Predictive & Prescriptive Analytics – Von der Prognose zur Handlungsempfehlung Serie: KI im Treasury | Beitrag 3 von 7

Serie: KI im Treasury | Beitrag 3 von 7

Generative KI beschreibt. Agentic AI orchestriert. Die Wertschöpfung im Treasury entsteht dort, wo Zahlen zu Entscheidungen werden: bei der Prognose und der abgeleiteten Handlungsempfehlung. Predictive Analytics beantwortet, was wahrscheinlich als Nächstes passiert. Prescriptive Analytics bewertet unter Unsicherheit, welche Maßnahme die bessere ist – inklusive Wahrscheinlichkeiten, Alternativen und Trade-offs.

Dieser dritte Beitrag der Serie „KI im Treasury“ schließt an die Technologie- und Workflow-Perspektive von Beitrag 2 an. Im Fokus stehen ML-basierte Liquiditätsprognosen, Anomalie-Detection und prescriptive Optimierungsempfehlungen – und was sie für Treasurer, CFOs und Analysten konkret bedeuten. Die Leitfrage lautet: Wann ist eine Prognose gut genug, um daraus zu handeln – und wie bleibt der Mensch steuerungsfähig?

Benchmark zuerst: Was „90 % Genauigkeit“ wirklich heißt

Capgemini beschreibt in seiner Analyse zu AI-powered Cash Management, dass Treasury-Funktionen mit KI und Echtzeitdaten Forecast-Genauigkeiten von bis zu 90 Prozent erreichen können. Klassische, fragmentierte Prozesse bringen oft Varianzbereiche über 20 Prozent und überdimensionierte Liquiditätspuffer von 15 bis 20 Prozent mit sich. Maßgeblich ist die dokumentierte Leistungsdifferenz zwischen Excel-getriebenen Modellen und datengetriebenen ML-Ansätzen.

„Bis zu 90 Prozent“ ist kein Garantiewert für jedes Unternehmen und jeden Horizont. Die erreichbare Genauigkeit hängt von Datenhistorie, Transaktionsvolumen, Saisonalität, Konzernstruktur und der Qualität der Stammdaten ab. Die Größenordnung reicht dennoch, um den Status quo zu hinterfragen: Viele Treasuries operieren weiterhin mit Forecasts im 60- bis 70-Prozent-Bereich und kompensieren Unsicherheit mit teuren Puffern, kurzfristigen Kreditlinien und reaktiven Entscheidungen.

Die betriebswirtschaftliche Konsequenz ist unmittelbar. Wer den Forecast systematisch verbessert, reduziert Idle Cash, senkt Finanzierungskosten, erkennt Engpässe früher und trifft Investment- und Hedging-Entscheidungen mit engeren Konfidenzintervallen. Predictive Analytics gehört damit zum Kern der Entscheidungsqualität im Treasury.

Predictive Analytics: Präzisere Vorhersagen – und warum Excel strukturell scheitert

Klassische Excel-Forecasts sind in vielen Häusern historisch gewachsen: Bottom-up-Meldungen der Gesellschaften, manuelle Aggregation, pauschale Aufschläge, subjektive Expertenschätzungen. In stabilen Umfeldern funktioniert das halbwegs. Bei steigender Volatilität, externen Schocks oder komplexen Zahlungsverhaltensmustern stößt Excel an strukturelle Grenzen. Die Modelle skalieren schlecht, unterschätzen Interdependenzen und lernen saisonale, kalendarische und verhaltensbasierte Muster nur begrenzt.

Machine-Learning-Modelle extrahieren aus historischen Zahlungsdaten wiederkehrende Muster – Saisonalität, Wochentags- und Feiertagseffekte, Zahlungsverzögerungen bei bestimmten Kundengruppen, korrelierte Abflüsse nach Produktionszyklen – und kombinieren diese mit externen Signalen wie Wechselkursen, Zinsen oder Lieferkettenindikatoren. Den Ausschlag gibt die systematische Auswahl und Kalibrierung geeigneter Verfahren.

In der Praxis kommt ein Ensemble unterschiedlicher Modellfamilien zum Einsatz: klassische Zeitreihenmodelle (etwa SARIMA/TBATS), strukturierte Bayessche Ansätze, Gradient Boosting (z. B. XGBoost) oder neuronale Netze. Moderne Treasury-Plattformen wählen Modelle teilweise automatisch, trainieren sie auf den eigenen Historien und vergleichen Forecast und Actuals fortlaufend. Die Feedback-Schleife aus Forecast versus Ist, Abweichungsanalyse und Nachkalibrierung macht aus einer einmaligen Prognose ein lernendes System.

Liquiditätsprognosen mit ML: Von der Position zur Treiberanalyse

Der Einstiegspunkt ist meist der Cash-Flow-Forecast auf kurzen und mittleren Horizonten – vom Tages- und Wochenblick bis zur klassischen 13-Wochen-Sicht. ML-Modelle nutzen aggregierte Salden gemeinsam mit Transaktions- und Ledger-Daten aus ERP, Banken und TMS. Besonders wirksam wird der Ansatz, wenn AR-, AP- und Payroll-Muster explizit modelliert werden: Wann zahlt welcher Debitor typischerweise? Welche Lieferanten ziehen Rechnungen vor? Welche Abflüsse sind vertraglich fix, welche verhalten sich stochastisch?

Die Qualitätsdifferenz zeigt sich in Trefferquote und Treibererklärbarkeit zugleich. Ein guter Forecast meldet „in drei Wochen fehlen 4 Mio. EUR“ und macht sichtbar, ob verzögerte Kundeneingänge, vorgezogene Lieferantenzahlungen, steuerliche Sonderzahlungen oder FX-Effekte dahinterstehen. Für CFOs und Analysten ist diese Treibertransparenz der eigentliche Mehrwert: Der Forecast wird zur Steuerungsgrundlage.

Ohne belastbare Datenhistorie und konsistente Kategorisierung bleibt jedes Modell schwach. Fragmentierte Kontenpläne, inkonsistente Cash-Flow-Codes und fehlende Ist-Abgleiche erzeugen systematische Blindspots. Predictive Analytics belohnt Disziplin in der Datenarbeit – ein Punkt, den erfolgreiche Implementierungen immer wieder bestätigen.

Exogene Faktoren: Warum interne Historie allein oft nicht reicht

Viele Forecasting-Ansätze trainieren primär auf dem, was im eigenen System bereits liegt: Zahlungen, Salden, AR/AP-Verhalten. Das ist notwendig – und in ruhigen Phasen oft ausreichend. In volatilen Märkten entscheidet jedoch mit, wie früh externe Impulse sichtbar werden: Zinswenden, Inflationsschübe, Rohstoffpreise, Nachfrageindikatoren, Handels- oder Lieferkettenveränderungen. Wer solche Signale erst über verzögerte Ist-Zahlen im ERP erkennt, reagiert spät.

Genau hier liegt die strategische Ergänzung zur klassischen Transaktions-KI: driver- und signalbasierte Planung, die exogene Faktoren bewusst in Liquiditäts- und Cashflow-Modelle einbindet – und Szenarien nicht nur intern „durchspielt“, sondern an makroökonomische Realität koppelt.

Früherkennung von Risiken und Anomalie-Detection

Neben der klassischen Liquiditätsprognose entfaltet Predictive Analytics Wirkung in der Risikofrüherkennung. Modelle bewerten Counterparty-Muster, erkennen Veränderungen im Zahlungsverhalten und simulieren Zinsszenarien oder Währungsvolatilität auf Basis historischer und marktseitiger Signale. Der Nutzen liegt in der frühzeitigen Markierung von Abweichungen vom erwarteten Pfad – auch wenn absolute Schock-Vorhersagen begrenzt bleiben.

Anomalie-Detection im Zahlungsverkehr ist ein besonders praxisnaher Anwendungsfall. Systeme lernen, was „normal“ für Beträge, Empfänger, Zeitpunkte und Freigabemuster ist, und flaggen Abweichungen, bevor Geld das Haus verlässt: ungewöhnlich große Zahlungen, geänderte Vendor-Bankdaten, untypische Freigabepfade. Coupa und andere Plattformen betonen diesen Verhaltensansatz; FIS Neural Treasury verbindet Liquidity Insights mit Threat Monitoring über Zahlungen und Netzwerke. Fraud Prevention und Forecast Quality wachsen aus derselben Fähigkeit: Mustererkennung unter Unsicherheit.

Menschliche Freigabe bleibt unverzichtbar. Anomalie-Flags erzeugen Entscheidungsbedarf, keine Autopilot-Freigabe. Je besser die False-Positive-Rate kontrolliert wird, desto höher die Akzeptanz im operativen Alltag – und desto eher entlastet KI, statt Alarmrauschen zu erzeugen.

Die bewährte Sequenz: Reconciliation → Visibility → Forecasting → Prescription

Erfolgreiche Teams starten selten mit dem komplexesten Use Case. Die in der Praxis bewährte Reihenfolge baut Fähigkeiten schrittweise auf: zuerst Reconciliation und Datenintegration, dann Cash Visibility über Konten und Gesellschaften, anschließend ML-gestütztes Forecasting – und erst danach Prescriptive Actions. Jeder Schritt verbessert die Datenbasis für den nächsten. Wer Forecasting ohne saubere Actuals und ohne integrierte Positionierung anstößt, trainiert Modelle auf Rauschen.

Diese Sequenz ist auch organisatorisch klug. Frühe Quick Wins schaffen Vertrauen. Ein verbesserter Abstimmungsprozess oder eine konsolidierte Liquiditätssicht ist greifbar und politisch leichter durchsetzbar als ein sofortiger Sprung in autonome Hedging-Empfehlungen. Predictive Analytics folgt damit einem Reifegradpfad statt einer Big-Bang-Transformation.

Prescriptive Analytics: Vom „Was kommt?“ zum „Was tun?“

Der qualitative Sprung von Predictive zu Prescriptive ist entscheidend. Predictive sagt: „Cash-Engpass in drei Wochen.“ Prescriptive ergänzt: „Aktivieren Sie die Kreditlinie bei Bank X – oder finanzieren Sie über einen Intercompany-Loan von Gesellschaft Y; geschätzte Erfolgswahrscheinlichkeit der Liquiditätssicherung: 87 Prozent; Opportunitätskosten der Alternativen: …“

Diese Form der Entscheidungsunterstützung verändert die Rolle des Treasurers. Statt stundenlang Szenarien manuell zu bauen, bewertet das System Optionen entlang vordefinierter Constraints: verfügbare Linien, Intercompany-Regeln, FX-Limits, Covenant-Schwellen, Zinsdifferenzen, Settlement-Zeiten. Der Mensch bleibt Entscheider – auf einer deutlich reicheren Optionenlandschaft.

Typische Prescriptive-Felder im Treasury sind:

• Optimierung von Zahlungszeitpunkten: Wann ausführen, um Währungsvorteile, Cut-offs oder Working-Capital-Ziele zu nutzen?
• Dynamische Hedging-Empfehlungen: Anpassung von FX-Hedges an Volatilität und Risikoprofil – als Vorschlag mit Freigabe, ohne blinde Automatik.
• Finanzierungsstruktur: Hinweise zu Laufzeiten, Debt-/Equity-Mix oder interner versus externer Finanzierung unter Liquiditäts- und Kostenrestriktionen.
• Cash Deployment: Wo Idle Cash parken, poolen oder intern allokieren – inklusive erwarteter Zinserträge und Verfügbarkeitsrisiken.

Prescriptive Analytics ist die logische Fortsetzung eines guten Forecasts. Ohne belastbare Prognose bleibt jede Empfehlung Spekulation. Mit belastbarer Prognose wird die Empfehlung zu einem steuerbaren Entscheidungsprodukt.

Szenario-Simulation in Echtzeit: Was-wäre-wenn ohne Excel-Marathon

Ein eng verwandter Nutzenbereich ist die Szenario-Simulation. M&A-Zahlungen, Währungskrisen, Zinsschocks oder Lieferkettenstörungen lassen sich in modernen Umgebungen in Minuten statt Tagen durchspielen – über mehrere Horizonte und Entity-Strukturen hinweg. Der Wert liegt in der Geschwindigkeit der Iteration: Treasurer können Annahmen verändern, Sensitivitäten sehen und Entscheidungsfenster gegenüber CFO und Vorstand nachvollziehbar machen.

Ergänzend dazu analysieren einige Lösungen Bankbeziehungen und Konditionen historisch: Welche Bank performt bei welchem Produkt? Wo entstehen Gebührencluster? Wo lohnt Konzentration oder Diversifikation? Das ist systematische Auswertung großer Transaktionshistorien – und genau diese Auswertung war manuell oft unwirtschaftlich.

Wer bietet das heute an? Anbieterlandschaft 2025/2026

Der Markt für Predictive und Prescriptive Capabilities im Treasury ist breiter und reifer, als viele Entscheider vermuten. Er lässt sich grob in fünf Gruppen gliedern: spezialisierte europäische und globale TMS-/Cash-Plattformen, Forecasting-Spezialisten (teils akquiriert), ERP-native Assistenten, Enterprise-Planning-/FP&A-Plattformen mit exogenen Signalen sowie Banken- und Beratungsangebote.

TMS- und Cash-Plattformen mit nativer KI

Nomentia hat im April 2025 sein AI Cash Flow Forecasting deutlich ausgebaut. Die Lösung setzt auf automatisierte Datenanbindung, Anomalie-Korrektur, Saisonalitätserkennung und eine Bandbreite an Forecasting-Modellen – unter anderem Bayesian Structural Time Series, TBATS, SARIMA, Prophet, XGBoost sowie neuronale und regelbasierte Ansätze. Die Modelle werden auf Basis historischer Daten ausgewählt und trainiert; Forecast und Actuals werden kontinuierlich verglichen. Nomentia positioniert das Angebot explizit für Treasurer und berichtet aus Kundenprojekten – etwa mit Karl Mayer – von messbaren Genauigkeitsgewinnen bei gleichzeitig deutlicher Zeitersparnis. Für europäische Mid- und Large-Cap-Konzerne ist das ein relevanter, praxisnaher Anbieter im Forecasting-Kern.

Kyriba verbindet Advanced Liquidity Planning mit eingebettetem Machine Learning für Trends, Saisonalität und Kalendereffekte – bei gleichzeitigem Fokus auf Explainability, Governance und Auditierbarkeit. Der Anspruch zielt auf einen steuerbaren Planungsrahmen über Horizonte hinweg, inklusive Szenarien und Plan-to-Cash-Logik.

FIS Neural Treasury adressiert Liquidity Insights und flexibles Cash Forecasting ebenso wie Anomalie-/Threat-Monitoring im Zahlungsverkehr. Ergänzend kommt generative Unterstützung (Treasury GPT) für Setup und Nutzung hinzu – ein Hinweis darauf, dass Predictive Capabilities zunehmend in breitere AI-Suiten eingebettet werden.

Coupa Treasury (auf BELLIN-Basis) nutzt KI für Liquiditätsprognosen aus historischen Mustern und Verpflichtungen sowie für Anomalie-Detection bei Zahlungen und Freigaben. Die enge Verbindung von Spend-, Zahlungs- und Treasury-Daten ist hier der strukturelle Vorteil.

Ripple Treasury (vormals GTreasury) hat mit der Übernahme von CashAnalytics und dem GSmart-Stack Forecasting und Varianzanalyse stark ausgebaut: GSmart Ledger lernt aus Invoice- und Ledger-Mustern; Forecast Insights vergleicht Forecast und Actuals, markiert Anomalien und liefert handlungsrelevante Erklärungen. Anbieterseitig werden Genauigkeitsverbesserungen in der Größenordnung von über 30 Prozent kommuniziert – abhängig vom Ausgangsniveau und der Datenqualität.

TIS integriert Cash-Forecasting und Working-Capital-Analytik – historisch auch über Cashforce – und betont inzwischen Predictive Cash Forecasting mit fortlaufender Nachkalibrierung sowie erklärbare AI-Assistenten für treasury-spezifische Fragen. Der Fokus liegt stark auf Payments-, Bank-Connectivity- und Cash-Daten als Trainingsbasis.

SAP adressiert das Thema zunehmend über den Joule Cash-and-Treasury-Assistenten und spezialisierte Agents: Predictive Forecasting auf Basis tatsächlichen Zahlungsverhaltens, Cash-Positioning-Agenten zur Früherkennung von Funding Gaps und Concentration Risks sowie Unterstützung bei Allokations- und Finanzierungsfragen. Für SAP-zentrierte Landschaften ist das ein naheliegender Integrationspfad.

Forecasting-Spezialisten und horizontale Finance-AI

HighRadius positioniert eine agentic-AI-basierte Cash-Forecasting-Lösung mit dem Anspruch sehr hoher Inflow-Genauigkeit (anbieterseitig bis zu 95 Prozent) und spezialisierten Agents für Datenaufnahme, Modellierung, Varianzanalyse und Overrides. Der Ansatz ist eine AI-native Finance-Plattform mit starkem Treasury-/Working-Capital-Bezug – jenseits des klassischen TMS-Schnittes.

Daneben bleiben spezialisierte Forecasting-Layer relevant – entweder standalone oder nach Akquisition in größere Suiten integriert. Die Konsolidierungswelle (CashAnalytics zu Ripple Treasury/GTreasury, Cashforce in der TIS-/Bankenumgebung) zeigt: Reines Punkttool-Forecasting wird zunehmend in breitere Treasury-Ökosysteme eingebettet.

Enterprise Planning mit exogenen Signalen: Board

Einen eigenen Akzent setzt Board (Board International) – eher Enterprise-Planning-/FP&A-Plattform als klassisches TMS, aber mit klarer Relevanz für Cash- und Liquidity Planning. Über Board Foresight und integrierte externe Signals lassen sich exogene Faktoren systematisch in Prognosen und Szenarien einbinden: makroökonomische Indikatoren, Zinsen, Inflation, Commodity-Preise, Handels- und Nachfrageimpulse. Der Mehrwert liegt darin, dass Liquiditätsplanung nicht nur aus interner Transaktionshistorie lernt, sondern Treiber außerhalb der eigenen Bücher mitmodelliert – und Abweichungen gegenüber diesen externen Signalen erklärbar macht. Damit schließt Board eine Lücke, die viele TMS-native Forecasting-Module nur begrenzt abdecken.

Banken und Beratung: AI-as-a-Service und Transformation

JPMorgan bietet mit Cash Flow Intelligence ein AI-as-a-Service-Angebot rund um Mustererkennung, Forecasting und Liquiditätssicht – gespeist aus Zahlungs- und Transaktionsdaten. Berichte wie jener von Bloomberg zu spürbarer Reduktion manueller Cashflow-Arbeit (Größenordnung bis etwa 90 Prozent bei ausgewählten Kundenworkflows) unterstreichen: Banken verstehen Forecasting inzwischen als Serviceprodukt.

Capgemini und KPMG agieren vor allem als Transformations- und Implementierungspartner: von der Reifegradanalyse über Datenharmonisierung bis zur Einführung predictiver Modelle und Change Management. Capgeminis „bis zu 90 Prozent“-Benchmark und KPMGs Fokus auf Predictive Cash Visibility rahmen den Business Case. Die produktseitige Entscheidung für TMS, Bankplattform, Planning-Plattform oder Speziallösung bleibt separat.

Was die Anbieterlandschaft für Entscheider bedeutet

Predictive und Prescriptive Capabilities sind 2026 keine Laborthemen mehr. Die Unterschiede zwischen Angeboten liegen im Datenmodell, in Erklärbarkeit, Integrationspfad und Governance – weit jenseits des Marketing-Buzzwords „AI“. Wer auswählt, sollte mindestens prüfen:

• Welche Datenquellen sind nativ angebunden (Bank, ERP, AR/AP, TMS) – und wie hoch ist der Integrationsaufwand?
• Werden exogene Faktoren (Makro, Zinsen, Commodity, Nachfrageimpulse) systematisch einbezogen – oder nur interne Historie?
• Welche Modellfamilien werden genutzt, und wie transparent sind Forecast-Treiber und Abweichungen?
• Gibt es eine produktive Forecast-versus-Actuals-Schleife mit kontinuierlichem Lernen?
• Wo endet Prediction, wo beginnt Prescription – und welche Freigabe-Gates sind vorgesehen?
• Wie revisionssicher sind Annahmen, Overrides und Empfehlungen dokumentiert?

Nomentia gehört in diesem Feld klar zu den Anbietern, die Forecasting als Kernkompetenz behandeln. Board ergänzt das Spektrum dort, wo FP&A und Treasury exogene Treiber gemeinsam steuern müssen. Kyriba, FIS, Coupa, Ripple Treasury, TIS, SAP, HighRadius sowie Bankenangebote wie JPMorgan CFI bilden zusammen ein Marktumfeld, in dem Build-versus-Buy und TMS-native versus Best-of-Breed neu bewertet werden müssen.

Was das für Treasury-Entscheidungen verändert

Für zahlenorientierte Professionals ändert sich der Entscheidungsrhythmus. An die Stelle periodischer, oft schon veralteter Forecast-Pakete tritt ein kontinuierlicher Steuerungskreislauf: Signal → Prognose → Optionen → Entscheidung → Lernergebnis. CFOs erhalten engere Unsicherheitsbänder. Analysten verlagern Zeit von der Datenbeschaffung zur Varianzinterpretation. Treasurer entwickeln sich vom Excel-Operator zum Portfolio-Manager von Liquiditätsrisiken und Handlungsoptionen.

Gleichzeitig steigen die Anforderungen an Urteilskraft. Eine Empfehlung mit „87 Prozent Erfolgswahrscheinlichkeit“ ist nur dann nützlich, wenn klar ist, worauf sich die Wahrscheinlichkeit bezieht, welche Annahmen gelten und welche Tail-Risiken ausgeblendet bleiben. Explainable AI und klare Entscheidungsrechte sind Voraussetzung für Akzeptanz.

Grenzen und Voraussetzungen – ohne Illusionen

Predictive und Prescriptive Analytics scheitern selten an fehlenden Algorithmen. Sie scheitern an schwachen Daten, unklaren Verantwortlichkeiten und unrealistischen Erwartungen. Modelle brauchen Historie, saubere Kategorien und stabile Ist-Prozesse. Organisationen brauchen Override-Regeln, Eskalationspfade und die Bereitschaft, Forecast-Qualität aktiv zu steuern.

Auch regulatorisch und governance-seitig gilt: Je näher Empfehlungen an automatisierte Ausführung rücken, desto wichtiger werden Audit Trails, Modellüberwachung und menschliche Freigabe. Prescriptive Analytics darf Entscheidungsfähigkeit erhöhen und muss Verantwortlichkeit erhalten.

Fazit und Ausblick auf Beitrag 4

Predictive Analytics macht Unsicherheit messbarer. Prescriptive Analytics macht Optionen entscheidbar. Zusammen verschieben sie Treasury von der retrospektiven Kontrolle zur vorausschauenden Steuerung – sofern Datenqualität, Modelltransparenz und menschliche Urteilskraft mitwachsen. Die dokumentierte Praxis führender Organisationen zeigt: Genauigkeitsniveaus in Richtung 90 Prozent sind erreichbar. Der Weg dorthin ist ein Reifegradpfad mit klaren Zwischenschritten.

Im nächsten Beitrag der Serie geht es um die Konvergenz von TradFi und DeFi als laufende Transformation mit konkreten Praxisbeispielen. Denn wer Liquidität und Risiken datenbasiert steuert, wird früher oder später auch die Marktinfrastruktur bewerten müssen, auf der diese Liquidität bewegt und tokenisiert wird.

Ob KI prognostizieren kann, ist inzwischen beantwortet. Offen bleibt, ob Treasury aus besseren Prognosen konsequent bessere Entscheidungen macht.

Serie: KI im Treasury | Beitrag 3 von 7 | Für wen: Zahlenorientierte Treasury-Professionals, CFOs, Analysten