^

Erfolgreiche Implementierung von Data Science im Einkauf

[22.12.2020]

Foto: WavebreakmediaMicro - stock.adobe.com
Big Data wird immer mehr zum entscheidenden Wettbewerbsfaktor für Unternehmen jeder Größe. Im Einkauf steht die intelligente Analyse und Interpretation riesiger Datenmengen allerdings noch am Anfang. TCW unterstützt Einkaufsorganisationen bei der Transformation zum „Data-driven Procurement“. Mit dem Data Science Ansatz von TCW können aus Daten Potenziale zur Verbesserung der Kosten-, Cash- und Risikosituation in ihrer Beschaffung generiert werden. Der innovative Ansatz des TCW führt zudem zur Komplexitätsreduzierung sowie einer verbesserten Variantenplanung und -beherrschung.

Herausforderungen

Komplexität ist eine der größten Herausforderungen im Einkauf. Globale Beschaffungsmärkte, eine steigende Anzahl an Produkten, dezentrale Einkaufseinheiten sowie eine steigende Variantenvielfalt stellen Unternehmen vor große Herausforderungen. Die Beherrschung und gezielte Steuerung von Komplexität im Unternehmen gehören zu den zentralen Aufgaben von Geschäftsleitung und Führungskräften. Zwingende Voraussetzung hierfür ist die Identifizierung von Komplexitätstreibern, deren Messung, Monitoring (z. B. über Dashboards) sowie Bewertung. Big Data bzw. Data Science wird bei der Komplexitätsbeherrschung immer mehr zum entscheidenden Erfolgsfaktor für den Einkauf. Zwar haben auch die Einkaufsmanager dieses Potenzial bereits erkannt, doch die Umsetzung steht noch am Anfang.

Einkaufsabteilungen erzeugen und speichern Daten, die oft über verschiedene Systeme, Werke und geografische Gebiete verstreut sind und das für einen einzelnen Mitarbeiter verfolg- und verwaltbare Maß übersteigen können. Das Sammeln dieser Daten und Informationen ist jedoch nur ein Tropfen auf dem heißen Stein, denn erst durch die sinnvolle Auswertung und effiziente Nutzung der Daten eröffnen sich neue Möglichkeiten für Unternehmen. Doch wie können Beschaffungsexperten die Kontrolle über all diese Daten übernehmen? Wie können sie genutzt werden, um Erkenntnisse zu gewinnen, die eine Optimierung der Planung, Erhöhung der Effektivität sowie Reduktion der Kosten ermöglichen? Hier kommt Data Science ins Spiel. Durch das aus den Daten gewonnene Wissen können gezieltere Geschäftsentscheidungen getroffen, Arbeitsabläufe optimiert und automatisiert sowie die Verhandlungsbasis der Einkäufer gestärkt - und letzten Endes nicht nur Wettbewerbsvorteile erzielt, sondern auch Kosten reduziert werden. TCW setzt hierbei auf das Zusammenspiel von Data Scientists, Wirtschaftswissenschaftlern und Ingenieuren. Die Verknüpfung von Konzepten und Techniken aus den Bereichen Informatik, Statistik und Mathematik mit technischem Verständnis, Branchen- und Prozesserfahrung sowie analytischen Kompetenzen im Bereich Big Data Analytics und generiert so einen hohen Mehrwert für die Einkaufsabteilungen.

Video: TCW Purchasing Complexity Radar: Big Data im Einkauf nutzen

Einsatz von Data Science Techniken im Einkauf eines Anlagenherstellers

Für einen global agierenden Anlagenhersteller mit einem Umsatz von 4 Mrd. € hat TCW den „TCW Complexity Radar“ entwickelt, welcher zu Kosteneinsparungen von 27 Mio. € führte.

Das Unternehmen stand vor der Herausforderung, nach diversen Akquisitionen und Umstrukturierungen die Einkaufsprozesse über verschiedene Werke zu synchronisieren und die hohe Variantenanzahl in der Produktion zu reduzieren. Zusätzlich galt es, die vorherrschende Komplexität im Einkauf zu analysieren und visualisieren sowie nachhaltig Transparenz zu schaffen und Kosteneinsparungen zu realisieren. Das TCW wurde beauftragt, diese Probleme zusammen mit dem Kunden zu lösen. Das Vorgehen von TCW gliederte sich in 2 Workstreams (siehe Abbildung 1).


Für die Beurteilung des Erreichens einer Zielgröße ist eine fundierte Datenbasis eine unabdingbare Voraussetzung. Der Aufbau eines unternehmensweiten Spend-Cubes ist hierzu ratsam. Der Spend-Cube dient als Konsolidierungsplattform aller relevanten Einkaufsdaten, die zur Berechnung der Kennzahlen erforderlich sind. Zu Beginn des Projekts führten zwei Data Scientists des TCW eine Konsolidierung der verteilten Datenbestände durch. Die bereits im Unternehmen in großen Mengen vorhandenen, jedoch unstrukturierten Daten aus verschiedenen Geschäftseinheiten, Werken, Abteilungen sowie unterschiedlichen ERP-Systemen wurden hierbei zusammengeführt und systematisch analysiert. Auf Basis der Daten über die letzten 5 Jahre wurde ersichtlich, dass eine hohe Anzahl an Lieferanten (>8.900), Bauteilen (>50.100 Stück) und Bestellungen (1,6 Mio. pro Jahr) sowie eine hohe Maverick Buying Quote (>16%) die Haupttreiber für die hohen Kosten waren. Maverick Buying bezeichnet im Beschaffungsmanagement die eigenmächtige Bestellung von Materialien oder Dienstleistungen durch die verschiedenen Abteilungen am Einkauf vorbei, also abseits der standardisierten Beschaffungswege. In diesem konkreten Fall wurden die vom Einkauf vorverhandelten Verträge von der Organisation nicht genutzt. Bereits ausgehandelte günstige Konditionen und Preise blieben ungenutzt und führten zu einem höheren Kostenniveau. Die Ergebnisse der Analysen flossen in den TCW Complexity Radar ein, welcher Informationen auf Teileebene über alle Bauteile und Lieferanten sowie Werke zur Verfügung stellte und somit Transparenz über die vorhandene Komplexität schaffte. Auf Basis des TCW Complexity Radars erfolge die Potenzialidentifikation. Zusätzlich wurde in enger Abstimmung mit den relevanten Einkäufern eine commoditybasierte Baugruppen- sowie Lieferantenstrategie entwickelt. In Ideen-Workshops konnten Lieferantenreduzierungen schnell und zielführend umgesetzt und das Lieferantenportfolio nachhaltig reduziert werden. Ein effizienteres und effektiveres Datenhandling sowie automatische Dashboards anstatt Excel-Chaos führten dazu, dass die Einkäufer mehr Zeit für strategische Fragestellungen aufbringen konnten.

Nach der Identifikation von Einkaufspotenzialen wurden in enger Abstimmung mit allen Beteiligten und unter Berücksichtigung der aktuellen Systeme eine nachhaltige Datenstrategie sowie Prozessstandards entwickelt. Die Management Dashboards wurden nutzerzentriert entwickelt und übergeben. TCW spricht hier von der Transformation zu einem „Data-driven Procurement“, bei dem Daten die Grundlage für faktenbasierte Entscheidungen bilden.

TCW Complexity Radar - verborgene Potenziale im Einkauf dank Big Data Analysen finden

Durch den Einsatz des TCW Complexity Radars konnte die vorherrschende Komplexität analysiert und visualisiert werden. Den Entscheidungsträgern im Unternehmen wurden die Ergebnisse managementgerecht in Form von interaktiven Dashboards aufbereitet. Konkrete Ergebnisse aus dem TCW Projekt waren Kostensenkungen in Höhe von 27 Mio. €. Diese wurden erzielt durch die Reduzierung der Lieferanten um 32%, Bestellvolumenbündelungen von 43%, die Reduzierung der Maverick Buying Quote auf unter 1% sowie der Reduzierung von Bauteilen um -23%.


Fazit

Immer mehr Einkaufsorganisationen arbeiten an einer Transformation zum „Data-driven Procurement“. In diesem konkreten Beispiel konnten, durch das aus den Daten gewonnene Wissen, gezieltere Geschäftsentscheidungen getroffen, Arbeitsabläufe optimiert und automatisiert, Komplexität reduziert sowie die Verhandlungsbasis der Einkäufer gestärkt werden - und letzten Endes nicht nur Wettbewerbsvorteile erzielt, sondern auch Kosten reduziert werden. Unsere interdisziplinären Teams bestehend aus Wirtschaftswissenschaftlern, Data Scientists und Ingenieuren verknüpfen technisches Verständnis, Branchen- und Prozesserfahrung und analytische Kompetenzen im Bereich Big Data Analytics.

Wenn auch Sie die großen Mengen an Daten, die zum größten Teil poly-strukturiert, semi-strukturiert oder weitestgehend unstrukturiert in Ihrem Unternehmen vorliegen, erfolgversprechend nutzen möchten, unterstützt Sie TCW bei der Implementierung einer individuellen Lösung. Wir begleiten Sie auf dem Weg hin zu einem „Data-driven Procurement“. Das Projekt in dieser Fallstudie hat gezeigt, dass der TCW Ansatz nachhaltig zu Erfolg führt.

Beratungsleistungen

Publikationen

Praxisbeispiele

VorherigeNächste