Das Wichtigste in Kürze
- CashPulse von Transformance erreicht 90 bis 95 % Prognosegenauigkeit (100 minus MAPE) bis zu 90 Tage im Voraus (Transformance-Kundendaten, 2026).
- Der MAPE bestraft zu hohe Prognosen stärker: Im Beispiel unten schlägt dieselbe Abweichung von 0,5 Mio. Euro mit 5,00 % zu Buche, wenn die Prognose zu niedrig liegt, und mit 5,26 %, wenn sie zu hoch liegt.
- Im selben Vier-Wochen-Beispiel kommt eine Prognose auf 94,3 % (100 minus MAPE) und 94,4 % (100 minus WAPE). Innerhalb eines Bands von ±5 % liegt sie in 2 von 4 Wochen.
In diesem Artikel
- Das Wichtigste in Kürze
- Wie genau ist eine Liquiditätsprognose mit KI?
- Was misst 100 minus MAPE eigentlich?
- Warum bewertet der MAPE eine zu hohe Prognose anders als eine zu niedrige?
- Rechenbeispiel: Wie wird 100 minus MAPE berechnet?
- Was beeinflusst die Genauigkeitsangabe außer dem Modell?
- Wie testen Sie die Genauigkeit einer KI-Prognose an Ihren eigenen Daten?
- Welche Genauigkeit können Sie mit Ihren eigenen Daten erwarten?
Wie genau ist eine Liquiditätsprognose mit KI?
CashPulse von Transformance erreicht 90 bis 95 % Prognosegenauigkeit (100 minus MAPE) bis zu 90 Tage im Voraus. Mit wachsendem Abstand sinkt die Genauigkeit, deshalb braucht jede Angabe ihren Horizont.
Prognosegenauigkeit ist ein Maß dafür, wie gut eine festgeschriebene Prognose für einen bestimmten Horizont mit dem übereinstimmt, was tatsächlich eingetreten ist. Unsere Angabe beruht auf Transformance-Kundendaten (2026). CashPulse erstellt Prognosen für 30, 90 und 365 Tage. Je weiter der Horizont reicht, desto größer wird der Fehler.
Zur Einordnung: In Treasury-Abteilungen, die überwiegend mit Tabellenkalkulationen arbeiten, liegt die Prognoseabweichung „oft über 20 %“ (EY India, 2026; Zitate aus englischsprachigen Quellen hier und im Folgenden in eigener Übersetzung).
Einen allgemeingültigen Maßstab für Genauigkeitsangaben gibt es nicht, auch nicht für unsere. Jede beruht auf ihrer eigenen Kennzahl, ihrem Horizont, ihrer Ebene und ihrem Testzeitraum. Welche Methoden die Prognose genauer machen, zeigt unser Beitrag zur genaueren Liquiditätsplanung mit KI. Hier geht es darum, wie die Zahl zustande kommt und wie Sie sie prüfen.
Was misst 100 minus MAPE eigentlich?
100 minus MAPE ist 100 abzüglich der durchschnittlichen prozentualen Abweichung je Prognoseperiode. Ein MAPE von 6 % beim 90-Tage-Horizont heißt also: 94 % Genauigkeit für genau diesen Horizont.
MAPE steht für Mean Absolute Percentage Error, den mittleren absoluten prozentualen Fehler. Hyndman und Athanasopoulos definieren den prozentualen Fehler als p = 100 e / y. Dabei ist e der Fehler (Ist minus Prognose) und y der Istwert. Der MAPE ist der Mittelwert der Beträge von p (Forecasting: Principles and Practice, 2021). Daraus folgt dreierlei:
- Jede Periode zählt gleich viel. Eine Woche mit 2 Mio. Euro und eine mit 20 Mio. Euro gehen mit je einem Prozentwert in den Durchschnitt ein.
- Der Istwert steht im Nenner. Jede Abweichung wird an dem gemessen, was eingetreten ist, nicht an dem, was Sie geplant haben.
- Es zählen nur festgeschriebene Prognosen. Ein Rolling Forecast überschreibt jeden Lauf mit dem nächsten. Speichern Sie deshalb jeden Lauf mit Datum und bewerten Sie genau diesen Stand.
Warum bewertet der MAPE eine zu hohe Prognose anders als eine zu niedrige?
Der MAPE teilt jede Abweichung durch den Istwert. Prozentuale Fehler bestrafen deshalb zu hohe Prognosen stärker als zu niedrige.
Prozentuale Fehler „bestrafen negative Fehler stärker als positive“ (Hyndman und Athanasopoulos, 2021). Ein negativer Fehler bedeutet, dass die Prognose über dem Istwert lag.
Dahinter stecken zwei Mechanismen. Eine zu niedrige Prognose kann nie schlechter abschneiden als mit 100 %, dem Wert einer Prognose von null. Eine zu hohe Prognose hat dagegen keine Obergrenze: Prognostizieren Sie 3 Mio. Euro für eine Woche, in der 1 Mio. Euro eingeht, steht für diese Woche ein Fehler von 200 %. Zudem ist bei einer zu hohen Prognose der Istwert die kleinere Zahl, und genau durch sie teilt der MAPE.
Kolassa und Martin haben gezeigt, „wie man in die Irre geführt werden kann, wenn man den MAPE verwendet“ (Foresight, 2011). Das gilt für die Wahl einer Prognosemethode ebenso wie für die Belohnung guter Prognosen. Wer den MAPE minimiert, bevorzugt Prognosen, die eher zu niedrig liegen. Ob das schadet, hängt von der Position ab:
- Zahlungseingänge: Es geht mehr Geld ein als geplant. Das ist der günstigere Fehler, auch wenn er Liquiditätspuffer bindet, den Sie nicht gebraucht hätten.
- Auszahlungen: Es fließt mehr Geld ab als geplant. Das ist der teure Fehler.
- Netto-Cashflow: Hier ist der MAPE fehl am Platz, weil die Reihe das Vorzeichen wechselt und ein prozentualer Fehler bei null nicht definiert ist. Was Sie stattdessen verwenden, erklärt unser Leitfaden zur Prognosegenauigkeit.
Rechenbeispiel: Wie wird 100 minus MAPE berechnet?
Bei einer illustrativen Vier-Wochen-Prognose der Zahlungseingänge beträgt die Abweichung im Wochenschnitt 5,69 %. 100 minus MAPE ergibt damit 94,3 %, 100 minus WAPE auf denselben Daten 94,4 %.
Ausgangslage: eine Gesellschaft, vier Wochen Zahlungseingänge in Mio. Euro. Jede Woche wird mit der Punktprognose verglichen, die eine Woche vorher festgeschrieben wurde. Die Zahlen sind rein illustrativ und beruhen nicht auf Kundendaten.
- MAPE: (5,00 + 5,26 + 5,00 + 7,50) / 4 = 5,69 %, 100 minus MAPE ergibt also 94,3 %.
- WAPE: Der gewichtete absolute prozentuale Fehler teilt die Summe der absoluten Fehler durch die Summe der Istwerte. Hier: (0,5 + 0,5 + 0,6 + 0,6) / 39,5 = 5,57 %, 100 minus WAPE ergibt also 94,4 %.
- Bias: Der Bias misst die systematische Abweichung in eine Richtung. Hier summieren sich die Fehler auf null, der Bias liegt also bei 0,0 %.
- Trefferquote im Band von ±5 %: die Wochen 1 und 3, also 2 von 4 (50 %).
In den Wochen 1 und 2 stehen dieselben zwei Zahlen, nur vertauscht: Die um 0,5 Mio. Euro zu niedrige Prognose kommt auf 5,00 %, die um 0,5 Mio. Euro zu hohe auf 5,26 %. Woche 4 schneidet mit 7,50 % am schlechtesten ab, obwohl ihre Abweichung von 0,6 Mio. Euro so groß ist wie die in Woche 3. Der Grund: Woche 4 hat die geringsten Zahlungseingänge, und die Prognose lag zu hoch.
MAPE und WAPE liegen nur 0,1 Punkte auseinander, weil die Wochenvolumina ähnlich sind. Ein großer Abstand zwischen beiden zeigt, dass schwache Wochen den MAPE nach oben treiben. Im Fünf-Wochen-Beispiel des Leitfadens zur Prognosegenauigkeit reißt eine einzige Feiertagswoche eine Lücke von fast 7 Punkten.
Eine Prognose, vier Genauigkeitsangaben
100 minus MAPE passt, wenn jede Woche gleich viel zählt und keine Woche nahe null liegt. 100 minus WAPE zeigt, wie viel vom bewegten Zahlungsvolumen Sie verfehlt haben. Wo die Wochenvolumina stark schwanken, ist das die belastbarere Leitkennzahl. Deshalb stellt der Leitfaden zur Prognosegenauigkeit sie an den Anfang. Der Bias gehört in beiden Fällen dazu.
Was beeinflusst die Genauigkeitsangabe außer dem Modell?
Fünf Entscheidungen können eine Genauigkeitsangabe ebenso stark verschieben wie das Modell: der Horizont, die Ebene, die bewertete Position, der Testzeitraum und die Frage, ob die Prognosen festgeschrieben waren.
Horizont. 30, 90 und 365 Tage sind drei getrennte Aussagen. Ein guter Wert für Woche 2 sagt nichts über Monat 3.
Ebene. Konzernsummen schneiden besser ab als einzelne Gesellschaften, weil sich Abweichungen ausgleichen. Der härteste Test ist der Zahlungszeitpunkt je Rechnung. Wie sich die Ebenen zur Konzernsicht verdichten, zeigt unser Beitrag zur Liquiditätsplanung im Konzern.
Position. Zahlungseingänge, Auszahlungen und Netto-Cashflow brauchen jeweils eine eigene Bewertung.
Testzeitraum. Mindestens 12 Monate und außerhalb der Trainingsdaten (Out-of-Sample), damit Quartalsenden und Feiertagswochen in den Test fallen. Vier ruhige Wochen beweisen wenig.
Festgeschriebene Prognosen. Eine nachträglich angepasste Prognose schneidet besser ab als die, mit der Sie tatsächlich geplant haben.
CashPulse läuft in über 20 Ländern mit einem einzigen Modell und über 100 Treibern. Ein einziger Testaufbau gilt damit für jede Gesellschaft. Verlangen Sie neben dem Konzernwert auch die Werte je Gesellschaft: Dort fallen die Finanzierungsentscheidungen.
Wie testen Sie die Genauigkeit einer KI-Prognose an Ihren eigenen Daten?
Vereinbaren Sie die Kennzahl schriftlich und schreiben Sie jede Prognose fest. Bewerten Sie 30 und 90 Tage getrennt an Ihren Istwerten, mit Bias und WAPE neben 100 minus MAPE.
Sechs Punkte, die Sie vor einem Genauigkeitstest schriftlich vereinbaren sollten:
- Die Kennzahl und ihre Formel, ausgeschrieben, damit beide Seiten dieselbe Zahl berechnen.
- Die Horizonte, getrennt bewertet: 30 und 90 Tage, dazu 365 Tage als Planungskorridor.
- Ebene und Position: Rechnung, Gesellschaft oder Konzern; Ein- und Auszahlungen getrennt bewertet, den Netto-Cashflow nie mit dem MAPE.
- Der Testzeitraum und die Regel, dass jede Prognose mit Datum gespeichert wird, bevor die Istwerte bekannt sind.
- Der Vergleich: Ihre bisherige Prognose und eine naive Prognose nach Fälligkeit für dieselben Wochen.
- Was neben der Hauptkennzahl steht: WAPE, Bias und die fünf größten Abweichungen mit ihren Ursachen.
Ihre erste 13-Wochen-Prognose mit CashPulse steht nach 2 bis 4 Wochen. Ein Proof of Value läuft 4 bis 5 Wochen an einer Gesellschaft. In diesem Zeitfenster lassen sich die nahen Wochen bewerten. Eine Prognose, die am ersten Tag festgeschrieben wird, erreicht ihre 90-Tage-Marke erst im dritten Monat. Vereinbaren Sie für diesen Horizont deshalb einen Backtest mit Ihren historischen Daten. Eine 13-Wochen-Liquiditätsplanung auf Basis der Fälligkeiten ist ein fairer naiver Vergleichsmaßstab.
Welche Genauigkeit können Sie mit Ihren eigenen Daten erwarten?
Am höchsten ist die Genauigkeit, wo Zahlungen häufig eingehen und die Zahlungshistorie lang ist. Niedriger fällt sie bei Neukunden, unregelmäßigen Projektzahlungen, Streitfällen und Einmaleffekten aus.
Ein Modell leitet den Zahlungszeitpunkt daraus ab, wie ein Kunde bisher gezahlt hat. Drei Jahre monatlicher Rechnungen ergeben ein Muster, ein Neukunde liefert einen einzigen Datenpunkt. Auch Ihre Debitorendaten verändern den Wert:
- Nicht zugeordnete Zahlungen verfälschen die Istwerte. Solange ein Zahlungseingang nicht zugeordnet ist, wirkt die zugehörige Rechnung weiter offen. Dunkelverarbeitung im Zahlungsabgleich bereinigt die Istwerte, an denen Sie messen.
- Streitfälle verzögern oder kürzen Zahlungseingänge. Eine Prognose, die den Streitfall nicht kennt, liegt für diese Woche zu hoch. Mehr dazu im Beitrag zum Dispute Management mit KI.
- Zahlungszusagen nennen ein festes Datum, das eine Prognose nach Fälligkeit nicht kennt. Lesen Sie dazu, wie KI Zahlungszusagen nachverfolgt.
In Transformance liegen Zahlungshistorie, Zahlungszusagen, Streitfälle und Abzüge in Customer 360, einem Graphen je Kunde. Mit diesem Graphen arbeitet der KI-Agent Vero. Gehen Sie jeden Monat die fünf größten Abweichungen durch. Bei vielen steht die Ursache in einem einzigen Datensatz: eine verschobene Zusage, ein offener Streitfall, eine nicht zugeordnete Zahlung. Weitere Ursachen beschreibt unser Beitrag dazu, warum Cashflow-Prognosen so oft ungenau sind.
Eine ehrliche Grenze: CashPulse plant bis zu 365 Tage voraus. Die 90 bis 95 % Prognosegenauigkeit (100 minus MAPE) beziehen sich aber auf Horizonte bis zu 90 Tagen. Daran dürfen Sie uns messen.
Fazit: Eine Genauigkeitsangabe ist nur so gut wie ihre Methode
Fragen Sie bei jeder Genauigkeitsangabe nach Kennzahl, Horizont, Ebene, Testzeitraum und Bias. Prüfen Sie die Angabe an Ihren eigenen Istwerten, bevor Sie sich darauf verlassen.
Unsere Angabe, so formuliert: CashPulse erreicht 90 bis 95 % Prognosegenauigkeit, gemessen als 100 minus MAPE, bis zu 90 Tage im Voraus (Transformance-Kundendaten, 2026). Prüfen Sie das in einem Proof of Value anhand der sechs Punkte oben.
Häufig gestellte Fragen
Wie genau ist eine Liquiditätsprognose mit KI?
Am genauesten ist eine Liquiditätsprognose mit KI bei kurzen Horizonten: CashPulse von Transformance erreicht 90 bis 95 % Prognosegenauigkeit (100 minus MAPE) bis zu 90 Tage im Voraus. Jede Angabe sollte ihren Horizont, ihre Kennzahl und ihren Testzeitraum nennen.
Was bedeuten 90 % Prognosegenauigkeit?
Gemessen als 100 minus MAPE heißen 90 %, dass die Prognose in einer durchschnittlichen Periode beim genannten Horizont um 10 % des Istwerts danebenlag. Gemessen als 100 minus WAPE betrug die gesamte Abweichung 10 % des bewegten Zahlungsvolumens.
Wie wird die Prognosegenauigkeit von CashPulse gemessen?
CashPulse weist seine Genauigkeit als 100 minus MAPE aus: 90 bis 95 % bis zu 90 Tage im Voraus (Transformance-Kundendaten, 2026). In einem Proof of Value rechnen Sie den Wert an Ihren eigenen festgeschriebenen Prognosen und Istwerten nach.
Warum bestraft der MAPE zu hohe Prognosen stärker als zu niedrige?
Der MAPE teilt jede Abweichung durch den Istwert. Eine zu niedrige Prognose kann deshalb nie schlechter als 100 % abschneiden, eine zu hohe hat keine Obergrenze. Wer eine Prognose auf einen möglichst kleinen MAPE trimmt, erhält tendenziell zu niedrige Werte.
Wie lange dauert es, bis feststeht, ob eine KI-Prognose genau ist?
Bei den nahen Horizonten dauert es einige Wochen, bei 90-Tage-Werten aus dem laufenden Betrieb etwa drei Monate und beim 365-Tage-Horizont ein Jahr. Bis dahin schließt ein Backtest mit historischen Daten die Lücke.
Warum lassen sich Genauigkeitsangaben verschiedener Prognosen nicht direkt vergleichen?
Jede Angabe beruht auf einer eigenen Wahl von Kennzahl, Horizont, Ebene, Position und Testzeitraum. Jede dieser Entscheidungen verschiebt die Zahl, wie das Rechenbeispiel zeigt.
