligkeitsannahmen durch Vorhersagen je Kunde und Rechnung ersetzen. Dazu kommen die Verbindlichkeiten und bekannte künftige Treiber, getrennte Prognosen für mehrere Horizonte und eine Spanne statt einer Einzelzahl. Jeder Baustein beseitigt eine eigene Fehlerart. Messen Sie die Wirkung deshalb einzeln.
Die Cash- und Liquiditätsprognose ist nach wie vor die schwierigste Aufgabe im Treasury: 49 % der Fachleute nennen sie in einer Umfrage des US-Verbands AFP (AFP, 2026). Nur 18 % der Treasury-Teams stufen ihre Prognosefähigkeiten als überdurchschnittlich oder branchenführend ein (im Original: „above average or best in class“). In vielen Treasury-Abteilungen läuft die Cashflow-Prognose noch immer überwiegend in der Tabellenkalkulation (Deloitte, 2024).
Bei 2.400 der größten Unternehmen weltweit wichen 28 % der Cashflow-Prognosen um höchstens 10 % vom jährlichen Ziel für den Free Cash Flow ab. Bei den Umsatzprognosen waren es rund 80 % (EY, 2024). KI verbreitet sich schneller, als sie reift. 74 % der Treasury-Teams nutzen KI bereits aktiv oder bauen den Einsatz aus. Doch nur 26 % sehen ihre KI-Fähigkeiten auf mittlerem oder hohem Reifegrad (PwC, 2025).
Die Ursachen beschreibt unser Beitrag dazu, warum Cashflow-Prognosen so oft ungenau sind. In diesem Leitfaden geht es darum, was hilft und wie Sie das belegen.
Zahlungszeitpunkt je Kunde und Rechnung
Eine Prognose auf Basis der Zahlungsziele unterstellt, dass jede Rechnung am Fälligkeitstag bezahlt wird. Sie enthält deshalb einen Zeitfehler und, wenn Kunden verspätet zahlen, eine zu optimistische Verzerrung (Bias). Eine Zahlungsprognose auf Rechnungsebene terminiert jeden Zahlungseingang so, wie der jeweilige Kunde tatsächlich zahlt. Dafür nutzt sie Machine-Learning-Modelle, die mit historischen Zahlungsdaten trainiert sind.
Forderungen und Verbindlichkeiten in einer Prognose
Werden Ein- und Auszahlungen in getrennten Dateien geplant, entsteht ein Fehler im Netto-Cashflow, auch wenn jede Datei für sich stimmig wirkt. Lieferantenzahlläufe, Gehälter und Steuertermine stehen fest. Sie gehören deshalb auf dieselbe Zeitachse wie die prognostizierten Zahlungseingänge.
Bekannte künftige Treiber
Historische Daten allein reichen für längere Horizonte nicht aus. Zugesagte Zahlungstermine, offene Streitfälle, Zahlungspläne und Wechselkursschwankungen sind bekannt oder beobachtbar. Jeder dieser Treiber beseitigt Fehler, die sich aus den Mustern der Vergangenheit nicht ablesen lassen.
Mehrere Horizonte statt einer Hochrechnung
Ein Modell, das auf die nächste Woche abgestimmt ist, taugt nicht für das nächste Quartal. Erstellen und bewerten Sie für jeden Horizont eine eigene Prognose. Führen Sie die Planung als Rolling Forecast, statt eine einzige Hochrechnung über das ganze Jahr fortzuschreiben.
Spannen statt einer Einzelzahl
Das Treasury plant die Finanzierung für den ungünstigen Fall, und genau den verdeckt eine Einzelzahl. Punktprognosen „können ohne die zugehörigen Prognoseintervalle nahezu wertlos sein“ (Hyndman und Athanasopoulos, 2021; Zitate aus englischsprachigen Quellen hier und im Folgenden in eigener Übersetzung). Die Spanne zeigt, wie viel Liquiditätspuffer Sie vorhalten sollten.
Welche Daten machen die KI-gestützte Cashflow-Prognose genauer?
Am meisten gewinnt die KI-gestützte Cashflow-Prognose durch Daten, die sich in Excel nicht aktuell halten lassen, in Transformance aber schon. Dazu gehören der Bearbeitungsstand jeder offenen Rechnung, das Zahlungsverhalten der Kunden, feste Auszahlungsverpflichtungen und externe Treiber.
Am wichtigsten sind saubere Debitorendaten. Wartet eine Zahlung noch auf den Zahlungsabgleich, wirkt die zugehörige Rechnung weiter offen, und die Prognose zählt dasselbe Geld zweimal. Eine strittige Rechnung wiederum sieht so aus, als ginge der volle Betrag pünktlich ein. Beides treibt die Prognose nach oben.
Transformance CashPulse stützt die Prognose auf aktuelle Debitoren- und Kreditorendaten. Das Modell weiß, welche Zahlungen ClearMatch bereits zugeordnet hat und für welche Rechnungen in CollectPulse ein Zahlungstermin zugesagt ist. Es sieht auch, welche Rechnungen ClaimIQ als strittig markiert hat und welche Lieferantenzahlungen fällig sind. CashPulse verfolgt über 100 Treiber. Wechselkurse, Rohstoffpreise, makroökonomische Indikatoren und Zahlungspläne fließen als Merkmale ins Modell ein. Wie sich jede dieser Datenquellen methodisch nutzen lässt, zeigt unser Leitfaden zu den Methoden der Cashflow-Prognose aus Debitoren.
Wie messen Sie die Genauigkeit Ihrer Cashflow-Prognose?
Vergleichen Sie festgeschriebene Prognosen je Horizont mit den Istwerten. Gemessen wird mit dem nach Zahlungsvolumen gewichteten Fehler (WAPE), dem Bias für die Fehlerrichtung und, bei Spannen, der Abdeckung. Bewerten Sie nur Prognosen, die vor den Istwerten entstanden sind, nie nachträglich nachjustierte.
Der Prognosefehler ist Ist minus Prognose (Hyndman und Athanasopoulos, 2021). Ein negativer Fehler bedeutet also, dass die Prognose zu hoch lag. Bei Zahlungseingängen heißt das: Geld, mit dem Sie geplant haben, ist nicht gekommen.
Warum der MAPE in der Cashflow-Prognose in die Irre führt
Der MAPE ist vertraut, passt aber schlecht zu Zahlungsströmen. Prozentuale Fehler können „unendlich oder undefiniert“ werden, wenn ein Istwert null ist, und „Extremwerte annehmen“, wenn er nahe null liegt (Hyndman und Athanasopoulos, 2021). Der Netto-Cashflow wechselt das Vorzeichen, und in einer Feiertagswoche können die Zahlungseingänge winzig sein.
Viele gängige Genauigkeitsmaße „erweisen sich in häufig auftretenden Situationen als degeneriert“ (Hyndman und Koehler, 2006). Verwenden Sie den MAPE nur für Ein- oder Auszahlungspositionen ohne Perioden nahe null, nie für den Netto-Cashflow.
WAPE: die Leitkennzahl für das Treasury
Der WAPE gewichtet jede Abweichung mit dem betroffenen Zahlungsvolumen. Eine Woche mit 10 Mio. Euro zählt also mehr als eine mit 0,5 Mio. Euro. Unter dem Namen MAD/Mean-Verhältnis ist dasselbe Maß als gewichtete Alternative zum MAPE beschrieben, die sich für Reihen mit sporadischer Nachfrage ebenso eignet wie für Nachfrage nahe null (Kolassa und Schütz, 2007).
Nennt ein Team eine Prognose „x % genau“, ist die belastbarste Lesart: 100 minus WAPE für einen genannten Horizont. Das ist eine Konvention, kein Standard. Fragen Sie also nach, welche Lesart gemeint ist.
Bias: der Fehler, der sich aufsummiert
Der WAPE zeigt, wie groß die Abweichungen sind, der Bias, ob sie sich ausgleichen. Eine Prognose, die jede Woche zu hoch liegt, zehrt Ihren Liquiditätspuffer auf. Wenn die Fehler „einen von null verschiedenen Mittelwert haben, sind die Prognosen verzerrt“ (Hyndman und Athanasopoulos, 2021).
Verfehlte Cashflow-Ziele deuten auf einen Bias hin, und sie sind häufig. In derselben EY-Analyse blieben 47 % der Unternehmen hinter ihren Zielen für die Cashflow-Prognose zurück (EY, 2024). Verfolgen Sie den Bias als laufende Summe, je Gesellschaft und Kundensegment. Ein dauerhaft negativer Bias bei den Zahlungseingängen bedeutet meist, dass die Prognose noch auf Fälligkeitstermine vertraut.
Abdeckung: Sind die Spannen ehrlich?
Eine Spanne von P10 bis P90 (10. bis 90. Perzentil) sollte den Istwert in etwa 8 von 10 Fällen enthalten. Liegt der Istwert in 95 % der Fälle darin, ist die Spanne zu breit, um damit zu planen. Bei 60 % gibt sie eine Sicherheit vor, die es nicht gibt. Intervalle „werden mit zunehmendem Prognosehorizont in der Regel breiter“ (Hyndman und Athanasopoulos, 2021). Bewerten Sie die Abdeckung deshalb ebenfalls je Horizont.
Rechenbeispiel: eine Prognose, drei Kennzahlen
Dieselben fünf Wochen Zahlungseingänge ergeben je nach Kennzahl eine Abweichung von 21,0 %, eine von 14,3 % oder einen Bias von 14,3 %. Das Beispiel ist rein illustrativ und beruht nicht auf Kundendaten.
Ausgangslage: eine Gesellschaft, fünf Wochen Zahlungseingänge von Kunden in Mio. Euro. „Vorher“ ist eine Excel-Prognose nach Fälligkeitsterminen. „Nachher“ ist eine Prognose nach dem Zahlungsverhalten jedes Kunden. Woche 4 ist eine Feiertagswoche.
Die Vorher-Prognose liegt in jeder Woche zu hoch. WAPE und Bias sind dem Betrag nach gleich, weil alle Fehler in dieselbe Richtung zeigen: In fünf Wochen sind 7,0 Mio. Euro erwartete Zahlungen nie eingegangen. Genau daran erkennt man einen Forecast nach Fälligkeit.
Auf Woche 4 entfallen 4 % des Zahlungsvolumens, aber 50 der 105 Prozentpunkte in der MAPE-Summe der Vorher-Prognose. Deshalb kommt der MAPE auf 21,0 %, während die nach Volumen gewichtete Abweichung bei 14,3 % liegt.
In der Nachher-Prognose streuen die Fehler in beide Richtungen und gleichen sich aus (Bias +0,2 %). Zudem ist jede einzelne Wochenabweichung kleiner. Fünf Wochen beweisen allerdings nichts. Dieselbe Auswertung muss über Monate und je Horizont laufen.
Warum hängt die Prognosegenauigkeit vom Horizont ab?
Der Fehler wächst mit dem Abstand, weil immer weniger Zahlungsbewegungen schon feststehen. Die nächste Woche besteht vor allem aus fälligen Rechnungen und geplanten Zahlungen, Monat sechs überwiegend aus Schätzungen. Eine einzige Genauigkeitszahl, gemittelt über alle Horizonte, verdeckt das.
Weisen Sie den Fehler in Zeitfenstern aus: Wochen 1 bis 2, 3 bis 6 und 7 bis 13 für die 13-Wochen-Liquiditätsplanung, danach monatlich bis Monat 12. Falls Sie diese Planung gerade erst aufbauen: Unsere Anleitung zeigt, wie Sie eine 13-Wochen-Planung mit Vorlage erstellen. Bewerten Sie sie von der ersten Woche an.
Wichtig ist auch die Ebene. Auf Konzernebene ist der Fehler kleiner als je Gesellschaft oder Währung, weil sich Abweichungen ausgleichen. Bewerten Sie dort, wo entschieden wird (Gesellschaft, Währung, Cash-Pool). Wie Sie diese Ebenen zur Konzernsicht verdichten, zeigt unser Beitrag zur Liquiditätsplanung im Konzern.
CashPulse erstellt Prognosen für 30, 90 und 365 Tage, aktualisiert sie täglich und trainiert die Modelle wöchentlich neu. Bei Horizonten bis zu 90 Tagen erreicht CashPulse eine Prognosegenauigkeit von 90 bis 95 % (100 minus MAPE). Damit haben Sie jeden Tag einen frischen Prognosestand zum Festschreiben und drei Horizonte, die Sie getrennt bewerten können.
So messen Sie die Prognosegenauigkeit in 7 Schritten
Die Prognosegenauigkeit messen Sie, indem Sie jede Prognose festschreiben und mit WAPE und Bias je Position, Ebene und Horizont bewerten. Das Modell muss eine naive Vergleichsprognose schlagen und sich im rollierenden Backtest bewähren. Wenden Sie die Schritte vor und nach jeder Änderung an. Dann ist die Wirkung jeder Maßnahme für eine genauere Liquiditätsplanung gemessen und nicht nur behauptet.
- Jeden Prognosestand festschreiben. Speichern Sie jeden Lauf mit Datum. Eine Prognose, die inzwischen überschrieben wurde, lässt sich nicht bewerten. „Es ist wichtig, die Prognosegenauigkeit anhand echter Prognosen zu beurteilen“ (Hyndman und Athanasopoulos, 2021).
- Position und Ebene wählen. Bewerten Sie Ein- und Auszahlungen getrennt, je Gesellschaft und Währung, bevor Sie auf den Netto-Cashflow schauen.
- Feste Zeitfenster definieren. Nutzen Sie die Fenster Wochen 1 bis 2, 3 bis 6 und 7 bis 13, danach monatlich. So lässt sich jeder Monat mit dem nächsten vergleichen.
- WAPE und Bias je Zeitfenster ausweisen. Ergänzen Sie den MAE als Betrag, damit der Vorstand Euro sieht und nicht nur Prozente.
- Eine naive Vergleichsprognose schlagen. Vergleichen Sie das Modell mit einer Prognose nach dem Muster „wie in der Vorperiode“ oder „nach Fälligkeit“. Einfache Methoden „dienen eher als Benchmark denn als Methode der Wahl“ (Hyndman und Athanasopoulos, 2021). Wo das Modell die naive Prognose nicht schlägt, setzen Sie es für diesen Horizont nicht ein.
- Rollierender Backtest. Spielen Sie das Modell mit historischen Daten durch, als wäre jede Woche „heute“, und vergleichen Sie das Ergebnis mit dem, was tatsächlich eingetreten ist. In der Zeitreihenprognose heißt das „manchmal auch Evaluation mit rollierendem Prognoseursprung“ (Hyndman und Athanasopoulos, 2021). Nutzen Sie mindestens 12 Monate, damit die Saisonalität abgedeckt ist.
- Abdeckung der Spannen prüfen und die größten Abweichungen analysieren. Zählen Sie, wie oft die Istwerte innerhalb der Spanne lagen. Ordnen Sie dann jeden Monat den fünf größten Ausreißern eine Ursache zu: säumiger Zahler, Streitfall, Einmaleffekt oder Datenfehler. Bekannte Ursachen geben Sie als Treiber an das Modell zurück.
Was sollte „90 % genau“ eigentlich bedeuten?
Eine glaubwürdige Genauigkeitsangabe nennt die Kennzahl, den Horizont, die Detailebene, den Testzeitraum und sagt, ob außerhalb der Trainingsdaten getestet wurde. Fehlt eine dieser fünf Angaben, lassen sich „90 %“ mit nichts vergleichen.
Auch die Ausgangslage zählt. In Treasury-Abteilungen, die überwiegend mit Tabellenkalkulationen arbeiten, liegt die Prognoseabweichung „oft über 20 %“ (EY, 2026). Stellen Sie jeder Genauigkeitsangabe fünf Fragen, auch Ihrer eigenen:
- Welche Kennzahl: 100 minus WAPE, 100 minus MAPE oder der Anteil der Wochen innerhalb eines Toleranzbands? Im Rechenbeispiel liegen WAPE und MAPE bei derselben Prognose fast 7 Punkte auseinander.
- Welcher Horizont? Woche 1 und Monat 3 sind zwei verschiedene Aussagen.
- Konzern, Gesellschaft, Währung oder Position? Der Fehler schrumpft, je stärker Sie verdichten.
- Welcher Zeitraum wurde getestet, und entstanden die Prognosen, bevor die Istwerte bekannt waren?
- Wie hoch waren Bias und Abdeckung der Spannen im selben Zeitraum?
Transformance betreibt CashPulse in über 20 Ländern mit einem einzigen Modell. Jede Prognose enthält Spannen mit P90, P50 und P10, das Treasury sieht also neben dem mittleren Wert auch den ungünstigen Fall. Ihre erste 13-Wochen-Prognose steht nach 2 bis 4 Wochen. Schreiben Sie sie fest, messen Sie sie mit den sieben Schritten oben an Ihren Istwerten und urteilen Sie dann anhand Ihrer eigenen Daten.
Genauigkeit, die sich belegen lässt
Eine genauere Liquiditätsplanung mit KI entsteht aus besseren Daten: Zahlungszeitpunkt je Kunde und Rechnung, Forderungen und Verbindlichkeiten auf einer Zeitachse, bekannte Treiber, eine Prognose je Horizont und eine ehrliche Spanne. Jeder Baustein beseitigt einen Fehler, den Sie benennen können.
Belegt wird Genauigkeit durch Messwerte, nicht durch Slogans. Schreiben Sie die Prognosen fest und schlüsseln Sie die Ergebnisse nach Horizont und Ebene auf. Testen Sie außerhalb der Trainingsdaten und weisen Sie WAPE, Bias und Abdeckung nebeneinander aus.
Häufig gestellte Fragen
Wie macht KI die Liquiditätsplanung genauer?
KI macht die Liquiditätsplanung genauer, indem sie vorhersagt, wann welcher Kunde welche Rechnung bezahlt. Das verbindet sie mit bekannten Auszahlungen und künftigen Treibern und liefert eine Spanne statt einer Einzelzahl. Jeder Baustein beseitigt einen bestimmten Fehler: Zeitfehler, Bias, den Genauigkeitsverlust über den Horizont oder Scheingenauigkeit.
Wie messen Sie die Genauigkeit Ihrer Cashflow-Prognose?
Vergleichen Sie gespeicherte Prognosen je Horizont mit den Istwerten: mit dem WAPE für die Größe der Abweichung und dem Bias für ihre Richtung. Bewerten Sie Ein- und Auszahlungen getrennt und prüfen Sie, ob das Modell eine naive Vergleichsprognose schlägt. Dazu gehört ein rollierender Backtest über mindestens 12 Monate.
Was ist ein guter MAPE-Wert in der Liquiditätsplanung?
Einen allgemein guten MAPE-Wert für Zahlungsströme gibt es nicht. Oft ist der MAPE sogar die falsche Kennzahl, weil er versagt, wenn die Istwerte nahe null liegen. Nutzen Sie stattdessen den WAPE und vergleichen Sie ihn mit Ihrem bisherigen Prozess und einer naiven Prognose für denselben Horizont.
Was ist der Unterschied zwischen MAPE und WAPE?
Der MAPE mittelt die prozentuale Abweichung jeder einzelnen Periode, der WAPE teilt die gesamte absolute Abweichung durch das gesamte tatsächliche Zahlungsvolumen. Eine einzige kleine Woche kann den MAPE dominieren, der WAPE gewichtet jede Abweichung mit dem betroffenen Volumen. Im Rechenbeispiel kommt dieselbe Prognose auf 21,0 % MAPE und 14,3 % WAPE.
Wie genau ist eine Liquiditätsplanung mit KI?
Am genauesten ist eine KI-gestützte Cashflow-Prognose bei kurzen Horizonten und aktuellen Debitoren- und Kreditorendaten. Jede Genauigkeitsangabe sollte Horizont, Datenbasis und Kennzahl nennen. CashPulse erreicht bei Horizonten bis zu 90 Tagen eine Prognosegenauigkeit von 90 bis 95 % (100 minus MAPE). Das können Sie mit den Schritten oben an Ihren eigenen Istwerten überprüfen.
Was ist ein Bias in der Cashflow-Prognose?
Der Bias einer Prognose ist eine systematische Abweichung in eine Richtung, gemessen als Summe der Fehler geteilt durch die Summe der Istwerte. Ein negativer Bias bei den Zahlungseingängen bedeutet, dass das Geld später kommt als geplant, meist weil die Prognose von Fälligkeitsterminen ausgeht.
