Ein Finanzmodell bauen, das sich selbst aktualisiert
Ihre Prognose-Tabelle ist veraltet, sobald Sie sie fertigstellen. Jeden Monat dasselbe Ritual: neue Ist-Zahlen einpflegen, Annahmen anpassen, Szenarien neu aufbauen, Abweichungen erklären. Drei Prompts verwandeln historische Daten in ein lebendes Modell, das Ihnen sagt, wann seine eigenen Annahmen nicht mehr stimmen.
Das Problem
Finanzmodellierung sollte eigentlich ums Denken gehen. In der Praxis geht es ums Datenaufbereiten. Ein typisches mittelständisches Unternehmen verbringt 2 bis 3 Tage pro Monat mit dem Neuaufbau seines Prognosemodells: Ist-Zahlen aus dem ERP ziehen, Umsatzannahmen aktualisieren, Kostenverteilungen anpassen, Szenarien stresstesten und alles in eine vorstandstaugliche Präsentation formatieren. Wenn das Modell fertig ist, sind die Daten bereits zwei Wochen alt.
Das tiefere Problem ist nicht die Geschwindigkeit. Es ist, dass die meisten Finanzmodelle statische Momentaufnahmen sind, die sich als dynamische Werkzeuge ausgeben. Sie haben fest einprogrammierte Annahmen in Zelle D47, an die sich niemand erinnert. Sie übernehmen Wachstumsraten von vor drei Quartalen, weil eine Aktualisierung 14 verknüpfte Tabellenblätter betrifft. Sie modellieren ein Szenario, weil der Aufbau von dreien einen vollen zusätzlichen Tag kostet.
Das Ergebnis: CFOs treffen Entscheidungen auf Basis von Modellen, die die Realität des letzten Quartals abbilden, nicht den Trend dieses Quartals. Vorstände sehen Prognosen, die schon vor Beginn der Sitzung falsch waren. Und FP&A-Teams verbringen 80% ihrer Zeit mit der Pflege des Modells und 20% mit der eigentlichen Analyse dessen, was es aussagt.
Die Lösung
Liefern Sie Ihre historischen Daten und lassen Sie KI die Modellstruktur aufbauen. Keine Tabellenkalkulation. Ein dokumentiertes Modell mit expliziten Annahmen, beschrifteten Treibern, Sensitivitätsbereichen und klaren Logikketten. Jede Zahl führt zu einer formulierten Annahme zurück. Jede Annahme hat eine Gültigkeitsbedingung, die Ihnen sagt, wann sie aktualisiert werden muss.
Testen Sie jede Annahme gegen aktuelle Bedingungen. Das Modell ist nur so gut wie seine Eingaben. KI gleicht Ihre Annahmen mit öffentlich verfügbaren Daten ab (Branchen-Benchmarks, Makroindikatoren, Wettbewerberbewegungen) und markiert diejenigen, die veraltet, zu optimistisch oder von der Marktrealität abgekoppelt erscheinen.
Generieren Sie Abweichungserklärungen automatisch. Wenn Ist-Zahlen eintreffen und der Umsatz 8% unter der Prognose liegt, identifiziert das Modell die 3 bis 4 Treiber, die die Lücke erklären, ordnet sie nach Auswirkung und schlägt vor, welche Annahmen für die nächste Periode angepasst werden sollten.
Prompt zum Kopieren
"Ich werde Finanzdaten für [X Monate/Quartale] für [Unternehmensname / meinen Geschäftsbereich] teilen. Erstellen Sie ein Finanzmodell mit folgender Struktur: (1) Umsatzmodell: Zerlegen Sie den Umsatz in seine Treiber-Komponenten (Menge x Preis, oder nach Produktlinie, oder nach Kundensegment, je nachdem was zu den Daten passt). Identifizieren Sie die 3-5 Annahmen, die 80% der Umsatzprognose bestimmen. Für jede Annahme nennen Sie den aktuellen Wert, die historische Bandbreite und eine Gültigkeitsbedingung (was sich am Markt ändern müsste, damit diese Annahme nicht mehr hält). (2) Kostenmodell: Trennen Sie fixe von variablen Kosten. Für variable Kosten drücken Sie jede als Verhältnis zu ihrem Umsatztreiber aus. Markieren Sie Kosten, die schneller wachsen als der Umsatz, den sie tragen. (3) Working Capital: Modellieren Sie Forderungen, Verbindlichkeiten und Vorräte anhand von DSO, DPO und DIO aus den historischen Daten. Markieren Sie Trends. (4) Szenario-Framework: Erstellen Sie drei Szenarien (Basis, Aufwärts, Abwärts) durch Variation der Top-5-Annahmen. Für jedes Szenario geben Sie an, welche Annahmen sich ändern und um wie viel. (5) Annahmenregister: Erstellen Sie eine einzelne Tabelle mit jeder Annahme im Modell, ihrem aktuellen Wert, ihrer Quelle (historischer Durchschnitt, Management-Input, Branchen-Benchmark) und einer Auslösebedingung, die signalisiert, wann eine Überprüfung nötig ist. Geben Sie das komplette Modell als strukturiertes Dokument aus, das ich in eine Tabellenkalkulation übertragen kann. Beschriften Sie jeden Zellverweis klar."
Optional: Annahmen-Stresstest
"Überprüfen Sie das Annahmenregister aus meinem Finanzmodell. Bewerten Sie für jede Annahme: (1) Ist diese Annahme angesichts der aktuellen Marktbedingungen noch angemessen? Prüfen Sie anhand öffentlich verfügbarer Daten: Branchenwachstumsraten, Inflationszahlen, Wettbewerber-Ergebnisberichte, Zentralbank-Leitlinien, Rohstoffpreise und Arbeitsmarkttrends. (2) Wie hoch ist das Konfidenzniveau (HOCH / MITTEL / NIEDRIG), dass diese Annahme für die nächsten [2/4] Quartale hält? (3) Wenn die Annahme nicht hält, welche finanziellen Auswirkungen hat das? Berechnen Sie den Effekt auf Umsatz, EBITDA und Cashflow, wenn diese einzelne Annahme auf ihren Worst-Case-Wert fällt, während alle anderen auf Basisniveau bleiben. (4) Welche Annahmen sind korreliert? Wenn Rohstoffkosten um 15% steigen, welche anderen Annahmen (Preisgestaltung, Volumen, Marge) werden sich wahrscheinlich ebenfalls bewegen? Kartieren Sie die Abhängigkeitsketten. Präsentieren Sie die Ergebnisse als risiko-gerankte Tabelle: Annahme, aktueller Wert, Konfidenzniveau, Abwärtsrisiko (in Euro und als % der Prognose), empfohlene Maßnahme (beibehalten / aktualisieren / zur Managementüberprüfung markieren). Heben Sie jede Annahme hervor, bei der das Abwärtsrisiko 5% des prognostizierten EBITDA übersteigt."
Optional: Abweichungsanalyse
"Hier sind die Ist-Ergebnisse für [Zeitraum] neben der Prognose aus meinem Modell. Analysieren Sie die Abweichung zwischen Prognose und Ist-Zahlen. Für jede Position mit einer Abweichung größer als [5%/X EUR]: (1) Identifizieren Sie den Wurzeltreiber. Der Umsatz lag 8% unter Plan, weil [Volumenrückgang / Preiszugeständnisse / Mix-Verschiebung / Timing-Effekt], nicht einfach nur 'Umsatz war unter Plan.' Zerlegen Sie jede Abweichung in ihre Komponenten. (2) Ordnen Sie die Treiber nach Auswirkung. Welche 3-4 Faktoren erklären 80% oder mehr der Gesamtabweichung? Ignorieren Sie Rauschen. Konzentrieren Sie sich auf das, was den Ausschlag gab. (3) Klassifizieren Sie jeden Treiber: War dies ein einmaliges Ereignis (Kundenverzögerung, saisonaler Effekt), ein Trend, der sich fortsetzen wird (Marktschwäche, Wettbewerbsdruck), oder ein Modellfehler (Annahme war von Anfang an falsch)? (4) Für trendbasierte Abweichungen und Modellfehler empfehlen Sie konkrete Annahmenaktualisierungen für die Prognose der nächsten Periode. Nennen Sie den neuen Wert und die Begründung. (5) Schreiben Sie eine 200-Wort-Zusammenfassung für den Vorstand, die ich dem Berichtsheft beilegen kann. Beginnen Sie mit den 2-3 wichtigsten Erkenntnissen, nicht mit einer Zahlenliste. Ton: direkt, sachlich, ohne Absicherungsfloskeln. Wenn die Prognose wesentlich falsch war, sagen Sie es und erklären Sie warum."
Was Sie erhalten
Ein Finanzmodell mit einem expliziten Annahmenregister, drei eingebauten Szenarien und einem Pflegeprotokoll. Wenn neue Ist-Zahlen eintreffen, geben Sie sie in die Abweichungsanalyse ein und erhalten eine gerankte Liste dessen, was sich geändert hat und warum. Wenn sich Marktbedingungen verschieben, sagt Ihnen der Stresstest, welche Annahmen gefährdet sind, bevor sie Ihre Prognose zerstören. Die monatliche Modellaktualisierung sinkt von 2 bis 3 Tagen manueller Arbeit auf 30 Minuten Überprüfung und Anpassung. Ihr FP&A-Team verbringt seine Zeit mit Analyse, nicht mit Neuaufbau.
Modellaufbau
~30 Min.
vs. manueller Neuaufbau
2-3 Tage
Überwachte Annahmen
12-15
Warum die meisten Finanzmodelle scheitern
Der Standardansatz der Finanzmodellierung behandelt Annahmen als Einmal-Eingaben. Jemand legt im Januar fest "Umsatzwachstum = 12%", und diese Zahl sitzt im Modell bis zum nächsten jährlichen Planungszyklus. Niemand dokumentiert, warum 12% gewählt wurden, welche Bedingungen diese Annahme ungültig machen würden oder welche Auswirkungen es hätte, wenn es sich als 8% herausstellt.
Ein lebendes Modell macht Annahmen explizit und überprüfbar. Jede Zahl in der Prognose führt zu einer formulierten Annahme zurück. Jede Annahme hat eine Gültigkeitsbedingung. Wenn sich Bedingungen ändern, sagt Ihnen das Modell, welche Prognosen betroffen sind und um wie viel. Das ist keine Komplexität um ihrer selbst willen. Es ist der Unterschied zwischen einer Prognose, die den Vorstand überrascht, und einer, die dem Vorstand eine Frühwarnung gibt.
Die Abweichungsfalle
Die meiste Abweichungsanalyse ist rückblickende Arithmetik. Der Umsatz lag bei 4,2 Mio. EUR gegenüber einer Prognose von 4,6 Mio. EUR. Das ist 9% unter Plan. Ende der Analyse. Aber die Größe der Abweichung zu kennen sagt Ihnen nichts darüber, was als nächstes zu tun ist. War es ein Timing-Problem (Aufträge rutschten in den nächsten Monat)? Eine strukturelle Verschiebung (Kunden wechseln zu einer günstigeren Stufe)? Ein Preisproblem (Wettbewerber haben Sie unterboten)?
KI zerlegt Abweichungen in ihre Treiber-Komponenten. Statt "Umsatz war unter Plan" erhalten Sie "das Volumen lag im Plan, aber der durchschnittliche Verkaufspreis sank um 7% aufgrund einer Werbeaktion, die 2 Wochen länger lief als geplant, kombiniert mit einer 3%igen Mix-Verschiebung zum Einstiegsprodukt." Das sind Informationen, auf denen Sie handeln können. Die Promotionspolitik ändert sich. Der Produktmix informiert die Marketingallokation des nächsten Quartals. Das Modell aktualisiert seine Preisannahme.
Drei Szenarien sind keine Option
Die meisten Unternehmen modellieren ein Szenario: den Basisfall. Denjenigen, der das Budget erreichbar und den Vorstand vernünftig aussehen lässt. Das Problem ist, dass eine Punktprognose in 100% der Fälle falsch ist. Die einzige Frage ist die Richtung und das Ausmaß.
Der Aufbau von drei Szenarien dauert genauso lange, wenn KI die Struktur übernimmt. Der Auf- und Abwärtsfall sind keine Fantasiezahlen. Sie sind das natürliche Ergebnis der Variation Ihrer Top-5-Annahmen an ihre vernünftigen Grenzen. Wenn Ihr Basisfall 10% Volumenwachstum annimmt und die historische Bandbreite 6% bis 14% beträgt, dann sind Abwärts bei 6% und Aufwärts bei 14% kein Pessimismus und Optimismus. Sie sind der Ergebniskorridor, auf den Sie vorbereitet sein sollten. Vorstände, die Bandbreiten sehen, treffen bessere Entscheidungen als Vorstände, die Einzelzahlen sehen.
Geeignet für
CFOs, die quartalsweise Prognosen jeden Monat von Grund auf neu aufbauen und 2 bis 3 Tage Analystenzeit verlieren
FP&A-Teams, die komplexe verknüpfte Tabellen mit undokumentierten Annahmen pflegen
CEOs, die Vorstandsunterlagen vorbereiten und Abweichungserklärungen brauchen, die über "wir haben um X% verfehlt" hinausgehen
Bereichsleiter, die Bottom-up-Prognosen für die Jahresplanung ohne dedizierte Finanzunterstützung erstellen
Controller, die Ist-Zahlen mit dem Budget abgleichen und die Lücken gegenüber der Geschäftsführung erklären müssen
Startup-Gründer, die Finanzmodelle für die Investoren-Due-Diligence mit begrenzter Finanzerfahrung aufbauen
Private-Equity-Portfoliomanager, die die Prognosegenauigkeit über mehrere Portfoliounternehmen hinweg vergleichen
30 Minuten KI-gestützte Modellierung ersetzen 2 bis 3 Tage manuelle Tabellenarbeit Die Prognose ist nicht das Ziel. Zu verstehen, warum sich die Prognose ändert, ist das Ziel.