Feller x KPN: hyperprecies en verklaarbaar cashflowforecastmodel

Dat allereerste cashflowforecastmodel was een statistisch model, vertelt Taco van Vliet. Hij is binnen KPN verantwoordelijk voor de cash-in forecast en de belangrijkste gebruiker van het model. Naast dat het verouderd was, waren er nieuwe inzichten en wensen rondom het cashflowproces ontstaan. “Toen we in 2009 het eerste model introduceerden, waren we blij met een afwijking van 7% ten procent ten opzichte van onze inschatting,” vertelt Sjaak Visser Manager Collections Paid bij KPN. Ondertussen was er heel wat voortschrijdend inzicht dat het team graag wilde toepassen, wat niet paste binnen het oude model. Dus er moest een nieuw model komen.

“We wisten dat er meer componenten van invloed waren op de cashflow. In het oude model hadden we bijvoorbeeld geen rekening gehouden met eventuele productieverstoringen door bijzondere dagen,” vertelt Sjaak. “Geen dag is hetzelfde binnen het cashflowproces,” legt Taco uit. “Een feestdag is anders dan een ‘gewone’ kalenderdag, op sommige dagen zijn banken gesloten en komt er geen geld binnen. Een standaard vrijdag is trouwens ook al heel anders dan een donderdag. Dergelijke details zorgen ervoor dat we een puntlanding in het werkkapitaal kunnen doen.”

Het feit dat vooral Taco zoveel ervaring met het model had opgedaan, bracht ook een nadeel met zich mee. “Het was een risico dat alleen ik deze kennis had,” vertelt Taco. “Het nieuwe model moest inzichtelijker en eenvoudiger worden, zodat ook anderen het kunnen gebruiken.” Collega’s moeten de werkzaamheden gewoon kunnen overpakken bij ziekte of vakantie. Al die uitgangspunten namen we mee in de ontwikkeling van het nieuwe model.

Maar het allerbelangrijkste doel van het nieuwe model was wel: geldstromen zeer nauwkeurig voorspellen en kunnen verklaren. “Bij grote geldstromen telt elke procent afwijking,” zegt Taco. “In totaal gaat het om miljoenen,” vult Sjaak aan. “Onze wens, en dat is bij oud-CEO Ad Scheepbouwer begonnen, is om de afgegeven cashflow waar te maken ten opzichte van de beurs. Daarvoor zijn onze componenten rondom de inkomende cashflow van belang. Er is een goede prognose nodig, zodat je niet aan het eind van de maand verrast wordt.”

Dan is iedere maand belangrijk, al ligt de nadruk wel degelijk op de kwartaalcijfers, de halfjaarcijfers en de eindejaarscijfers. “Daar zit de druk op de kwaliteit van het proces,” gaat Sjaak verder. “Inmiddels wisten we ook dat we bij cashflowforecasting een jaar eigenlijk moeten benaderen als 11 maanden plus december. Want december kent veel uitzonderingen. Profitorganisaties betalen graag in het nieuwe jaar, terwijl overheden – die hun budget voor het einde van het jaar moeten opmaken – vooruitbetalen.”

Het model dat KPN voor ogen had, matchte niet met bestaande softwarepakketten. We moesten het dus zelf ontwikkelen. Dat betekent ook: heel wat keuzes maken. Daarom vroegen ze mij bij het project. “We zochten iemand die zelf kon nadenken en als sparringpartner kon dienen, niet iemand die een vooraf gedefinieerd model ging bouwen,” zegt Taco. “Ik had alle kennis, maar wilde iemand die mij kon challengen. Ik had vastomlijnde ideeën, waardoor je kansen voor verbetering laat liggen.”

Zoals al wel blijkt uit de voorbeelden die ik noemde, kun je in dit model de kleinste details verwerken. Maar of dat nou altijd beter is, kun je je afvragen. “Ik ken alle uitzonderingen en details, daardoor had ik iemand nodig die de realiteitszin kon bewaken,” vertelt Taco. “In het factuurmoment alleen al zitten honderdduizenden records. Dan is het de vraag: ga je voor uitgebreid inzicht of voor snelheid?” Uiteindelijk kozen we een Aces-database voor de snelle berekeningen en Excel voor het presenteren van de resultaten. Daarmee vonden we een mooie balans. We benaderen de werkelijkheid zo dicht mogelijk en houden het model toegankelijk, zodat collega’s ermee uit de voeten kunnen.

Het model is gebaseerd op trends. Dat is iets anders dan de uitgaande cashflowforecast. “Als een klant KPN wil betalen, moet die een handeling doen. Wij moeten voorspellen wanneer dat is,” zegt Sjaak. “Bij uitgaande geldstromen bepalen wij als KPN zelf wanneer we deze handeling doen.”

“Het belangrijkste uitgangspunt bij het model is dat het verleden iets zegt over de toekomst,” legt Taco uit. “Daarbij spelen allerlei factoren een rol. Welke maand, welke dag in de maand en het betaalgedrag van de gemiddelde klant. Een belangrijke driver is het centrale incassosysteem. Hierin worden niet alleen nauwkeurig de incasso’s bijgehouden, maar het systeem levert ons ook statistische gegevens. We hebben zes miljoen klanten en al hun facturen geven een beeld van het betaalgedrag, ook van de gemiddelde klant.”

Die gegevens uit het verleden gebruikt KPN nu om ‘unwinding patronen’ te ontdekken. “Elke klant heeft een eigen betaalpatroon. Ben je iemand die graag voor of juist liever na de vervaldatum de factuur betaalt?” zegt Sjaak. “Dat noemen we unwinding, vorderingen net zo lang afrollen tot deze betaald zijn.” “De unwinding is per productgroep of klantgroep anders. Een corporate klant is anders dan een consument, en binnen de groep consumenten verschillen klanten ook weer. Maar het onderliggende model is gewoon hetzelfde,” zegt Taco.

Met de unwinding patronen kan KPN op dagbasis forecasten, dat geeft veel inzicht en is een goede basis voor de maandforecast. Je kunt de afwijkingen beter toelichten en beter aangeven welke incidenten tot afwijkingen hebben geleid. Ik ben niet de enige die dat vindt, Sjaak beaamt het. “We hebben meer details en een betere kwaliteit, waardoor we de eventuele lastige vragen beter kunnen beantwoorden.”

Bovendien is er voor iedereen meer inzicht in de afwijkingen ten opzichte van wat ik de actuals noem. Collega’s kunnen makkelijker zien welke afwijkingen er zijn in welke billing-straten, waardoor ze op tijd kunnen ingrijpen. Sjaak: “Zo hebben we onlangs tijdig een billing-incident opgespoord. Door een migratie van het billing-systeem was de vervaldatum van 3 naar 14 dagen verschoven. De cash komt dan 11 dagen later binnen. Doordat we het in de maand zelf nog konden herstellen, bleef de maandforecast kloppen. Deze alerts hadden we in het oude model niet gezien.”

Dat we de goede keuze hebben gemaakt, blijkt wel uit het enthousiasme van KPN. “We kunnen nu niet alleen op maandniveau forecasten, maar minimaal per dag en zelfs op uurbasis,” zegt Sjaak. “Zodra er nieuwe geldstromen binnen zijn, kan het model geüpdatet worden.” “Dat was in de maand al kunnen bijsturen, is een belangrijk punt voor ons,” zegt Taco. “Met het vorige model waren we goed in staat om de volgende maand te voorspellen, maar de afwijking op de laatste dag was nog steeds 4 procent. Dat lijkt een kleine afwijking, maar in absolute getallen zijn dat miljoenen euro’s. Nu kunnen we tijdens de maand al de forecast bijwerken, zodat we aan het eind van de maand nauwkeurig zijn.” “Als je minder of zelfs meer cash hebt dan verwacht, is dat niet goed,” beaamt Sjaak. “Het moet precies zijn wat er aangegeven is, dat geeft vertrouwen aan de beurs.”

De forecasts zijn dus nauwkeuriger geworden, onder meer doordat ze maandelijk bij te stellen. Dat is één voordeel. Daarnaast is de hoeveelheid handmatig werk een stuk minder dan eerste. “Hiervóór was het minstens een week werk om de dagbasis inzichtelijk te maken,” vertelt Taco. “Nu wordt dat automatisch gegenereerd. Dat bespaart me veel tijd, waardoor ik ruimte heb voor andere verbetertrajecten.”

“Het nieuwe cashflowforecastmodel is eenvoudig maar toch uniek. Ik denk dat er nog niet zoveel organisaties zijn die op deze manier inzicht hebben in hun cashflow,” zegt Sjaak. “We kunnen een maand vooraf – terwijl de facturen nog niet verstuurd zijn, de omzet nog onduidelijk is en klanten grillig betalen – de cashflow met maximaal 2 procent afwijking voorspellen.”