Analytics im Treasury | KPMG | DE
close
Share with your friends

Analytics im Treasury

Analytics im Treasury

Hokuspokus oder Notwendigkeit?

Verwandte Inhalte

FTM Bildwelt: Schneewanderer

Das gegenwärtige Berichtswesen im Treasury gehört wahrscheinlich zu denen mit dem höchsten Erstellungsaufwand im Unternehmen und dies bei einem gleichzeitig überschaubaren Nutzen. Dies liegt vor allem an dem Anteil manueller Tätigkeit aber auch an der noch eingeschränkten Nutzung von Analytics. Die simple Datenaggregation vergangener Tage steht heute einer fortgeschrit-tenen Analytik gegenüber, die von linearen Regressionen aus einfachen Datenwürfeln bis zu multivariablen Algorithmen zur Prognose von komplexen Risikokennzahlen reicht.

Die hohe Konzentration an quantitativen Kompetenzen im Treasury lässt jedoch eine hohe Affinität zu analytischen Methoden und Anwendungen vermuten – die besten Voraussetzungen für den Schritt in Richtung Analytics.

Begrifflichkeit von (Business) Analytics

Was ist also mit Analytics gemeint?

Eine mögliche Definition ist: „Business Analytics (BA) ist eine iterative, systematische Untersuchungsmethode von Unternehmensdaten, wobei der Schwerpunkt auf statistischen Analysen liegt. BA wird von Firmen verwendet, die auf eine datenbasierte Entscheidungsfindung setzen." Analytics dient demnach dem Zweck, aus den gewonnenen Erkenntnissen konkrete Maßnahmen/Entscheidungen abzuleiten, sie ist demnach der Entscheidung vorgelagert. Nach einer Entscheidung kommt sie jedoch auch wieder ins Spiel, denn sie hilft die Frage zu beantworten, ob die Entscheidung/Maßnahme zum gewünschten Ergebnis geführt hat und ob dies effektiv und effizient war.

Ein Tagesfinanzstatus fällt demnach nicht unter Analytics, ebenso wenig wie eine Liquiditätsplanung, abgeleitet aus einer Mischung aus gebuchten Forderungen Verbindlichkeiten und der Unternehmensplanung.

Die Ableitung von Maßnahmen wird ermöglicht, indem Daten zu Informationen gewandelt werden, so dass diese interpretierbar, mithin auf ihren Wahrheitsgehalt (unter Unsicherheit) validierbar sind. Des Weiteren werden Vergangenheits- und Gegenwartsdaten auf Muster geprüft, um hieraus eine Aussage für die Zukunft abzuleiten. Bei allen Unwägbarkeiten hinsichtlich der Zukunft ist es in einer Reihe von Anwendungsfällen jedoch die einzig mögliche Methode.

Was fällt denn nun konkret unter Analytics?

Anwendungsfälle von Analytics im Treasury

Anwendungsfälle lassen sich über alle Funktionsbereiche des Treasury hinweg einschließlich der Compliance-Funktion finden. Schauen wir uns exemplarisch drei Beispiele an:

  1. Liquiditätsplanung
    Ein Anwendungsfall im Treasury ist die Liquiditätsplanung. Der Gedanke, dass für bestimmte Geschäftsmodelle unter Berücksichtigung spezifischer Parameter die Zahlungsflüsse aus der Vergangenheit in die Zukunft hochgerechnet werden können, liegt nahe. Das Fundament bilden möglichst detaillierte Ist-Cash Flows zugeordnet zu aussagekräftigen Planpositionen, Gesellschaften und nach Valutadatum. Statistische Hochrechnungsmodelle werden auf diese Daten trainiert und getestet. In einer weiteren Ausbaustufe werden weitere Quelldaten integriert und verprobt, welche als Indikator für die zukünftige Geschäftsentwicklung dienen können, beispielsweise Wirtschaftsindizes.
    Wird das Predictive Cash Forecasting Modell zudem währungsdifferenziert ausgesteuert, kann es gleichzeitig als Datenbasis für das Währungsmanagement genutzt werden, um die Sicherungsstrategie zu optimieren (beispielsweise durch Reduzierung des zu prolongierenden Sicherungsvolumens). Dabei kann im gleichen Zug die Effektivität der Sicherungsmaßnahmen für die Vergangenheit gemessen und systematische Fehler korrigiert werden.
  2. Zahlungsverkehr
    Ein weiterer Anwendungsfall für Analytics-Methoden findet sich im Zahlungsverkehr. Beispielsweise können statistische Anomalien im Zahllauf rechtzeitig identifiziert werden und somit in einem Korrekturverfahren behoben werden. Eine Anomalie würde identifiziert werden, wenn abweichend von dem üblichen monatlichen Zahlungsrhytmus an einen bestimmten Lieferanten eine zusätzliche Zahlung mit einem Betrag über einem definierten Schwellenwert auf ein neues Konto durch einen vom üblichen Prozess abweichenden Mitarbeiter ausgeführt wird.
  3. Working Capital Management 
    Im Kontext des etwas weiten Themenfelds Working Capital Management kann es sinnvoll sein, andere Funktionen wie Controlling und Accounting einzubeziehen. So werden beim Working Capital Management beispielsweise Accounting- und Controlling-relevante Daten mit Treasury-spezifischen Daten verknüpft. Die historische Entwicklung der Forderungen und Verbindlichkeiten sowie Zahlungsziele bringen Transparenz über die Vergangenheit. Über aktuelle Bestellvolumen und die Absatzplanung können auf Basis der Historie Aussagen über die Zukunft getroffen werden. Eine vereinte Datenbasis kann somit für unterschiedliche Zwecke und Funktionen genutzt werden.

Wir sehen, dass sich für derartige Anwendungsfälle regelbasierte Maschinen oder gar Systeme mit künstlicher Intelligenz besser eignen als Menschen, da ein vielfaches an Daten und Informationen gleichzeitig verarbeitet werden kann. Im Zeitverlauf können demnach konsistente und stringente Entscheidungen getroffen und deren Auswirkungen besser beurteilt werden.

Geht man noch einen Schritt weiter, gelangt man in die Welt von Big Data.

Big Data Analytics steht für die Untersuchung von großen Mengen an Daten unterschiedlicher Arten (Big Data), um darin versteckte Muster, unbekannte Korrelationen und andere nützliche Informationen zu entdecken. Das oben genannte Beispiel zur Liquiditätsplanung geht bereits in diese Richtung. Hier würden im Rahmen von Big Data Analytics zum Beispiel noch unstrukturierte Daten aus den Bereichen Social Media Feeds, Internetartikel, Prognose-daten zur volkswirtschaftlichen Entwicklung oder Wetter hinzugezogen werden.

Weitere Fragen, die sich mittels Big Data beantworten lassen wären zum Beispiel:

  • ­Lassen sich Informationen über die wichtigsten Lieferanten und Kunden dazu nutzen, die Auswirkungen auf die eigenen Zahlungsströme zu messen und damit das eigene Risiko zu steuern?­
  • Sollten in einem globalen Konzern Big Data-Analysen dazu genutzt werden, um Cash-Bestände und kurzfristige Geldanlagen in bestimmten Ländern bei bestimmten Banken unter Risikogesichtspunkten umzudisponieren?­ 
  • Können Marktsignale aus unstrukturierten Daten abgeleitet werden, um verschiedene Szenarien bei der mittelfristigen Liquiditätsplanung zu betrachten?

Bei allen Anwendungsfällen fällt auf, dass es weniger darum geht, den manuellen Aufwand zu reduzieren, sondern Erkenntnisse zu gewinnen, die mangels Zugang und Auswertungsmöglichkeiten in der Form bisher nicht realisierbar waren.

Für den Einsatz von Big Data dürfte dagegen der Aufwand mit heutigen Technologien in den meisten Fällen zu hoch sein, um einen quantifizierbaren positiven Nutzen zu erzielen.

Was ist für den Aufbau von Analytics-Anwendungen notwendig?

Zunächst geht es darum, die Problemstellung möglichst genau zu definieren. Eine präzise Definition mit allen relevanten (bekannten) Abhängigkeiten hilft vor allem dabei, einen vollständigen Bezug zum zugrundeliegenden Geschäftsprozess herzustellen.

Im nächsten Schritt gilt es, die notwendige Datenbasis für die Analytics-Anwendung zu schaffen. Dies können Daten aus einem oder mehreren Quellsystemen sein, welche in ein Datenmodell überführt werden, um hieraus die notwendigen Analysen ausführen zu können. Die Komplexität der statistischen Prognosemodelle von einfachen Regressionsmodellen bis hin zur Modellierung multivariater neuronaler Netze ist dabei frei skalierbar und orientiert sich an der geforderten Prognosegenauigkeit und den verfügbaren Daten.

So lassen sich beispielsweise bei der Cash-Flow-Prognose Feiertage, Zahllaufpläne oder Trends recht einfach darstellen. Sollen dagegen zusätzliche externe Quelldaten in das Prognosemodell integriert werden, so sind komplexe Modellierungen und Verprobungen erforderlich. So können sich beispielsweise Rohstoffpreisindizes zeitverzögert und nur auf bestimmte Planpositionen in einzelnen Gesellschaften oder gar Ländern auswirken. Zudem werden mit zunehmender Komplexität auch die Wirkungszusammenhänge intransparenter und damit schwerer zu verstehen. Das Verstehen der Modelle ist jedoch wichtig, da schlussendlich sowohl Anwender als auch das Management den resultierenden Prognosen vertrauen sollen.

Schlussendlich gilt es, Vergangenheits- und Prognosedaten einem passenden Berichtswerkzeug aufzubereiten und zu visualisieren, damit die Aussagen und Ergebnisse unmittelbar erkennbar sind. Der Markt für Business Intelligence-Anwendungen hält hierfür zahlreiche benutzerfreundliche Anwendungen bereit und zwar auch solche, die keine lebenslange Beraterunterstützung erfordern.

Der wirtschaftliche Nutzen muss gegeben sein

Auch wenn der Phantasie von Treasury Analytics-Anwendungen keine Grenzen gesetzt sind und ihr Einsatz grundsätzlich sinnvoll ist, so muss selbstverständlich eine Antwort auf die Kosten-/Nutzen-Frage gegeben werden. Die Frage lautet also, was sind die Kosten von Implementierung und Betrieb und welchen quantifizierbaren Nutzen kann mit der Anwendung erzielt werden? Bei einem sich dramatisch ändernden Geschäftsmodell eines Einzelhändlers und der sich hieraus ergebenden Notwendigkeit einer sehr präzisen Liquiditätsplanung sieht dies erfahrungsgemäß anders aus als bei einem komplexen Rohstoffexposuremodells eines mittelständischen Nahrungsmittelherstellers.

Quelle: KPMG Corporate Treasury News, Ausgabe 81, Juni 2018
Autor: Börries Többens, Senior Manager, Finance Advisory, btoebbens@kpmg.com

KPMG Corporate Treasury News

So kontaktieren Sie uns

 

Angebotsanfrage (RFP)

 

Absenden