Financial Spreading für die KMU-Kreditvergabe automatisieren

Financial Spreading zu automatisieren bedeutet, die Abschlüsse eines Kreditnehmers in einen standardisierten Satz von Positionen und Kennzahlen zu überführen, den Ihre Kreditmodelle und Analysten nutzen können, ohne irgendetwas erneut abtippen zu müssen. Es ist ein Extraktionsproblem, verpackt in ein Normalisierungsproblem: die Zahlen aus dem jeweils eingegangenen Format herausholen, sie auf einen einzigen internen Kontenrahmen abbilden und nachweisen, dass das Ergebnis abstimmbar ist, bevor sich jemand darauf verlässt.

Der meiste Schmerz in der KMU-Kreditvergabe liegt nicht in der Analyse. Er liegt im Input. Ein mittelständischer Kreditnehmer schickt ein gescanntes PDF, in dem die Zahlen zwar korrekt, die Bezeichnungen aber eigenwillig sind. Ein Einzelunternehmer schickt eine Steuererklärung, in der die betrieblichen Zahlen drei Anlagen tief vergraben sind. Eine Holdinggesellschaft schickt den Konzernabschluss, obwohl Sie die operative Einheit gebraucht hätten. Jemand verbringt einen Nachmittag damit, Werte in eine Vorlage zu kopieren, eine weitere Stunde mit der Entscheidung, ob „sonstige betriebliche Aufwendungen” oberhalb oder unterhalb des EBITDA gehören, und bis das Zahlenwerk fertig ist, sind die Zahlen so oft angefasst worden, dass niemand mehr sagen kann, woher eine einzelne Zahl stammt. Genau dieser letzte Teil ist das eigentliche Problem. Wenn ein Aufsichtsprüfer oder ein Kreditausschuss fragt, warum der Verschuldungsgrad bei 4,1x liegt, ist die ehrliche Antwort oft, dass ein Analyst ihn eingetippt hat.

Die Extraktion ist die einfachere Hälfte, braucht aber trotzdem Disziplin

Zahlen aus einem Dokument herauszuziehen ist bei sauberen Inputs so gut wie gelöst und bei denen, die Sie tatsächlich erhalten, weit davon entfernt. Layouts variieren, Spalten verschmelzen, Fußnoten tragen die eigentliche Zahl, und ein Minuszeichen versteckt sich in einer Klammer. Die Extraktionsebene muss deshalb mehr leisten, als nur Text zu lesen.

• Erkennen Sie zuerst den Dokumenttyp. Ein handelsrechtlicher Abschluss, eine betriebswirtschaftliche Auswertung und eine Steuererklärung verlangen unterschiedliche Parser und unterschiedliche Konfidenzerwartungen. Alle drei durch einen einzigen Prompt zu schicken liefert eine plausible Antwort und keine Möglichkeit, zu erkennen, wann sie falsch ist.
• Erfassen Sie Position und Herkunft jeder extrahierten Zahl. Speichern Sie Seite, Zelle und den Rohstring neben dem geparsten Wert. Diese Nachvollziehbarkeit ist es, die einem Analysten erlaubt, auf eine Zahl im Zahlenwerk zu klicken und exakt an der Stelle zu landen, an der sie gelesen wurde.
• Extrahieren Sie die Perioden als eigenständige Objekte. KMU-Abschlüsse mischen Zwölf-Monats-Jahre, Rumpfgeschäftsjahre und angepasste Vergleichszahlen. Wenn Sie „2024” und „2024 angepasst” in eine Spalte zusammenklappen, haben Sie ein Leakage-Problem geschaffen, das später als Phantom-Vorjahresvergleich auftaucht.
• Führen Sie einen Konfidenzwert je Position, nicht je Dokument. Eine Seite kann zu 99 % lesbar sein und Ihnen dennoch eine schlecht OCR-erkannte Umsatzzahl liefern. Aggregierte Konfidenz verbirgt genau die Zahl, die Sie am dringendsten abfangen müssen.

Nachvollziehbarkeit ist der ganze Sinn dieser Ebene. Jeder nachgelagerte Schritt setzt voraus, dass er herausfinden kann, woher eine Zahl stammt. Das gilt nur, wenn die Extraktion es in dem Moment festgehalten hat, als sie die Zahl gelesen hat.

In der Normalisierung verdient das Modell sein Geld

Zwei Kreditnehmer können identisch gesund sein und ihre Abschlüsse so unterschiedlich darstellen, dass ein naives Zahlenwerk den einen doppelt so hoch verschuldet erscheinen lässt wie den anderen. Normalisierung ist die Abstimmung des Vokabulars: die Abbildung hunderter lokaler Bezeichnungen auf den festen Satz von Positionen, den Ihre Kreditrichtlinie definiert.

Das ist eher eine Entity-Resolution-Aufgabe als eine sprachliche. „Verbindlichkeiten mit einer Restlaufzeit bis zu einem Jahr”, „Verbindlichkeiten aus Lieferungen und Leistungen sowie sonstige Verbindlichkeiten” und „kurzfristige Verbindlichkeiten – Lieferanten” sind drei Namen für denselben Topf, und die Zuordnung hängt vom Rechnungslegungsstandard und manchmal von den Gewohnheiten des Bilanzierenden ab. Wir bauen sie als Klassifikator über Positionen, wobei die Mapping-Regeln in einer prüfbaren Tabelle liegen statt fest in einem Prompt verankert zu sein, sodass ein Kreditsachbearbeiter sehen und ändern kann, wie „Gesellschafterdarlehen” behandelt wird, ohne dass es ein Redeploy braucht. Ermessenspositionen werden für einen Menschen markiert statt geraten: nachrangiges Gesellschafterdarlehen, Operating- versus Finance-Leasing, eine einmalige Veräußerung, die das Jahr aufbläht. Gliedern Sie eine davon stillschweigend um, und Sie haben eine falsche Covenant-Berechnung, die niemand bewusst getroffen hat.

Point-in-Time-Korrektheit ist hier wichtiger, als die meisten erwarten. Wenn Sie das Mapping auf den heutigen Kontenrahmen neu trainieren und dann einen zwei Jahre alten Abschluss neu spreaden, wenden Sie womöglich eine Klassifikationsregel an, die es noch gar nicht gab, als der Abschluss geschrieben wurde. Versionieren Sie die Mapping-Tabelle und stempeln Sie jedes Zahlenwerk mit der Version, die es erzeugt hat. Andernfalls sprechen Ihr Bestandsportfolio und Ihre Neugeschäfte leicht unterschiedliche Sprachen, und Ihre Portfolio-Analytik erbt diese Lücke.

Die Abstimmung ist das Tor, durch das jedes Zahlenwerk muss

Ein Zahlenwerk, das sich nicht abstimmen lässt, hat einen Fehler in sich, und es an einen Analysten weiterzugeben verschiebt den Fehler nur nach hinten. Bevor eine Zahl einen Menschen erreicht, prüfen wir die buchhalterischen Identitäten, denen der Abschluss selbst gehorchen muss:

• Die Bilanz gleicht sich aus: Aktiva gleich Passiva plus Eigenkapital, innerhalb einer Toleranz, die Sie explizit festlegen statt sie zu unterstellen.
• Fluss stimmt mit Bestand überein: Die Bewegung der Kapitalflussrechnung stimmt mit der Veränderung der Bilanz überein, und der Jahresüberschuss läuft aus der GuV in die Gewinnrücklagen über.
• Periodenkontinuität: Die Schlussbestände des Vorjahres entsprechen den Eröffnungsbeständen des laufenden Jahres über die Abschlüsse hinweg, die Ihnen vorliegen.
• Quellenübergreifende Übereinstimmung: Wo dieselbe Zahl im Abschluss und in einer Steuererklärung oder einem Register auftaucht, stimmen die Werte überein, oder die Abweichung wird sichtbar gemacht, niemals weggemittelt.

Diese Prüfungen sind günstig, und sie fangen genau den Fehlermodus ab, den Konfidenzwerte übersehen. Ein Modell kann sicher und falsch sein. Es kann die Aktiva nicht mit einer halluzinierten Passiv-Zahl in Balance bringen. Wenn ein Zahlenwerk eine Prüfung nicht besteht, geht es mit der konkret verletzten Identität und den beiden abweichenden Zahlen an einen Menschen. Das macht aus einer zwanzigminütigen Suche eine Dreißig-Sekunden-Entscheidung.

Um all das herum liegt die Infrastruktur, die es im Produktivbetrieb nutzbar macht. Sie wollen ein Eval-Set aus Zahlenwerken, die ein Kreditsachbearbeiter freigegeben hat, das bei jeder Modell- oder Mapping-Änderung durchläuft, damit Sie vor dem Deployment wissen, ob sich die Genauigkeit verändert hat. Sie wollen ein Fehlalarm-Budget je Position, das entscheidet, welche Zahlenwerke straight through laufen und welche zur Prüfung zurückgehalten werden, abgestimmt darauf, was Ihr Team zum Quartalsende verkraften kann, wenn sich das Volumen verdreifacht. Und Sie wollen Drift-Monitoring auf der Extraktionskonfidenz und dem Anteil der Posten, die in der Prüf-Warteschlange landen, denn ein Lieferant, der seine Abschlussvorlage ändert, verschlechtert Sie still und leise Wochen bevor jemand bemerkt, dass die Zahlenwerke schlechter werden. Nichts davon ist glamourös. Alles davon ist der Unterschied zwischen einer Demo und einem System, hinter das sich ein Kreditausschuss stellen wird.