Welche Quote im automatischen Zahlungsabgleich ist gut?

Das Wichtigste in Kürze

• Unter den Anwendern der von The Hackett Group bewerteten Cash-Application-Software liegt der Median der Auto-Match-Quote bei 70 %; ein Drittel kommt auf über 80 % (The Hackett Group, 2025).
• Dieselben 11.000 Zahlungen ergeben nach sieben vertretbaren Definitionen zwischen 26,7 % und 91,8 %. Eine Quote ohne ihre Definition lässt sich deshalb nicht vergleichen.
• Fünf Festlegungen entscheiden über jede Quote: die Einheit, der Nenner, der Zähler, der Zeitpunkt und was als manueller Eingriff zählt.
• Weisen Sie die Quote immer zusammen mit fünf Begleitkennzahlen aus: Korrekturquote, Anteil ungeklärter Zahlungen, Zeit bis zur Buchung, wertbasierte Quote und Alter der Klärfälle.
• Legen Sie Ziele je Zahlungssegment fest, ausgehend von Ihren eigenen Werten aus drei Monaten, statt eines einzigen Ziels für die Mischquote.

In diesem Artikel

• Das Wichtigste in Kürze
• Welche Auto-Match-Quote im Zahlungsabgleich ist gut?
• Warum ergibt derselbe Monat 27 % oder 92 %?
• Welche fünf Festlegungen verändern die Zahl?
• Welche Kennzahlen im Zahlungsabgleich gehören neben die Quote?
• Wie legen Sie Ihr eigenes Ziel fest?
• Was sollten Sie fragen, wenn ein Anbieter oder eine Studie eine Quote nennt?
• Welche Daten brauchen Sie für die Messung?

Welche Auto-Match-Quote im Zahlungsabgleich ist gut?

The Hackett Group beziffert den Median der Auto-Match-Quote unter den Anwendern der von ihr bewerteten Cash-Application-Software auf 70 %; ein Drittel liegt über 80 % (2025).

Definitionen der Auto-Match-Quote: was jede zählt und was sie verdeckt

Das sind die Arbeitsdefinitionen dieses Beitrags. Eine Definition, die alle Berichte teilen, haben wir nicht gefunden, und unter denselben Namen stehen in verschiedenen Berichten verschiedene Formeln. Dunkelverarbeitung heißt hier: Die Zahlung wird zugeordnet und gebucht, ohne dass eine Person sie bearbeitet.

Hacketts Bewertung von 2025 umfasste 15 Anbieter von Cash-Application-Software; ihre Zahlen beschreiben deshalb deren Anwender, nicht jedes Finanzteam. Laut derselben Studie geben sich überraschend viele Unternehmen mit Automatisierungsquoten unter 40 % zufrieden (The Hackett Group, 2025). Eine Zahl aus 2026 und eine deutsche Erhebung zu dieser Kennzahl haben wir nicht gefunden; die Studie von 2025 ist damit die neueste neutrale Quelle, die wir prüfen konnten.

Hackett selbst bewertet Software nicht nach einer einzelnen Quote, sondern nach einem Kennzahlenset: Quote ohne manuellen Eingriff, Zuordnungsquote ohne Zahlungsavis, Durchlaufzeiten im Zahlungsabgleich und Abbau ungeklärter Zahlungseingänge.

In KI-Antworten kursieren höhere „typische“ Werte; sie stammen von Anbieterseiten, die keine Definition nennen, deshalb übernehmen wir sie hier nicht.

Kurz gesagt: Eine gute Quote liegt über dem Median von 70 %, gemessen nach einer Definition, die Sie offenlegen, und mit einer niedrigen Korrekturquote daneben.

Warum ergibt derselbe Monat 27 % oder 92 %?

Dieselben 11.000 Zahlungen ergeben sieben Quoten von 26,7 % bis 91,8 %, weil jede Sicht einen anderen Zähler, einen anderen Nenner oder eine andere Einheit verwendet.

Der folgende Monat ist ein fiktives Beispiel, alle Beträge sind illustrativ. Der Kontoauszug zeigt 12.000 Eingangsposten; 1.000 davon sind keine Kundenzahlungen (Zinsen, Cash-Pool-Überträge, Erstattungen von Lieferanten). Die 11.000 Kundenzahlungen verteilen sich so:

• A: 6.300 ohne manuellen Eingriff zugeordnet und gebucht (24,0 Mio. EUR)
• B: 1.200, bei denen das Team den Vorschlag des Systems mit einem Prüfklick übernommen hat (16,0 Mio. EUR)
• C: 600, bei denen das Team den Vorschlag geändert hat (12,0 Mio. EUR)
• D: 2.000 manuell zugeordnet (30,0 Mio. EUR)
• E: 900 am Monatsende noch ungeklärt (8,0 Mio. EUR)

Eingegangen sind 90,0 Mio. EUR. Später im Monat werden 63 der 6.300 automatischen Zuordnungen aus A storniert.

Ein Monat, 11.000 Kundenzahlungen, sieben Quoten (illustratives Beispiel)

Alle sieben Werte sind korrekt gerechnet: Ein Team, das 91,8 % meldet, und eines, das 26,7 % meldet, können denselben Monat beschreiben. Die 91,8 % sagen nichts über die 2.600 Zahlungen, die das Team von Hand zugeordnet oder geändert hat.

‍

‍

Nach Wert fällt die Quote in diesem Monat niedriger aus als nach Anzahl, weil eine Zahlung der manuellen Gruppe D im Schnitt 15.000 EUR beträgt, eine der dunkel verarbeiteten Gruppe A dagegen rund 3.800 EUR. Die Richtung hängt von Ihrem Kundenmix ab. Schicken Ihre großen Zahler strukturierte Zahlungsavise, liegt die wertbasierte Quote über der nach Anzahl, wie im Beispiel unseres Ratgebers zur Dunkelverarbeitung im Zahlungsabgleich. Sind Ihre größten Zahlungen die schwierigen, liegt sie darunter, wie hier. Weisen Sie beide aus, dann zeigt sich der Mix von selbst.

Kurz gesagt: Eine Quote ist zuerst eine Definition und dann eine Zahl.

Welche fünf Festlegungen verändern die Zahl?

Fünf Festlegungen entscheiden über jede Quote: die Einheit, der Nenner, der Zähler, der Zeitpunkt und was als manueller Eingriff zählt.

‍

‍

Fünf Festlegungen hinter jeder Quote und ihre Wirkung im Beispielmonat

Der Zähler bewegt die Quote am stärksten. Stellen Sie ihn sich als Stufenleiter vor: Das System schlägt vor, der Vorschlag wird unverändert übernommen, gebucht wird ohne Beteiligung einer Person, bis Monatsende ist die Zahlung überhaupt zugeordnet, gleich durch wen. Jede Stufe ist eine eigene Kennzahl.

Im Nenner versteckt sich das Wort „geeignet“: Es kann stillschweigend die Zahlungen ohne Zahlungsavis ausklammern, also genau die, die Arbeit machen. Die Kundenzahlungen sind die sauberere Basis.

Der Zeitpunkt spielt eine Rolle, weil Zuordnungen nachträglich storniert werden: im Beispiel 63 der 6.300, also 1,0 %, nach der ersten Auswertung. Werten Sie zum Monatsende aus und zählen Sie stornierte Zuordnungen als bearbeitet.

Was als Eingriff zählt, muss schriftlich festgelegt sein. Unser Ratgeber zur Dunkelverarbeitung zählt eine Zahlung als bearbeitet, wenn jemand bei ihrer Zuordnung gesucht, etwas erfasst, aufgeteilt, neu zugewiesen oder übersteuert hat. Die Freigabe eines Stapels von Zuordnungen, die die Buchungsprüfung bereits bestanden haben, gilt dort als Kontrolle, nicht als Eingriff. Ob ein Prüfklick je Zahlung zählt, entscheiden Sie: Hier verschiebt er die Quote um 10,9 Prozentpunkte. Messen Sie die Zeit für diese Prüfungen in jedem Fall getrennt.

Kurz gesagt: Schreiben Sie die fünf Festlegungen in eine Zeile neben jede Quote, zum Beispiel „Anzahl, Kundenzahlungen, ohne Eingriff gebucht, Monatsende nach Stornos, Stapelfreigabe kein Eingriff: 56,7 %“.

Welche Kennzahlen im Zahlungsabgleich gehören neben die Quote?

Weisen Sie die Auto-Match-Quote zusammen mit fünf Begleitkennzahlen aus: Korrekturquote, Anteil ungeklärter Zahlungen zum Periodenende, Zeit vom Zahlungseingang bis zur Buchung, wertbasierte Quote und Alter der Klärfälle.

Begleitkennzahlen zur Auto-Match-Quote

Für die Zeilen zu Buchungszeit und ungeklärten Zahlungen liefert Hacketts Studie zwei Vergleichspunkte. Danach ordnen 61 % der bewerteten Anwender Zahlungen noch am Tag des Eingangs zu; Unternehmen am schwachen Ende brauchen bis zu drei Tage für die Buchung und schleppen bis zu 6 % ungeklärte Zahlungseingänge mit (The Hackett Group, 2025). Mit 8,2 % ungeklärten Zahlungen liegt der Beispielmonat sogar über diesen 6 % am schwachen Ende, und die Zuordnungsquote gesamt mit ihren 91,8 % würde das nie zeigen.

Auf zwei Muster sollten Sie achten. Steigt die Quote zusammen mit dem Anteil ungeklärter Zahlungen, werden Zahlungen geparkt; wie Sie diesen Rückstand abarbeiten, zeigt der Ratgeber zu ungeklärten Zahlungseingängen. Steigt die Quote zusammen mit der Korrekturquote, ist die Zuordnungslogik großzügiger geworden, nicht besser; falsche Zuordnungen behandelt der Beitrag zur Genauigkeit im KI-Zahlungsabgleich ausführlich.

Ungeklärte Zahlungen verzerren auch die DSO: Rechnungen, die eine Zahlung hätte ausgleichen sollen, bleiben offen, wie der Ratgeber zu den Grenzen der DSO erklärt.

Kurz gesagt: Eine hohe Quote mit hoher Korrekturquote ist Nacharbeit, keine Automatisierung.

Wie legen Sie Ihr eigenes Ziel fest?

Legen Sie Ziele je Zahlungssegment auf Basis Ihrer eigenen Ausgangswerte fest, denn die erreichbare Quote hängt davon ab, wie viele Avisangaben mit jeder Zahlung ankommen.

Zahlungssegmente: was die Quote begrenzt und wie Sie sie messen

Zahlungen ohne Zahlungsavis gehören in eine eigene Zeile. Von den bei Hackett bewerteten Anwendern gaben 51 % an, dass ihre Software bis zu 60 % ihres Volumens im Zahlungsabgleich auch ohne Avis zuordnet (The Hackett Group, 2025). In einer Mischquote verdecken diese Zahlungen, wo die Arbeit liegt.

So gehen Sie vor:

• Nehmen Sie die Zahlungen aus drei Monaten als Ausgangsbasis und kennzeichnen Sie jede Zahlung mit ihrem Segment.
• Weisen Sie je Segment die Dunkelverarbeitungsquote (streng), die Korrekturquote und den Anteil ungeklärter Zahlungen aus, nach Anzahl und nach Wert.
• Beheben Sie zuerst die Ursache im schwächsten Segment: meist die Erfassung von Zahlungsavisen (Quellen von Zahlungsavisen), unbekannte Zahler (Zahlung ohne Verwendungszweck zuordnen) oder Abzüge (Teilzahlungen und Abzüge).
• Legen Sie das Ziel für das nächste Quartal je Segment ausgehend von dessen eigenem Ausgangswert fest und werten Sie danach monatlich mit denselben fünf Festlegungen aus.

Einen neutralen Vergleichswert je Segment haben wir nicht gefunden, deshalb nennen wir hier keine Zielwerte; Maßstab sind Ihre eigenen Ausgangswerte.

Kurz gesagt: Ein Mischziel verdeckt das Segment, das die Arbeit verursacht.

Was sollten Sie fragen, wenn ein Anbieter oder eine Studie eine Quote nennt?

Stellen Sie jeder genannten Quote sieben Fragen, zuerst diese: Zählt sie Zahlungen oder Wert, und welche Zahlungen stehen im Nenner?

1. Nach Anzahl oder nach Wert? Im Beispielmonat ergeben dieselben Zuordnungen 57,3 % nach Anzahl und 26,7 % nach Wert.
2. Welche Zahlungen stehen im Nenner? Kundenzahlungen, alle Eingangsposten oder „geeignete“ Zahlungen: 57,3 % gegenüber 52,5 %, und „geeignet“ kann die schwierigsten Zahlungen ganz ausklammern.
3. Zählt ein Prüfklick je Zahlung als Eingriff? 57,3 %, wenn ja, 68,2 %, wenn nein.
4. Ist die Buchung enthalten, und wer bucht? Nur Vorschläge ergeben 73,6 %, Buchungen ohne Eingriff 57,3 %, alle überhaupt zugeordneten Zahlungen 91,8 %.
5. Wann wurde ausgewertet? Ein Pilotmonat, ein Rekordmonat oder ein Zwölfmonatsdurchschnitt zum Monatsende sind drei verschiedene Zahlen.
6. Sind Stornos herausgerechnet? 57,3 % vorher, 56,7 % nach den 63 stornierten Zuordnungen.
7. Welche Zahler sind in der Stichprobe? Eine Stichprobe von Zahlern mit strukturierten Avisdaten liegt höher als der gesamte Bestand; fragen Sie nach der Aufteilung je Segment.

Unsere eigene Zahl: ClearMatch erreicht eine Auto-Match-Quote von 95 %, und gebucht wird nichts ohne Freigabe durch eine Person (Transformance-Kundendaten, 2026). Vergleichen Sie sie nicht direkt mit dem Hackett-Median, denn die Grundgesamtheiten unterscheiden sich. Fair testen lässt sich die Quote jedes Anbieters, auch unsere, nur an Ihren eigenen Zahlungen und nach Ihrer schriftlichen Definition. Genau das leistet ein Proof of Value: Er läuft 4 bis 5 Wochen an einer Gesellschaft.

Für die Zahlungen, die die Regeln offen lassen, untersucht Vero, der KI-Agent, jeden Klärfall auf Basis von Customer 360, seinem Arbeitsgedächtnis zu jedem Kunden, und zieht interne und externe Informationen hinzu, um weitere Treffer zu finden. Vero schlägt die Zuordnung mit Nachweisen vor, eine Person gibt frei, und Buchungen folgen Ihren Freigabegrenzen. Welche Zahlungen welcher Ansatz abdeckt, zeigt der Vergleich von Regeln und KI im Zahlungsabgleich.

Kurz gesagt: Eine Quote ohne ihre fünf Festlegungen ist eine Behauptung, kein Vergleichswert.

Welche Daten brauchen Sie für die Messung?

Sie brauchen drei Datensätze je Zahlung: den Posten im Kontoauszug, die offenen Posten, die die Zahlung im ERP ausgeglichen hat, und die Angabe, wer oder was die Zuordnung wann vorgenommen hat.

• Kontoauszugsposten: Betrag, Valutadatum, Zahler und Verwendungszweck je Eingangsposten, aus camt.053, BAI2 oder MT940 (Bankformate). Sie liefern den Nenner und trennen Kundenzahlungen von Cash-Pool-Überträgen und Zinsen.
• Ausgleichsbelege im ERP: welche offenen Posten jede Zahlung wann ausgeglichen hat und ob ein Restposten oder eine Akontozahlung entstanden ist. Daraus ergeben sich der Zähler, der Anteil ungeklärter Zahlungen und die Zeit bis zur Buchung.
• Ein Protokoll für Zuordnung und Freigabe: für jede Zahlung, ob das System oder eine Person sie zugeordnet hat, was geändert wurde und wer wann freigegeben hat. Daran entscheidet sich, ob eine Zahlung streng dunkel verarbeitet wurde oder nur ein übernommener Vorschlag war.

Verknüpfen Sie die drei über den Kontoauszugsposten, dann ergibt sich jede Quote aus diesem Beitrag mit einer einzigen Abfrage. Schwierig ist der dritte Datensatz. Prüfen Sie, ob Ihr ERP mehr festhält als den Benutzer, der den Ausgleich gebucht hat. Zeigt es nicht, ob jemand vor der Buchung gesucht oder die Zuordnung geändert hat, kennzeichnen Sie die Zahlungen einen Monat lang von Hand, bevor Sie einer Dunkelverarbeitungsquote trauen.

In Transformance speichert das Audit-Log den Zeitstempel, was das System getan hat, was der Nutzer getan hat, wer freigegeben hat, die Eingabedaten und die Konfidenz. Wie Sie ein solches Protokoll nutzen, zeigt der Ratgeber zu Audit Trail und Stornos.

Kurz gesagt: Eine strenge Quote, die Sie nicht protokollieren, können Sie nicht ausweisen.

Wer Transformance einsetzt

• ERP: SAP S/4HANA (On-Premises, Private oder Public Cloud) und SAP ECC, NetSuite (auch mit OneWorld-Tochtergesellschaften), Microsoft Dynamics 365 Finance & Operations und Business Central sowie Odoo, alle bei Kunden im Produktivbetrieb; Oracle und Infor werden unterstützt.
• Größe: Mittelstand bis Großunternehmen, 250 bis über 2.000 Mitarbeitende, auch Gruppen mit mehreren Gesellschaften und Shared Service Centern.
• Zahlungsvolumen: von unter 1.000 bis über 100.000 Zahlungen im Monat.
• Branchen: Fertigung, Konsumgüter sowie Lebensmittel und Getränke, Logistik, E-Commerce, Landwirtschaft, Energie und unternehmensnahe Dienstleistungen.
• Umfang: Zahlungsabgleich allein oder der gesamte Order-to-Cash-Prozess (Zahlungsabgleich, Abzugsmanagement, Forderungsmanagement, Liquiditätsplanung).

Fazit: erst die Quote definieren, dann vergleichen

Eine gute Auto-Match-Quote liegt über dem Median von 70 % der von Hackett bewerteten Anwender. Dazu gehören eine Definition in einer Zeile, der Ausweis nach Anzahl und nach Wert sowie Korrekturquote und Anteil ungeklärter Zahlungen als Begleitkennzahlen. Messen Sie je Segment, protokollieren Sie, wer was bearbeitet hat, und stellen Sie jeder genannten Quote dieselben sieben Fragen. Transformance arbeitet mit Kunden in Europa, den USA und Australasien, darunter Syngenta, Eberspächer und PwC.

Wichtige Begriffe

• Cash Application (Zahlungsabgleich): jede eingehende Zahlung den offenen Rechnungen zuordnen, die sie begleicht, und das Ergebnis buchen.
• Dunkelverarbeitung im Zahlungsabgleich: Zahlungen werden zugeordnet und gebucht, ohne dass jemand die Zuordnung von Hand bearbeitet.
• Straight-Through Processing (STP): ein Vorgang, der von Anfang bis Ende ohne manuellen Eingriff durchläuft.
• Zahlungsavis: die Aufstellung des Kunden, welche Rechnungen und Abzüge eine Zahlung abdeckt.
• On-Account-Zahlungen: Kundengeld, das auf dem Debitorenkonto gebucht, aber noch keiner Rechnung zugeordnet ist.

Weiterführende Ratgeber

• Welche ERP-Schnittstellen bietet Transformance?
• Was ist Dunkelverarbeitung im Zahlungsabgleich?
• Regelbasierter oder KI-Zahlungsabgleich: Welche Zahlung wohin?
• Warum stauen sich ungeklärte Zahlungen und wie bauen Sie sie ab?
• Woher kommt ein Zahlungsavis, und wie erfassen Sie es?
• KI-Zahlungsabgleich: Wie genau ist er, und wer entscheidet?
• Was kostet der manuelle Zahlungsabgleich pro Zahlung?

Häufig gestellte Fragen

Welche Auto-Match-Quote im Zahlungsabgleich ist gut?

Unter den Anwendern der von Hackett bewerteten Cash-Application-Software liegt der Median bei 70 %, ein Drittel kommt auf über 80 % (The Hackett Group, 2025). Eine gute Quote liegt darüber, gemessen nach einer offengelegten Definition und mit niedriger Korrekturquote.

Wie berechnen Sie die Auto-Match-Quote?

Teilen Sie die Zahlungen, die ohne manuellen Eingriff zugeordnet und gebucht wurden, durch die im selben Zeitraum eingegangenen Kundenzahlungen, und geben Sie an, ob Sie Zahlungen oder Wert zählen. Zuordnungen, die vor Monatsende storniert wurden, zählen Sie als bearbeitet.

Ist die Auto-Match-Quote dasselbe wie die STP-Quote?

Nicht unbedingt. Eine STP-Quote setzt meist eine Buchung ohne Eingriff voraus und verwendet als Nenner oft die Zahlungen im definierten Umfang, während manche Auto-Match-Werte nur Vorschläge zählen. Fragen Sie, welche Definition hinter einer Zahl steht.

Für welche ERPs und welches Zahlungsvolumen gilt das?

Die Kennzahlen lassen sich in jedem ERP messen, das offene Posten und Ausgleiche führt. Transformance hat Schnittstellen zu SAP S/4HANA, SAP ECC, NetSuite, Microsoft Dynamics 365 Finance & Operations, Business Central und Odoo, alle bei Kunden im Produktivbetrieb; Oracle und Infor werden unterstützt. Das Volumen reicht von unter 1.000 bis über 100.000 Zahlungen im Monat.

Wie lange dauert es, bis wir unsere eigenen Ausgangswerte messen können?

Aus drei Monaten Zahlungen ergibt sich ein Ausgangswert je Segment. Mit Transformance steht die ERP-Schnittstelle in der Regel nach 2 bis 3 Tagen; Ihre IT kann dabei beteiligt sein. Ein Proof of Value läuft 4 bis 5 Wochen an einer Gesellschaft, der vollständige Rollout dauert bis zu 4 bis 8 Wochen.

Was kostet es, die Quote zu verbessern?

Das hängt vom Umfang und von der Zahl der Gesellschaften ab, einen Standardpreis gibt es deshalb nicht. Termin buchen: Wir bestimmen den Umfang gemeinsam für Ihre Systemlandschaft.

Was bedeutet die Auto-Match-Quote von 95 % bei ClearMatch?

ClearMatch erreicht eine Auto-Match-Quote von 95 %, und gebucht wird nichts ohne Freigabe durch eine Person (Transformance-Kundendaten, 2026). Stellen Sie ihr dieselben sieben Fragen wie jeder anderen Quote, und testen Sie sie in einem Proof of Value an Ihren eigenen Zahlungen.