Die Datenvisualisierung ist ein wichtiger Schritt in jeder Form der Datenanalyse. Die Darstellung von Daten in einem grafischen Format hilft oft dabei, Trends hervorzuheben, Anomalien zu identifizieren und Erkenntnisse zu gewinnen, die beim bloßen Durchlesen von Rohdaten übersehen werden. Das Gleiche gilt für die Analyse der Daten, die im Rahmen eines Liquiditätsprognoseprozesses generiert wurden.

Um zu veranschaulichen, wie Datenvisualisierung bei der Datenanalyse helfen kann, werden in diesem Beitrag drei mögliche Visualisierungsmöglichkeiten vorgestellt Daten zur Liquiditätsprognose. Diese drei Optionen sind:

• Cash-Walk-Through-Visualisierung (zeigt, wie sich Bargeld von einer Eröffnungsposition zu einer Schlussposition bewegt)
• Prognose- und Ist-Visualisierung (schneller Überblick über Prognoseabweichungen)
• Zeitreihenvisualisierung (Analysieren Sie die Genauigkeit mehrerer Versionen einer Prognose)

Es ist jedoch wichtig zu beachten, dass diese Beispiele nicht vollständig sind und dass viele andere Formate zur Visualisierung von Liquiditätsprognosedaten verfügbar sind.

Cash-Walk-Through-Diagramm

Eine Cash-Walk-Through-Visualisierung unterteilt den Weg von der Eröffnung bis zum Abschluss des Barguthabens in eine Reihe von Schritten, in denen die wichtigsten Beiträger/Kritiker des Nettobarguthabens identifiziert werden.

Im Beispiel unten sehen wir, dass die drei wichtigsten Kategorien für Mittelzuflüsse grün hervorgehoben sind (Kundeneingänge, Investitionszufluss, Dividendeneinnahmen). Die vier Hauptabflusskategorien sind rot hervorgehoben (Lieferantenzahlungen, Steuern, Gehaltsabrechnung, Schuldenzahlungen).

Einer der Hauptvorteile dieser Methode der Datenvisualisierung besteht darin, dass sie das Ausmaß, in dem sich jede Cashflow-Kategorie auf das Barguthaben auswirkt, in einer leicht verständlichen Grafik hervorhebt. Das bedeutet, dass die Aufmerksamkeit auf die Elemente gerichtet werden kann, die die größte Wirkung haben werden. In der obigen Grafik können wir beispielsweise schnell erkennen, dass Lieferantenzahlungen (die insgesamt 10 Millionen $ an Ausgaben ausmachen) die positiven Beiträge aus Kundeneinnahmen, Investitionszuflüssen und Dividendenerträgen zusammengenommen zunichte machen.

Visualisierung der Prognose und der tatsächlichen Varianz

Die folgende Grafik veranschaulicht einen Vergleich von Prognose- und tatsächlichen Daten für eine Vielzahl von berichtenden Unternehmen. Sie unterteilt die Kennzahl in zwei Kategorien: prozentuale Abweichung und Betragsabweichung. (Hier werden die Abweichungen der verschiedenen berichtenden Unternehmen in eine gemeinsame Währung, den US-Dollar, umgerechnet.)

Einer der Hauptvorteile dieser Methode der Datenvisualisierung besteht darin, dass Materialabweichungen schnell identifiziert und mit der prozentualen Genauigkeit anderer Entitäten in Zusammenhang gebracht werden können. Das bedeutet, dass den Variationen, die die größte Wirkung haben, Aufmerksamkeit geschenkt werden kann. Im obigen Fall wies Brasilien beispielsweise eine große Abweichung zwischen Prognose und tatsächlichen Ergebnissen auf (92%), was jedoch nur einer Abweichung von 1,3 Millionen $ entsprach. In China, wo die Prognosegenauigkeit besser war (obwohl sie immer noch schlecht war, da China eine Abweichung von den tatsächlichen Werten um 83% aufwies), lag der Wert dieser Diskrepanz bei 4,0 Millionen $. Das bedeutet, dass eine Erhöhung der Genauigkeit der vom chinesischen Unternehmen erstellten Prognosen (bei denen erhebliches Verbesserungspotenzial besteht) weitaus größere Auswirkungen auf die allgemeine, unternehmensweite Prognosegenauigkeit haben würde, als sich auf das Unternehmen zu konzentrieren, das am ungenauesten ist.

Visualisierung von Zeitreihen

Eine Zeitreihenvisualisierung ermöglicht die Durchführung von Varianzanalysen über mehrere Prognoseversionen hinweg und wird in der Regel am besten in einer Tabelle wie der folgenden dargestellt.

Hier zeigt die Tabelle, wie mehrere Prognoseversionen im Vergleich zu den tatsächlichen Daten (fett gedruckt) abschneiden:

• Y-Achse: zeigt Versionen der Prognose (wann sie erstellt wurden)
• X-Achse: zeigt den Monat an, für den jede Prognose den Schlusssaldo von prognostiziert
• Jeder Datenpunkt auf dem Diagramm entspricht einer Prognose oder einer tatsächlichen Liquiditätsposition (Istwerte sind fett gedruckt)
• Wenn wir die Prognoseversion vom 18. Februar als Beispiel nehmen und entlang der Zeile scannen, können wir sehen, dass in dieser Einreichung der tatsächliche Schlusssaldo für JANUAR 2018 erfasst und die Schlusssalden für Februar — JUNI 2018 prognostiziert wurden.

Der Vorteil der Erfassung der Daten in diesem Format besteht darin, dass es einen einfachen Vergleich mehrerer Prognoseversionen ermöglicht. Das bedeutet, dass Trends in den Daten leicht identifiziert und gegebenenfalls berücksichtigt werden können, um die Genauigkeit zu verbessern.

Die obige Tabelle zeigt beispielsweise, dass während Genauigkeit der Prognose Da sich der Prognosezeitraum mit abnehmendem Zeithorizont deutlich verbesserte, bestand weiterhin die Tendenz, die tatsächlichen Werte zu unterschätzen. Wenn wir die Angaben vom 18. April überprüfen, können wir feststellen, dass die tatsächliche Zahl, die für den Schlusssaldo vom März 2018 ermittelt wurde, 154.000 betrug. In dieser Einreichung waren auch Prognosen für den Schlusssaldo vom April 2018 (der um 19.000 unterschätzt wurde), eine Prognose für Mai 2018 (um 100.000 unterschätzt) und eine Prognose für Juni 2018 (um 134.000 unterschätzt) enthalten.

Da genügend Daten erfasst wurden (in der Tabelle sehen wir 36 Prognosen und sechs Schlusssalden), kann die Hypothese aufgestellt werden, dass es sich nicht um eine natürliche Varianz handelt, sondern um einen Trend, der darauf zurückzuführen ist, dass ein fundamentaler Bereich der Prognose falsch berechnet wurde. Das könnten höhere Verkaufsmengen als erwartet sein, niedrigere Gemeinkosten, vielleicht hat sich das Unternehmen vor Kurzem eine Senkung der Geschäftstarife gesichert, aber das spiegelte sich beispielsweise nicht in den Prognoseberechnungen wider. In jedem Fall kann, sobald dieser Trend erkannt ist, die zugrunde liegende Ursache untersucht, identifiziert und dann korrigiert werden. Dadurch wird die Prognosegenauigkeit verbessert.

Vorteile der Datenvisualisierung

Wie zu Beginn dieses Beitrags erwähnt, ist die Datenvisualisierung ein notwendiger Bestandteil jeder Datenanalyse. Die grafische Darstellung der Informationen ermöglicht es einem Analysten, Trends schnell zu erkennen, Anomalien zu identifizieren und hilft dabei, die zugrunde liegenden Ursachen für etwaige Fehler im Prozess aufzudecken. Für ein Treasury-Team bedeutet dies, dass diese Erkenntnisse dann dem Unternehmen in einem klaren und übersichtlichen Format präsentiert werden können, sodass sie von der Geschäftsleitung leicht interpretiert werden können. Somit wird das Treasury als strategische Abteilung innerhalb des Unternehmens positioniert.

Software und Tools zur Datenvisualisierung

Wie bei allen Teilen eines Liquiditäts- und Liquiditätsprognoseprozesses können die Optionen zur Datenvisualisierung durch den Einsatz spezialisierter Softwaretools erheblich verbessert werden. Wir haben vielen Unternehmen dabei geholfen automatisieren Sie ihre Liquiditätsprognoseprozesse, zu die Prognosegenauigkeit erhöhen, und richten Sie einen neuen Liquiditätsprognoseprozess ein insgesamt. Wenn Sie die Wirkung von Liquiditätsprognosen in Ihrem Unternehmen verbessern möchten, kontaktieren Sie uns, um eine Demo unserer Spezialsoftware zu sehen.

‍