Zum Inhalt springen
PKF News / Blog

Sie sind hier:

Liquiditätsmanagement: Erzielung von Cash-Effekten über Order-to-Cash-Prozesse

Die sog. Order-To-Cash-Prozesse (O2C) umfassen im Unternehmen alle Abläufe von der Bestellung bis zum Zahlungseingang. Entlang dieser Prozesse sind mittels moderner Methoden deutliche Cash-Effekte erzielbar; quasi nebenbei lassen sich die Finanzplanungsprozesse insgesamt verbessern

Definition Order-to-Cash-Prozess

Der O2C-Prozess beginnt i.d.R. mit Kundenanfragen zu Leistungen, geht anschließend über in die Leistungserbringungen und endet mit dem Eingang der Bezahlung seitens des Kunden. Während dieses Prozesses durchläuft derselbe Geschäftsvorfall diverse GuV-, Bilanz- und Cashflow-Positionen. Aus avisierten Umsätzen und Liquidität im Forecast wird tatsächlicher Umsatz mit realen Cash-Effekten im Ist. Offene Forderungen werden zu echtem Cash-Zufluss.

Hinweis: Ein gut strukturierter O2C-Prozess sichert den operativen Cashflow, d.h. die Liquidität im Unternehmen.

Zielsetzungen im Liquiditätsmanagement

Neben dem Zahlungseingang besteht das Prozessziel darin, einen realistischen Liquiditäts-Forecast der Zahlungseingänge zu berechnen. Um einen O2C-Prozess im Hinblick auf beide Ziele effizient und effektiv zu organisieren, sind viele Unternehmen vor große Herausforderungen gestellt, die sich u.a. aus der Kundenvielzahl, aus der Menge und Qualität täglicher Datenaktualisierungen sowie aus der Einbindung diverser Fachabteilungen ergeben. Von zentraler Bedeutung sind Antworten insbesondere auf folgende Fragen:

  • Wann zahlen Kunden tatsächlich?
  • Welche Kunden müssen wie zur Zahlung bewegt werden?

Aus der Bearbeitung der enormen Datenmengen ergibt sich ein mitunter intensiver Personaleinsatz als zu lösendes Problem: Es gilt, die Vielzahl an Kunden, deren Rechnungen und sonstigen Transaktionen (z. B. Rechnungskorrektur, Mahnungen, Teilanzahlungen) ganzheitlich zu betrachten. Aus diesem Grund können unstrukturierte Prozesse zu negativen Cash-Effekten führen. Um Zahlungseingänge zu prognostizieren, werden herkömmlich die Kundenforderungen inkl. der vereinbarten Zahlungsziele sowie offener Posten aus Mahnläufen verarbeitet. Daraus lässt sich zwar ein Forecast für den Zahlungseingang ableiten. Das führt allein aber nicht zu befriedigenden Antworten auf die obigen Fragen.

Empfehlung: Dem Management muss daran gelegen sein, viele Prozessschritte zu automatisieren sowie für Liquiditäts-Forecasts verlässliche Prognosen zu erhalten.

Auf Automatisierung und Qualitätssteigerung fokussierte Lösungsansätze

Für die erforderliche Automatisierung und die gewünschte Qualitätssteigerung sind praxiserprobte Ansätze verfügbar. Diese können beispielsweise in den folgenden Schritten (vgl. dazu die Abb. 1 auf S. 11) ablaufen:

(1) Kunden clustern: Für die Antwort auf die Frage, wann Kunden tatsächlich zahlen, lassen sich u.a. das historische Kundenverhalten sowie andere geeignete Stammdaten ins Kalkül ziehen. So sind aus historischen Forderungen und echten Zahlungseingängen Rückschlüsse auf künftige Zahlungseingänge bei Stammkunden ableitbar. Bei Neukunden ermöglichen dies vergleichsweise die sog. Peer-Groups. Somit können mit Hilfe statistischer Cluster-Analysen Kundengruppen (vgl. beispielhafte Darstellung in Abb. 1) hinsichtlich realistischer Zahlungseingänge gebildet werden. Statistische Methoden erlauben es systemgestützt, Kunden faktenbasierend zu gruppieren. Heutzutage existieren dafür ausgereifte Technologien.

(2) Automatisiert Maßnahmen ableiten: Beim Forderungsmanagement mit großen Datenmengen bedeutet ein effizienter und effektiver Ressourceneinsatz konkret, dass Transaktionskosten reduziert und Zahlungseingänge maximiert werden müssen. Dabei ersetzen statistische Verfahren die manuelle Abarbeitung von Offene-Posten-Listen (etwa einfach von oben nach unten oder entlang absteigender Forderungsgröße). Die Automatisierung erlaubt es über das Korrelieren von Forderungen mit zusätzlichen Daten (wie z. B. historisches Zahlungsverhalten, bisherige Maßnahmenerfolge), eine gewichtete Zahlungswahrscheinlichkeit und Ausfallsquote pro Kunde zu bestimmen. Mit diesen Informationen lassen sich pro Kunde bzw. je Kunden-Cluster Handlungsempfehlungen zur Umsetzung automatisiert ableiten. Die Empfehlungen ermöglichen das Fokussieren auf die Fälle, die volle Aufmerksamkeit benötigen.

Zur Veranschaulichung dient ein in Abb. 2 dargestelltes Beispiel, in dem das zugrundeliegende statistische Verfahren wertvolle Informationen liefert: Laut Zeile 4 zahlt Cluster Z1,…,p bei Erhalt einer E-Mail inkl. Mahnungsandrohung mit 80%iger Wahrscheinlichkeit. Somit ist der direkte E-Mail-Versand besser, da er den Erwartungswert des Zahlungseingangs um 40 T€ erhöht, ohne weitere Ressourcen zu binden. Beim Forderungsbestand von 1.500 T€ ist ein Cluster mit 50 T€ (Volumensanteil 3,3%) im konventionellen Fall in der Abarbeitung niedrig priorisiert. Das Cluster würde zum Schluss angeschaut und planmäßig prozessiert (z. B. erst anrufen).

(3) Kontinuierlich Forecast-Güte verbessern: Die Forecast-Qualität lässt sich verbessern, wenn regelmäßig die realisierten Ist-Stände mit den prognostizierten Werten verglichen werden. Aus diesen Daten lassen sich wiederum Rückschlüsse auf das statistische Modell ziehen, um den Forecast kontinuierlich zu verbessern. Neben der manuellen Prüfung bietet sich der Einsatz von künstlicher Intelligenz an.

Vorteile auf einen Blick:

  • Mit mehr Strukturiertheit und mehr Automatisierung in O2C-Prozessen lassen sich kostbare Mitarbeiterzeiten reduzieren sowie ein faktenbasierter Liquiditäts-Forecast erstellen.
  • Zudem können die Altersstruktur der Forderungen und die Administrationskosten reduziert und positive Deckungsbeitragseffekte erzielt werden. Zusätzlich können mit Kundenclustern in Kombination mit Zahlungsmoral-Erwartungen effektive Maßnahmen automatisiert abgeleitet werden.
  • Somit lenken Unternehmen zielgerichtet Handlungen auf Risikothemen, um Zahlungsverzögerungen samt Prozesskosten zu senken.
Zurück zur Übersicht
Zurück zum Seitenanfang