Preisentwicklungen prognostiziert, zukünftige Risiken vermieden und Potentiale genutzt werden.

Dafür werden mögliche Korrelationen zwischen Materialpreisen und Preisindizes (z.B. Rohstoffe wie Stahl oder Halbfabrikate wie bestimmte Basiskunststoffe) aufgedeckt, Kostentreiber identifiziert und Frühindikatoren eingerichtet, die das Unternehmen vorzeitig auf Kostenentwicklungen im Bereich des Einkaufs aufmerksam machen.

Ziel ist unter anderem die Beantwortung folgender Fragen:

• Wann wird sich voraussichtlich der Einkaufspreis verändern (Preisprognose)?
• Durch welche Indizes lässt er sich am besten prognostizieren?
• Welche Maßnahmen sind aus der gemessenen Tendenz eines relevanten Index abzuleiten?

Erster Schritt zur Preisanalyse: Data Cleansing

Erste und wichtigste Voraussetzung für eine hohe Aussagekraft einer statistischen Analyse von Einkaufspreisen ist die Richtigkeit der zu Grunde liegenden Daten. Zur Qualitätssicherung wird daher im Vorfeld eine umfassende Fehler- bzw. Ausreißererkennung über die Einkaufsdaten durchgeführt. Ergebnis ist die Identifizierung von starken Preis-, Einkaufsmengen- oder Spendausreißern, deren Ursache(n) sowie eine allgemeine Einschätzung über die vorhandene Datenqualität.

Solche Ausreißer können unter anderem durch Fehler bei der Eingabe, falsche Umrechnungskurse oder Vermischung von Mengeneinheiten begründet sein. Die Ursache für starke Abweichungen bei Einkaufspreisen können allerdings auch schlicht einen Lieferantenwechsel oder unterschiedliche Bestellmengen sein.

Zeitpunkt der Transaktion	Einkaufs -menge	Lieferant	Preis
02.02.2013	1000KG	Lieferant A	3,00€
05.02.2013	55KG	Lieferant A	11,21€ 1
11.02.2013	1070KG	Lieferant A	2,97€
15.02.2013	980KG	Lieferant A	3,07€
17.02.2013	1000KG	Lieferant A	3,03€
20.02.2013	1000KG	Lieferant A	10,40BRL 2
25.02.2013	950KG	Lieferant A	3,07€
01.03.2013	1070KG	Lieferant A	2,97€
06.03.2013	980KG	Lieferant A	4320100,51€ 3
07.03.2013	1000KG	Lieferant A	3,03€
25.02.2013	950KG	Lieferant A	3,07€
01.03.2013	1070KG	Lieferant A	2,97€
06.03.2013	970KG	Lieferant B	5,60€ 4
07.03.2013	1000KG	Lieferant B	5,60€ 4
25.02.2013	950KG	Lieferant A	3,07€
01.03.2013	1070KG	Lieferant A	2,97€
06.03.2013	975KG	Lieferant A	3,03€
07.03.2013	1000KG	Lieferant A	3,03€

₁ An dieser Stelle wurde eine Auffälligkeit beim Materialpreis festgestellt. Da zu diesem Zeitpunkt ungewöhnlich wenig bestellt wurde, ist diese Abweichung begründbar und mit hoher Wahrscheinlichkeit kein Fehler. ₂ Hier wurde ein Ausreißer identifiziert, der auf einen Währungswechsel bei der Dokumentierung zurückzuführen ist. Diese Auffälligkeit kann mit einer Umrechnung in Euro korrigiert werden. ₃ Bei einer derart starken Abweichung (bei gleichbleibender Währung), wie in diesem Fall, handelt es sich jedoch offenbar um einen Fehler, der einer Korrektur bedarf. ₄ Nach einer Abweichung vom „traditionellen“ Lieferanten A ergibt sich hier ein ungewöhnlich hoher Materialpreis. Es handelt sich höchstwahrscheinlich nicht um einen Fehler. Es sollte jedoch geprüft werden, ob der Lieferantenwechsel zu diesem Zeitpunkt wirklich notwendig war.

Je nach Resultat werden die aufgetretenen Fehler verbessert, oder für die folgende Analyse gelöscht.

Zweiter Schritt: Erkennung von Korrelationen zwischen dem Preis und seinen „Treibern“

Erst nach der Sicherstellung einer ausreichenden Datenqualität können valide Preisanalysen durchgeführt werden. Dazu gilt es, zunächst eine fachliche Einschätzung über mögliche externe Preistreiber bzw. Kostentreiber (z.B. Rohstoffpreise, Lohnkosten, Konjunkturschwankungen) abzugeben, deren Stichhaltigkeit mit einer mathematisch/statistischen Korrelationsanalyse validiert wird. So ist zu sehen, ob auch wirklich die richtigen Indizes als Indikatoren bzw. „Preistreiber“ benutzt werden oder ob es möglicherweise andere Kostentreiber gibt, die besser geeignet wären. Zudem stellt man über die Methodik fest, ob sich der Einkaufspreis auch nach den zu erwartenden Mustern bewegt.

Das Schaubild zeigt eine hohe (lineare) Korrelation des Materialpreises mit dem Wechselkurs zwischen der Währung des Lieferanten und der Währung des Einkäufers. Mit Hilfe der Regressionsgerade kann schon eine grobe Einschätzung zur Auswirkung des Wechselkurses auf den Materialpreis errechnet werden.

Dritter Schritt: Frühwarnsystem für „unerlaubte“ Preisabweichungen

Um festzustellen, zu welchem Zeitpunkt und in welchem Ausmaß sich der Einkaufspreis von einem möglichen Indikator (bzw. prognostiziertem Preisverlauf i.S.e. „Should-Preises“) entfernt hat, können in einem detaillierteren Verfahren zusätzlich zeitlich beschränkte Korrelationen aufgedeckt werden. Durch stetiges Aktualisieren dient dieses Verfahren auch als Frühwarnsystem: Bei etwaiger Unstimmigkeit zwischen Preis- und Indexentwicklung, kann direkt nach den zugrunde liegenden Ursachen geforscht und eventuell Gegenmaßnahmen eingeleitet werden.

Die Abbildung veranschaulicht, wie das erwähnte Frühwarnsystem funktionieren kann. Hier wurde über einen längeren Zeitraum der Korrelationsgrad zwischen einem Materialpreis und einem zu erwartenden Indikator intervallweise gemessen und dokumentiert.

Vierter Schritt: Prognosen und Maßnahmen ableiten

Nachdem die Preisindikatoren bzw. Kostentreiber identifiziert wurden, muss nun deren individuelle Qualität eingeschätzt werden. Es ist zu klären, mit welcher Gewichtung sich jeder relevante Index auf den Einkaufspreis auswirkt (z.B. mit Hilfe einer multiplen Regression) und welche Risiken bzw. Potentiale das birgt. Eine zu starke Orientierung des Preises an einen stark schwankenden, schwer vorhersehbaren Index ist ebenso kritisch zu sehen, wie eine nicht vorhandene Korrelation mit eigentlich zu erwartenden Indikatoren. Das Wissen über solche Fälle, gibt dem Unternehmen allerdings die Möglichkeit, mit entsprechenden Gegenmaßnahmen zu reagieren oder alleine durch Indexprognosen für zukünftige Marktentwicklungen gewappnet zu sein.

Das Schaubild zeigt eine Indexprognose mit Hilfe eines ARIMA-Modells (Auto-Regressive-Integrated-Moving-Average). Es werden Konfidenzintervalle gebildet, um abzuschätzen in welchem Bereich sich der Indexwert in Zukunft befinden wird.

Preisprognosen dieser Art werden auch unter dem Begriff „Predictive Forecasting“ in der Literatur beschrieben. Im Einkauf hängt die Einsetzbarkeit solcher fortschrittlichen analytischen Prognosemethoden - wie beschrieben- primär davon ab, dass

• ausreichend viele und möglichst vollständige Preis-Zeitreihen verfügbar sind, die
• zudem möglichst wenige Fehler i.S. von Ausreißern oder Negativwerten (z.B. bei Stornos) aufweisen

Eine weitere Herausforderung bei der Messung von Kostentreiber-Effekten sind zeitliche Wirk-Verzögerungen. So beeinflusst beispielsweise eine Änderung des Ölpreises die Einkaufspreise von Basiskunststoffen erst mit einer mehrwöchigen Verspätung (die eigene Lagerhaltung einmal nicht berücksichtigt). Zur Erkennung dieses Effekts werden bei der Korrelationsanalyse diverse Timeshifts eingesetzt. Das heißt, der mögliche Preisindikator wird mehrere Male auf der Zeitachse verschoben und nach jeder Verschiebung wird auf eine Korrelation mit dem Materialpreis getestet. Auf diese Weise wird sichergestellt, dass auch verspätete Wirkzusammenhänge stets erkannt werden.

Für Preisprognosen kann eine solche Verzögerung sehr hilfreich sein. Wurde beispielsweise ein Zusammenhang zwischen einem Materialpreis und einem messbaren Indikator nach einem Shift von einem Monat festgestellt, so lässt sich anhand des Indikators nun stets eine ungefähre Vorhersage für die Materialkosten im nächsten Monat treffen.

Wir sehen hier die Auswirkung der Veränderung des Ölpreises (Brent) auf den Polymerindex. Im ersten Graphen zeigt sich noch eine recht starke Streuung (schwache Korrelation). Berücksichtigung wir allerdings eine zeitliche Wirk-Verzögerung von einem Monat (zweiter Graph), so wird ein grob linearer Zusammenhang deutlich.