Prognosemethoden

Prognosemethoden stellen unterschiedliche Ansätze zum Erstellen von Geldmittelprognosen dar.

Predictive Cash Forecasting unterstützt verschiedene Prognosemethoden für jede Geldmittelposition, damit Sie ganz flexibel die geeignete Methode auswählen können.

Sie können die Standardprognosemethoden für jede Kombination aus Position und Entity basierend auf der verfügbaren Datenquelle, der Fälligkeit von Planung und Prognose und der Zeithorizonte für die Prognose definieren. Zudem können Sie periodenbasierte Prognosemethoden definieren, bei denen Sie verschiedene Prognosemethoden für unterschiedliche Zeitrahmen verwenden können.

Die zu verwendenden Prognosemethoden werden in der Regel von Administratoren definiert. Cashmanager können jedoch bei Bedarf jederzeit Änderungen für ihre Entity vornehmen. Informationen zum Festlegen der Standardprognosemethode für Positionen finden Sie unter Prognosemethoden festlegen.

Predictive Cash Forecasting unterstützt die folgenden Prognosemethoden, die Administratoren für die Anwendung aktivieren können:

Geldmitteltreiber: Eine berechnete Methode, bei der verschiedene Treiber für die Geldmittelprognose für bestimmte Positionen verwendet werden. Predictive Cash Forecasting stellt 11 verschiedene treiberbasierte Methoden bereit, die für unterschiedliche Cash-Inflows und -Outflows verwendet werden können. Geschäftstreiber werden manuell eingegeben oder als betriebliche Annahmen geladen, die eine Geldmittelprognose berechnen (z.B. durchschnittliche DSO oder Zahlungsbedingungen für Aufwendungen). Dabei werden die Geldmitteltreiber für Umsatzerlös, Aufwand, Gehalt oder Kapitalaufwand geladen, und die Prognose wird basierend auf den definierten Annahmen zu Zahlungsbedingungen berechnet. Weitere Informationen zu Geldmitteltreibern finden Sie unter Treiberbasierte Prognosemethoden.
Smart Drivers: Für Daten, die voraussichtlich aus ERP eingehen. Nützlich bei einem täglichen Modell. In einem periodischen Modell könnten Sie Smart Drivers für frühe Perioden und andere Methoden für die spätere Eingabe verwenden.
Bei der Lösung von Prognoseproblemen mit Smart Drivers werden allgemeine Annahmen oder Regeln auf Transaktionsdaten angewendet. Beispiele:
- Verwenden Sie mit Smart Drivers geplante Zahlungsfälligkeitsdaten für Forderungen oder Verbindlichkeiten.
- Wenden Sie eine durchschnittliche Verzögerung nach Mandant auf alle Transaktionen an.
- Verwenden Sie das Lieferdatum für Kundenaufträge oder Bestellungen.
Die Fusion ERP Cloud-Integration ist in einem zukünftigen Release verfügbar. Predictive Cash Forecasting umfasst in Zukunft vordefinierte Integrationen aus Fusion ERP - Debitoren, Kreditoren und Cash Management. In der Zwischenzeit können Sie zusammengefasste Nebenbuchdaten aus anderen Datenquellen laden, wie Oracle EBS, PeopleSoft oder SAP.
Predictive Planning: Mit Predictive Planning können Sie Geldmittel basierend auf historischen Daten für die Position anhand von Prognosemethoden für Zeitreihen prognostizieren. Predictive Planning wählt die am besten geeignete Vorhersagemethode aus, also diejenige, die die genauesten Ergebnisse basierend auf den verfügbaren Daten liefert. Beispiel: Verwenden Sie statistische Trends basierend auf aggregierten Kontensalden, um Geldmittel auf der Grundlage von historischen Mustern von Bankkontensalden nach Mandant vorherzusagen. Weitere Informationen zu den statistischen Prognosemethoden finden Sie unter Predictive Planning-Prognosen und statistische Beschreibungen in der Dokumentation Mit Planning arbeiten.

Note:

Für interaktives Predictive Planning werden keine Ergebnisse für Debitorenrechnungen, überfällige Rechnungen, Kreditorenrechnungen und überfällige Kreditorenrechnungen angezeigt, da diese Positionen keine historischen Daten aufweisen. Sie können jedoch die automatische Vorhersage verwenden, da Sie damit eine andere Position für die Vorhersage referenzieren können.
Maschinelles Lernen: Modelle für das maschinelle Lernen sind in Predictive Cash Forecasting integriert, um die Cash-Inflows aufgrund von Debitorendaten akkurat vorherzusagen. Maschinelles Lernen als Vorhersagemodell eignet sich am besten für Kunden mit einem Zahlungsansatz, der auf dem Fälligkeitsdatum basiert. Beispiel: Erstellen Sie eine maschinell generierte Prognose basierend auf historischen Mustern oder Beziehungen in den verschiedenen Eingabevariablen wie Verzögerungen bei Zahlungen, die mit Zahlungsbedingungen korreliert sind.

Note:
Maschinelles Lernen wird in einem zukünftigen Update unterstützt.
Manuelle Eingabe: Die einfachste Methode für Positionen, bei denen nur schwer eine spezifische Logik angewendet werden kann. Stattdessen können Sie die Zahlen für die Geldmittelprognose manuell eingeben. Beispiel: Eigenkapital-Inflow oder Steuerzahlungen.
Trend: Sie können trendbasierte Methoden für alle Positionen verwenden, bei denen die Geldmittelprognose basierend auf historischen Trends berechnet werden kann. Trendbasierte Methoden können nur für periodische Prognosen genutzt werden. Beispiel: Arbeitskostenzahlungen oder Leasingzahlungen. Weitere Informationen finden Sie unter Trendbasierte Prognosemethoden.

Darüber hinaus können Sie mit Predictive Cash Forecasting Prognosemethoden kombinieren, indem Sie verschiedene Prognosemethoden für unterschiedliche Positionen, Periodenbereiche oder Entitys verwenden. Zudem können Sie Was-wäre-wenn-Planung mit unterschiedlichen Prognosemethoden durchführen und dann die beste Prognosemethode für eine bestimmte Position, eine Entity oder einen Periodenbereich auswählen.