Haben Sie Fragen zu diesem Thema? Fragen Sie unseren Spezialisten!
Problemstellung
Ein großes internationales Biotech-Unternehmen suchte nach einem Weg, seinen Zahlungsabwicklungsprozess zu optimieren. Mit hunderten von Kund:innen – von Fortune-500-Unternehmen bis zu KMUs – wollte das Unternehmen einen effizienteren Weg finden, um risikoreiche Rechnungen zu identifizieren, die besondere Aufmerksamkeit benötigen.
Ein wesentlicher Schritt im Prozess von der Rechnung zur Bezahlung ist das Forderungsmanagement. Ein effektives Management von ausstehenden Forderungen ist ein wichtiges Anliegen für jedes Unternehmen, da es direkte Auswirkungen auf den Cashflow hat. Zudem können so Risiken überfälliger bzw. uneinbringlicher Forderungen eingedämmt werden.
Die Fähigkeit, vorherzusagen, ob eine Rechnung pünktlich oder verspätet gezahlt werden wird, ist in sehr vielen Branchen von hohem Wert und unterstützt Entscheidungsfindungsprozesse in den meisten Arbeitsabläufen im Bereich Finanzen. Sereviso hat eine individuelle KI-Lösung entwickelt, um die zuständigen Mitarbeiter:innen dabei zu unterstützen, die Wahrscheinlichkeit, ob eine Rechnung pünktlich oder verspätet gezahlt wird, sowie den Umfang der Verspätung vorherzusagen.
Lösung
Das Sereviso-Team nutze künstliche Intelligenz, um den Zahlungsabwicklungsprozess dieses Kunden zu verbessern. Im ersten Schritt wurden die relevanten Datenpunkte herausgegriffen, die nötig sind, um den erwarteten Zahlungsverzug jeder Rechnung vorherzusagen. Wir erkannten, dass die Buchhaltungsdaten auf Rechnungsebene und das historische Zahlungsverhalten der einzelnen Kund:innen entscheidend waren, um genaue Prognosen zu treffen. Wir identifizierten auch zusätzliche, bisher nicht erfasste, relevante Datenpunkte, die die Genauigkeit unserer Prognose noch erhöhen konnten und empfahlen Methoden, um diese Daten für eine zukünftige Nutzung zu sammeln.
Außerdem erstellten wir ein Proof of Concept, um unsere Hypothese zu bestätigen und Feedback vom Kunden einzuholen. Nach der Freigabe durch den Kunden begannen wir, unsere Lösung zur Rechnungsbegleichungsprognose zu entwickeln. Wir setzten fortgeschrittene Analysen und Machine Learning wirksam ein, um einen prädiktiven Algorithmus zu entwickeln, der die verfügbaren Daten des Kunden verwendete. Unser Modell berücksichtigte dutzende Variable, wie Nettofälligkeit, Risikobewertung und Kreditrahmen.
Wir migrierten auch On-Premise-Daten des Kunden zu Azure Cloud, um ein Datenpipeline-Management zu erzielen, das belastbarer, flexibler und leistungsstärker ist. Zusätzlich bauten wir Cloud-basierte Analyse-Dienste auf, um die Entwicklung der Lösung zur Rechnungsbegleichungsprognose zu erleichtern.
Das Ergebnis der Rechnungsbegleichungsprognosen wurde in Dashboards in der allgemeinen Forderungsmanagement-Umgebung des Kunden dargestellt. Die Lösung zielte auf den Geschäftsbetrieb unseres Kunden sowie dessen gesamte Finanzabteilung ab.
Ergebnisse
Nach ihrer Einführung bot die Lösung dem Kunden eine Reihe von Vorteilen:
- 94%ige Genauigkeit bei Rechnungsbegleichungsprognosen
- Reduzierung der Außenstandstage
- Geringeres Risiko der Abschreibung uneinbringlicher Forderungen
- Verbesserte Prognose des erwarteten Cashflows
- Geringere Eigenkapitalkosten
Die genaue Einstufung von risikoreichen Rechnungen der Lösung ermöglicht es dem Forderungsmanagement-Team, Kund:innen, die präventive Aufmerksamkeit benötigten, besser zu identifizieren und zu priorisieren. Das Dashboard unserer Lösung zeigt die wichtigsten Informationen und Erkenntnisse über alle Kund:innen und ermöglicht es neuen Teammitgliedern, sich schneller in die speziellen Bedürfnisse einzelner Kund:innen und Situationen einzuarbeiten.
Dadurch wurde die Effizienz des Teams gesteigert und seine Leistung optimiert. Zusätzlich verbesserte die Lösung die allgemeine finanzielle Situation des Unternehmens. Das Sereviso-Team arbeitet weiterhin mit diesem Kunden zusammen, um die verfügbaren Daten weiter aufzuwerten und Optimierungschancen im gesamten Order-to-Cash-Prozess zu identifizieren.
Wollen Sie noch mehr?
Falls Sie sich für die technische Version der Case study interessieren, diese finden Sie hier.