Manchmal können die einfachsten Aufgaben durch die undurchsichtigsten Hürden problematisch werden. Dies gilt insbesondere für das Datenmanagement.

Stellen Sie sich vor, ein Datenbankadministrator ist damit beauftragt, eine Reihe historischer Texte nach dem voraussichtlichen Veröffentlichungsdatum zu sortieren. Stellen wir uns vor, diese Texte haben ein geschätztes Veröffentlichungsdatum, das im frühen 18. Jahrhundert liegt^th Jahrhundert bis Mitte 20^th, und dass die Überschrifteninformationen (einschließlich Daten) für diese Texte alle in Excel gespeichert sind. Zunächst könnten Sie davon ausgehen, dass Sie lediglich die Spalte mit den Daten auswählen und nach Uhrzeit sortieren müssten.

In Excel begann die Welt jedoch am 1.^st Januar 1900 und soll am 31.^st Dezember 9999. Nachdem der Datenbankadministrator untersucht hat, wie dieses Problem gelöst werden kann, hat er ein praktisches Plugin installiert, das Daten vor 1900 erfasst. Dann stellt sich die nächste Hürde, die elf „verlorenen Tage“ zwischen dem 2. und 14. September 1752. (Was sich aus der Umstellung des julianischen auf den gregorianischen Kalender ergab.) Inzwischen hat sich herausgestellt, dass die „einfache Aufgabe“ weitaus mehr Schritte umfasst als ursprünglich angenommen.

Der Wert in Daten

Ein guter Datensatz ist ein großer Datensatz. Große Datensätze sind jedoch mit einer erhöhten Komplexität verbunden. Wie wir im obigen Beispiel gesehen haben, können selbst relativ einfache Datensätze zu Schwierigkeiten führen. Je größer das Datenvolumen ist, desto schwieriger ist es, diese Probleme zu lösen. Das Hauptproblem bei großen Datensätzen ist jedoch die erhöhte Wahrscheinlichkeit von Anomalien.

Kurz gesagt, je größer der Datensatz wird, desto schwieriger wird es, mit ihm zu arbeiten. Dieser Catch-22 hat zu erhöhten Investitionen in den Bereich geführt Datenbereinigung. Eine Aufgabe, die vor jeder notwendig ist Data Mining Aktivitäten, bei denen der eigentliche Mehrwert erzielt wird, können stattfinden.

Die Datensätze, die in einem Liquiditätsprognoseprozess verwendet werden, unterscheiden sich nicht. Wie bei allen anderen Formen der Datenanalyse leidet auch bei Liquiditätsprognosen die gleiche verminderte Ausgabequalität, wenn die Datenintegrität beeinträchtigt wird.

Wichtige Cashflow-Datenquellen

Im Bereich der Liquiditätsprognosen ist es enorm wichtig, über einen sauberen Satz historischer Daten zu verfügen, da sie eine Grundlage bilden, auf der genaue Prognosen erstellt werden können. Die Datenquellen, die in eine eingespeist werden Liquiditätsprognoseprozess kann grob in zwei Kategorien unterteilt werden: Quellen von tatsächliche Daten und Quellen von Prognose Daten.

In den meisten Fällen tatsächliche Die Cashflow-Daten stammen aus:

• Enterprise Resource Planning (ERP)/Buchhaltungssysteme
• Bankdatei-Downloads (BAI2- oder MT940-Dateien)

Wohingegen Prognose Cashflow-Daten stammen in der Regel aus:

• ERP-Systeme
• Finanzverwaltungssysteme (TMS)
• Software zur Datenmodellierung
• Mitarbeiter (einzelne Geschäftsbereiche)

Die Extraktion dieser Daten kann entweder automatisiert werden, indem spezialisierte Tools zur Cashflow-Prognose, oder es kann manuell gezeichnet werden. Aufgrund der Vielzahl von Datenquellen, die in den Prozess eingegeben werden, ist es wichtig, dass die Daten vor ihrer Verwendung in ein gemeinsames Format standardisiert werden. Eine häufige Ursache für Datenfehler ist, dass falsche Informationen eingegeben wurden, was möglicherweise auf menschliches Versagen zurückzuführen ist (wenn der Prozess manuell erfolgt).

Wie bereits erwähnt, kann dieser Standardisierungsschritt ein automatisierter Teil des Prozesses sein. Es ist jedoch wichtig, dass die Eingabefeeds von jemandem mit dem entsprechenden Fachwissen sorgfältig zugeordnet werden, um sicherzustellen, dass die richtigen Felder erfasst werden.

Worauf Sie achten sollten

Letztlich besteht das Ziel der Bereinigung eines historischen Cashflow-Datensatzes darin, einen repräsentativen Überblick über die Geschehnisse in der Vergangenheit zu erhalten, was wiederum eine zuverlässige Grundlage für die Erstellung einer Sicht auf die Zukunft bietet. Der Schlüssel zu diesem Prozess besteht darin, Posten und einmalige Cashflows zu entfernen, die sich in Zukunft nicht wiederholen werden, da sie letztlich die modellierte prognostizierte Produktion verunreinigen werden.

Zu den Dingen, auf die Sie bei der Reinigung einer Cashflow-Datenquelle achten sollten, gehören:

Buchhaltungsjournale

Alle Informationen, die aus einem ERP- oder Buchhaltungssystem exportiert werden, könnten potenziell Buchhaltungsjournale wie Stornierungen oder Währungsanpassungen enthalten, die sich auf die Qualität der zugrunde liegenden Daten auswirken, die für Prognosen verwendet werden. Diese Journale stellen nicht die zugrunde liegende Geschäftstätigkeit dar und müssen entfernt werden.

Akquisitionen und Veräußerungen

Akquisitionen sind wahrscheinlich der größte Cash-Outflow oder eine Reihe von Cashflows, die ein Unternehmen im Laufe des Jahres verlassen. Es ist sehr unwahrscheinlich, dass sich die Ausgaben und der Zeitpunkt einer Akquisition in Zukunft wiederholen werden. Daher wird es notwendig sein, diese Cashflows zu entfernen, bevor der Datensatz für Prognosezwecke verwendet werden kann. Das Gleiche gilt für Veräußerungen.

Investitionen in Investitionen

Abgesehen von Akquisitionen können Investitionsausgaben, insbesondere für Ausgaben für große einmalige Projekte, die lückenhaftesten Cash-Outflows über einen bestimmten Zeitraum sein. Auch wenn davon ausgegangen wird, dass die Höhe der Investitionsausgaben mit denen früherer Perioden übereinstimmen wird, werden sich Höhe und Zeitpunkt dieser Ausgaben wahrscheinlich stark von denen früherer Perioden unterscheiden. Was wiederum ihre Entfernung aus dem Datensatz rechtfertigt.

Schuldenbewegungen

Schuldenabnahmen, Rückzahlungen und Refinanzierungen können enorme Auswirkungen auf die gesamten Bargeldbewegungen über einen bestimmten Zeitraum haben. In der Regel sind diese Bewegungen nicht repräsentativ für die tägliche Geschäftstätigkeit und sollten entfernt werden, wenn der Datensatz zur Modellierung zukünftiger Aktivitäten verwendet wird.

Zwischenbetrieblich

In den meisten mittleren bis großen Unternehmen können zwischenbetriebliche Cashflows zwischen Geschäftsbereichen manchmal den externen Cashflows im Gesamtvolumen über einen bestimmten Zeitraum entsprechen. Natürlich sollten zwischenbetriebliche Transaktionen keine Auswirkungen auf die Nettoliquidität haben, aber bei der Analyse einer bestimmten Geschäftseinheit oder eines Segments ist es wichtig, zwischenbetriebliche Bewegungen zu entfernen, die sich in Zukunft kaum wiederholen werden.

Allgemeine Ausreißer

Im regulären Geschäftsverlauf kommt es aus einer Reihe von Gründen zu ungewöhnlich großen Bargeldbewegungen, seien es Zahlungen oder Einnahmen. Der Gewinn eines großen Neukundenkontos kann beispielsweise zu einem einmaligen großen Kassenbeleg führen, oder die Vorauszahlung von Rohstoffen zur Sicherung eines Rabatts könnte zu einer hohen einmaligen Zahlung führen. Die Entfernung dieser Arten von Bargeldbewegungen erfordert möglicherweise etwas mehr Urteilsvermögen als bei den vorherigen Positionen, aber in einigen Fällen sind die Daten besser, wenn sie entfernt werden.

Datenbereinigung — ein kontinuierlicher Prozess

Aufgrund der oben aufgeführten Anomalien werden Datensätze häufig einer „Bereinigung“ unterzogen, bevor eine eingehende Analyse durchgeführt wird. Wie bereits erwähnt, muss jedoch darauf geachtet werden, dass Datenanomalien nicht mit Datenfehlern in Verbindung gebracht werden. Es versteht sich von selbst, dass die Beseitigung von Datenfehlern die Datenqualität verbessert, aber die schonungslose Beseitigung aller Anomalien kann bedeuten, dass einige wichtige Signale aus den Daten entfernt werden.

Bei der Liquiditätsprognose ist die Datenbereinigung ein kontinuierlicher Prozess. Die verschiedenen Maßnahmen, die ein großes Unternehmen ergreifen muss, wie die oben aufgeführten, führen dazu, dass es regelmäßig Faktoren gibt, die zu erheblichen Verzerrungen dieser Datensätze führen.

Wartung einfacher gemacht

Eine spezielle Software vereinfacht den kontinuierlichen Datenbereinigungsprozess zusammen mit allen anderen Elementen des Liquiditätsprognoseprozesses. Wie im Abschnitt über Datenquellen oben erwähnt, beschleunigt die Automatisierung des Prozesses die Datenbereinigung. Elemente wie konzerninterne Cashflows sollten immer netto Null sein. Bei einem manuellen Prozess kann diese Abwägungsaufgabe jedoch äußerst zeitaufwändig und ungenau sein. Eine spezielle Software mit einem speziellen zwischenbetrieblichen Tool, das von der Gegenpartei gesteuert wird, vereinfacht diese Aufgabe auf Knopfdruck.

Diese Vereinfachung ermöglicht es der Person, die die Daten analysiert, die Ergebnisse schnell zu überprüfen und zu ändern und somit die richtigen Anomalien zu berücksichtigen.

Das richtige Personal in der richtigen Phase des Prozesses haben

Es ist wichtig, Mitarbeiter mit den richtigen Fähigkeiten in den richtigen Phasen des Prozesses zu haben. Obwohl dies keine absolute Voraussetzung ist, entscheiden sich einige Unternehmen möglicherweise für die Einstellung eines Datenbankadministrator (DBA) um sicherzustellen, dass alle Daten korrekt formatiert und strukturiert sind, wenn sie in das Modell aufgenommen werden.

In jedem Fall sollte die Person, die mit der Verwaltung der Datenbank beauftragt ist, mit großen Datensätzen vertraut sein und über gute Kenntnisse in Datenbanktheorie und Datenbankdesign verfügen. Dieses Fachwissen hilft bei der Identifizierung und Behebung von Datenfehlern sowie bei der Verwaltung der Integrität und Sicherheit der Daten insgesamt.

Fortschritt durch Iteration

Sobald alle Überprüfungen durchgeführt wurden, geeignete Maßnahmen ergriffen wurden und alle sicher sind, dass die Daten von ausreichender Qualität und Integrität sind, können sie in das Prognosemodell geladen werden. Der Schwerpunkt verlagert sich nun auf die Ausgabeseite des Prozesses, d. h. auf die Berichterstattung, Prognose und Analytik. Hier wird die Qualität durch einen sorgfältigen Mess- und Anpassungsprozess verbessert. Ein schrittweiser Prozess, der jedoch für das Unternehmen immer wertvoller wird, wenn diese Verbesserungen vorgenommen werden.

Hilfe für Corporate Treasurer

Zurück zu unserem hypothetischen Datenbankadministrator, der Schwierigkeiten hat, historische Daten in Excel zu sortieren. Seine beste Option ist es, die Datenbank neu zu formatieren. Sie müssen ihre Daten in separate Spalten sortieren; eine enthält das Jahr, eine andere den Monat, die andere den Tag. Filtern Sie dann mit einer kaskadierenden Sortierung, wobei alle drei Spalten berücksichtigt werden.

Für Corporate Treasurer können wir jedoch weitaus besser helfen. Wir bieten engagierte Software zur Cashflow-Vorhersage bis hin zu großen, multinationalen Organisationen und verfügen über umfangreiche Erfahrung in der Unterstützung von Kunden aus einer Reihe von Branchen.

Darüber hinaus haben wir ein Whitepaper verfasst, in dem die Schritte zur Einrichtung eines Liquiditätsprognoseprozesses beschrieben werden, um denjenigen zu helfen, die eine Aktualisierung ihrer alten Prozesse in Erwägung ziehen. Wenn Sie Fragen dazu haben oder eine Demo unserer Software in Aktion sehen möchten, zögern Sie bitte nicht kontaktiere uns.

‍