Voorspelbare cashflow bij KPN - Finext

Voorspelbare cashflow bij KPN

KPN wil haar werkkapitaal nauwkeurig kunnen voorspellen. Op basis van ‘unwinding’ patronen heeft de telecomorganisatie meer inzicht gekregen in de binnenkomende geldstromen. In het nieuwe cashflowforecastmodel kan men de cash-in op dagbasis forecasten. Hierdoor is de maandelijkse cashflow met minder dan 2% afwijking te voorspellen.

Door Stefan Reijgersberg, november 2018

Voorspelbare cashflow KPN

Er bestond al een model om de inkomende cashflowstromen te voorspellen. “In 2009 kwam er binnen KPN meer focus op het werkkapitaal. We hebben toen een eerste model gemaakt om te kijken of we onze cashflow konden voorspellen, “ vertelt Sjaak Visser, Manager Collections Paid bij KPN. Het model was echter inmiddels verouderd. “Dat was een statisch model, wat we niet meer konden aanpassen aan de huidige KPN-wereld, zoals nieuwe omzetgebieden,” zegt Taco van Vliet. Hij is binnen KPN verantwoordelijk voor de cash-in forecast en de belangrijkste gebruiker van het model.

Voortschrijdend inzicht

Bovendien waren er nieuwe inzichten en wensen rondom het cashflowproces ontstaan. “Op het moment dat we in 2009 het eerste model introduceerde, waren we blij met een afwijking van 7% ten opzichte van onze inschatting,” vertelt Sjaak. “Er ontstond echter steeds meer kennis. Dit voortschrijdend inzicht wilden we graag toepassen.”

“De 5 jaar ervaring die we hadden opgedaan wilden we graag gebruiken in het nieuwe model,” gaat Taco verder. “Meer nauwkeurigheid vraagt om meer details.” Sjaak: “We wisten welke componenten van invloed waren. In het oude model hadden we bijvoorbeeld geen rekening gehouden met eventuele productieverstoringen door bijzondere dagen.” “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 en een vrijdag is anders dan een donderdag. Dergelijke details zorgen ervoor dat we een puntlanding in het werkkapitaal kunnen doen.”

Het feit dat 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 is inzichtelijker en eenvoudiger en daarmee ook door anderen te gebruiken.” “Collega’s kunnen nu de werkzaamheden overpakken, niet alleen bij ziekte maar ook bij vakantie,” zegt Viktor Zeelt van Finext. Hij is nauw betrokken bij het uitdenken en opzetten van het model.

Verklaarbaarheid

Het belangrijkste doel van de cashflow forecast is het zeer nauwkeurig voorspellen van de stromen. “Bij grote geldstromen telt elke procent afwijking,” zegt Taco. “De verklaarbaarheid is verbeterd.” “In totaal gaat het om miljoenen aan geldstromen,” legt Sjaak uit. “Onze wens, en dat is bij oud-CEO Ad Scheepbouwer begonnen, is een sterke focus om de afgegeven cashflow waar te maken ten opzichte van de beurs. Daarvoor zijn onze componenten rondom de inkomende cashflow van belang. Om dat waar te kunnen maken, heb je een goede prognose nodig, zodat je niet aan het eind van de maand verrast wordt.”

Daarbij is iedere maand belangrijk, tegelijkertijd ligt er veel focus op de kwartaalcijfers, de halfjaarcijfers en de eindejaarcijfers. “Daar zit ook de druk op de kwaliteit van het proces,” gaat Sjaak verder. “Inmiddels wisten we ook dat binnen cashflow forecasting een jaar uit 11 maanden en december bestaat. December kent veel uitzonderingen; profit organisaties betalen graag in het nieuwe jaar, terwijl overheden – die hun budget voor het einde van het jaar moeten opmaken – vooruitbetalen.”

Voorspelbare cashflow KPN - 2

Keuzes

KPN loopt voorop in haar cashflow forecast. “Er waren voor ons model geen bestaande softwarepakketten op de markt. We moesten het dus zelf ontwikkelen,” vertelt Sjaak. Rondom het ontwerp waren dan ook veel keuzes te maken. Het was één van de redenen om Viktor bij het project te betrekken. “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.”

Eén van de onderwerpen waarbij het challengen goed tot zijn recht kwam, was de mate van detail. “Ik ken alle uitzonderingen en details, daardoor had ik iemand nodig die de realiteitszin kon bewaken. Dan kom je samen tot een goede keuze,” vertelt Taco. “Het onderste niveau is het factuurmoment, dan kom je echter op honderdduizenden records. Het model moet snel genoeg zijn, tegelijkertijd moet het genoeg inzicht bieden.” Uiteindelijk is er gekozen voor een Acces-database voor de snelle berekeningen, waarna Excel gebruikt wordt voor het presenteren van de resultaten. Viktor: “Het blijft een model, het is nooit de werkelijkheid. De kunst is om de werkelijkheid zo dicht mogelijk te benaderen, maar het model niet zo complex te maken dat niemand het meer begrijpt.”

“We kunnen nu niet alleen op maandniveau forecasten, maar minimaal per dag en zelfs op uurbasis”

Op uurbasis nauwkeurig

De telecomorganisatie is positief over het nieuwe model. “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 geupdate worden.”

“In de maand 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%. 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.” “De nauwkeurige voorspelling geeft aan dat je in control bent,” zegt Viktor. “Als je meer cash hebt dan verwacht is het ook niet goed,” beaamt Sjaak. “Het moet precies zijn wat er aangegeven is, dat geeft vertrouwen aan de beurs.”

Daarnaast is de hoeveelheid handmatig werk verminderd. “Hiervoor was het minstens 1 week werk om de dagbasis inzichtelijk te maken,” vertelt Taco. “Nu wordt dat automatisch gegenereerd. Dat levert me veel tijdsbesparing op, wat mij de ruimte geeft voor andere verbetertrajecten.”

Unwinding patronen

Het model is gebaseerd op trends. Hier zit een groot verschil met de uitgaande cashflow forecast. “Als een klant KPN wil betalen, moet hij 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; 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 6 miljoen klanten; al die facturen geven een beeld van het betaalgedrag van klanten. Zo krijgen we een goed beeld van de gemiddelde klant.”

Deze gegevens worden gebruikt om ‘unwinding’ patronen te ontdekken. “Elke klant heeft een eigen betaalpatroon. Ben je iemand die graag voor of juist liever na de vervaldatum op de factuur betaald?” 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 consumenten verschillen de klanten ook. Het onderliggende model is echter hetzelfde,” zegt Taco.

“Het moet precies zijn wat er aangegeven is, dat geeft vertrouwen aan de beurs.”

Inzicht in afwijkingen

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

“Bovendien is er voor iedereen meer inzicht gecreëerd in de afwijkingen ten opzichte van de actuals. Mensen kunnen zelf makkelijker zien welke afwijkingen er zijn in welke billingstraten, waardoor ze op tijd kunnen ingrijpen,” vertelt Viktor. Sjaak: “Zo hebben we onlangs tijdig een billingincident opgespoord. Door een migratie van het billingsysteem 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.”

Eenvoudig maar uniek

“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.”

Download bijlage
Finance & ControlPlannen, Budgetteren & Forecasten Telecom, Media & Technologie