„Haben Sie Mut zu
Cashflow at risk“:
Dr. Kevin Yam über
Forderungsmanagement
als Umsatzbringer

Online-Zahlungen per Rechnung oder auf Raten haben einen Marktanteil von über 30 Prozent (Quelle: EHI Retail Institute). Das Problem: Jede Sekunde brechen potenzielle Kunden ihre Online-Bestellung ab, weil sie durch einen zu niedrigen Bonitäts-Score nicht per Rechnung oder auf Raten bezahlen dürfen. Oder Online-Plattformen lehnen den Kunden gleich automatisch ab. Diese Kunden sind meist weg. Sie gehen zur Konkurrenz. Viele Unternehmen schalten dieses automatische Bonitäts-Scoring vor den Vertragsabschluss. Dabei ist es sehr grob, weil es nur auf wenigen Daten fußt. Deswegen schneidet dieser Score viele Kunden ab – und schmälert ihren Umsatz. Das ist in vielen Fällen unnötig.

Scoring ist ein bewährtes Instrument, um Unternehmen vor Zahlungsausfällen zu schützen. Das Scoring ist gewissermaßen ein Gatekeeper für gute, also zahlungsfähige Kunden. Das Problem: Dieses Scoring ist oft veraltet und zu streng. Der Umsatzverlust durch viele vorschnell abgelehnte Kunden wiegt viel schwerer als der zusätzliche Umsatz durch ein gutes Forderungsmanagement mit quantitativer Risikomodellierung. 

Oder einfacher: Scoring schneidet meist mehr Umsatz ab, als durch die Zahlungsausfälle verloren gehen würde, denen es vorbeugen soll. Wenn wir Forderungsmanagement nicht erst dann mitdenken, wenn es zum Zahlungsverzug kommt, können Sie sich Scoring als Umsatzkiller in Ihrem Unternehmen sparen. Und wenn dann ein paar wenige Neukunden wirklich nicht sofort zahlen können? (Diese Frage höre ich sehr oft.) Dann sorgt ein modernes Forderungsmanagement dafür, dass der Kunde später zahlt – und seine Zahlungsfähigkeit und das Ausfallrisiko zuverlässig berechnet wird.


Quantitative Risikomodellierung erweitert das klassische Forderungsmanagement

Der Status einer offenen Forderung ist wichtig für die Bilanz und das interne Controlling. Der Cashflow at Risk ist eine wichtige Kennzahl für Geschäftsentscheidungen. Zwar ist die wichtigste Aufgabe des Forderungsmanagements, Zahlungsausfälle langfristig zu vermeiden. Aber wenn Sie im Forderungsmanagement mit quantitativen Risikomodellen arbeiten, können Sie auch verzögerte Zahlungseingänge planen und kalkulieren, mit welcher Wahrscheinlichkeit der Kunde die Forderung überhaupt begleicht. Und mehr noch: Die quantitative Risikomodellierung gibt auch Aufschluss über das zukünftige Zahlungsverhalten des Kunden.


Für das Risiko von Forderungsausfällen gibt es verschiedene Treiber. Die quantitative Risikomodellierung bewertet diese Treiber und setzt sie mit mathematischen Methoden in Relation. Ein erstes Ergebnis ist das konkrete Ausfallrisiko der Forderung.

Quantitative Risikomodellierung ist die Basis für sehr effizientes Forderungsmanagement

Quantitative Risikomodellierung zeigt mehr als nur die Wahrscheinlichkeit, ob ein Kunde zahlt. Aus den Modellen können wir ableiten, welche Schritte in welchem Zeitraum am schnellsten zur Zahlung führen.

Aus der quantitativen Risikomodellierung können Sie also konkrete Handlungen für das Forderungsmanagement ableiten.

Auf welchem Weg sollten Sie den Kunden kontaktieren, wie ist die optimale Ansprache? Wie wahrscheinlich ist es, dass der Kunde einer Ratenzahlung zustimmt? Wenn Sie das alles wissen, erhöhen sich Ihre Rückflussquoten – und der Verwaltungsaufwand nimmt ab. Schließlich können Sie ungeeignete Instrumente von Anfang an ausklammern. Die quantitative Risikomodellierung zählt also auf vier Bedürfnisse des modernen Forderungsmanagements ein:

  • Forderungsausfälle reduzieren
  • Zahlungsverzug einschätzen
  • Zahlungsverhalten prognostizieren
  • Kunden langfristig binden

Haben Sie Fragen zum Forderungsmangement für Unternehmen?
Melden Sie sich bei uns.

Kontakt aufnehmen

Quantitative Risikomodellierung optimiert im Forderungsmanagement ganze Entscheidungsketten

In welcher Reihenfolge diese Aktionen des Forderungsmanagements ablaufen, ist entscheidend für den Erfolg.

Denn einerseits wollen wir die Forderung möglichst schnell realisieren. Andererseits soll die Eskalationsstufe niedrig bleiben, damit wir den Kunden erhalten. Während der Abläufe kommen viele Informationen hinzu. 

Ein Beispiel: Ein Mandant möchte erst ab einem Streitwert von 1000 Euro den Mahnbescheid beantragen. Somit fehlt uns ein Instrument im Forderungsmanagement. In solchen Fällen passen wir die Entscheidungskette an. Das beeinflusst aber auch das Risiko.

Durch quantitative Risikomodelle können wir diese Entscheidungsketten optimieren und individualisieren. Wir entscheiden dann, wann wir einen Kunden per Mail oder per Brief kontaktieren oder wann eine Vermögensauskunft wirtschaftlich sinnvoll ist.

Durch quantitative Risikomodellierung entsteht ein höchst individualisierter Mahn- und Inkassoprozess.

Diese Daten fließen in quantitative Risikomodelle ein (Beispiele):
 

  • Höhe und Art der Forderung
  • Alter des Kunden
  • Bevölkerungsdichte des Wohnortes
  • Kaufkraft des Wohnortes
  • Maßnahmen, die der Mandant bisher zur Realisierung seiner Forderung unternommen hat
     

Alle Daten, die in die quantitative Risikomodellierung einfließen, sind anonymisiert. Kein Datensatz ist einer Person zuzuordnen. Aber demografische Daten sind quantifizierbar und relevant.

Ein Beispiel: Zwangsvollstreckungen sind in Ballungsräumen seltener erfolgreich als in ländlichen Räumen. In der Stadt ziehen die Menschen häufiger um, sind anonymer unterwegs und es gibt auch weniger Zwangsvollstrecker. Wir flechten diese Daten in unsere Algorithmen ein und können damit Aussagen über das Risiko eines Zahlungsausfalls machen.

Haben Sie Fragen zum Forderungsmangement für Unternehmen?
Melden Sie sich bei uns.

Kontakt aufnehmen

Quantitative Risikomodellierung verbindet einen hohen Individualisierungsgrad und standardisierte Verfahren

Wie gut Risikomodelle funktionieren, hängt davon ab, wie branchenindividuell sie sind. Wir haben festgestellt, dass nicht nur Banken und Versicherungen unterschiedliche Risikomodelle benötigen. Auch innerhalb der Versicherungsbranche sind die Analysen viel aussagekräftiger, wenn die Risikomodelle auf das konkrete Versicherungsprodukt (also: Lebensversicherung, private Krankenversicherung usw.) angepasst sind.

Für besseres Forderungsmanagement brauchen wir eigene Verfahren und Datenmodelle, die wir dann mit der etablierten Risikomodellierung verbinden. Das ist eine der Aufgaben, die wir hier bei SEGHORN anpacken. Wir gehen nicht mit der Algorithmen-Gießkanne über die etablierten Modelle, sondern entwickeln selbst. Es gibt in verschiedenen Branchen auch verschiedene Treiber – oder dieselben Treiber funktionieren anders. Das können wir individualisieren und trotzdem andere Parameter des Modells standardisiert lassen.

Ein Beispiel: Schuldner gehen mit Versicherungsschulden anders um als mit Spielschulden. Bei der Versicherung kommt es dann darauf an, was versichert wird. In der Regel behandelt ein Schuldner seine jahrzehntelang genutzte private Krankenversicherung anders als eine Auslandskrankenversicherung, die er sowieso nicht mehr nutzen möchte. Parameter wie Alter und Wohnort bleiben aber die gleichen Einflüsse.

Wir standardisieren so viel wie möglich und individualisieren so viel wie nötig.

Wir leben in einer datengetriebenen Welt und haben die Instrumente, Daten zu quantifizieren und messbar zu machen. Ich finde: Unternehmen, die das links liegen lassen, vergeben riesige Potenziale. Forderungsmanagement sollte nahtlos an Sales- und Risikomanagement andocken. Damit mehr Kunden ihren (Online-)Kauf auch abschließen können – natürlich in Ihrem Unternehmen. Ihr Vertrieb wird sich freuen – und Ihr Cashflow.

Ich habe auf einem Kongress den Satz gehört: „Der zukünftige Kreditanalyst ist ein Data Scientist.“ Das ist perfekt aufs Forderungsmanagement übertragbar.