Liquiditätsprognose mit KI: Forecasting-Engine 2026

Pexon Consulting | 10 Min. Lesezeit | 16.07.2026

TL;DR

Liquidität aus Excel zu prognostizieren ist ein Blindflug mit einer einzigen Zahl, die fast immer falsch ist. Eine Forecasting-Engine aus Azure Data Factory, Databricks und Snowflake liefert stattdessen probabilistische Szenarien, automatisiert und nachvollziehbar. Pexon Consulting (80 Mitarbeiter, Microsoft-Partner, Deutschland) baut diese Pipeline auf Ihren Finanzdaten, mit Bandbreiten statt trügerischer Punktprognosen.

Das Problem: eine Zahl, der niemand trauen kann

Liquiditätsplanung läuft in vielen Unternehmen über eine gewachsene Excel-Datei, die eine Person pflegt und niemand sonst versteht. Das Ergebnis ist eine einzelne Prognosezahl, die eine Genauigkeit vortäuscht, die sie nicht hat. Verändert sich eine Annahme, muss jemand die Formeln von Hand nachziehen, und keiner weiß mehr, warum die Zahl von letztem Monat so aussah.

Das ist nicht nur mühsam, es ist ein Finanzrisiko. Wer seine Liquidität auf eine falsche Punktprognose stützt, plant Kreditlinien, Investitionen und Zahlungsziele auf Sand. Der Fehler fällt erst auf, wenn es eng wird, und dann ist es zu spät zum Gegensteuern.

Dieser Artikel klärt drei Dinge: warum manuelle Prognosen strukturell scheitern, wie die Architektur einer Forecasting-Engine aussieht, und warum probabilistisch besser ist als eine einzelne Zahl.

Warum manuelle Prognosen scheitern

Die kurze Antwort: Sie skalieren nicht und sie zeigen keine Unsicherheit. Eine Excel-Prognose ist so gut wie die Person, die sie pflegt, und so aktuell wie ihr letzter manueller Lauf. Sobald mehrere Datenquellen zusammenkommen, Debitoren, Kreditoren, Verträge, saisonale Muster, wird die Handarbeit fehleranfällig und langsam.

Der eigentliche Denkfehler steckt aber in der Punktprognose selbst. Die Zukunft ist nicht eine Zahl, sie ist eine Verteilung von Möglichkeiten. Eine seriöse Liquiditätsprognose muss sagen, wie wahrscheinlich ein Engpass ist, nicht nur, ob im Mittel alles passt. Genau das kann Excel strukturell nicht. Wie eine tragfähige Datenbasis dafür aussieht, zeigen wir in den verwandten Themen am Ende. Für Banken und Finanzabteilungen ordnen wir die passenden Muster zusätzlich im Überblick zu KI-Workflows für Banken ein.

Die Architektur einer Forecasting-Engine

Der Aufbau ist bewusst standardisiert, damit er wartbar bleibt. Jede Schicht hat eine klare Aufgabe, von der Datenanbindung bis zum automatisierten Betrieb.

Der Kern steckt in der Compute-Schicht, wo das probabilistische Modell läuft. Databricks verteilt die Simulation über einen Cluster, sodass tausende Szenarien in kurzer Zeit durchgerechnet werden. So sieht der Kern einer Monte-Carlo-Simulation vereinfacht aus:

# Probabilistische Liquiditaetssimulation auf Databricks (PySpark, vereinfacht)
from pyspark.sql import functions as F

szenarien = (
    basis_cashflow
    .crossJoin(spark.range(10000).withColumnRenamed("id", "sim"))   # 10.000 Laeufe
    .withColumn("zufluss", F.col("zufluss") * (1 + F.randn() * F.col("volatilitaet")))
    .groupBy("sim")
    .agg(F.min("saldo").alias("min_saldo"))                          # Engpass je Lauf
)
# Anteil der Laeufe mit negativem Saldo = Engpass-Wahrscheinlichkeit

Unsere klare Empfehlung: Trennen Sie die Datenplattform sauber von der Modelllogik. So können Sie das Modell verbessern, ohne die Pipeline neu zu bauen. Wie eine solche Plattform risikoarm startet, zeigt unser Pilotprojekt-Ansatz für die Datenplattform.

Probabilistisch statt Punktschätzung

Der entscheidende Unterschied ist nicht die Automatisierung, sondern die Aussage. Eine probabilistische Prognose sagt nicht „der Saldo beträgt im Juni X“, sondern „mit welcher Wahrscheinlichkeit fällt der Saldo unter eine kritische Schwelle“. Das ist die Information, die eine Treasury-Abteilung wirklich braucht, um Kreditlinien und Puffer richtig zu dimensionieren.

Wir raten deshalb davon ab, eine Forecasting-Engine zu bauen, die am Ende doch nur eine einzige Zahl ausgibt. Der Wert liegt in der Bandbreite und in der Engpass-Wahrscheinlichkeit. Eine Punktprognose ist bequem, aber sie ist der gefährlichere Weg, weil sie eine Sicherheit vorgaukelt, die es nicht gibt. Welche Datenplattform unter der Engine die richtige ist, vergleichen wir in den verwandten Themen.

Häufig gestellte Fragen

Was ist eine KI-gestützte Liquiditätsprognose?

Eine automatisierte Pipeline, die Finanzdaten aus den Quellsystemen anbindet, historisiert und mit statistischen Modellen fortschreibt. Statt einer einzelnen Zahl liefert sie probabilistische Szenarien, also eine Bandbreite möglicher Salden mit Wahrscheinlichkeiten. Damit lässt sich abschätzen, wie wahrscheinlich ein Liquiditätsengpass ist.

Warum reicht eine Excel-Prognose nicht?

Weil sie nicht skaliert und keine Unsicherheit zeigt. Eine Excel-Datei ist so aktuell wie ihr letzter manueller Lauf und so gut wie die Person, die sie pflegt. Vor allem gibt sie nur eine Punktzahl aus, die eine Genauigkeit vortäuscht, die sie nicht hat. Eine seriöse Prognose muss die Wahrscheinlichkeit eines Engpasses zeigen.

Welche Technik steckt in einer Forecasting-Engine?

Typischerweise Azure Data Factory für die Datenanbindung, Snowflake als konsolidiertes Warehouse, Databricks für das Cluster-Computing der probabilistischen Modellierung und Azure DevOps für Versionierung und automatisierte Läufe. Die Datenplattform bleibt dabei getrennt von der Modelllogik, damit sich beides unabhängig weiterentwickeln lässt.

Was bedeutet probabilistische Modellierung?

Statt einer einzelnen Prognosezahl werden viele mögliche Zukünfte durchgerechnet, etwa über eine Monte-Carlo-Simulation mit tausenden Läufen. Das Ergebnis ist eine Verteilung: Wie oft fällt der Saldo unter eine kritische Schwelle? Diese Engpass-Wahrscheinlichkeit ist für die Finanzplanung deutlich wertvoller als ein einzelner Mittelwert.

Wie lange dauert der Aufbau?

Das hängt an der Zahl und Qualität der Quellsysteme. Sinnvoll ist ein Pilot auf einem klar umrissenen Datenausschnitt, der die Architektur belegt, bevor alle Quellen angebunden werden. So bleibt das Risiko klein, und die erste belastbare probabilistische Prognose steht schnell, statt am Big-Bang zu scheitern.

Nächster Schritt

Wenn Ihre Liquiditätsplanung an einer Excel-Datei hängt, bauen wir die Forecasting-Engine auf Ihren Finanzdaten. Ehrlich, auch bei der Frage, welche Datenquelle zuerst angebunden gehört.

Verwandte Themen