Im Juni 2026 hat Fortlane Partners ein Whitepaper veröffentlicht, dessen Titel zugleich die These ist: "Patterns over Averages". An der Oberfläche geht es um Liquiditätsplanung — wie man Cash verlässlicher prognostiziert. Liest man es aber als Prozessmensch, springt etwas anderes ins Auge. Unter der Treasury-Sprache steckt ein Process-Mining-Playbook. Das Liquiditätsproblem, das es löst, ist in Wahrheit ein Prozessproblem, und die zwei Moves, die es vorschreibt, lassen sich auf nahezu jeden Kernprozess übertragen, den ein Unternehmen betreibt. Genau das macht es weit über das Finanzteam hinaus lesenswert.
Fortlanes Ausgangsbeobachtung ist simpel und unbequem. Unternehmen planen Cash über Mittelwerte — ein Kunde hat dreißig Tage Zahlungsziel, also wird das Geld auf Tag dreißig gebucht. Die zentrale Aussage des Whitepapers: Das unterschätzt systematisch die Unsicherheit im Cash Flow, weil das tatsächliche Zahlungsverhalten deutlich von der vertraglichen Annahme abweicht — und diese Abweichung ist ein zentraler Treiber von Prognosefehlern. Der Dreißig-Tage-Mittelwert ist sauber, vertretbar und wird von fast keiner einzelnen Zahlung je getroffen.
Und hier ist, warum das eine Prozessfrage ist und keine Finanzfrage. Der Mittelwert ist die Zusammenfassung eines Prozesses — Order-to-Cash —, der eine breite Verteilung an Ergebnissen produziert: Teilzahlungen, Skontoverhalten, Mahnungen, Payment-Run-Wochentage, Saisonalität. Über den Mittelwert zu steuern wirft die Varianz weg, und die Varianz entscheidet, ob du zu viel Puffer hältst oder knapp wirst. Fortlanes Antwort ist eine Zwei-Schritt-Methode, und beide Schritte sind reines Business Process Management: erst Process Mining, um die echte Verteilung des Verhaltens zu sehen (der Rückblick), dann AI-basiertes Forecasting, um sie als Korridor auszudrücken (der Ausblick). Diese zwei Moves sind das Playbook — und die zwei Hebel dieser Ausgabe.
Der unbequeme Teil von Fortlanes Argument ist, dass die Varianz in den meisten Prozessen nicht Rauschen um den Prozess herum ist. Die Varianz ist der Prozess. Das vertragliche Zahlungsziel definiert ein einziges Datum; was tatsächlich passiert, ist eine Streuung — Teilzahlungen, Skontoverhalten, das von Rechnungsgröße und Timing abhängt, Mahnstufen, Payment-Run-Wochentage, saisonale Beschleunigung vor dem Jahresabschluss eines Kunden, ein Slowdown im Q1. Nichts davon taucht in "dreißig Tage Zahlungsziel" auf. Alles davon taucht auf dem Bankkonto auf.
Das Whitepaper beziffert es so, dass der Punkt schwer von der Hand zu weisen ist. Ein Kunde mit zehn Millionen Euro Bruttomonatsumsatz bei dreißig Tagen Zahlungsziel, der eine Streuung von plus/minus zwölf Tagen bei den tatsächlichen Zahlungsterminen zeigt, produziert eine wöchentliche Forecast-Bandbreite von rund vier Millionen Euro. Das ist kein Rundungsfehler. Es ist der Unterschied zwischen einem teuren Liquiditätspuffer und dem Moment, in dem dir das Geld ausgeht — und für jeden, der den Mittelwert liest, vollständig unsichtbar.
Purchase-to-Pay trägt das Spiegelbild derselben Blindheit, und oft ist es schlimmer, weil Unternehmen das Zahlungsverhalten ihrer Kunden häufig besser kennen als ihr eigenes. Rechnungsfreigaben stocken an vorhersehbaren Punkten im Monat rund um interne Reporting-Deadlines. Payment Runs laufen nur an bestimmten Wochentagen. Die Skontonutzung ist inkonsistenter, als irgendjemand annimmt. Das sind keine Zufallsereignisse. Das sind systematische Muster — ein Prozess —, den die Organisation schlicht nie als Verteilung betrachtet hat.
Fortlane rahmt die Kosten als strukturell, nicht verhaltensbedingt — und diese Unterscheidung zählt. Niemand macht seinen Job schlecht. Der Planer, der den Mittelwert nutzt, folgt der einzigen verfügbaren Methode. Die Kosten zeigen sich Downstream als Puffer und Notfallfinanzierung: Um die Unsicherheit aufzufangen, die der Mittelwert verbirgt, halten Organisationen entweder pauschale Sicherheitsreserven oder machen manuelle, personenabhängige Korrekturen. Pauschale Puffer binden Kapital, das nichts verdient. Manuelle Korrekturen skalieren nicht, werden selten auf Genauigkeit geprüft und gehen zur Tür hinaus, wenn die Person geht, die sie gemacht hat.
Es gibt zudem einen leiseren, teureren Fehler, der in der Mittelwert-Denkweise eingebaut ist: die Annahme, dass sich einzelne Abweichungen auf Portfolio-Ebene ausgleichen. Sie gleichen sich nur aus, wenn sie wirklich unkorreliert sind. Aber saisonale Effekte, branchenweite Zahlungszyklen und makroökonomischer Druck schieben viele Kunden zur gleichen Zeit in dieselbe Richtung. Die Abweichungen stapeln sich, statt sich zu glätten. Der Portfolio-Mittelwert sieht stabil aus — bis genau zu dem Quartal, in dem er es nicht ist, und die Organisation entdeckt ihr echtes Exposure genau dann, wenn sie es sich am wenigsten leisten kann.
Genau das macht es zu einem BPM-Problem im präzisen Sinn und zeigt, warum Fortlanes Process-Mining-Framing das richtige ist. Die Information, die man braucht, um den Prozess gut zu steuern, existiert bereits — sie sitzt im ERP-System als Transaktionsdaten, die das Unternehmen seit Jahren erfasst. Was fehlt, ist die systematische Auswertung dieser Daten. Die Lösung ist nicht mehr Disziplin von den Planern oder ein besseres Spreadsheet. Es sind die zwei strukturellen Moves aus Fortlanes Playbook, die die vorhandenen Daten in ein Bild des echten Prozesses verwandeln.
Fortlanes Playbook ist, auf seinen Kern reduziert, zwei Moves. Der erste blickt zurück und macht die echte Verteilung des Prozessverhaltens sichtbar. Der zweite blickt nach vorn und verwandelt diese Verteilung in einen Forecast, der als Korridor ausgedrückt wird. Keiner ersetzt die bestehende Planungsinfrastruktur; beide erweitern, was sie sehen kann.
Der erste Move ist Process Mining: die Rekonstruktion des tatsächlichen Prozessflusses aus den Event Logs, die ohnehin im ERP-System liegen. Für Order-to-Cash ist der relevante Case die einzelne Rechnung, und die Events laufen von der Rechnungserstellung bis zum Zahlungseingang — wobei vorgelagerte Schritte wie Auftragstyp und Teillieferung als Kontext einfließen. Statt eines gewichteten Mittelwerts bekommst du die volle Verteilung, wie sich der Prozess tatsächlich verhält.
Der Kontrast zur konventionellen Kennzahl ist der ganze Punkt, den Fortlane macht. Eine Standardanalyse liefert dir die Weighted Average Terms (WAT) aus den Verträgen und bestenfalls die Weighted Average Days to Collect (WADTC) — eine einzige Zahl, die die gesamte Streuung des Zahlungsverhaltens in einen Erwartungswert komprimiert. Process Mining geht weiter: Es verknüpft jede Zahlung mit ihrem Prozesspfad und legt die Varianz, die Cluster und die Ausreißer offen, die der Mittelwert auslöscht. Auf der Payables-Seite produziert dieselbe Logik die Weighted Average Days to Pay (WADTP) und zeigt, wo dein eigener Freigabeprozess leise Verzögerung erzeugt.
Was entsteht, ist kein aufgeräumterer Mittelwert, sondern eine verhaltensbasierte Segmentierung. Ein typischer Order-to-Cash-Prozess offenbart hunderte Varianten — Standardflüsse, Teillieferungen, Gutschriften, Mahnungen, Reklamationen — jede mit ihrem eigenen Durchlaufzeit-Profil. Kunden werden nicht mehr nach Stammdaten wie Branche oder Umsatzklasse gruppiert, sondern danach, wie sie tatsächlich zahlen: pünktliche Zahler, systematisch-aber-vorhersehbar späte Zahler, stark saisonale Zahler und wirklich volatile Zahler. Diese letzte Unterscheidung zählt enorm, denn ein vorhersehbar später Zahler trägt fast kein Planungsrisiko, während ein volatiler Zahler ein großes trägt — selbst wenn beide denselben Mittelwert haben.
Hier hört Process Mining auch auf, eine Quartalsstudie zu sein, und wird Teil des Operating Models — dieselbe Verschiebung hin zu kontinuierlichem, agentengestütztem Monitoring, die wir in Quick Tips: 5 Mistakes With Process Frontier Agents behandelt haben. Das Whitepaper ist explizit, dass der Ansatz nicht an einen Anbieter gebunden ist: Es nennt etablierte Process-Mining-Plattformen — Noreja, Celonis, SAP Signavio und UiPath —, die vorgefertigte Konnektoren für SAP und andere ERP-Systeme bieten, sodass die Event Logs, die du brauchst, um die echte Verteilung zu sehen, meist näher liegen, als Teams erwarten.
Die echte Verteilung zu sehen ist notwendig, aber nicht hinreichend — und darum verwandelt Fortlanes zweiter Move sie in einen Forecast, der die Unsicherheit bewahrt, statt sie wieder in eine einzige Zahl zusammenfallen zu lassen. Hier verdient sich AI-basiertes Modeling seinen Platz. Ein Machine-Learning-Modell — in der Praxis meist Gradient-Boosted Decision Trees oder Random Forests — wird auf den Mustern trainiert, die Process Mining freigelegt hat, und zieht dabei die Zahlungshistorie des Kunden, Rechnungsattribute, Kontextfaktoren wie Monat und Mahnstufe sowie die Prozessvariante selbst heran. Das Ergebnis ist für jede offene Position kein Datum, sondern eine Wahrscheinlichkeitsverteilung.
Der operativ wertvolle Output ist die Verschiebung vom Punktwert zum kalibrierten Korridor. Statt "in KW 24 erwarten wir 14,3 Millionen Eingänge" sagt das Modell "mit neunzig Prozent Wahrscheinlichkeit liegen die Eingänge in KW 24 zwischen 13,1 und 15,8 Millionen". Fortlane verweist auf mehrere etablierte Methoden, die dich dorthin bringen — Quantilsregression, die das Modell direkt auf Perzentile trainiert, oder Conformal Prediction, die die historischen Fehler des Modells nutzt, um kalibrierte Intervalle zu erzeugen, ohne das Modell zu verändern. Der wöchentliche Korridor entsteht nicht durch Addition erwarteter Termine; er kommt aus einer Monte-Carlo-Aggregation der einzelnen Verteilungen, die Saisonalität und Payment-Run-Muster als korreliert behandelt, sodass der Portfolio-Effekt realistisch ist statt weggenommen.
Ein Korridor ist nur nützlich, wenn Menschen ihm vertrauen und danach handeln können — und hier ist das Playbook am pragmatischsten. Vertrauen kommt aus Explainability: SHAP-Werte zerlegen jeden Forecast in seine Treiber, sodass ein Planer dem CFO genau sagen kann, warum eine Zahlung später erwartet wird — Rechnung über fünfhunderttausend, Kunde hat im letzten Quartal fünfzehn Tage langsamer gezahlt, plus ein Q1-Effekt — statt auf eine Black Box zu zeigen. Handeln kommt daraus, das Konfidenzniveau zur expliziten Steuerungsgröße zu machen. Bei einem schmalen Band kann die Organisation gefahrlos ihren Puffer senken oder freies Kapital kurzfristig anlegen. Bei einem breiten Band erhöht sie die Kreditlinie oder verschiebt eine Auszahlung. Der Forecast bleibt über die Zeit ehrlich durch einen Learning Loop: Jedes tatsächliche Ergebnis wird gegen den Forecast abgeglichen und fließt in das nächste Modell-Update, sodass sich das Prozessmodell anpasst, wenn sich das Verhalten verschiebt.
Das Prüfprinzip für beide Moves zusammen ist einfach, und es ist der Test, auf den Fortlanes Playbook letztlich hinausläuft: Wenn du die Streuung eines Prozesses nicht benennen kannst — nicht seinen Mittelwert, sondern die Spanne und Form seines echten Verhaltens —, steuerst du den Prozess nicht. Du steuerst eine Kennzahl und hoffst, dass die Varianz gnädig ist. Process Mining gibt dir die Streuung. AI Forecasting macht daraus einen Korridor, gegen den du steuern kannst.
Kennst du für deinen wichtigsten Kernprozess seine echte Verteilung — die Spanne, die Cluster, die Ausreißer — oder nur seinen Mittelwert?
Wenn du Fortlanes ersten Move anwenden und quantifizieren würdest, wie weit das tatsächliche Verhalten in deinem Order-to-Cash- oder Purchase-to-Pay-Prozess von den vertraglichen Annahmen abweicht — wie groß würde die Streuung ausfallen?
Wie viel Kapital ist aktuell in pauschalen Puffern gebunden, die nur existieren, um Unsicherheit aufzufangen, die du nie tatsächlich gemessen hast?
Wo in deiner Organisation wird angenommen, dass sich einzelne Abweichungen auf Portfolio-Ebene ausgleichen — und hast du geprüft, ob sie wirklich unkorreliert sind oder sich in dieselbe Richtung stapeln?
Wenn deine Planer einen kalibrierten Korridor mit benannten Treibern statt einer einzigen Zahl bekämen, welche Entscheidungen würden sie anders treffen?
Was würde sich ändern, wenn das Konfidenzniveau deines Forecasts zur expliziten Steuerungsgröße würde statt zu einem unausgesprochenen Bauchgefühl?
Fortlane Partners hat "Patterns over Averages" für Treasury-Teams geschrieben, aber sein eigentliches Thema ist der Prozess. Ein Prozess hat keinen Mittelwert — oder besser: Der Mittelwert ist das am wenigsten informative an ihm. Das Verhalten, das die Ergebnisse bestimmt, lebt in der Verteilung: die Varianz, die Cluster, die saisonalen Muster, die Korrelationen, die der Mittelwert leise löscht. Über den Mittelwert zu steuern ist kein Disziplinproblem, das man mit mehr Rigorosität löst. Es ist eine strukturelle Entscheidung, auf einer Kennzahl zu steuern, während das volle Bild bereits in deinen Transaktionsdaten liegt.
Wähl in diesem Quartal einen Kernprozess — Order-to-Cash ist der übliche Startpunkt — und lass Fortlanes zwei Moves darauf los. Nutze Process Mining, um seinen Mittelwert durch seine echte Verteilung zu ersetzen. Lass dann ein AI-Modell diese Verteilung als Forecast-Korridor mit benannten Treibern ausdrücken, und steuere entlang eines Konfidenzniveaus, das du bewusst wählst. Die Daten sind schon da; das ERP-System erfasst sie seit Jahren. Das Fortlane-Partners-Whitepaper "Patterns over Averages", von Meythaler, Mutter und Krawczyk, legt den Liquiditätsfall in voller Länge dar und lohnt sich von vorn bis hinten. Wer einmal die Streuung in einem Kernprozess quantifiziert hat, akzeptiert den Mittelwert nicht mehr als Steuerungsbasis.
Es ist ein Whitepaper von Fortlane Partners zur Liquiditätsplanung. Die These: Cash über Mittelwerte zu prognostizieren unterschätzt systematisch die Unsicherheit, weil das echte Zahlungsverhalten von den vertraglichen Konditionen abweicht. Die Methode ist ein Zwei-Schritt-Playbook — Process Mining für die echte Verteilung, dann AI-Forecasting für einen kalibrierten Korridor — und liest sich darum im Kern als Process-Mining-Playbook.
Ein Mittelwert verdichtet tausende Fälle zu einer Zahl, die sich wie Wissen anfühlt, aber die Varianz wegwirft, die das Ergebnis tatsächlich treibt. Ein Prozess ist eine Verteilung von Verhalten, kein einzelner Wert. Wer allein auf den Mittelwert plant, unterschätzt systematisch die Unsicherheit — und fängt die Lücke später über Puffer, manuelle Korrekturen oder verfehlte Ziele auf.
Process Mining rekonstruiert den echten Fluss von Order-to-Cash und Purchase-to-Pay aus den Event Logs, die ohnehin im ERP-System liegen. Statt eines einzigen gewichteten Mittelwerts wie WADTC legt es die volle Verteilung des Zahlungsverhaltens offen — Prozessvarianten, Cluster und Ausreißer — und segmentiert Kunden danach, wie sie tatsächlich zahlen, statt nach Stammdaten. Diese echte Verteilung ist die Basis für einen Forecast, der die Realität abbildet.
Statt einer einzigen Zahl ("KW 24: 14,3 Millionen") gibt ein Korridor-Forecast ein kalibriertes Intervall ("mit 90 % Wahrscheinlichkeit zwischen 13,1 und 15,8 Millionen"). Methoden wie Quantilsregression und Conformal Prediction erzeugen diese Intervalle, und eine Monte-Carlo-Aggregation baut den Wochenkorridor unter Berücksichtigung von Korrelation. Das Konfidenzniveau wird zur expl