Liquiditätsprognose

Durch Erkennung von Zusammenhängen zwischen Rechnungsattributen und Zeitraum des Zahlungsabfluss kann Cashflow weiter optimiert werden.

Machine Learning Modell zur automatisierten Vorhersage der Bearbeitungszeit von Rechnungseingang bis Zahlungsabfluss auf Grundlage von 11,6 Mio. Rechnungen



Identifikation von Einflussfaktoren, die im nächsten Schritt zur Prozessoptimierung genutzt werden können

Verbesserte Planbarkeit des Cashflows zum Stichtag

Herausforderung

Die Finanzplanung eines Premiumautomobilherstellers möchte seine Liquiditätsplanung verbessern, um das Cashmanagement zu optimieren und mögliche Liquiditätsrisiken vorzeitig zu erkennen
Nach Rechnungseingang im Unternehmen hängt der Zeitpunkt des Geldabflusses von verschiedenen Faktoren ab und führt dadurch zu einer erschwerten Planbarkeit des tatsächlichen Cashflows am Stichtag

Lösung

Im Zuge eines Usecase-Workshops wurden Einflussfaktoren auf die Dauer der Rechnungsbearbeitung identifiziert
Im nachfolgenden Hackathon wurde gemeinsam mit dem Fachexperten ein Machine Learning-Modell entwickelt, das den jeweiligen Zahlungsabfluss tagesgenau vorhersagen kann

Ergebnis

Entwicklung eines Machine-Learning-Modells, das durch Verwendung von Features (wie z.B. Dokumententyp, Zahlungsbedingung und Kalenderwoche) eine durchschnittliche Abweichung von nur 2,6 Tagen aufweist
Die Erkenntnisse aus der Modellierung können im nächsten Schritt zur Prozessoptimierung eingesetzt werden

Haben Sie Interesse an eigenen Use Cases?

Kontaktieren Sie unsere Experten