KI für Finanzprognosen nutzen: Eine Schritt-für-Schritt-Anleitung

Künstliche Intelligenz wandelt die Finanzprognose von einer manuellen, tabellenkalkulationsgesteuerten Quartalsübung in einen dynamischeren, genaueren und kontinuierlicheren Prozess um. Anstatt den Großteil ihrer Zeit mit Datenerfassung und -validierung zu verbringen – ein Aufwand, der oft auf über 40 % der Bemühungen eines Finanzteams geschätzt wird – können Analysten KI nutzen, um den Großteil der Arbeit zu automatisieren und sich auf strategische Erkenntnisse zu konzentrieren. Hierbei geht es nicht darum, Analysten zu ersetzen, sondern sie zu unterstützen. Für Fachkräfte im Bereich FP&A und Business Analytics bedeutet dies eine Verlagerung vom Aufbau von Modellen von Grund auf zur Validierung und Interpretation von KI-generierten Ergebnissen.

Dieser Leitfaden bietet einen praktischen, schrittweisen Workflow für die Erstellung einer KI-gestützten Finanzprognose. Wir werden den gesamten Prozess anhand eines gängigen, zugänglichen Tools durchgehen: Microsoft Power BI mit seinem integrierten Copilot. Ziel ist es, Ihnen nicht nur die Theorie, sondern den tatsächlichen Prozess zu zeigen, den Sie heute nachvollziehen können. ZEKAI bewertet Tools unabhängig, und unsere Empfehlungen basieren auf dem, was in einem realen professionellen Kontext funktioniert.

Der 4-Schritte-KI-Prognose-Workflow

Ein effektiver KI-Prognoseprozess gliedert sich in vier verschiedene Phasen. Das Überspringen eines Schritts, insbesondere der Datenaufbereitung oder -validierung, ist der häufigste Fehlerpunkt.

1. Verbinden und bereinigen Sie Ihre Daten: KI-Modelle sind nur so gut wie die Daten, mit denen sie trainiert werden. Dieser Schritt umfasst die Verbindung zu Ihren Quellsystemen (ERP, CRM, Buchhaltungssoftware) und die Sicherstellung, dass die Daten sauber, strukturiert und konsistent sind.
2. Wählen Sie Ihren Prognoseansatz: Die beiden primären Methoden sind die Zeitreihenprognose (Projektion zukünftiger Leistungen basierend auf vergangenen Trends) und die treiberbasierte Prognose (Modellierung von Beziehungen zwischen operativen Treibern und finanziellen Ergebnissen).
3. Erstellen Sie das Modell: Hier verwenden Sie ein KI-Tool, um die Prognose zu erstellen. Wir werden dies anhand der integrierten Funktionen von Power BI demonstrieren.
4. Validieren und Szenarien durchführen: Keiner KI-Ausgabe sollte blind vertraut werden. Dieser letzte Schritt beinhaltet die Überprüfung der Prognosegenauigkeit anhand bekannter historischer Daten und die anschließende Nutzung des Modells zur Durchführung von „Was-wäre-wenn“-Szenarien.

Schritt 1: Verbinden und bereinigen Sie Ihre Daten

Müll rein, Müll raus. Dieses Axiom ist in der KI unerbittlich. Bevor Sie eine Prognose erstellen können, müssen Ihre historischen Daten maschinenlesbar und zuverlässig sein.

Häufige Fallstricke bei der Datenqualität:

• Inkonsistente Zeiträume: Mischen von monatlichen Ist-Werten mit Quartalsbudgets ohne eine gemeinsame Datumstabelle.
• Unklare Überschriften: Verwendung mehrdeutiger Spaltennamen wie „Betrag“ anstelle von „Nettoumsatz“.
• Gemischte Datenformate: Speichern numerischer Werte als Text, was mathematische Operationen verhindert.
• Fragmentierte Quellen: Abrufen von Verkaufsdaten aus einem CRM und Ausgabendaten aus einem ERP ohne einen gemeinsamen Identifikator, um sie zu verknüpfen.

Für unsere exemplarische Vorgehensweise gehen wir davon aus, dass Sie eine einfache Flatfile (z. B. einen Excel- oder .csv-Export) aus Ihrem Buchhaltungssystem mit mindestens zwei Spalten haben: Date und Net Revenue. In einem realen Szenario würden Sie den Power Query-Editor von Power BI verwenden, um sich direkt mit Ihrem Data Warehouse oder ERP (wie NetSuite oder SAP) zu verbinden und sicherzustellen, dass die Daten immer aktuell sind.

Das Bereinigen dieser Daten in Power Query bedeutet, dass die Spalte Date als Datumstyp und Net Revenue als Dezimalzahl formatiert ist. Dieser einfache Validierungsschritt ist entscheidend und verhindert die meisten häufigen Fehler in nachfolgenden Schritten.

Schritt 2: Wählen Sie Ihren Prognoseansatz

Ihr Ansatz hängt von den Daten ab, die Sie haben, und den Fragen, die Sie beantworten müssen.

• Zeitreihenprognose: Dies ist die einfachste Methode. Sie verwendet historische Leistungsdaten, um die Zukunft zu projizieren, und erkennt dabei automatisch Trends und Saisonalität. Sie eignet sich am besten für stabile Unternehmen, bei denen die Vergangenheit ein vernünftiger Prädiktor für die Zukunft ist. Die integrierte Prognosefunktion von Power BI verwendet diese Methode (insbesondere exponentielle Glättung oder ETS).
• Treiberbasierte Prognose: Dies ist ein fortschrittlicherer Ansatz, bei dem Sie wichtige Geschäftstreiber (z. B. Website-Traffic, Vertriebsmitarbeiter, Marketingausgaben) identifizieren und KI verwenden, um deren Auswirkungen auf finanzielle Ergebnisse (z. B. Umsatz) zu modellieren. Dies ist leistungsfähiger für die Szenarioplanung, da Sie einen Treiber ändern können, um die finanziellen Auswirkungen zu sehen.

Für diesen Leitfaden werden wir den Zeitreihenansatz innerhalb von Power BI verwenden, da er der zugänglichste Ausgangspunkt ist und keine Programmierung erfordert.

Schritt 3: Das Modell in Power BI mit Copilot erstellen

Dies ist der Kern des Workflows. Wir werden eine grundlegende Zeitreihenprognose direkt in einem Power BI-Bericht erstellen. Ab September 2026 kostet eine Power BI Pro-Lizenz 14 USD pro Benutzer/Monat, während eine Premium Per User (PPU)-Lizenz mit erweiterten KI-Funktionen 24 USD pro Benutzer/Monat kostet. Die grundlegende Prognose, die wir hier demonstrieren, funktioniert mit einer Pro-Lizenz.

**Prognoselänge:** 12 Monate
**Konfidenzintervall:** 95%
**Saisonalität:** 365 Tage (wenn Sie tägliche Daten mit jährlichen Mustern haben) oder 12 Monate (für monatliche Daten)

Power BI erkennt Saisonalität automatisch, Sie können sie aber auch manuell eingeben. Wenn Sie beispielsweise mehrere Jahre monatlicher Verkaufsdaten für ein Einzelhandelsunternehmen haben, würden Sie wahrscheinlich „12“ eingeben, um dem Modell mitzuteilen, dass es nach einem 12-monatigen saisonalen Zyklus suchen soll. Das „Konfidenzintervall“ erzeugt einen schattierten Bereich um die Prognoselinie, der die oberen und unteren Grenzen des wahrscheinlichen Ergebnisses darstellt.

Copilot zur Verfeinerung und Erklärung nutzen

Obwohl die Ein-Klick-Prognose leistungsstark ist, kann generative KI wie Copilot sie noch weiter verbessern. Mit einer PPU- oder Fabric Capacity-Lizenz können Sie Copilot verwenden, um die Ergebnisse zu interpretieren.

„Fassen Sie die Prognose für den Nettoumsatz zusammen. Welche wichtigen Trends und saisonalen Muster hat dieses Modell in den historischen Daten identifiziert? Erstellen Sie eine Erzählung, die das prognostizierte Wachstum für die nächsten 12 Monate erklärt.“

Copilot ist darauf ausgelegt, eine Textzusammenfassung der Prognose zu erstellen, die als erster Entwurf für Managementkommentare dienen kann. Dies verlagert die Arbeit des Analysten vom Schreiben der Zusammenfassung von Grund auf zum Bearbeiten und Überprüfen der KI-Ausgabe.

Schritt 4: Validieren und Szenarien durchführen

Eine KI-generierte Prognose ist eine statistisch wahrscheinliche Aussicht, keine Tatsachenaussage. Sie müssen sie validieren.

Validierung: Eine einfache Möglichkeit zur Validierung besteht darin, die letzten Perioden der Ist-Daten in den Prognoseeinstellungen zu „ignorieren“. Wenn Sie beispielsweise Daten bis August 2026 haben, konfigurieren Sie die Prognose so, dass die letzten 3 Monate ignoriert werden. Vergleichen Sie dann die KI-Prognose für Juni-August mit den tatsächlichen Ergebnissen für diese Monate. Dies gibt Ihnen ein greifbares Maß für die Genauigkeit des Modells, bekannt als Prognosefehler-KPI.

Szenarioplanung: Die wahre Stärke der KI-Prognose liegt in der Szenarioplanung. Während die grundlegende Prognose von Power BI ein Zeitreihenmodell ist, können Sie „Was-wäre-wenn“-Parameter überlagern, um verschiedene Szenarien zu simulieren.

Sie können beispielsweise einen Parameter für „Prognostizierte Wachstumsanpassung“ erstellen, mit dem Sie die Prognose um einen bestimmten Prozentsatz erhöhen oder verringern können. Dies ermöglicht es Ihnen, Best-Case-, Base-Case- und Worst-Case-Szenarien sofort zu modellieren, ohne das gesamte Modell neu aufbauen zu müssen.

Für komplexere, treiberbasierte Szenariomodellierungen (z. B. „Was passiert mit unserem Cashflow, wenn wir die Marketingausgaben um 15 % und die Vertriebsmitarbeiter um 10 % erhöhen?“), wechseln Teams oft zu dedizierten FP&A-Plattformen.

Wann Sie zu einer dedizierten FP&A-Plattform wechseln sollten

Obwohl Power BI ein ausgezeichneter Ausgangspunkt ist, handelt es sich um ein Allzweck-BI-Tool und nicht um eine dedizierte Finanzplanungsplattform. Sie sollten den Wechsel zu einem spezialisierten Tool in Betracht ziehen, wenn Sie auf folgende Einschränkungen stoßen:

• Komplexe, treiberbasierte Modelle: Sie müssen mehrschichtige, voneinander abhängige Geschäftstreiber modellieren, die über einfache Zeitreihen hinausgehen.
• Kollaborative Budgetierung: Sie benötigen Workflows für mehrere Benutzer zur Eingabe von Budgetdaten, mit Genehmigungsketten und Versionskontrolle.
• Integrierte Finanzberichte: Sie benötigen ein System, das Ihre Gewinn- und Verlustrechnung, Bilanz und Kapitalflussrechnung automatisch verbindet.

Tabelle seitlich wischen →

Dedizierte FP&A-Plattformen sind speziell für diese komplexen Workflows konzipiert und bieten treiberbasierte Modellierung, kollaborative Budgetierung und integrierte Finanzberichte, die über ein Allzweck-BI-Tool hinausgehen. Ambral ist eine KI-gesteuerte Plattform, die von B2B-Kunden- und Umsatzteams verwendet wird; bestätigen Sie die spezifischen FP&A- und kollaborativen Planungsfunktionen direkt mit dem Anbieter, bevor Sie sich für treiberbasierte Szenariomodellierung darauf verlassen, da die Preise nicht öffentlich sind. Speziell für FP&A entwickelte Tools stellen einen erheblichen Schritt nach vorne in Bezug auf Investitionen und Fähigkeiten im Vergleich zu einem reinen Power BI-Ansatz dar.