AT_Logo

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?