Die Herausforderung: Ungenaue Cashflow-Projektionen

Die meisten Finanzteams verlassen sich nach wie vor auf Cashflow-Projektionen, die aus Tabellenkalkulationen, groben DSO-Annahmen und statischen Budgetzahlen zusammengeflickt sind. Diese Forecasts bilden selten das tatsächliche Zahlungsverhalten, feine Saisonalität oder detaillierte Vertragskonditionen ab. Selbst erfahrene Teams steuern ihre Liquidität dadurch mit Werkzeugen, die zu langsam, zu grob und zu weit von den aktuellen Transaktionsdaten entkoppelt sind.

Traditionelle Ansätze wurden für eine Welt mit stabiler Nachfrage und vorhersehbaren Zahlungsläufen gebaut. Ein Controller exportiert Buchungen aus dem ERP, aggregiert Forderungen nach Altersbuckets, legt einen durchschnittlichen DSO zugrunde und nennt das Ergebnis eine Prognose. Budgetverantwortliche schicken einmal im Jahr Excel-Dateien, und jede Veränderung im Jahresverlauf macht das Modell schnell zu Flickwerk. Manuelle Workarounds machen es unmöglich, Tausende von Rechnungen, Zahlungshistorien und Vertragsklauseln realistisch in einer konsistenten Sicht zu integrieren. Unter Volatilität bricht dieser Ansatz zusammen.

Die geschäftlichen Auswirkungen sind erheblich. Unterschätzte Abflüsse oder überschätzte Zuflüsse führen zu überraschenden Liquiditätslücken, die kurzfristige Finanzierung zu schlechten Konditionen erzwingen. Zu konservative Planung erzeugt brachliegendes Cash und verpasste Investitions- oder Skontochancen. Auf Konzernebene schränken ungenaue Cashflow-Projektionen die Fähigkeit ein, das Working Capital zu steuern, bessere Bankkonditionen zu verhandeln und strategische Schritte mit Sicherheit zu planen. Finance berichtet dann nur noch, was passiert ist, anstatt zu steuern, was passieren sollte.

Dennoch ist diese Herausforderung lösbar. Mit der richtigen Datenbasis und KI-Werkzeugen kann Cashflow-Planung sich von statischen, annahmegetriebenen Tabellen zu einer dynamischen, driverbasierten Planung entwickeln, die sich mit jeder Buchung und jeder Zahlung aktualisiert. Bei Reruption haben wir KI-getriebene Planungs- und Analytics-Lösungen aufgebaut, die Live-Daten, Szenariologik und Business Rules zu nutzbaren Werkzeugen für Finanzteams verbinden. Die folgenden Hinweise zeigen, wie Sie Gemini zusammen mit Google Sheets und BigQuery einsetzen können, um Cashflow-Projektionen in ein verlässliches Steuerungsinstrument zu verwandeln.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

Innovatoren bei diesen Unternehmen vertrauen uns:

Unsere Einschätzung

Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.

Aus Reruption-Sicht besteht der wirkungsvollste Hebel gegen ungenaue Cashflow-Projektionen darin, ein solides Datenrückgrat in BigQuery mit den Reasoning-Fähigkeiten von Gemini direkt in Google Sheets zu kombinieren. In zahlreichen KI-Initiativen haben wir gesehen, dass der eigentliche Mehrwert entsteht, wenn Finance Szenarien selbst durchspielen, Annahmen anpassen und Ergebnisse interpretieren kann – ohne auf die IT warten zu müssen. Richtig eingesetzt ersetzt Gemini für Finanzplanung Ihr Modell nicht – es lernt kontinuierlich aus historischen Mustern und externen Daten, um es zu stützen und zu erweitern.

Gestalten Sie Cashflow-Forecasting als dynamisches System, nicht als einmaliges Modell

Bevor Sie Gemini einsetzen, sollten Sie einen Schritt zurücktreten und hinterfragen, wie Ihre Organisation über Cashflow-Forecasting nachdenkt. Statt eines jährlichen Budgetrituals sollten Sie es als lebendes System verstehen, das täglich neue Rechnungen, Zahlungen und Verträge verarbeitet. Dieser Mindset-Wechsel ist entscheidend: Ein dynamisches System lässt sich verbessern und automatisieren; eine statische Tabelle bleibt immer brüchig.

Nutzen Sie Gemini, um dieses System zu unterstützen, nicht um es zu definieren. Legen Sie klar fest, welche Input-Daten (ERP-Transaktionen, Kontoauszüge, CRM-Pipeline, Vertragsdaten) in BigQuery einfließen, welche Business Rules die zeitliche Zuordnung steuern (Zahlungsziele, Freigabeprozesse, Liefermeilensteine) und welche Outputs Finance benötigt (13-Wochen-Liquiditätssicht, Covenant-Headroom, Währungsrisiken). Mit dieser Architektur kann Gemini über gut strukturierte Daten „nachdenken“, statt Defizite eines fehlerhaften Prozesses auszugleichen.

Starten Sie mit einem Cashflow-Use-Case mit hohem Impact

Ein häufiger Fehler ist der Versuch, von Tag eins an das gesamte Planungsuniversum mit KI neu aufzubauen. Für Gemini im Finance-Bereich sollten Sie zunächst einen konkreten, wirkungsstarken Ausschnitt des Cashflows identifizieren, bei dem Ungenauigkeiten besonders schmerzhaft sind – zum Beispiel Kundenzahlungen in einer Schlüsselregion, Capex-Zahlungspläne oder Abo-Verlängerungen.

Ein Pilot mit Gemini in einem einzelnen Use Case ermöglicht es Finance, IT und Datenteams, sich auf Standards für Datenqualität, Zugriffsrechte und Validierung zu einigen, ohne den gesamten Planungskreislauf zu riskieren. Sobald Sie sehen, dass Gemini für Ihre Top-200-Kunden zuverlässig geplante versus tatsächliche Zuflüsse prognostizieren kann, lässt sich die Logik deutlich leichter auf weitere Segmente und Fälligkeiten ausweiten.

Machen Sie Finance zum Product Owner, nicht zum Stakeholder

KI-getriebene Finanzplanung scheitert, wenn sie als IT- oder Data-Science-Nebenprojekt behandelt wird. Um echten Mehrwert aus Gemini zu ziehen, sollten Sie einen Finance-Product-Owner benennen, der Entscheidungsbefugnis über Forecast-Logik, Aggregationsebenen und Business Rules hat. Diese Person sollte nah genug an den Zahlen sein, um Nuancen zu verstehen, und senior genug, um eingefahrene Planungstraditionen zu hinterfragen.

Die enge Integration von Gemini in Google Sheets ist hier ideal: Finanzanalysten können mit Prompts, Szenariodefinitionen und Ausnahmeregeln in einer vertrauten Oberfläche experimentieren. Datenteams liefern die BigQuery-Schicht und Governance, aber Finance verantwortet, wie Gemini-generierte Forecasts geprüft, freigegeben und in die Monatszyklen eingebettet werden. Diese Ownership ist entscheidend für Akzeptanz und Vertrauen.

Frühzeitig in Datenqualität und Nachvollziehbarkeit investieren

KI verstärkt alles, was Sie ihr füttern. Wenn Ihre Rechnungsdaten, Zahlungshistorien oder Vertragskonditionen inkonsistent sind, wird Gemini diese Inkonsistenz in Ihren Cashflow-Projektionen widerspiegeln. Strategisch lohnt es sich, früh in ein minimales, aber verlässliches Datenmodell zu investieren: eindeutige IDs über ERP- und Bankdaten hinweg, klare Zuordnungen von Kunden und Verträgen sowie explizite Tabellen für Zahlungsziele und Ausnahmen.

Ebenso wichtig ist Nachvollziehbarkeit. Finanzverantwortliche müssen fragen können: „Warum hat Gemini hier eine Verzögerung dieses Zuflusses prognostiziert?“ – und eine klare Antwort bekommen. Wenn Sie Ihre BigQuery-Daten so strukturieren, dass Gemini auf zugrunde liegende Rechnungen, Konditionen und historische Verzögerungen verweisen kann, entsteht das Vertrauen, das für KI-gestützte Entscheidungen nötig ist – insbesondere, wenn die Liquidität angespannt ist.

Definieren Sie Governance für Szenarien, nicht nur für Daten

Viele Organisationen konzentrieren Governance auf Datenzugriff, ignorieren aber Szenario-Governance. Mit Gemini ist es für Einzelne trivial, optimistische oder pessimistische Szenarien zu erzeugen. Ohne abgestimmte Leitplanken läuft Ihre Organisation Gefahr, über die „richtige“ Szenariovariante zu streiten, statt über die richtigen Maßnahmen.

Definieren Sie eine kleine Anzahl „offizieller“ Cashflow-Planungsszenarien (z. B. Base, Downturn, Upside) mit klaren Regeln zu externen Treibern (FX, Zinsen, Sales-Pipeline-Konversion). Nutzen Sie Gemini, um diese Szenarien auf Basis der BigQuery-Inputs in Sheets zu erzeugen und zu dokumentieren, und stellen Sie sicher, dass die Finanzleitung festlegt, welche Szenarien für Finanzierung, Investitionen und Working-Capital-Entscheidungen verbindlich sind.

Durchdacht eingesetzt ermöglicht Gemini für Cashflow-Forecasting Finanzteams den Übergang von statischen, DSO-basierten Schätzungen hin zu dynamischen Projektionen, die auf realen Transaktionen, Verhalten und Vertragskonditionen beruhen. Entscheidend ist die Kombination aus der Reasoning-Fähigkeit von Gemini mit einem sauberen Datenrückgrat und klarer Ownership in Finance. Bei Reruption sind wir darauf spezialisiert, genau solche KI-first-Planungssysteme End-to-End zu bauen – von BigQuery-Modellen bis hin zu Gemini-gestützten Sheets-Frontends – und wir prüfen mit Ihnen gerne in einem fokussierten Proof of Concept, wie Sie diesen Schritt vor dem Skalieren risikoarm gehen können.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

Fallbeispiele aus der Praxis

Von Streaming‑Medien bis Akademisches medizinisches Zentrum: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Netflix

Streaming‑Medien
Mit über 17.000 Titeln und weiter wachsendem Katalog stand Netflix vor dem klassischen Cold‑Start‑Problem und der Daten‑Sparsität bei Empfehlungen: Neue Nutzer oder wenig beachtete Inhalte hatten zu wenig Interaktionsdaten, was zu schlechter Personalisierung und höheren Abwanderungsraten führte . Zuschauer hatten oft Schwierigkeiten, aus Tausenden Optionen fesselnde Inhalte zu entdecken; dadurch verlängerten sich die Suchzeiten und es kam zu Desinteresse — Schätzungen zufolge gingen bis zu 75 % der Sitzungszeit für Suchen statt fürs Schauen verloren .

Lösung

Netflix entwickelte ein hybrides Empfehlungssystem, das kollaboratives Filtern (CF) — angefangen bei FunkSVD und Probabilistic Matrix Factorization aus dem Netflix Prize — mit fortgeschrittenen Deep‑Learning-Modellen für Embeddings und Vorhersagen kombiniert . Zahlreiche Anwendungsmodell‑Silos wurden in ein einheitliches Multi‑Task‑Neurales Netzwerk überführt, was Leistung und Wartbarkeit verbesserte und gleichzeitig Suche, Startseite und Zeilenempfehlungen unterstützte .

Ergebnisse

  • 80 % der Sehstunden stammen aus Empfehlungen
  • $1 Mrd.+ jährliche Einsparungen durch reduzierte Abwanderung
  • 75 % Reduktion der Zeit, die Nutzer mit Browsen statt Schauen verbringen
  • 10 % RMSE‑Verbesserung durch Netflix Prize CF‑Techniken
  • 93 % der Views stammen aus personalisierten Reihen
  • Verarbeitet Milliarden täglicher Interaktionen für 270M Abonnenten
Fallstudie lesen →

Duolingo

Sprachlernen
Duolingo, ein Vorreiter im gamifizierten Sprachlernen, sah sich mit wesentlichen Einschränkungen bei der Bereitstellung von praktischer Konversationspraxis und tiefgehendem Feedback konfrontiert. Während die kurzen Lektionen Wortschatz und Grundlagen effektiv vermittelten, sehnten sich Nutzer nach immersiven Dialogen, die Alltagssituationen simulieren – etwas, das statische Übungen nicht leisten konnten .

Lösung

Duolingo startete Duolingo Max im März 2023 – ein Premium-Abo, das von GPT-4 angetrieben wird und Roleplay für dynamische Dialoge sowie Explain My Answer für kontextuelle Rückmeldungen einführte . Roleplay simuliert reale Interaktionen wie Kaffeebestellungen oder Urlaubsplanung mit KI-Charakteren und passt sich in Echtzeit an Nutzereingaben an.

Ergebnisse

  • DAU-Wachstum: +59 % YoY auf 34,1 Mio. (Q2 2024)
  • DAU-Wachstum: +54 % YoY auf 31,4 Mio. (Q1 2024)
  • Umsatzwachstum: +41 % YoY auf 178,3 Mio. $ (Q2 2024)
  • Bereinigte EBITDA-Marge: 27,0 % (Q2 2024)
  • Lektionserstellung: 10× schneller mit KI
  • Selbstwirksamkeit der Nutzer: deutliche Steigerung nach KI-Nutzung (Studie 2025)
Fallstudie lesen →

Goldman Sachs

Finanzdienstleistungen
Im schnelllebigen Bereich des Investmentbanking sehen sich Goldman Sachs-Mitarbeiter mit überwältigenden Mengen an wiederkehrenden Aufgaben konfrontiert. Tägliche Routinen wie das Bearbeiten hunderter E-Mails, das Schreiben und Debuggen komplexer Finanzcodes sowie das Durcharbeiten langer Dokumente auf der Suche nach Erkenntnissen beanspruchen bis zu 40 % der Arbeitszeit und lenken von wertschöpfenden Tätigkeiten wie Kundenberatung und Deal-Abwicklung ab. Regulatorische Beschränkungen verschärfen diese Probleme, da sensible Finanzdaten höchste Sicherheitsanforderungen stellen und die Nutzung von Standard-KI-Lösungen einschränken.

Lösung

Goldman Sachs reagierte mit einem proprietären generativen KI-Assistenten, der auf internen Datensätzen in einer sicheren, privaten Umgebung feinabgestimmt wurde. Das Tool fasst E-Mails zusammen, indem es Aktionspunkte und Prioritäten extrahiert, erzeugt produktionsreifen Code für Modelle wie Risikoabschätzungen und analysiert Dokumente, um zentrale Trends und Anomalien hervorzuheben.

Ergebnisse

  • Rollout Scale: 10.000 Mitarbeiter in 2024
  • Timeline: PoCs 2023; erste Einführung 2024; unternehmensweit 2025
  • Productivity Boost: Routineaufgaben optimiert, geschätzte Zeitersparnis 25–40 % bei E-Mails/Code/Dokumenten
  • Adoption: Schnelle Akzeptanz in Technik- und Front-Office-Teams
  • Strategic Impact: Kernbestandteil der 10-Jahres-KI-Strategie für strukturelle Effizienzgewinne
Fallstudie lesen →

Kaiser Permanente

Krankenhäuser
In Krankenhäusern erfahren erwachsene Patienten auf Allgemeinstationen häufig eine , ohne dass rechtzeitig ausreichend Warnzeichen erkannt werden. Das führt zu Notfallverlegungen auf Intensivstationen, erhöhter Sterblichkeit und vermeidbaren Wiederaufnahmen.

Lösung

Kaiser Permanente entwickelte den Advance Alert Monitor (AAM), ein KI-gestütztes Frühwarnsystem, das prädiktive Analytik einsetzt, um Echtzeit-EHR-Daten — einschließlich Vitalzeichen, Laborwerte und Demografie — zu analysieren und Patienten mit hohem Risiko einer Verschlechterung innerhalb der nächsten 12 Stunden zu identifizieren. Das Modell erzeugt eine Risikobewertung und automatisierte Alarme, die in die klinischen Arbeitsabläufe integriert werden und zeitnahe Interventionen wie ärztliche Überprüfungen oder den Einsatz von Rapid Response Teams auslösen .

Ergebnisse

  • 16 % geringere Sterblichkeitsrate in der AAM-Interventionskohorte
  • Über 500 Todesfälle jährlich im Netzwerk verhindert
  • 10 % Reduktion bei 30-Tage-Wiederaufnahmen
  • Identifiziert Verschlechterungsrisiken innerhalb von 12 Stunden mit hoher Zuverlässigkeit
  • Eingesetzt in 21 Krankenhäusern in Nordkalifornien
Fallstudie lesen →

bunq

Neobank
Als bunq ein rasantes Wachstum als zweitgrößte Neobank in Europa verzeichnete, wurde die Skalierung des Kundenservice zu einer kritischen Herausforderung. Bei Millionen von Nutzern, die personalisierte Banking-Informationen zu Konten, Ausgabeverhalten und Finanzberatung auf Abruf verlangen, stand das Unternehmen unter Druck, sofortige Antworten zu liefern, ohne die Zahl der menschlichen Supportteams proportional zu erhöhen — was Kosten treiben und Abläufe verlangsamen würde.

Lösung

bunq begegnete diesen Herausforderungen durch die Entwicklung von Finn, einer proprietären GenAI-Plattform, die direkt in die mobile App integriert wurde und die herkömmliche Suchfunktion durch einen konversationellen KI-Chatbot ersetzte. Nach der Einstellung von mehr als einem Dutzend Datenexperten im Vorjahr baute das Team Finn so, dass er sicher auf nutzerspezifische Finanzdaten zugreift, Fragen zu Kontoständen, Transaktionen und Budgets beantwortet und sogar allgemeine Ratschläge gibt, wobei der Gesprächskontext über Sitzungen hinweg erhalten bleibt.

Ergebnisse

  • 100.000+ Fragen innerhalb von Monaten nach der Beta beantwortet (Ende 2023)
  • 40 % der Nutzeranfragen bis Mitte 2024 autonom vollständig gelöst
  • 35 % der Anfragen unterstützt, insgesamt 75 % sofortige Support-Abdeckung
  • Vor dem Start 12+ Datenexperten für die Dateninfrastruktur eingestellt
  • Zweitgrößte Neobank Europas nach Nutzerbasis (1M+ Nutzer)
Fallstudie lesen →

Best Practices

Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.

BigQuery mit Ihren Kern-Finanzsystemen verbinden und Zahlungsdaten normalisieren

Die taktische Grundlage für präzise Cashflow-Projektionen mit Gemini ist ein vereinheitlichter Datensatz in BigQuery. Beginnen Sie damit, Daten aus Ihrem ERP (Rechnungen, Gutschriften, Zahlungsziele), Ihrem Bankanbieter (tatsächliche Cash-Bewegungen) und optional Ihrem CRM (Pipeline und Aufträge) per Streaming oder Batch in separate Staging-Tabellen zu laden.

Erstellen Sie ein normalisiertes Modell, das Rechnungen mit Kunden, Verträgen und Zahlungen verknüpft. Beispielsweise können Sie eine fact_invoice-Tabelle mit Feldern wie invoice_id, due_date, amount, currency, payment_terms, customer_id und eine fact_payment-Tabelle anlegen, die die tatsächlichen Valutadaten erfasst. Anschließend definieren Sie eine View, die historische Days to Pay je Kunde, Produktlinie oder Region berechnet. Diese Struktur werden Sie später für Google Sheets und Gemini verfügbar machen.

Gemini in Google Sheets für ein verhaltensbasiertes Inflow-Modell nutzen

Sobald Ihr BigQuery-Modell steht, nutzen Sie den nativen Google-Sheets–BigQuery-Connector, um die relevanten Views (z. B. Rechnungshistorie, Statistiken zum Zahlungsverhalten) zu importieren. Anschließend setzen Sie Gemini in Sheets ein, um daraus einen verhaltensbasierten Inflow-Forecast je Kunde oder Segment zu erstellen.

Sie können beispielsweise einen Ausschnitt aus Rechnungs- und Zahlungshistorie in ein Sheet einfügen und Gemini auffordern, Kunden nach Zahlungsverhalten zu klassifizieren und Projektionsregeln zu erstellen. Ein Beispiel-Prompt:

Sie unterstützen die Cashflow-Planung.

1. Sie erhalten eine Tabelle mit folgenden Spalten:
   - customer_id
   - invoice_date
   - due_date
   - invoice_amount
   - payment_date (kann für offene Rechnungen leer sein)

2. Aufgaben:
   - Berechnen Sie die historischen Days-to-Pay für jeden Kunden.
   - Gruppieren Sie Kunden in 3 Verhaltenssegmente: early, on-time, late.
   - Sagen Sie für offene Rechnungen das erwartete Zahlungsdatum voraus, basierend auf
     Segment, Saisonalität und erkennbaren Mustern.
   - Geben Sie eine neue Tabelle mit expected_payment_date und probability of delay (>14 Tage) zurück.

Geben Sie das Ergebnis als saubere Tabelle aus, die ich in dieses Sheet zurückkopieren kann.

Prüfen und validieren Sie die Ergebnisse zunächst für eine Stichprobe Ihrer wichtigsten Kunden und automatisieren Sie den Ansatz dann schrittweise, indem Sie Gemini-Prompts und -Formeln in Ihre Sheets-Templates einbetten.

13-Wochen-Cashflow-Sichten mit Gemini-unterstützten Formeln automatisieren

Die kurzfristige Liquiditätssteuerung steht und fällt mit der 13-Wochen-Sicht. Richten Sie in Google Sheets ein Kalenderraster für die nächsten 13 Wochen als Spalten ein und verwenden Sie Formeln, um prognostizierte Ein- und Auszahlungen anhand der erwarteten Zahlungsdaten und der in BigQuery hinterlegten Terminpläne den Wochen zuzuordnen.

Nutzen Sie Gemini, um diese Zuordnungsformeln zu erstellen und zu verfeinern. Markieren Sie beispielsweise Ihre Datenstruktur und bitten Sie Gemini:

Sie helfen beim Aufbau eines 13-Wochen-Cashflow-Modells in Google Sheets.

Das Sheet enthält:
- Spalte A: cashflow_item_id
- Spalte B: type (inflow/outflow)
- Spalte C: expected_date
- Spalte D: amount
- Spalten F:R: Kalenderwochen (Daten in Zeile 1)

Schreiben Sie eine Formel, die pro Zeile den Betrag der richtigen
Wochenspalte anhand von expected_date zuordnet, mit Zuflüssen als positiv
und Abflüssen als negativ.
Verwenden Sie nur Standardformeln von Google Sheets und nehmen Sie Zeile 2
als erste Datenzeile.

Gemini kann Formeln mit INDEX-, MATCH- und IF-Logik vorschlagen und erläutern, die Sie anschließend in Ihren Planungstemplates standardisieren. Das Ergebnis ist ein automatisierter 13-Wochen-Cashflow, der sich aktualisiert, sobald neue Daten in BigQuery fließen und in Sheets aktualisiert werden.

Gemini nutzen, um Annahmen zu stresstesten und What-if-Szenarien aufzubauen

Über den Basis-Forecast hinaus können Sie Gemini für Szenarioanalysen auf Ihrem Cashflow-Modell einsetzen. Definieren Sie in einem eigenen „Assumptions“-Sheet Treiber wie DSO-Verschiebung nach Segment, Maßnahmen zur Verbesserung des Forderungsmanagements, FX-Kurse oder Änderungen in Lieferantenkonditionen. Verknüpfen Sie diese mit Ihren Formeln, sodass eine Anpassung der Annahmen die 13-Wochen-Sicht neu berechnet.

Bitten Sie Gemini anschließend, What-if-Konfigurationen zu erzeugen und die Auswirkungen zu interpretieren. Beispiel-Prompt:

Sie sind ein Assistent für Finanzplanung.

Wir haben ein 13-Wochen-Cashflow-Modell in dieser Tabellenkalkulation.
Annahmen sind im Tab 'Assumptions' aufgeführt:
- dso_shift_days
- collection_improvement_pct
- fx_rate_eur_usd

1. Schlagen Sie 3 Szenarien (Base, Downside, Upside) mit konkreten Werten
   für diese Annahmen vor, die mit der jüngsten Datenhistorie konsistent sind.
2. Berechnen und fassen Sie für jedes Szenario zusammen:
   - Minimale wöchentliche Cash-Bilanz
   - Maximale wöchentliche Finanzierungsbedarfe
   - Haupttreiber im Vergleich zum Base Case

Geben Sie Ihre Antwort zurück als:
- Eine kleine Annahmetabelle pro Szenario
- Eine kurze textliche Interpretation für das Finanzmanagement.

Kopieren Sie die vorgeschlagenen Annahmen in Ihr Modell, führen Sie die Neuberechnung durch und nutzen Sie die Interpretation von Gemini als Ausgangspunkt für die Managementdiskussion.

Anomalien und Hochrisiko-Posten in Forderungen und Verbindlichkeiten markieren

Gemini eignet sich auch als Anomalie-Detektor auf Basis Ihrer BigQuery-Daten. Ziehen Sie in Sheets eine Liste offener Posten mit Feldern wie Kunde, Betrag, Überfälligkeitstage, übliche Days-to-Pay und Kontakthistorie. Nutzen Sie Gemini, um Hochrisiko-Forderungen zu markieren, die wahrscheinlich später als zum prognostizierten Zahlungsdatum beglichen werden, oder Verbindlichkeiten mit ungewöhnlichen Mustern zu identifizieren.

Zum Beispiel:

Sie analysieren offene Forderungen, um die Cashflow-Prognose zu verbessern.

Sie erhalten eine Tabelle mit:
- customer_id
- invoice_id
- amount
- due_date
- predicted_payment_date
- current_date
- usual_days_to_pay_customer

1. Heben Sie Rechnungen hervor, die voraussichtlich später als zum
   predicted_payment_date bezahlt werden.
2. Nutzen Sie Muster im historischen Verhalten, Betrag und Timing.
3. Markieren Sie jede Rechnung als 'ok', 'watch' oder 'high risk' und erläutern Sie warum.
4. Schlagen Sie konkrete Maßnahmen für das Forderungsmanagement bei
   'high risk'-Posten vor.

Geben Sie eine Tabelle mit einer zusätzlichen Spalte 'risk_flag'
und 'action_recommendation' zurück.

Spielen Sie diese Flags in Ihre Cashflow-Sichten zurück, um erwartete Zahlungsdaten anzupassen und das Forderungsmanagement mit Vertrieb und Operations zu koordinieren.

Logik und Kontrollen direkt im Sheet mit Gemini dokumentieren

Um Verlässlichkeit und Auditierbarkeit sicherzustellen, sollten Sie die Logik Ihres Modells dort dokumentieren, wo sie lebt – in Google Sheets. Nutzen Sie Gemini, um klare Erklärungen zu komplexen Formeln, Daten-Mappings und Annahmen zu generieren, die Finance- und Audit-Teams verstehen, ohne tief in die technische Implementierung einsteigen zu müssen.

Markieren Sie eine Zelle mit einer komplexen Formel oder einen Annahmenbereich und bitten Sie Gemini, diese in klarer Sprache zu erklären und zu dokumentieren. Zum Beispiel:

Sie dokumentieren ein Cashflow-Modell für interne Kontrollen.

1. Lesen Sie die Formel in Zelle H2 und die umgebenden Zellen.
2. Erklären Sie in einfacher Finanzsprache, was diese Formel macht und
   wie sie die 13-Wochen-Cashflow-Prognose beeinflusst.
3. Listen Sie implizite Annahmen und mögliche Fehlerquellen auf
   (z. B. fehlende Daten, falsches Vorzeichen bei Abflüssen).
4. Schreiben Sie die Erklärung als kurze Dokumentationsnotiz, die in ein
   Sheet 'Model Documentation' eingefügt werden kann.

So entsteht lebende Dokumentation, während sich das Modell weiterentwickelt. Das reduziert Schlüsselpersonenrisiken und erleichtert das Onboarding neuer Teammitglieder oder die Arbeit mit Prüfern.

Schrittweise umgesetzt führen diese Praktiken in der Regel zu stabileren und transparenteren Cashflow-Forecasts. Nach unserer Erfahrung können Finanzteams den manuellen Planungsaufwand oft um 30–50 % reduzieren, den Forecast-Fehler für die nächsten 4–8 Wochen um 20–40 % verringern und Liquiditätslücken früher erkennen – und damit Working-Capital- und Finanzierungsentscheidungen deutlich proaktiver treffen.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

Häufig gestellte Fragen

Gemini verbessert die Genauigkeit von Cashflow-Prognosen, indem es aus Ihrer tatsächlichen Transaktionshistorie lernt, statt sich auf eine einzige DSO-Annahme zu stützen. In Verbindung mit BigQuery und Google Sheets kann es Muster darin erkennen, wann bestimmte Kunden, Regionen oder Produktlinien tatsächlich zahlen, wie Saisonalität Zuflüsse beeinflusst und wie Vertragskonditionen sich in Cash-Bewegungen übersetzen.

Konkret hilft Gemini dabei, erwartete Zahlungsdaten pro Rechnung oder Kunde zu prognostizieren, Ihre Annahmen zu stresstesten und die Prognose kontinuierlich zu aktualisieren, sobald neue Buchungen und Zahlungen eingehen. Das Ergebnis ist eine Projektion, die widerspiegelt, wie sich Ihr Geschäft in der Realität verhält – nicht, wie ein statisches Modell es zum Budgetzeitpunkt angenommen hat.

In der Regel benötigen Sie drei Kompetenzen: einen Finance-Owner, der Ihre aktuelle Cashflow-Planung und die Business-Treiber versteht, einen Data Engineer oder BI-Spezialisten für die Einrichtung der BigQuery-Modelle und Datenpipelines sowie jemanden, der mit Google Sheets vertraut ist, um die Planungstemplates aufzubauen. Tiefgehende KI-Expertise ist hilfreich, aber nicht zwingend erforderlich – die Gemini-Oberfläche in Sheets ist für Fachbereiche konzipiert.

Viele Teams starten mit bestehenden BI-Ressourcen und einem motivierten Controller. Reruption kann Ihre internen Fähigkeiten mit unserem KI-Engineering-Team und unserem Co-Preneur-Ansatz ergänzen, sodass Ihre Finanzfunktion kein KI-Labor werden muss, um schnell Mehrwert zu realisieren.

Die Zeitpläne hängen von Ihrer Datenlandschaft ab, aber in den meisten Organisationen sehen wir innerhalb weniger Wochen nutzbare Ergebnisse, sofern der Scope fokussiert ist. Ein typischer Weg ist: 1–2 Wochen, um Kerntabellen aus ERP und Banking mit BigQuery zu verbinden, 1 Woche, um eine erste 13-Wochen-Cashflow-Sicht in Sheets aufzubauen, und weitere 1–2 Wochen, um Gemini für verhaltensbasierte Prognosen und Szenarioanalysen zu integrieren.

Sie benötigen kein perfektes Data Warehouse, um zu starten. Indem Sie sich zunächst auf einen Teil Ihrer Kunden oder Regionen beschränken, können Sie den Ansatz des Gemini-basierten Cashflow-Forecasting schnell validieren, Verbesserungen im Forecast-Fehler messen und das Modell anschließend auf den Rest des Geschäfts ausrollen.

Die direkten Kosten von Gemini selbst sind in der Regel gering im Vergleich zum Wert einer besseren Liquiditätssteuerung. Die Hauptinvestition liegt im Aufbau des BigQuery-Datenmodells, der Sheets-Templates und der Workflows. Der ROI ergibt sich aus mehreren Quellen: weniger manueller Aufwand in der Forecast-Erstellung, weniger überraschende Liquiditätslücken (und damit bessere Finanzierungskonditionen), bessere Nutzung von brachliegendem Cash sowie fundiertere Entscheidungen zu Zahlungszielen und Collection-Prioritäten.

Finanzverantwortliche sehen häufig schon dann klaren Mehrwert, wenn sie den Forecast-Fehler für die nächsten 4–8 Wochen um 10–20 % senken können oder wenn eine frühere Sichtbarkeit einer Finanzierungslücke Verhandlungen mit Banken ermöglicht, statt kurzfristiger, teurer Kreditlinien. Wir empfehlen, vor dem Start konkrete KPIs (Forecast-Genauigkeit, eingesparte Stunden, Working-Capital-Verbesserungen) zu definieren, um den ROI über die ersten 3–6 Monate messbar zu machen.

Reruption unterstützt Unternehmen End-to-End beim Aufbau KI-gestützter Finanzlösungen. Mit unserem KI-PoC-Angebot für 9.900 € können wir schnell prüfen, ob ein Gemini-basiertes Cashflow-Forecasting-Modell auf Ihren Daten technisch machbar ist: Wir schärfen den Use Case, designen das BigQuery-Modell, bauen einen funktionsfähigen Prototypen in Google Sheets mit Gemini und messen Performance und Forecast-Genauigkeit.

Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir in Ihrer Organisation wie ein Co-Founder-Team arbeiten: eingebettet in Finance, IT und Datenteams, härten wir den Prototypen, adressieren Security und Compliance und machen daraus ein robustes Planungstool, das auf Ihrer bestehenden GuV läuft. Wir optimieren nicht Ihre alten Tabellen – wir helfen Ihnen, das KI-first-Cashflow-Planungssystem zu bauen, das diese ablösen wird.

Kontaktieren Sie uns!

0/10 min.

Direkt Kontaktieren

Your Contact

Philipp M. W. Hoffmann

Founder & Partner

Adresse

Reruption GmbH

Falkertstraße 2

70176 Stuttgart

Kontakt

Social Media