Analysekompetenz aufbauen: So machen Sie Big Data nutzbar

Die effektive Nutzung der steigenden Datenflut bestimmt die künftige Wettbewerbsfähigkeit – das gilt für Handelsunternehmen genauso wie für Industriebetriebe. Doch welche Daten sind wichtig? Und welche Informationen lassen sich daraus evaluieren? Aktuell nutzen die meisten Unternehmen nicht einmal die Daten vollständig, die sie selbst generieren, die Einbeziehung externer Daten ist für sie Zukunftsmusik.

Big Data und Advanced Analytics – also die automatisierte Auswertung und Visualisierung strukturierter und unstrukturierter Daten aus internen und externen Datenquellen – zählen für viele Entscheidungsträger zu den wichtigsten Digitalisierungsaufgaben im Einkauf. Eine weitere zentrale Anforderung ist die Automatisierung von Prozessen. In immer stärker vernetzten Wertschöpfungsketten und hybriden Einkaufsorganisationen ist im Vorteil, wer auf Knopfdruck aktuelle Daten transparent aufbereitet verwenden kann.

Das Problem: Viele Firmen haben bislang weder eine konsistente Analytics Strategie entwickelt noch Anwendungsbereiche und Ziele definiert. Dies ist jedoch eine Voraussetzung zur erfolgreichen Nutzung neuer Prognoseverfahren und Plattformen.

Im Einkauf mit Big Data Analytics starten

Der Einkauf ist eigentlich prädestiniert für Big Data Anwendungen: Der Mehrwert ist in Form von Einsparungen und Performancesteigerungen in der Regel gut nachweisbar und verbessert direkt das Geschäftsergebnis. Zudem unterstützen digitale Lösungen bereits in vielen Einkaufsabteilungen zum Beispiel Bedarfsprognosen oder das Anfordern und Bewerten von Angeboten. Der Aufbau von Big-Data-Analysekompetenz ist unter diesen Voraussetzungen ein weiterer Schritt in der digitalen Transformation.

Entscheidend bei der Nutzung von Advanced Analytics ist ein klares Verständnis dafür, dass Daten auf Basis eines übergreifenden Modells verknüpft und interpretiert werden und Schnittstellen von Anwendungssystemen aktiv gesteuert werden. Der wichtigste Faktor ist dabei die Datenqualität. In diesem Punkt besteht oft Nachholbedarf, da selbst strukturierte Daten aus ERP-Systemen in vielen Unternehmen uneinheitlich geführt und schlecht gepflegt sind. Entscheider sollten daher bei ihren Mitarbeitern das Bewusstsein für einen konsistenten Umgang mit Daten schaffen. Tiefgreifende Veränderungen in der Datenstruktur des Unternehmens sind für den Einsatz von Big Data Analytics dagegen zumeist nicht notwendig.

Vom Spend Report zur Echtzeit-Lieferantenperformance

Ausgangspunkt für die Nutzung von Analysetools ist das klassische Einkaufs-Reporting. Die Zusammenführung von ERP-Daten bilden die Grundlagen zum Beispiel für das Spend-Reporting oder die Ermittlung von Durchschnittspreisen. Die Berichtsfunktion wird dabei exakt auf die Bedürfnisse der Nutzer zugeschnitten. Self-Service Analytics nennt sich das Modell, bei dem Anwender ohne die Einbindung der IT-Abteilung die gewünschten Informationen quasi per Knopfdruck ermitteln können.

Die Verbesserung des Einkaufs durch Big Data Analyse kann weiter vorangetrieben werden durch Nutzung zusätzlicher Datenquellen. Ein typischer Anwendungsfall, bei dem neben internen Daten auch externe Informationen verwendet werden, ist die Erweiterung bestehender Einkaufs- und Kostenanalysen durch Einbezug tagesaktueller Rohstoffpreise und Wechselkurse. Hierzu können öffentlich zugängliche Preisreihen – etwa von Börsen – herangezogen werden.

Eine erneute Weiterentwicklung ist die Entscheidungsunterstützung mit Hilfe von Echtzeitanwendungen. Informationen werden dabei unmittelbar verarbeitet. Einkäufer können auf diesem Weg unerwartete Veränderungen schnell erkennen und darauf reagieren. Ein Live-Dashboard zur Lieferantenbeobachtung stellt dem Einkäufer frühzeitig Informationen zur Lieferperformance zur Verfügung. Kann beispielsweise ein Lieferant vereinbarte Mengen absehbar nicht zur Verfügung stellen, erfährt es der Einkäufer so rechtzeitig, dass er anderswo Ersatz beschaffen kann.

Auf diesen Grundlagen bauen weitere Anwendungen zur Entscheidungsunterstützung auf, etwa im Rahmen modellgestützter Prognosen. Vorhandene Cost-Breakdowns für Industriegüter können genutzt werden, um unter Einbeziehung makroökonomischer Daten und Trendanalysen Änderungen der Kostenstruktur zu prognostizieren. Beispiele sind aufgrund von Gesetzesänderungen steigende Lohnniveaus oder höhere Energiepreise in Beschaffungsländern. Für derartige Erkenntnisse könnten zum Beispiel Nachrichtenportale, volkswirtschaftliche Datenbanken oder Social Media Kanäle Informationen liefern.

Prozessautomation und künstliche Intelligenz schaffen Zusatznutzen

Ein wichtiges Element, das Analysetools in den letzten Jahren noch einmal deutlich verbessert hat, sind die neuesten Entwicklungen im Bereich der Robot Process Automation (RPA) und künstlicher Intelligenz (KI). Durch maschinelles Lernen kann die Software aus ihren Analysen automatisch Empfehlungen ableiten, die mit jeder Rückkopplung durch den Einkauf valider werden.

Intern verfügbare Daten sind überall dort, wo es Mehrwert bietet, mit externen Datenquellen verknüpft und ermöglichen die automatisierte Ausführung von Einkaufstätigkeiten. So können beispielsweise vor Ablauf eines Vertrages Bedarfsanfragen automatisch bei möglichen Lieferanten gestellt werden (RFQ = Request for Quotation). Die Lieferantenangebote werden vom System erfasst, analysiert und bewertet. Auf Basis dessen wird die Bestellung zu den günstigsten Konditionen ausgelöst oder ein Vorschlag für den Einkaufsmitarbeiter ausgearbeitet. Auch für typische Problemfälle wie Retouren oder Lieferverzögerungen können automatisierte Lösungskonzepte entwickelt werden.

Führungskräfte und Mitarbeiter gleichermaßen überzeugen

Die Umsetzung der Big Data-Ziele erfordert in der Regel den gleichzeitigen Ausbau von Analyse-Know-how und von Systemvoraussetzungen. Sie erfolgt als kooperatives Zusammenspiel aller Beteiligten. So wird nicht nur die IT-Abteilung für die Umsetzung technischer Aufgaben involviert, sondern auch die zuständige Fachabteilung. Die Realisierung von Pilotprojekten und die Bewertung möglicher Anwendungen sollte direkt mit dieser validiert und entwickelt werden.

Die Entwicklung von der ersten Einbindung eines Spend Analytics Tools bis hin zur automatisierten datengetriebenen Auswahl von Lieferanten erfordert einen Kulturwandel von einer noch analog denkenden hin zu einer datengetriebenen Organisation und den schrittweisen Aufbau von Vertrauen in die automatisierte Abwicklung von Einkaufsaufgaben. Es liegt auf der Hand, dass dies nicht von heute auf morgen gelingt und dass das ganze Team auf seinem aktuellen Stand abgeholt und mitgenommen werden muss.

Die Akzeptanz für neue Lösungen zur Entscheidungsunterstützung und Automatisierung sollte im Rahmen einer skalierbaren Pilotanwendung vorangetrieben werden. Ideal geeignet sind Aufgabenstellungen, die einen schnellen Return-on-Investment bieten und über eine gute Sichtbarkeit im ganzen Unternehmen verfügen. Wie im agilen Projektmanagement üblich, wird der Pilot in gezielten „Sprints“ vorangetrieben, um die Funktionalität der Lösung sowie die Kompetenzen der Anwender zu testen.

Erfolgreiche Einkaufs-Pilotprojekte leisten bei Entscheidern und Mitarbeitern Überzeugungsarbeit zum Nutzen der digitalen Transformation: Kurzfristige Einsparungen und verbesserte Kennzahlen sichern das Buy-In des Top-Managements und die Akzeptanz im Unternehmen, um Big Data Lösungen auch auf andere Bereiche auszuweiten.

Gelingt es Unternehmen, die wachsenden Datenmengen zu erfassen und zu Prognosen und Handlungsunterstützungen zu verarbeiten, lässt sich eine optimale Basis für zukünftige Entscheidungen gewinnen. Voraussetzung dafür ist die Einführung geeigneter IT-Systeme.

Erfahren Sie mehr darüber, wie Sie das geeignete digitale Tool für Advanced Analytics und weitere Handlungsfelder im Einkauf finden.