Die Diagnose zur Prognosegenauigkeit, die jeder CFO durchführen sollte

Ihre Prognose sagte eine Zahl, die Ist-Werte sagten eine andere. Wieder einmal.

Wenn Ihnen dieses Muster bekannt vorkommt, sind Sie nicht allein. Die Genauigkeit der Cash-Prognose ist eines der schwierigsten Probleme im Büro des CFO, und es wird selten von selbst einfacher. In der CFO- und Treasurer-Umfrage 2026 von J.P. Morgan nannten 38 % der Finanzverantwortlichen im asiatisch-pazifischen Raum das Cashflow-Forecasting als ihre größte Liquiditätsherausforderung – noch vor Marktvolatilität und regulatorischen Einschränkungen.

Eine separate Untersuchung der AFP Treasury Benchmarking Survey 2025 ergab, dass über 60 % der Treasury-Fachleute die Cash- oder Liquiditätsprognose als die anspruchsvollste Aufgabe bezeichnen, mit der sie konfrontiert sind – mehr als jede andere Treasury-Funktion.

Eine verfehlte Prognose ist nicht ein Problem. Es sind meist vier kleinere Probleme, die sich übereinanderstapeln, und jedes davon untergräbt die Prognosegenauigkeit auf eine andere Weise. So erkennen Sie, welches auf Sie zutrifft.

Symptom 1: Die Prognose hinkt der Realität immer ein paar Tage hinterher

Wenn Ihre Wochenprognose aus dem AR-Aging-Export von Montag, dem AP-Lauf von Freitag und dem gestrigen Kontoauszug erstellt wird, prognostizieren Sie nicht die Zukunft. Sie beschreiben die letzte Woche und nennen es eine Prognose.

Diagnosefrage: Wenn Sie einen Abweichungsbericht ziehen, stellt sich heraus, dass der größte Treiber eine Zahlung oder ein Zahlungseingang ist, von dem Ihr Team bereits wusste, ihn aber noch nicht erfasst hatte?

Das ist ein Problem der Datenlatenz, kein Modellierungsproblem. Keine Formelanpassung behebt eine Prognose, die auf Eingaben basiert, die bereits veraltet sind, wenn sie geladen werden.

Symptom 2: Eine Prognose, keine Bandbreite

Die meisten Finanzteams erstellen ein einziges Basisszenario, manchmal mit einem Best- und Worst-Case für die Vorstandspräsentation. Das funktioniert, wenn die Bedingungen stabil sind. Es bricht schnell zusammen, wenn sich Zinssätze, Nachfrage oder Devisenkurse mitten im Quartal ändern, da eine Einzelpunkt-Prognose keinen Spielraum zur Anpassung hat.

Diagnosefrage: Wenn der Vorstand fragt „Was passiert mit unserer Cash-Position, wenn ein wichtiger Kunde 30 Tage verspätet zahlt?“, wie lange braucht Ihr Team, um zu antworten?

Wenn die Antwort in Tagen statt in Minuten gemessen wird, betreiben Sie eine Momentaufnahme, keinen Prognoseprozess.

Symptom 3: Die Zahlen sprechen nicht miteinander, weshalb die Prognosegenauigkeit leidet

Cash-Prognosen stützen sich auf Daten aus Debitoren-, Kreditoren-, Gehaltsabrechnungs-, Treasury- und operativen Systemen, die oft in separaten Tools mit separaten Verantwortlichen liegen. Jede manuelle Übergabe zwischen diesen Systemen ist eine Stelle, an der sich Verzögerungen, Übertragungsfehler und Versionsabweichungen einschleichen können.

Diagnosefrage: Könnten zwei Personen in Ihrem Team am selben Tag dieselbe Prognose ziehen und unterschiedliche Zahlen erhalten, weil sie von unterschiedlichen Exporten ausgegangen sind?

Wenn ja, begann Ihr Genauigkeitsproblem bereits vor jeder Tabellenformel.

Symptom 4: Die Prognose verschlingt die ganze Woche

Fragen Sie Ihr Team, wie viele Stunden in die wöchentliche Prognoseaktualisierung fließen: Berichte abrufen, Exporte abstimmen, das Modell neu aufbauen, Erklärungen für Abweichungen suchen. Für viele Finanzteams ist das ein ganzer Tag oder mehr, jede Woche, verbracht mit dem Zusammenstellen statt mit der Analyse.

‍Diagnosefrage: Von den Stunden, die Ihr Team mit Cash-Forecasting verbringt, wie viele fließen in die Datenerfassung im Vergleich zur Interpretation?

Wenn die Erfassung überwiegt, konkurriert die Prognose mit strategischer Arbeit um die gleichen begrenzten Stunden, und strategische Arbeit verliert meist zuerst.

Was die Prognosegenauigkeit an der Wurzel verbessert

Untersuchungen von EY zeigen, dass die meisten Unternehmen heute nicht besonders gut im Cash-Forecasting sind, aber Unternehmen mit starker funktionsübergreifender Transparenz über Cashflow-Treiber eine geschätzte vierteljährliche Genauigkeit von 90 % gegenüber den unternehmensweiten Cashflow-Zielen erreichen können. Die Kluft zwischen „den meisten Unternehmen“ und „Unternehmen mit starker Transparenz“ ist keine Frage des Aufwands. Es ist eine Frage der Infrastruktur.

GSmart, die KI-Ebene von Ripple Treasury, behebt jedes dieser Symptome direkt innerhalb von Cash Forecasting. Kunden verzeichnen eine Steigerung der Prognosegenauigkeit um über 30 %, nachdem diese vier Lücken geschlossen wurden:

• Datenlatenz: Die Bankkonnektivität liefert tägliche Cash-Berichte und Ist-Werte, sodass die Prognose die aktuellen Daten widerspiegelt, statt der Exporte der letzten Woche.
• Denken in einem einzigen Szenario: Der Szenariomodus ermöglicht es Ihrem Team, mehrere Prognoseversionen parallel zu erstellen, zu vergleichen und einem Stresstest zu unterziehen, wobei die Szenarioauswirkungen innerhalb von Sekunden angezeigt werden.
• Getrennte Systeme: GSmart Ledger automatisiert die Auflösung von Debitoren- und Kreditorenbuchungen, indem es das Zahlungsverhalten der Kunden lernt, um automatisch Prognosen auf Rechnungs- und Kundenebene zu erstellen, sodass jedes Team aus derselben Quelle schöpft.
• Manuelle Zusammenstellungszeit: Automatisierte Prognosemodellierung und Trendprognosen reduzieren den manuellen Berichtszyklus erheblich und geben Ihrem Team Zeit, Abweichungen zu interpretieren, statt ihnen nachzujagen.

Die Cash-Forecasting-Kunden von Ripple Treasury in 40 Ländern nutzen diesen Ansatz, um die Prognose von einer rückblickenden zu einer zukunftsgerichteten Übung zu machen.

Führen Sie Ihre eigene Diagnose durch

Sie brauchen keine neue Software, um zu beginnen. Ziehen Sie Ihre letzten vier Wochenprognosen im Vergleich zu den Ist-Werten und ordnen Sie jede Abweichung einer der vier oben genannten Kategorien zu: Datenlatenz, Szenariolücken, Systemtrennungen oder manuelle Verzögerung. Das Muster zeigt Ihnen, wo Ihr Prognosegenauigkeitsproblem tatsächlich liegt und wo Sie zuerst investieren sollten.

Sehen Sie, was GSmart in Ihren Daten findet >

Häufig gestellte Fragen

Was ist Cash-Prognosegenauigkeit?

Die Cash-Prognosegenauigkeit misst, wie genau eine prognostizierte Cash-Position mit der tatsächlichen Cash-Position nach Abschluss des Zeitraums übereinstimmt. Finanzteams verfolgen sie typischerweise, indem sie prognostizierte Zu- und Abflüsse mit den Ist-Werten vergleichen und dann die Größe der Abweichung als Prozentsatz messen.

Was verursacht eine geringe Cash-Prognosegenauigkeit?

Die meisten Genauigkeitsprobleme lassen sich auf eine von vier Grundursachen zurückführen: veraltete Daten, die das Modell füttern, eine Einzelszenario-Prognose ohne Anpassungsspielraum, getrennte Systeme, die widersprüchliche Zahlen liefern, oder manuelle Zusammenstellungsarbeit, die die Stunden verschlingt, die eigentlich der Analyse gelten sollten. Identifizieren Sie, welches davon zutrifft, bevor Sie Ihren Prozess ändern.

Wie wird die Cash-Prognosegenauigkeit gemessen?

Finanzteams messen sie üblicherweise mittels Abweichungsanalyse, indem sie die prognostizierte Zahl mit dem tatsächlichen Ergebnis für denselben Zeitraum vergleichen. Eine geringere Abweichung, ausgedrückt als Prozentsatz, bedeutet höhere Genauigkeit. Die Verfolgung der Abweichung nach Treiber, nicht nur nach Gesamtsumme, erleichtert es, zu isolieren, wo die Prognose versagt.

Welche Cash-Prognosegenauigkeit sollten CFOs anstreben?

Es gibt keinen einzigen universellen Richtwert, da dies von der Geschäftskomplexität und dem Prognosehorizont abhängt. Untersuchungen von EY ergaben, dass Unternehmen mit starker funktionsübergreifender Transparenz über Cashflow-Treiber eine geschätzte vierteljährliche Genauigkeit von 90 % gegenüber den unternehmensweiten Cashflow-Zielen erreichen können, was ein nützlicher Referenzpunkt dafür ist, wie eine starke Praxis aussieht.

Wie können CFOs die Cash-Prognosegenauigkeit verbessern?

Beginnen Sie damit, die oben beschriebene Vier-Symptom-Diagnose auf Ihre eigene Abweichungshistorie anzuwenden. Von dort aus erzielen die meisten Teams die schnellsten Fortschritte, indem sie zuerst die Datenlatenz schließen, da eine Prognose, die auf veralteten Eingaben basiert, nicht allein durch besseres Modellieren behoben werden kann. Kunden von Ripple Treasury Cash Forecasting, die diese Lücken schließen, verzeichnen eine Steigerung der Prognosegenauigkeit um über 30 %.