Transformance ergänzt SAP um KI-native Daten aus Zahlungsabgleich und Forderungsmanagement. So erhält Ihr Treasury statt statischer ERP-Momentaufnahmen ein Echtzeitbild der Debitoren. Native SAP-Werkzeuge wie S/4HANA Cash Management und FSCM lesen nur aus, was bereits im ERP-System gebucht ist. Ihre Prognose ist damit immer nur so aktuell wie der letzte Kontoauszugsimport oder die letzte manuelle Erfassung. Transformance schließt diese Lücke: Die Lösung ordnet Zahlungen zu, bewertet die Einbringungswahrscheinlichkeit und speist ein Live-Bild der erwarteten Liquidität direkt in die von SAP erstellte Prognose ein.
Zuletzt aktualisiert: Juli 2026
Das Wichtigste in Kürze
- Die nativen Tools für die Liquiditätsplanung von SAP (S/4HANA Cash Management, FSCM, ältere ECC-Module) erstellen ihre Prognosen aus ERP-Snapshots, nicht aus den laufenden Vorgängen in der Debitorenbuchhaltung. So arbeiten sie mit veralteten Daten.
- Laut PwC (2023) haben nur 47 % der Finanzverantwortlichen den kurzfristigen Liquiditätsstatus aller Gesellschaften vollständig im Blick. Diese Lücke schließen native SAP-Module allein nicht.
- Die meisten SAP-Finanzteams führen ihre Prognosedaten nach wie vor in Tabellenkalkulationen außerhalb des ERP-Systems zusammen. Damit holen sie sich genau jene manuellen Fehler zurück, die SAP eigentlich beseitigen sollte.
- Eine KI-native Plattform bereitet Debitorendaten auf, bevor sie in SAP einfließen: abgeglichene Zahlungen, bewertete Einbringungswahrscheinlichkeiten, aktueller Streitfallstatus. So prognostizieren Sie deutlich präziser als mit ERP-Daten allein.
- CashPulse von Transformance erweitert SAP, statt es zu ersetzen. Die Lösung zieht aktuelle Signale aus Zahlungsabgleich und Forderungsmanagement in genau die Prognose, auf die sich Ihr Treasury bereits verlässt.
In diesem Artikel
- Das Wichtigste in Kürze
- Was ist Liquiditätsplanung in SAP?
- Wie funktioniert die Liquiditätsplanung im S/4HANA Cash Management?
- Wo SAP FSCM und Cash Management an ihre Grenzen stoßen
- Welche Daten führen tatsächlich zu einer präzisen Liquiditätsplanung?
- So erstellen Sie eine präzise Liquiditätsplanung mit und rund um SAP
- So verbessern KI-native Debitorendaten die Liquiditätsplanung in SAP
- SAP-Tools für die Liquiditätsplanung im Vergleich
- Häufig gestellte Fragen
- Fazit: Bessere Daten schlagen das bessere Modell
Was ist Liquiditätsplanung in SAP?
Die Liquiditätsplanung in SAP (auch Cashflow-Prognose) sagt künftige Zahlungseingänge und -ausgänge voraus. Grundlage sind die Daten, die in den ERP- und Treasury-Modulen von SAP liegen, vor allem in S/4HANA Cash Management, SAP FSCM (Financial Supply Chain Management) und im klassischen Cash and Liquidity Management von SAP ECC. Dabei laufen Kontoauszugsdaten, offene Forderungen und Verbindlichkeiten, Merkposten und geplante Transaktionen zusammen. So entsteht ein prognostizierter Liquiditätsstatus über einen festgelegten Zeithorizont, typischerweise sieben bis 90 Tage bei operativen Prognosen und bis zu einem Jahr in der strategischen Planung.
Der Kern des Problems: Die Liquiditätsplanung in SAP soll Daten strukturieren, die bereits im ERP-System liegen. Es liefert jedoch keine neuen Erkenntnisse darüber, ob ein Kunde tatsächlich pünktlich zahlt, ob sich ein Abzug als berechtigt oder unberechtigt erweist oder wie ein Mahnanruf am heutigen Vormittag den erwarteten Zahlungseingang von morgen verändert. Diese Unterscheidung wiegt schwerer, als die meisten SAP-Bewertungen einräumen.
Wie funktioniert die Liquiditätsplanung im S/4HANA Cash Management?
Das S/4HANA Cash Management führt mehrere Datenquellen zu einem konsolidierten Liquiditätsstatus zusammen: Kontoauszugsdaten (über die Formate MT940, CAMT.053 oder BAI2), offene Debitoren- und Kreditorenposten sowie Merkposten. Es unterstützt Planungsebenen, Liquiditätspositionen und ein Cash-Management-Dashboard, das Ist-Werte den Planwerten gegenüberstellt.
Wer S/4HANA ohnehin schon einsetzt, bekommt hier eine echte Funktion und keinen Platzhalter. Das Modul bindet Banken solide an, konsolidiert mehrere Gesellschaften und kategorisiert die Liquidität auf einer grundlegenden Ebene. Schwächen zeigt es dort, wo es vorausschauen soll: Es prognostiziert nicht, wann offene Forderungen aus Lieferungen und Leistungen tatsächlich zu Liquidität werden, sondern bildet nur ab, was aktuell offen ist.
Das S/4HANA Cash Management setzt voraus, dass Rechnungen fristgerecht bezahlt werden. Ein eigener Mechanismus fehlt, um zu bewerten, welche Kunden voraussichtlich zu spät zahlen, welche Abzüge strittig werden oder welche Zahlungszusagen aus einem Mahntelefonat dieser Woche wirklich halten. Das ist eine strukturelle Lücke, kein Konfigurationsproblem.
Wo SAP FSCM und Cash Management an ihre Grenzen stoßen
SAP FSCM ergänzt das zentrale Cash Management um Kreditmanagement, Forderungsmanagement und Streitfallmanagement. Für Treasury-Teams, die mehr brauchen als ein einfaches Liquiditäts-Dashboard, ist das ein Fortschritt. Doch bei Finanzteams, die FSCM länger als ein Jahr nutzen, zeigen sich immer wieder drei Grenzen.
Datenlatenz. FSCM prognostiziert auf Basis dessen, was im ERP-System gebucht ist. Ist eine Zahlung noch nicht zugeordnet oder liegt ein Zahlungsavis unbearbeitet in einem E-Mail-Postfach, dann existiert sie in der Prognose schlicht noch nicht. Laut Gartner (2023) verbringen Finanzteams noch immer bis zu 30 % des Planungszyklus damit, Daten manuell zusammenzuführen. Ein Großteil davon entfällt darauf, Daten abzugleichen, die nicht rechtzeitig ins ERP-System gelangt sind.
Konsolidierung mit hohem Excel-Anteil. Konzerne mit mehreren Gesellschaften, die SAP über verschiedene Regionen hinweg betreiben, exportieren FSCM-Daten häufig nach Excel. Dort konsolidieren sie Währungen, nehmen Intercompany-Eliminierungen vor oder binden Prognosen einzelner Geschäftsbereiche ein, die vollständig außerhalb von SAP liegen. Damit kehrt genau das manuelle Risiko zurück, das eine ERP-basierte Prognose eigentlich beseitigen soll.
Schwaches Forderungssignal fürs Mahnwesen. Das Modul Forderungsmanagement von FSCM verfolgt Arbeitslisten und Mahnstatus. Es sagt die Zahlungswahrscheinlichkeit aber nicht aus Verhaltensmustern voraus, wie es ein speziell dafür entwickeltes KI-Modell kann. Ein Kunde, der zwei seiner letzten drei Zahlungszusagen gebrochen hat, sieht in FSCM genauso aus wie ein Kunde mit tadelloser Zahlungshistorie, solange das niemand manuell markiert.
Eingeschränkte Szenariomodellierung. Die native SAP-Prognose beherrscht einfache Umschaltungen zwischen Best Case und Worst Case. Ein Szenario aber mit einer konkreten Maßnahme zu verknüpfen („Was passiert mit der 30-Tage-Prognose, wenn wir das Mahnwesen bei unseren 20 größten überfälligen Konten beschleunigen?“), erfordert in der Regel eine Eigenentwicklung oder ein zusätzliches Planungstool.
Welche Daten führen tatsächlich zu einer präzisen Liquiditätsplanung?
Eine präzise Liquiditätsplanung hängt von Echtzeit-Signalen aus der Debitorenbuchhaltung ab, also von abgeglichenen Zahlungsdaten, vom aktuellen Stand im Forderungsmanagement und vom Streitfallstatus, nicht allein von gebuchten Rechnungen und Kontoständen. Laut AFP (2024) erreichen Unternehmen, die ihre Liquiditätsplanung automatisieren, eine Genauigkeit, die weniger als 5 % von den Ist-Werten abweicht. Teams, die manuell oder halbmanuell konsolidieren, liegen dagegen bei 15 bis 20 % Abweichung.
Dahinter steckt ein einfacher Mechanismus: Eine Prognose ist immer nur so gut wie die Forderungsdaten, die in sie einfließen. Hinkt der Zahlungsabgleich zwei Tage hinterher, bleiben Abzüge eine Woche lang unklassifiziert liegen oder erfassen Sie Ergebnisse aus dem Forderungsmanagement in einer Tabelle statt im führenden System, dann schleppt die Prognose diesen Verzug mit.
Für die Genauigkeit zählen vor allem drei Datenquellen:
- Status des Zahlungsabgleichs. Ob Sie eine Zahlung bereits einer Rechnung zugeordnet haben oder ob sie noch unabgeglichen offen liegt, entscheidet darüber, ob dieser Geldeingang bestätigt oder nur prognostiziert ist.
- Einbringungswahrscheinlichkeit. Ein Score, der auf der individuellen Zahlungshistorie des Kunden beruht, sagt deutlich mehr aus als starre Zahlungsziele.
- Streitfall- und Abzugsstatus. Eine Rechnung, die in einem ungeklärten Abzug steckt, sollten Sie anders prognostizieren als eine saubere, fristgerechte Rechnung.
McKinsey (2023) stellte fest: Finanzorganisationen, die KI-gestützte Prognosedaten nutzen, halbieren die Durchlaufzeit ihrer Prognosen gegenüber der tabellenbasierten Konsolidierung nahezu. Der Grund liegt vor allem darin, dass die manuelle Abstimmung zwischen den Debitorensystemen und der Prognose entfällt.
So erstellen Sie eine präzise Liquiditätsplanung mit und rund um SAP
Finanzteams müssen SAP nicht abschaffen, um präzise zu prognostizieren. Der größte Teil der Lösung ist eine Frage der Architektur: Bringen Sie bessere Daten schneller in SAP und verknüpfen Sie diese Daten automatisch mit der Prognose statt von Hand.
- Analysieren Sie die aktuelle Datenlatenz. Messen Sie, wie viel Zeit vergeht zwischen dem tatsächlichen Eingang einer Zahlung oder eines Abzugs und dem Moment, in dem er als nutzbare Daten in SAP erscheint. Zählt diese Spanne nach Tagen, ist Ihre Prognose bereits veraltet, bevor sie überhaupt jemand ansieht.
- Automatisieren Sie den Zahlungsabgleich, bevor die Daten nach SAP fließen. Gleichen Sie Zahlungsavise schneller und genauer ab, bleiben weniger unabgeglichene Posten außerhalb der Prognose liegen. Das ist die wirkungsvollste Einzelmaßnahme gegen Prognoselatenz.
- Bewerten Sie die Zahlungswahrscheinlichkeit, statt sich auf Fälligkeitsstaffeln zu verlassen. Ein altersbasiertes Mahnwesen zeigt Ihnen, was überfällig ist. Ein Wahrscheinlichkeitswert zeigt Ihnen, was voraussichtlich tatsächlich bezahlt wird, und wann.
- Konsolidieren Sie die Daten mehrerer Gesellschaften über Integration, nicht über Tabellen. Jeder manuelle Export- und Zusammenführungsschritt ist eine Stelle, an der die Prognose von der Realität abweichen kann.
- Erstellen Sie Szenarien, die an konkrete Maßnahmen geknüpft sind. Eine Prognose, die zeigt: „Was passiert, wenn wir die 20 größten überfälligen Konten priorisieren?“, nützt einem CFO mehr als ein generischer Schalter zwischen Best Case und Worst Case.
- Gleichen Sie die Prognose wöchentlich mit den Ist-Werten ab. Verfolgen Sie die Abweichung über die Zeit und kalibrieren Sie damit das Modell neu, statt nur im Nachhinein über die Genauigkeit zu berichten.
Teams, die darin ein Datenproblem sehen und keine Frage des Softwareaustauschs, kommen schneller zu einer präzisen Prognose, und das ohne eine mehrjährige SAP-Neueinführung.
So verbessern KI-native Debitorendaten die Liquiditätsplanung in SAP
Genau hier verändert eine KI-native Plattform die Ausgangslage. Transformance verarbeitet die unstrukturierten vorgelagerten Daten (Zahlungsavis-PDFs, E-Mails, EDI, Downloads aus Bankportalen) mit Vision-Language-Modellen, statt sich auf OCR und Regex zu verlassen, wie es herkömmliche Tools tun. Das heißt: Neue Avis-Formate ordnet das System korrekt zu, ohne dass Sie wochenlang Vorlagen konfigurieren müssen.
CashPulse, das Prognosemodul von Transformance, stützt seine Prognose auf Live-Debitorendaten statt auf eine ERP-Momentaufnahme: welche Rechnungen ClearMatch abgeglichen hat, welche Konten CollectPulse aktiv im Forderungsmanagement bearbeitet und für welche Zahlungszusagen vorliegen oder offene Streitfälle bestehen. Das ist ein grundlegend anderes Signal als „was SAP aktuell als offen anzeigt“. Denn es zeigt, was im Forderungsprozess gerade tatsächlich passiert, und nicht das, was beim letzten Batch-Update gebucht wurde.
Das Forderungsmanagement steigert die Genauigkeit zusätzlich. Der KI-Telefonagent von CollectPulse bearbeitet überfällige Konten eigenständig in über 30 Sprachen, und jede Zahlungszusage fließt automatisch in die Prognose zurück. Zusammen mit Veros dauerhaftem Gedächtnis für das Zahlungsverhalten der Kunden (welche Konten jedes vierte Quartal zu spät zahlen, welche Zusagen brechen) bildet die Prognose das tatsächliche Verhalten ab, nicht nur die Zahlungsbedingungen.
Dafür müssen Sie SAP nicht ersetzen. Transformance läuft parallel zu S/4HANA oder FSCM und speist aufbereitete Debitorensignale in die Prognose ein, statt vom Treasury zu verlangen, das Cash Management von Grund auf neu aufzubauen. Eine typische Einführung dauert vier bis acht Wochen, gegenüber drei bis sechs Monaten bei den meisten etablierten Debitorenplattformen und deutlich länger, wenn Sie ein natives SAP-Modul einführen.
An diesem Punkt verbindet sich die Liquiditätsplanung in SAP auch mit dem übergeordneten Order-to-Cash-Prozess. Eine Prognose steht am Ende von Forderungsmanagement, Zahlungsabgleich und Abzugsmanagement. Wer die Prognosegenauigkeit erhöhen will, verbessert deshalb meist zuerst die Datenqualität in diesen vorgelagerten Prozessen, statt am Prognosemodell selbst zu feilen. Finanzteams, die zusätzlich mit der Automatisierung des Monatsabschlusses kämpfen, stoßen oft auf dieselbe Ursache: Daten, die zwar technisch in SAP vorliegen, aber erst nutzbar werden, wenn sie jemand manuell abstimmt.
SAP-Tools für die Liquiditätsplanung im Vergleich
Häufig gestellte Fragen
Was ist Liquiditätsplanung in SAP?
Die Liquiditätsplanung in SAP bezeichnet die Vorhersage künftiger Zahlungseingänge und -ausgänge auf Basis von Daten aus den ERP- und Treasury-Modulen von SAP, in erster Linie S/4HANA Cash Management, FSCM oder das klassische ECC Cash and Liquidity Management. Dabei fließen Bankdaten, offene Forderungen und Verbindlichkeiten sowie geplante Transaktionen zu einem prognostizierten Liquiditätsstatus zusammen, und zwar über einen frei wählbaren Zeithorizont.
Enthält S/4HANA eine Liquiditätsplanung?
Ja. S/4HANA bietet eine Cash-Management-Funktionalität, die Kontoauszüge, offene Debitoren- und Kreditorenposten sowie Merkposten zu einem Liquiditätsstatus und einer grundlegenden Planungssicht bündelt. Die Konsolidierung über Gesellschaften hinweg und die Bankanbindung funktionieren gut. Es fehlt jedoch ein natives Verfahren, um die Zahlungswahrscheinlichkeit von Kunden zu bewerten oder Szenarien auf Basis des Forderungseinzugs zu modellieren.
Worin liegt der Unterschied zwischen SAP Cash Management und SAP FSCM bei der Prognose?
Cash Management konzentriert sich darauf, Daten zum Liquiditätsstatus zu konsolidieren und auszuwerten. FSCM geht darüber hinaus und ergänzt Collections Management, Credit Management und Streitfallmanagement. FSCM liefert Finanzteams mehr Kontext zu den Forderungen. Doch beide Module prognostizieren auf Basis gebuchter ERP-Daten statt anhand aktueller, verhaltensbasierter Signale aus der Debitorenbuchhaltung.
Wie genau ist die native Liquiditätsplanung von SAP?
Wie genau die native Prognose von SAP ausfällt, hängt vollständig davon ab, wie aktuell und vollständig die zugrunde liegenden ERP-Daten sind. Und diese Daten hinken der tatsächlichen Debitorenaktivität typischerweise um Tage hinterher. Laut AFP (2024) weichen Teams, die sich auf manuelle oder halbautomatische Prognose-Eingaben stützen, um 15 bis 20 % von den Ist-Werten ab. Bei Teams, deren Prognose auf automatisierten Daten aus der Debitorenbuchhaltung beruht, liegt die Abweichung dagegen unter 5 %.
Lässt sich die Liquiditätsplanung in SAP verbessern, ohne SAP zu ersetzen?
Ja. Die meisten Genauigkeitsprobleme lösen Sie, indem Sie die Datenbasis von SAP verbessern, nicht indem Sie das ERP-System ersetzen. Eine KI-native Ebene für Zahlungsabgleich, Forderungsmanagement und Abzüge, die SAP vorgelagert ist, schließt die Datenlücke, die den Großteil der Prognoseungenauigkeit verursacht.
Welche Daten verbessern die Genauigkeit der Liquiditätsplanung am stärksten?
Der Status abgeglichener Zahlungen, die Zahlungswahrscheinlichkeit im Forderungsmanagement sowie der Status von Streitfällen oder Abzügen prägen die Prognosegenauigkeit am stärksten. Das sind die drei entscheidenden Eingangsgrößen. McKinsey (2023) stellte fest, dass KI-gestützte Prognose-Eingaben die Prognosezykluszeit gegenüber einer tabellenbasierten Konsolidierung ungefähr halbieren.
Wie arbeitet Transformance für die Liquiditätsplanung mit SAP zusammen?
Das CashPulse-Modul von Transformance bindet sich an SAP an und speist aktuelle Signale aus der Debitorenbuchhaltung ein: aus abgeglichenen Zahlungen, aktivem Forderungsmanagement und offenen Streitfällen. Das ERP-System bleibt bestehen und wird nicht ersetzt. Die Einführung erfolgt typischerweise in vier bis acht Wochen, parallel zu einer bestehenden S/4HANA- oder FSCM-Umgebung.
Fazit: Bessere Daten schlagen das bessere Modell
Die nativen Tools für die Liquiditätsplanung von SAP sind nicht fehlerhaft, aber sie sind konzeptbedingt begrenzt: Sie rechnen nur mit dem, was bereits im ERP-System verbucht ist. Damit erben sie jede Verzögerung, die weiter oben in der Debitorenbuchhaltung entsteht. Die Lösung liegt nicht in einem größeren Prognosemodell innerhalb von SAP. Sie liegt in besseren, schnelleren und aktuelleren Daten, die in die Prognose einfließen, die SAP ohnehin schon erstellt.
Genau diese Lücke schließt Transformance. Wir gleichen Zahlungen ab und bewerten Einbringungswahrscheinlichkeiten, noch bevor diese Daten in SAP ankommen. So zeigt Ihre Prognose, was tatsächlich im Forderungsbestand passiert, statt dessen, was letzte Woche verbucht wurde. Wenn Ihr Team sehen möchte, wie eine Debitoren-gesteuerte Prognose auf Basis Ihrer bestehenden SAP-Umgebung aussieht, buchen Sie einen Termin mit Transformance.
