THINK Blog DACH

Wann zahlen Kunden ihre Rechnungen? Damit Unternehmen in ihrer Liquiditätsplanung kosteneffizient agieren können, wäre es sehr hilfreich, hierüber eine möglichst genaue Prognose abgeben zu können.

Als IT-Dienstleister ist Blanc & Fischer IT Services unter anderem für die Buchhaltungen mehrerer Teilkonzerne der Firmengruppe verantwortlich. Die Liquiditätsplanung stützt sich dabei auf festgelegte Zahlungsziele aus der Rechnungsstellung. Besonders die Vielzahl an Kunden macht es schwer abzuschätzen, wann mit welchen Finanzströmen gerechnet werden kann.

Wir haben bei Blanc & Fischer IT Services ein KI-Tool entwickelt, das uns eine bessere Prognose des Zahlungseingangs unserer Kunden ermöglicht. Die Umsetzung erfolgte in Zusammenarbeit mit dem IBM Business Partner TIMETOACT GROUP auf der Data-Science-Plattform IBM Watson Studio auf IBM Cloud Pak for Data (CP4D).

Dabei konnten wir auf die bereits bestehende erfolgreiche Zusammenarbeit mit IBM anknüpfen, die uns schon im Vorjahr bei der Modernisierung unserer IT-Infrastruktur und der ERP-Systeme unterstützt haben. Wir werfen nun einen Blick auf die Zusammenarbeit im Rahmen dieses Projektes und die Voraussetzungen, die für ein erfolgreiches KI-Projekt im Bereich Liquiditätsplanung geschaffen werden müssen.

Die Liquiditätsplanung organisieren

In der Liquiditätsplanung gilt: Selbst bei Abweichungen der Zahlungen um wenige Tage können hohe Kosten entstehen –an anderer Stelle wäre dieses Geld besser eingesetzt. Das führte zur Frage: Wie gelingt uns die Verbesserung der Vorhersage darüber, zu welchem Zeitpunkt Rechnungen bezahlt werden und wir Zahlungseingänge verbuchen können? Wir waren überzeugt, mithilfe der bereits existierenden Daten aus der Zahlungshistorie ein Modell trainieren zu können, das uns immer genauere Prognosen zu den zu erwartenden Zahlungseingängen liefert.

Am Anfang eines KI-Projektes steht die wichtige Frage: „Haben wir genug Daten in ausreichender Qualität?“ Die kurze Antwort lautete „ja“ – denn aufgrund der gesetzlich vorgeschriebenen Aufbewahrungsfristen liegen uns Rechnungen und Zahlungsbelege vor, die über lange Zeiträume gespeichert wurden.

Im nächsten Schritt zeigte die Analyse der Daten beispielsweise, dass einige Kunden mehrere Rechnungen gesammelt bezahlen, sodass nicht pro Rechnung ein einzelner Zahlungsbeleg vorliegt. Außerdem gibt es Kunden mit besonderen Zahlungsbedingungen, die nicht zuverlässig durch die Annahme des Netto-Ziel-Datums abgebildet werden können.

Ein Modell wird erstellt

Nachdem die Daten gesichtet wurden, stand die Suche nach dem passenden Modellierungsansatz auf dem Weg zur Liquiditätsplanung mit Hilfe von KI auf der Agenda des Projektteams. Dafür haben wir die Datenplattform IBM Watson Studio auf Cloud Pak for Data genutzt. Verschiedene KI-Modelle haben wir auf ihre Genauigkeit hin erprobt und das beste Modell ausgewählt, um darauf aufbauend die besten Prognosen über Zahlungseingänge treffen zu können:

• Der Bayes’sche Ansatz zur Modellierung des Zahlungsverhaltens anhand von Wahrscheinlichkeitsverteilungen mit den Zahlungszielen als a-priori-Information und den beobachteten Zahlungseingängen zur Bestimmung der a-posteriori-Verteilung
• Die Cox-Regression, welche den Einfluss unabhängiger Variablen auf den Zeitpunkt des Zahlungseingangs modelliert
• Die Lineare Regressionsanalyse, Random Forest, Extra Trees und andere Regressionsmodelle, um die Anzahl der Tage bis zum Zahlungseingang auf Grundlage von unabhängigen Merkmalen zu bestimmen

Mit IBM Cloud Pak for Data / IBM Watson Studio konnten wir die Lösung skalieren und die Bereitstellung, das Monitoring und das Re-Training gewährleisten. Darüber hinaus konnten wir eine Vielzahl von deskriptiven, diagnostischen, beschreibenden und vorhersagenden Funktionen nutzen. Zusätzlich überzeugt hat uns, dass das Analystenhaus Gartner IBM Watson Studio als eine führende Plattform im Magic Quadrant for Data Science and Machine Learning Platforms ausgezeichnet hat.

Zahlungseingänge exakter vorhersagen

Die bisherigen, festen Zahlungsziele wurden nun in der Liquiditätsplanung durch die neuen Prognosen ersetzt. Dafür werden sämtliche relevanten Daten in das Data Warehouse geladen und die Anwender können im eigens erstellten Dashboard die Prognosen über die erwarteten Zahlungseingänge ablesen. Gleichzeitig erlaubt das Dashboard, mehrere Berechnungsmodelle zu hinterlegen, um durch tiefergehende Analysen exaktere Vorhersagen der Zahlungseingänge zu treffen.

Die erste Version der neuen Liquiditätsplanung ist nun einsatzfähig, das Projekt ist damit aber nicht abgeschlossen: wir haben zudem getestet, wie das Modell mit IBM Cloud Pak for Data bereitgestellt werden kann und wie durch die Funktionen für vertrauenswürdige KI die Überwachung in IBM Watson Studio funktioniert. Da die Prognosen nur für den Cash Forecast relevant sind, war kein Realtime-Scoring erforderlich und die Prognosen wurden in die nächtlichen ETL-Jobs eingebunden.

Künftig gilt es, den Lebenszyklus des Modells kontinuierlich wieder zu durchlaufen: Auch in Zukunft wird es mit aktuellen Daten weiter trainiert, die Genauigkeit getestet und weiterentwickelt. Mit den Funktionen für vertrauenswürdige KI in Watson Studio können Erklärbarkeit, Fairness, Qualität und Data Drift geprüft werden. Der Service checkt also grundsätzlich, ob die neuen, aktuellen Daten von den vorab von uns eingelesenen Trainingsdaten abweichen. Abweichungen werden als Drifts gekennzeichnet und bei Ähnlichkeit in Clustern zusammengefasst. Erkennt das System Ungenauigkeiten in unseren Berechnungen, werden wir direkt benachrichtigt und können diese nachjustieren, um so immer genaue und passende Prognosen zu erhalten. Somit wird das neue Modell kontinuierlich weiterentwickelt, verbessert und angepasst, sobald Probleme auftauchen.

Bereits jetzt lassen sich mithilfe der KI-Lösungen von IBM detailliertere Vorhersagen treffen und dadurch eine effizientere Liquiditätsplanung aufsetzen.

Exkurs: Cloud Pak for Data (CP4D)

IBM Cloud Pak for Data / IBM Watson Studio hat drei Hauptstärken: Unterstützung mehrerer Personas, eine umfassende KI-Vision und das Beachten eines ethisch-verantwortungsvollen Umgangs mit vertrauenswürdiger KI. IBM Cloud Pak for Data / IBM Watson Studio bietet ein visuelles Workflow Interface sowie eine Notebook-Auswahl an. Das ermöglicht es Daten-Analysten und Data-Scientists ebenso wie Nicht-Fachleuten, gemeinsam am selben Projekt zu arbeiten. Darüber hinaus können die verwendeten KI-Modelle unter den Benutzern einfach geteilt werden. Hierfür sorgt ein eingebauter Katalog, der das Teilen und Wiederverwenden von (Meta-)Daten und Modellen erheblich leichter gestaltet. Für die tiefergehende Interpretation von Daten und um regulatorische Anforderungen zu erfüllen, kombiniert IBM CP4D / IBM Watson Studio mehrere KI-Techniken wie AutoAI und Visualisierungen.

Mithilfe des automatisierten KI-Lifecycle-Managements können Unternehmen ihre KI transparent und sicher aufbauen und skalieren. Die Ergebnisse der KI-Analysen sind durch KI-Installationen mit kontinuierlichen Prüffunktionen jederzeit nachvollziehbar und ermöglichen dadurch die Anpassung an die geschäftlichen Erfordernisse. Kunden können damit ihre Daten organisieren, KI-Modelle erstellen, betreiben und managen – und das auf jeder gängigen Cloud-Plattform. Durch Support in den Punkten Erklärbarkeit, Voreingenommenheit (Bias), Fairness, Genauigkeit, Data Drift Monitoring, synthetische Daten und differenzierte Privacy soll sichergestellt werden, dass Unternehmen nachvollziehbare und erklärbare Entscheidungen treffen können.

Die Offenheit der IBM Cloud Pak for Data Plattform gibt Kunden die nötige Flexibilität, KI-Lösungen wie das IBM Watson Studio, den IBM Knowledge Catalog, IBM DB2, und IBM DataStage bei Cloud-Anbietern ihrer Wahl einzusetzen. Das IBM Cloud Pak for Data läuft auf der Hybrid-Cloud von Red Hat® OpenShift®.