Predictive Analytics: Grundlagen, Projektbeispiele und L ... / 4.1 Accounts Receivable Forecast

Ausgangslage und Zielsetzung

Im projektgebenden Unternehmen aus dem Bereich Life Science wurde festgestellt, dass in 2 Kernmärkten über die Jahre fast jede zweite Rechnung von den Kunden zu spät bezahlt wurde und insb. Neukunden zu einer verspäteten Zahlung neigten. Aufgrund der Vielzahl denkbarer Gründe für diese Situation konnte das Unternehmen nicht mit klassischen Zeitreihenanalysen arbeiten. Zudem war unklar, inwieweit ein Prognosemodell hier zusätzliche und handlungsleitende Erkenntnisse liefern könne. Der Group-CFO beauftragte daher das Horváth & Partners Steering Lab, einen "Proof-of-Concept" für den Accounts-Receivable-Prozess zu erstellen und konkrete Strategien zur Verbesserung der Situation zu definieren.

Vorgehen

Auf Basis der Daten der größten Produktgruppen wurde zuerst ohne Experteninput seitens des Unternehmens eine erste, rein datenbasierte Analyse möglicher Einflussfaktoren durchgeführt, die erst anschließend mit dem Unternehmen plausibilisiert wurde. Um nicht nur die Wahrscheinlichkeit einer verspäteten Rechnungsbegleichung zu berechnen, sondern auch die Dauer der Verspätung, wurde ein Modell mit 2 Kernalgorithmen entwickelt.

1. Der erste Algorithmus produzierte eine Ja/Nein-Entscheidung hinsichtlich der zu erwarteten Verspätung bis auf Stufe von einzelnen Transaktionen (Klassifikation).
2. Der zweite Algorithmus berechnete die zu erwartende Dauer in Tagen für eben jene Transaktionen (Scoring).

Abb. 5: Vorgehen im Projekt

Die einzelnen Transaktionen wurden im Anschluss entsprechend ihrer Kritikalität, d. h. Verspätungsprognose und Transaktionsvolumen, gelistet und entsprechend visualisiert.

Ergebnisse

Das erarbeitete Accounts-Receivable-Modell übertraf alle Erwartungen des Unternehmens. Im Bereich Accounting wurde bspw. eine bessere Compliance mit IFRS 9 erreicht, weil die "bad debt allowance" präziser berechnet und das Ausfallrisiko besser prognostiziert werden konnte. Im NWC-Management konnten die Cash Collection verbessert und die Liquiditätsplanung optimiert werden, im Verkauf konnte der Fokus auf die profitableren und weniger risikoreichen Kunden gelegt und verfeinerte Preisstrategien entwickelt werden. Im Bereich Operations wurden der Mahnprozess optimiert und das Kapazitäts- und Ausliefermanagement entsprechend angepasst.

Abb. 6: Projektergebnis

Ebenso wichtig wie die genannten Ergebnisse und die kundenseitigen Erkenntnisse hinsichtlich der eigenen Daten war das Verständnis des Prozesses und der Voraussetzungen für zukünftige Predictive-Analytics-Projekte. So wurde bspw. deutlich, dass die definierte Tabellenstruktur im ERP-System für eine automatisierte Befüllung von bestimmten Algorithmen ungeeignet und die Werte einer erfolgten Akquisition in den historischen Daten wider Erwarten nicht abgebildet waren.