Digitale Transformation im Einkauf

Einkaufen mit Big Data Analytics

21.03.2019 von Stefan Benett
Erfolgreiche Digitalisierungsprojekte fangen mit den richtigen Fragen an und führen über intelligente Pilotprojekte. Der Einkauf ist dafür der ideale Einstieg.

Einkaufsabteilungen sind prädestiniert für die Einführung von Big Data Analytics, weil sie oft schon digitale Tools nutzen und die Ergebnisse anhand von Einsparungen und Performanceverbesserungen gut messbar sind. Unternehmen müssen jedoch vor der Einführung von Big Data im Einkauf wichtige Fragen klären. Dazu gehören: Welche konkreten Verbesserungen wollen sie durch Big-Data-Anwendungen erzielen? Wo kann Analytics einen Beitrag zur Verbesserung der Einkaufsleistung liefern?

Für Big-Data-Pilotprojekte sind Aufgabenstellungen ideal, die einen schnellen Return-on-Investment bieten und über eine gute Sichtbarkeit im ganzen Unternehmen verfügen - etwa der Einkauf.
Foto: Syda Productions - shutterstock.com

Ausgehend von klaren Zielen zur Verbesserung der Einkaufsleistung führt der Weg zum Erfolg über eine agile Pilotierung. Die Umsetzung erfolgt dabei immer als kooperatives Zusammenspiel der IT-Abteilung für die Implementierung und des Einkaufs als zuständiger Fachabteilung, die konkrete Anwendungsfälle definiert. Die Use Cases zeigen notwendige Analysen sowie erforderliche Datenstrukturen und Systemgrundlagen auf.

Ideal geeignet für Pilotprojekte sind Aufgabenstellungen, die einen schnellen Return-on-Investment bieten und über eine gute Sichtbarkeit im ganzen Unternehmen verfügen. Der Vorteil bei der Einführung von Big Data Analytics im Einkauf ist, dass eben diese Anforderungen dort realisierbar sind. Dadurch erhöhen erfolgreiche Einkaufs-Pilotprojekte wiederum die Akzeptanz im Unternehmen, Big-Data-Lösungen auch auf andere Bereiche auszuweiten.

Beispiel: Analyse von Rohstoffpreisen

Ein Beispiel zur Nutzung von Big Data im Einkauf ist die dynamische Bestimmung des geeigneten Produktionsstandortes auf Basis der tagesaktuellen Analyse von Rohstoffpreisen: Im Sortiment eines Textileinzelhändlers finden sich unter anderem regelmäßig eingekaufte Standardartikel. Für diese Produkte bestehen Rahmenverträge mit Lieferanten in Bangladesch, Myanmar und Indien.

Modell in Anlehnung an "Data -Driven Transformation" der Boston Consulting Group.
Foto: INVERTO GmbH

Für jedes Teil wurde der Anteil der Rohstoffkosten am gesamten Artikelpreis bestimmt. Durch die Verknüpfung verschiedener Datenquellen – hier von Materialstämmen der einzelnen Artikel mit tagesaktuellen, länderspezifischen Preisindizes für Baumwolle – kann das System die lieferantenspezifischen Einkaufspreise automatisch anpassen. Auf dieser Basis entscheidet der Einkäufer oder ein automatisierter Prozess über die Platzierung der Bestellung beim idealen Produzenten.

Die Einführung von Big Data erfordert zumeist den Ausbau von Analyse-Know-how und Systemvoraussetzungen. Der Ausgangspunkt ist zunächst das klassische Einkaufsreporting. Die Zusammenführung von ERP-Daten bildet die Grundlage für das Spend-Reporting oder die Ermittlung von Durchschnittspreisen. Die Berichtsfunktion kann an dieser Stelle bereits durch gezielte Nutzung strukturierter Daten im Rahmen von Self-Service Analytics optimiert werden.

Lesetipp: Einkauf im digitalen Wandel - Die ethisch korrekte Lieferkette

Eine Weiterentwicklung ist die Entscheidungsunterstützung mit Hilfe von Echtzeit-anwendungen. Einkäufer können auf diesem Weg unerwartete Veränderungen schnell erkennen und darauf reagieren. Ein Live-Dashboard zur Lieferantenbeobachtung kann beispielsweise Alarm schlagen, wenn ein Anbieter vereinbarte Mengen nicht pünktlich liefert.

Auch das Flottenmanagement kann durch Big Data auf ein neues Level gehoben werden. Automatisierte Fuhrparkmanagement-Technologien in Kombination mit Geräten, die den Fuhrpark und die Leistung von Fahrern überwachen, schaffen einen Echtzeit-Einblick in die Leistung der gesamten Flotte. Ressourcen können dadurch optimiert und Risiken minimiert werden.

Big Data verknüpft Daten aus unterschiedlichen Quellen

Das Prinzip von Big Data ist die Verknüpfung und Interpretation von Daten auf Basis eines übergreifenden Modells; Schnittstellen verschiedener Datenquellen werden dabei von den Anwendungssystemen aktiv gesteuert. Auf diesen Grundlagen bauen weitere Lösungen zur Entscheidungsunterstützung auf, unter anderem im Rahmen modellgestützter Prognosen.

Vorhandene Cost-Breakdowns für Industriegüter können zum Beispiel genutzt werden, um unter Einbeziehung makroökonomischer Daten und Trendanalysen Änderungen der Kostenstruktur zu prognostizieren, etwa wenn Löhne steigen oder gesetzliche Änderungen zu höheren Energiepreisen in Beschaffungsländern führen. Neben strukturierten, internen Daten ist es möglich, auch unstrukturierte oder externe Informationen wie Finanznachrichten oder volkswirtschaftliche Datenbanken zu nutzen.

Lesetipp: 5 Wege, die Supply Chain mit KI zu verbessern

Intern verfügbare Daten sind überall dort, wo es Mehrwert bietet, mit externen Datenquellen verknüpft und ermöglichen die automatisierte Gestaltung von Bestellvorgängen in Unternehmensnetzwerken. Beispielsweise werden vor Ablauf eines Vertrages Bedarfsanfragen automatisch bei möglichen Lieferanten gestellt (RFQ). Die Lieferantenangebote werden vom System erfasst, analysiert und anhand von im Vorfeld definierten Kriterien des Einkaufs bewertet. Auf Basis dessen wird die Bestellung zu den günstigsten Konditionen ausgelöst. So können Einkaufsprozesse und -entscheidungen weitgehend automatisiert werden.

Erfolgsfaktoren: Datenstruktur, Systeme und Kultur

Der wichtigste Faktor für die erfolgreiche Umsetzung einer Big-Data-Strategie ist die Datenqualität. In diesem Punkt besteht in vielen Unternehmen der größte Nachholbedarf, da selbst strukturierte Daten aus den ERP-Systemen oft uneinheitlich geführt und schlecht gepflegt sind. Entscheider sollten daher bei den Mitarbeitern das Bewusstsein für einen konsistenten Umgang mit Daten schaffen und verbindliche Regeln dafür festlegen.

Lesetipp: Data Analytics - gestern und morgen

Big Data erfordert weitgehend barrierefreien Zugang zu Unternehmensdaten. Deswegen müssen Firmen eine durchgängige Data-Governance-Struktur aufbauen, um den Anforderungen an Datenschutz und -sicherheit gerecht zu werden. Rollenbasierte Zugriffsrechte ermöglichen schließlich eine kontrollierte Steuerung des Zugriffs.

Jedes Big-Data-Projekt verändert die Organisation und technische Infrastruktur eines Unternehmens. Für den Einkauf bedeutet dies die Auseinandersetzung mit Fragen wie: Sind die Mitarbeiter bereits in der Lage, die definierte Strategie umzusetzen oder müssen sie dafür geschult werden? Wie wird das Thema Big Data organisatorisch begleitet? Gibt es eine "Analytics-Abteilung"? Häufig gilt es zunächst, übergreifende Teams von Fachexperten und Datenanalysten zu etablieren und zu führen.

Während der Umsetzung sollte ein begleitendes Change-Management die Mitarbeiter an die Arbeit mit den neuen Lösungen sowie an datenbasierte Entscheidungsprozesse heranführen. Vertrauen in die Zuverlässigkeit datengetriebener Entscheidungsvorschläge muss entwickelt werden: Studien zeigen, dass ein Großteil der Unternehmen den Erkenntnissen aus eigenen Datenanalysen nicht vertraut und deswegen auf weitergehende Automatisierungen verzichtet.

Fazit

Der zukünftige Beitrag des Einkaufs zur Wettbewerbsfähigkeit basiert auch auf der Realisierung effektiver Analytics-Strategien. Hier empfiehlt sich die konkrete Pilotierung in besonders relevanten Anwendungsbereichen, ausgehend von einem klaren Gesamtkonzept.

Gelingt es Unternehmen, die wachsenden Datenmengen zu erfassen und in Form von Prognosen und Handlungsempfehlungen zu verarbeiten, lässt sich eine optimale Basis für zukünftige Entscheidungen gewinnen. Voraussetzung dafür ist die Einführung geeigneter IT-Systeme. Darüber hinaus muss eine datenmotivierte Unternehmenskultur entwickelt werden, um Handlungsempfehlungen auf Basis von Analysen zur Grundlage der (Einkaufs-)aktivitäten zu machen und Teilprozesse, wo möglich, zu automatisieren.