In den meisten Fällen wissen Unternehmen nicht, wann der Kunde seine Rechnung bezahlt – sofort, innerhalb des vorgegebenen Zahlungsziels, nach der ersten Mahnung – oder noch später. Die Finanzabteilung sollte aber wissen, welche Beträge in den nächsten Tagen oder Wochen eingehen, damit immer Liquidität vorhanden ist. Ein elementarer Baustein moderner Buchhaltung ist der Cash-Forecast. Doch wie lässt sich die Differenz zwischen den erwarteten und den realen Einnahmen minimieren? Am besten mit mathematischen Modellen, wie sie mit dem IBM Cloud Pak for Data entwickelt und umgesetzt werden können. Die entsprechende Disziplin heißt Predictive Analytics und kommt aus dem Umfeld von Machine Learning. Dabei werden historische Daten zur Vorhersage künftiger Ereignisse eingesetzt.
„Viele mittelständische Unternehmen haben weder das Know-how, noch die finanziellen Möglichkeiten, ein Predictive-Analytics-Projekt zu realisieren. Diese Firmen wollen sich auf ihr Kerngeschäft konzentrieren, aber trotzdem von den Vorteilen intelligenter Datenanalysen profitieren.“
Das Datenverständnis: Für Rechnungen gelten in Deutschland sehr lange Aufbewahrungsfristen. Viele Firmen speichern die Belege in einem ERP-System. Die entsprechenden Basisdaten liegen also vor. Kompliziert wird es jedoch bei der Einbindung von Kunden, die mehrere Rechnungen auf einmal bezahlen, besondere Zahlungsbedingungen haben oder Kreditangebote in Anspruch nehmen.
Die Datenaufbereitung: Als Zielvariable gilt die Dauer zwischen dem jeweiligen Basisdatum und dem Tag des Geldeingangs. Ein wichtiges Merkmal kann die Zahl der offenen Rechnungen pro Kunde sein, aber auch Vereinbarungen über Skonto, oder Zahlungsziele. Dazu kommt das individuelle Zahlungsverhalten des Kunden. Diese Daten werden entweder von der intelligenten Software erlernt oder in statistischen Kennzahlen zusammengefasst.
Die Modellierung: Hier steht das erwartete Zahlungseingangsdatum für jede offene Forderung im Fokus. Unternehmen, die sich für das Zahlungsverhalten einzelner Kunden interessieren, können diese Werte mit einer separaten Datenanalyse modellieren lassen.
Die Auswertung: Wie zuverlässig sind die Vorhersagen der Predictive-Analytics-Lösung? Für die meisten Rechnungen erwiesen sich die Prognosen mit mittleren absoluten Fehlern von weniger als drei Tagen als ziemlich genau. Natürlich ließ sich nicht jede Abweichung im Zahlungsverhalten vorhersehen – beispielsweise bei einem Lieferverzug.
Die Bereitstellung: Da der Auftraggeber zuvor noch nie Machine-Learning-Mo in einem Produktivmodell eingesetzt hatte, musste Blanc & Fischer IT Services hier bei null anfangen. Um alle Erkenntnisse übersichtlich darstellen zu können, wurde ein Dashboard erstellt. Bei den Cash-Prognosen wurden die alten Annahmen des Netto-Fälligkeitsdatums durch die prognostizierten Daten ersetzt.
Der Betrieb: In welchen Abständen müssen die Modelle neu trainiert werden, wie wird ihre Leistung überwacht, und wie erfolgt die Benachrichtigung, wenn etwas nicht läuft? Diese generischen Fragen lassen sich mit einer Data-Science-Plattform optimal beantworten. Hier bietet das IBM Cloud Pak for Data mit OpenScale ein hervorragendes Tool für die Überwachung der eingesetzten Rechenmodelle.
IBM Cloud Pak for Data ist ein vorkonfiguriertes Lösungspaket für Aufbau, Integration, Ausführung und Management containerisierter Anwendungen. Das Cloud Pak basiert technisch auf Red Hat OpenShift und ist ebenso skalierbar wie ausfallsicher. Wo im Normalfall ein komplexer Software-Stack nötig wäre, bietet IBM eine Vielzahl optimal aufeinander abgestimmter Komponenten – verknüpft mit einem Ökosystem für jede Cloud-Umgebung. Auf diese Weise wird der komplette Datenzyklus abgedeckt.
„IT-Verantwortliche sollten sich mit dem Aufbau von Wissen beschäftigen und nicht mit generischen Aufgaben oder repetitiven Tätigkeiten“,
erklärt Blanc & Fischer-Projektleiter Kevin Jilg. „Auch für die ersten unternehmerischen Schritte mit Machine-Learning und Predictive Analytics ist das IBM Cloud Pak for Data ideal, weil es auf Open-Source-Technologie und Red Hat OpenShift setzt. Dadurch lassen sich Funktionalitäten einfach zuschalten, wenn sie benötigt werden, was die Prozesse enorm beschleunigt.“
Das IBM Cloud Pak for Data macht Datenanalysen mit künstlicher Intelligenz nicht nur für das digitale Cash-Management attraktiv, sondern auch für viele weitere Bereiche. Predictive Analytics ist für KMU keine Zukunftsvision mehr, sondern Realität!
Das Blanc & Fischer IT Services Projekt wurde von unserem Partner TIMETOACT GROUP iniziert und betreut. Wenn Sie weitere Fragen haben, unterstützt Marc Bastien, Solution Architect Analytics bei der TIMETOACT GROUP Ihnen gerne bei Fragen rund um dieses Thema.
Powered By:
Intel Xeon Processor Inside
