00:00:07: Willkommen zu Episode thirty-seven von EFZ Talking

00:00:12: Finance.

00:00:14: In dieser Ausgabe präsentieren wir Ihnen eine ganz besondere KI-generierte Zusammenfassung, erstellt mit Notebook LM, die den neuesten Gastbeitrag von Schwabalei und Kreiner für die Finanzierungs- und Träscherestudie, zwei Tausendfünfundzwanzig, kompakt auf den Punkt bringt.

00:00:32: Unter dem Titel Ein Blick hinter die Kulisse einer KI-Liquiditätsplanung werfen Simon Elmeyer und Peter Schmied einen ebenso faszinierenden Blick hinter die Kulissen moderner KI-gestützter Forecasting-Prozesse.

00:00:48: Sie zeigen, wie Maschinelöhrning-Modelle längst Einzug in die Treasury-Praxis halten, insbesondere dort, wo große Datenmengen und wiederkehrende Muster die prognose Qualität verbessern können.

00:01:01: Durch den Einsatz sogenannte Transformer-Modelle, wie sie übrigens auch in modernen Sprachmodellen verwendet werden, wird die Vorhersage komplexer Zahlungsströme und saisonaler Effekte erheblich präziser.

00:01:16: Für CFOs und Corporate Treasures ist dieses Thema von besonderer Relevanz.

00:01:22: Denn KI verändert die Art, wie Liquiditätssteuerung, Cashflowprognosen und Risikoanalysen gedacht werden.

00:01:29: Unternehmen die ihre Datenqualität beherrschen und mit Datenbasierten Vorhersagemodellen arbeiten, schaffen sich somit einen echten Wettbewerbsvorteil.

00:01:40: Dies nicht nur in der Planung, sondern auch in der strategischen Frühwarnung.

00:01:46: Diese Episode liefert Denkanstöße, wie Menschen und Maschine künftig zusammenspielen könnten, wenn es um präzisere, resilientere und zugleich agilere Treasuryprozesse geht.

00:02:01: Hallo und willkommen zu unserer heutigen Vertiefung.

00:02:04: Stellt immer vor, du könntest viel genauer wissen, wie sich die Finanzen deines Unternehmens so entwickeln in den nächsten Wochen, Monaten.

00:02:12: Genau das ist unser Thema heute.

00:02:14: Wie künstliche Intelligenz, also KI und Machine Learning, also ML, die Liquiditätsplanung revolutionieren können.

00:02:23: Wir stützen uns da auf Einblicke aus einer Fachpublikation von Simon L. Meyer und Peter Schmidt von Schwabelay und Greinam.

00:02:30: Mhm, bekannte Namen in dem Bereich.

00:02:32: Absolut, das sind Experten.

00:02:34: Und die beleuchten eben wie diese lernenden Algorithmen, die ja überall auftauchen dank mehr Rechenpower, wie die gerade im Finanzmanagement, im Treasury wirklich was bewegen können.

00:02:44: Unsere Mission für dich heute.

00:02:45: Wir wollen verstehen, wie Liquiditätsplanung bisher so lief, wo genau eine KI sinnvoll helfen kann.

00:02:52: Ja, und welches Futter, also welche Daten sie dafür braucht.

00:02:55: Und ganz wichtig, die Rotte vom Menschen dabei, oder?

00:02:59: Genau.

00:02:59: Wird man zum Dirigenten oder schaut man nur noch zu?

00:03:03: Lass uns da mal genauer reinschauen.

00:03:05: Fangen wir mal ganz vorne an.

00:03:07: Wie läuft denn die Liquiditätsplanung so klassisch ab?

00:03:09: Also ganz ohne KI.

00:03:12: Ja, im Grunde ist das so eine Art Blick in die Finanzglaskugel, aber halt auf Basis von Fakten und Annahmen.

00:03:19: Man nimmt historische Daten, also

00:03:21: was früher so rein und raus

00:03:22: ging.

00:03:23: Genau, was war in der Vergangenheit, das kombiniert man dann mit Zahlungen, die schon feststehen, die geplant sind und dann versucht man natürlich zukünftige Einnahmen und Ausgaben abzuschätzen.

00:03:35: All diese Puzzleteile, die trägt man zusammen, prüft sie, Und das ist dann die Basis für die Prognose.

00:03:41: Und auch für so, was wäre, wenn, Szenarien?

00:03:44: Das

00:03:44: Ziel ist ja klar.

00:03:45: Früh sehen, ob es irgendwo eng wird mit dem Geld.

00:03:48: Oder ob vielleicht zu viel Kapital rumliegt, dass nichts tut.

00:03:51: Damit man eben rechtzeitig was machen kann.

00:03:53: Zahlungen schieben, vielleicht bessere Ziele aushandeln oder eine Finanzierung organisieren.

00:03:59: Ja, die Herausforderung ist halt oft die Datenvielfalt.

00:04:02: Du hast Kundenzahlungen, die du erwartest, laufende Kosten wie Gehälter, Mieten, dann Rechnungen von Lieferanten, Investitionen, Kredite, Steuern.

00:04:12: Puh.

00:04:13: Dazu kommen ja noch Unsicherheiten.

00:04:15: Wie zahlen die Kunden wirklich?

00:04:16: Nutzen sie's Konto.

00:04:18: Kommt der prognostizierte Umsatz überhaupt?

00:04:21: Das Ganze fließt dann meist in so eine rollierende Planung.

00:04:24: Oft wöchentlich, manchmal monatlich.

00:04:26: Das klingt nach viel Detailarbeit.

00:04:28: Und auch ein bisschen nach Bauchgefühl und Erfahrung, oder?

00:04:32: Aber bei der Komplexität übersieht man doch sicher auch mal was.

00:04:35: Irgendwelche Zusammenhänge.

00:04:37: Absolut.

00:04:37: Also selbst die erfahrensten Profis stoßen da an Grenzen und genau da kommt jetzt das Machine Learning ins Spiel.

00:04:46: Das ist der Punkt.

00:04:47: ML-Modelle sind darauf ausgelegt, in riesigen Datenmengen Muster zu erkennen.

00:04:54: Sachen, die du mit bloßem Auge vielleicht gar nicht siehst.

00:04:57: Sie lernen daraus Regeln und wenden die dann auf neue Daten an, für Vorhersagen.

00:05:03: Gerade bei der Prognose von Zahlungseingängen und auch den Zeitpunkten, da können die oft erstaunlich präzise sein, weil sie ebenso subtile Abhängigkeiten finden.

00:05:14: Kundenverhalten, saisonale Effekte, vielleicht externe Dinge, an die man gar nicht denkt.

00:05:20: Deshalb setzen moderne Treasury-Systeme auch immer mehr auf solche datengetriebenen Prognosen.

00:05:26: Das ist schon ein Trend.

00:05:27: Okay, das leuchtet ein.

00:05:29: Für die alte Methode.

00:05:30: Aber wo verspricht die KI jetzt konkret den großen Wurf?

00:05:35: Wo ist sie besonders gut und wo sollte man vielleicht die Finger davon lassen?

00:05:38: Sie ist definitiv kein Allheilmittel.

00:05:40: Das muss man klar sagen.

00:05:42: Es gibt Bereiche, da ist Vorsicht geboten.

00:05:44: Denk mal an so sehr unregelmäßige Posten, große Investitionen, Dividenden.

00:05:50: Da gibt es oft keine klaren Muster in der Vergangenheit.

00:05:52: Ja gut, das ist ja oft eine einmalige Entscheidung.

00:05:55: Eben.

00:05:55: Und wenn die KI da krampfhaft versucht, was zu finden, könnte sie die Prognose eher verfälschen?

00:06:01: Ähnlich bei Finanzierungen, die fest vereinbart sind.

00:06:04: Zins- und Tilgungstermine stehen meistens fest.

00:06:07: Da braucht es keine KI, um die nächste Rate zu kennen.

00:06:09: Verstanden.

00:06:10: Und wo liegen dann die Stärken?

00:06:11: Wo kann die KI richtig glänzen?

00:06:14: Ganz klar bei den wiederkehrenden Zahlungsströmen aus dem operativen Geschäft.

00:06:20: Also alles, was so regelmäßig rein und raus fließt.

00:06:23: Aber und das ist echt entscheidend, die KI braucht dafür Futter.

00:06:27: Gute historische Daten sind das A und O.

00:06:30: Qualität ist wichtig, nehme ich an.

00:06:31: Absolut.

00:06:32: Je länger die Historie, desto besser lernt das Modell.

00:06:36: Und desto zuverlässiger wird die Prognose.

00:06:38: Die Autoren nennen da so eine Faustregel.

00:06:41: Mindestens drei Jahre Daten.

00:06:42: Drei Jahre?

00:06:44: Wow.

00:06:45: Ja, mindestens.

00:06:45: Und für Prognosen, die weiter als zwölf Monate gehen sollen, eher fünf Jahre.

00:06:50: Okay,

00:06:50: das ist schon eine Ansage, drei bis fünf Jahre.

00:06:53: Wo kriege ich die Daten denn am besten her?

00:06:55: Also laut der Quelle gibt's da so drei übliche Wege.

00:06:58: Entweder man nimmt die gebuchten Posten aus dem ERP-System, also der zentralen Software die offizielle Buchhaltung quasi, oder man nimmt die reinen Konto-Bewegungen aus dem Treasury-Management-System, dem TMS.

00:07:11: Die dritte und auf die beste Option eine intelligente Komp... wir aus beiden.

00:07:15: Also aufbereitete IS-Daten, die ein möglichst vollständiges, korrekt zugeordnetes Bild der echten Geldflüsse geben.

00:07:22: Aber nur zurückschauen reicht nicht.

00:07:24: Wichtig ist auch, dem Modell Infos über die Zukunft zu geben.

00:07:29: Na ja, offene Kundenrechnungen zum Beispiel.

00:07:32: Bestellungen bei Lieferanten, Produktionspläne, wie weit Projekte sind, eigentlich alles, was ein menschlicher Planer auch berücksichtigen würde.

00:07:40: Auch wenn diese Plan-Daten vielleicht nur für die nächsten paar Wochen oder Monate da sind, die erhöhen die Treffsicherheit enorm.

00:07:48: Ah ja.

00:07:48: Ja.

00:07:49: Und interessant ist dabei, gerade das Verhältnis von einer aktuellen, offenen Rechnung zu dem, was früher in ähnlichen Fällen gebucht wurde, das kann dem Modell richtig was sagen.

00:07:59: Das klingt vielversprechend.

00:08:01: Aber auch irgendwie aufwändig.

00:08:03: Wie finde ich denn raus, ob sich dieser ganze Aufwand für mein Unternehmen lohnt?

00:08:08: Ob meine Daten überhaupt taugen?

00:08:10: Das ist ein ganz wichtiger Punkt, den die Autoren betonen.

00:08:13: Unbedingt vor einer Einführung eine Machbarkeitsanalyse machen.

00:08:17: Eine was?

00:08:17: Eine Machbarkeitsanalyse.

00:08:19: Man prüft, gibt es in unseren Daten überhaupt stabile Muster, die eine KI lernen kann.

00:08:25: Und ist die Qualität der Daten also vollständig, korrekt, konsistent, gut genug?

00:08:30: Allein diese Analyse bringt oft schon super Einblicke in die eigenen Finanzen.

00:08:35: Aber ja.

00:08:36: Die Datenerhebung selbst, das ist oft der zeitintensivste Schritt.

00:08:39: Ohne diese Basis kann auch die beste KI nicht zaubern.

00:08:42: Genau.

00:08:43: Okay, angenommen, die Studie sagt, ja, passt, Daten sind da, muss da auch.

00:08:47: Was muss so eine KI-Lösung dann können?

00:08:49: Was sind die Must-Haves?

00:08:50: Die Autoren nennen da drei Kernanforderungen.

00:08:54: Erstens.

00:08:55: Sie muss hierarchische Strukturen abbilden.

00:08:57: Also viele Firmen sind ja komplex aufgebaut.

00:08:59: Konzernmutter, drunter Geschäftsbereiche, Divisionen, dann einzelne Gesellschaften.

00:09:05: Eine gute KI muss diese Ebenen verstehen.

00:09:08: Es reicht oft nicht, einfach die Prognosen von ganz unten zusammenzuzählen.

00:09:13: Da sind die Datenmengen manchmal zu klein für stabile Muster.

00:09:17: Weiter oben auf Konzern oder Divisions-Ebene, da verdichten sich die Daten.

00:09:21: Schwankungen gleichen sich aus, kennst du vielleicht, gesetzt der großen Zahlen.

00:09:26: Da werden die Muster klarer.

00:09:28: Okay, macht Sinn.

00:09:29: Die Lösung sollte also auf jeder Ebene konsistente und nachvollziehbare Prognosen liefern.

00:09:35: Zweitens, ganz wichtig, Die flexible Einbindung von Plan-Daten neben den IS-Daten.

00:09:41: Die KI muss beides verarbeiten können.

00:09:44: Die vorausschauenden Pläne aus Vertrieb, Produktion, Einkauf, die geben ja die Richtung vor.

00:09:50: Die

00:09:50: Strategie sozusagen.

00:09:51: Kombination aus beiden macht die Prognose wirklich robust.

00:09:55: Viel besser, als wenn man nur die Vergangenheit fortschreibt.

00:09:58: Und drittens sollte die KI auch exogene Variablen berücksichtigen können.

00:10:03: Exogene was?

00:10:04: Klingt kompliziert.

00:10:06: Ja, klingt technisch, meint aber praktische Dinge.

00:10:08: Externe Einflussfaktoren.

00:10:10: Wie entwickeln sich Wechselkurse?

00:10:12: Was sagen wichtige Konjunkturindikatoren?

00:10:15: Solche externen Daten helfen dem Modell, auch übergeordnete Trends zu erkennen, die sich vielleicht nicht sofort in den Firmendaten zeigen, aber die Liquidität trotzdem beeinflussen.

00:10:25: Das macht Sinn.

00:10:26: Jetzt würde ich aber doch gerne mal kurz unter die Haube gucken.

00:10:29: Nur ein bisschen.

00:10:30: Ich will ja kein Ingenieur werden.

00:10:32: Was steckt da technisch drin?

00:10:33: Ist das so was wie Chat GPT nur für Zahlen?

00:10:37: Ja, der Vergleich ist gar nicht so übel.

00:10:39: Technisch gesehen ist so ein KI-Modell im Kern eine Art lernfähige mathematische Formel.

00:10:44: Stell dir vor, X sind alle deine Inputs, historische Zahlen, Pläne, externe Faktoren.

00:10:50: Die Formel hat dann bestimmte Stellschrauben, Parameter nennt man die.

00:10:54: in der Fachsprache, aber das ist nur ein Symbol.

00:10:56: Beim Lernen dreht das Modell an diesen Schrauben, bis die Formel die echten vergangenen Cash Flows möglichst gut nachbildet.

00:11:03: Damit sie dann auch die Zukunft gut vorher sagt.

00:11:06: Genau das ist das Ziel.

00:11:07: Und die Art der Formel, wie die Schrauben zusammenhängen, das ist die Modellarchitektur.

00:11:12: Und jetzt kommt die Verbindung zu Sprachmodellen.

00:11:15: Moderne Methoden für Zeitreinprognosen und Cash Flows sind ja Zeitreinnutzen oft ähnliche Prinzipien.

00:11:21: Warum das?

00:11:22: weil beides Sprache und Finanzdaten von längerfristigen Abhängigkeiten lebt.

00:11:28: Wenn du einen Satz hörst, merkst du dir ja auch den Anfang, um das Ende zu verstehen, oder?

00:11:32: Und so ähnlich können Ereignisse oder Muster in deinen Finanzdaten von vor Monaten, vielleicht sogar Jahren, einen Einfluss auf heute oder die Zukunft haben.

00:11:42: Nicht jeder alte Datenpunkt ist gleich wichtig.

00:11:45: Das Modell lernt also, sich auf die wirklich relevanten Infos aus der Vergangenheit zu fokussieren.

00:11:50: Für die Zukunftsprognose.

00:11:51: Genau

00:11:51: darum geht's.

00:11:52: Ein sehr vielversprechender Ansatz, den die Autoren nennen, sind sogenannte Transformer-Modelle.

00:11:59: Das ist tatsächlich die gleiche Basistechnologie wie bei vielen Chatbots.

00:12:03: Diese Modelle haben einen cleveren Mechanismus.

00:12:06: Self-Attention nennt sich das.

00:12:08: Der erlaubt es ihnen, selbst zu lernen, welche alten Infos für die aktuelle Prognose wichtig sind.

00:12:15: Egal wie lange die zurückliegen.

00:12:17: Stell dir vor, das Modell kann gezielt in der Historie zurückblättern und die entscheidenden Muster rauspicken.

00:12:24: Ältere Modelle, so statistische Klassiker, die hatten oft nur eine kurze Aufmerksamkeitsspanne, haben nur auf die jüngste Vergangenheit geschaut.

00:12:32: Und dabei vielleicht langfristige Zyklen übersehen.

00:12:34: Genau,

00:12:35: das kann passieren.

00:12:36: Und noch ein wichtiger technischer Aspekt, der aber eine praktische Auswirkung hat, die Verlustfunktion.

00:12:42: Das ist im Grunde die Regel, nach der das Modell bewertet wird.

00:12:46: Was ist ein Fehler, wie schlimm ist der?

00:12:48: Okay.

00:12:49: Damit legt man fest, was dem Modell bei der Optimierung am wichtigsten ist.

00:12:53: Soll es zum Beispiel jede einzelne Zahlung möglichst exakt treffen?

00:12:58: Oder ist es wichtiger, dass der gesamte Kontostand am Ende stimmt, auch wenn einzelne Posten mal daneben lagen?

00:13:04: Je nachdem, was für die Steuerung wichtiger ist, kann man dem Modell hier halt andere Prioritäten geben.

00:13:10: Puh, das war jetzt ein kleiner technischer Tauchgang, aber... Danke, das war verständlich.

00:13:15: Jetzt die Frage, die sich sicher viele stellen.

00:13:17: Was heißt das alles für mich?

00:13:19: Für den Menschen im Treasury, im Controlling?

00:13:21: Werden wir bald überflüssig durch diese schlauen Maschinen?

00:13:24: Ganz klares Nein.

00:13:26: Also die Autoren machen das sehr deutlich.

00:13:28: Die menschliche Rolle bleibt zentral.

00:13:30: Sie verändert sich nur.

00:13:32: Schon die Datenaufbereitung braucht ja Sorgfalt und Verstand.

00:13:36: Und vor allem.

00:13:37: Die Ergebnisse der KI müssen interpretiert werden, auf Plausibilität geprüft werden.

00:13:42: Die KI hat ja keinen gesunden Menschenverstand.

00:13:45: Eben.

00:13:46: Sie kann rechnen, wie verrückt, aber sie hat keinen Geschäftssinn, keinen Kontextwissen.

00:13:53: Ohne menschliche Kontrolle, ohne Einordnung sind die besten Algorithmen nutzlos oder führen sogar zu falschen Entscheidungen.

00:14:01: Aber Moment mal, was ist mit Ereignissen, die völlig aus dem Rahmen fallen?

00:14:05: Ich denke an Corona oder plötzliche politische Krisen.

00:14:08: So was hat die KI ja noch nie gesehen in den Daten?

00:14:10: Kann die darauf reagieren?

00:14:12: Das ist ein Wunderpunkt und zeigt die Grenzen der KI.

00:14:16: Solche externen Shocks, schwarze Schwerner nennt man die ja auch manchmal, die liegen oft komplett außerhalb der historischen Muster, aus denen die KI gelernt hat.

00:14:25: Die sind ja per Definition schwer oder gar nicht vorhersagbar und auch nicht modellierbar.

00:14:30: Keine Statistik, keine KI kann dir sagen, wann die nächste Pandemie kommt oder welche Folgen ein Krieg hat.

00:14:37: Hier liegt klar die Stärke des Menschen.

00:14:39: Flexibilität, Anpassungsfähigkeit, die Fähigkeit, völlig neue Infos zu bewerten.

00:14:46: Und auch mal intuitive, aber fundierte Entscheidungen zu treffen.

00:14:50: Gerade unter Unsicherheit.

00:14:51: Es

00:14:51: ist also kein Kampf Mensch gegen Maschine, sondern eher... Teamplay.

00:14:57: Exakt.

00:14:57: Der Vergleich mit dem Piloten und dem Autopiloten im Flugzeug passt ziemlich gut.

00:15:02: Die KI der Autopilot kann die Routineaufgaben machen, das ständige Überwachen und Prognostizieren der Standard-Cache-Flaus.

00:15:09: Das macht sie oft genauer und effizienter.

00:15:11: Das schafft Freiräume.

00:15:13: Aber der Mensch, der Pilot, behält die Kontrolle.

00:15:17: Er überwacht das System, interpretiert die Ergebnisse im Kontext, erkennt Ausnahmen, Sondersituationen und ergreift ein, wenn neue, unerwartete Infos kommen, die die KI noch nicht kennt.

00:15:32: Das Fazit der Autoren ist deshalb auch sehr klar.

00:15:35: KI ersetzt nicht den Finanzexperten.

00:15:39: Sie erweitert sein Werkzeugkasten.

00:15:41: Die Rolle verschiebt sich halt.

00:15:43: Weg von manueller Datensammellei, repetitiven Rechnungen hin zu mehr strategischer Analyse, zur Steuerung, zur Validierung der Systeme und zur Nutzung der Erkenntnisse für bessere Entscheidungen.

00:15:56: Okay,

00:15:57: lass uns das Wichtigste für dich nochmal zusammenfassen.

00:16:00: KI und Machine Learning sind keine Zukunftsmusik mehr.

00:16:04: Sie bieten echte Vorteile für eine genauere Liquiditätsplanung.

00:16:08: Der Clou, Sie erkennen verborgene Mustern in großen Datenmengen.

00:16:13: Aber, das große Aber, Sie brauchen dafür Topdaten über einen längeren Zeitraum.

00:16:18: Ihr Einsatz muss gezielt sein, nicht überall sind Sie sinnvoll.

00:16:22: Und eine gute Lösung muss die Firmenstruktur abbilden und externe Faktoren einbeziehen.

00:16:27: Technologien wie diese Transformermodelle sind stark, ja, aber die menschliche Intelligenz, die Erfahrung, die bleiben unverzichtbar.

00:16:35: Für die Daten, für die Interpretation und vor allem für den Umgang mit dem Unerwarteten.

00:16:40: Es geht um Partnerschaft, nicht um Ersatz.

00:16:48: Welche strategischen Fragen kannst du dir dann stattdessen stellen?

00:16:52: Wie verändert so eine solidere Basisprognose die Art der Finanzentscheidungen, auf die du dich, auf die sich dein Team, dann konzentrieren könntet?

00:17:01: Eine spannende Frage zum Weiterdenken.

00:17:03: Danke, dass du uns auf dieser Tour durch die Zukunft der Liquiditätsplanung begleitet hast.