Um dies zu erreichen, versuchen moderne "Big Data"­-Anwendungen zum einen möglichst viele Datenquellen zu nutzen und zum anderen diese Daten unter Zuhilfenahme fortgeschrittener mathematischer Verfahren und Methoden der Künstlichen Intelligenz (KI) sehr schnell und Endbenutzer-gerecht auszuwerten. "Big Data"­-Anwendungen im Einkauf integrieren daher sowohl unternehmensinterne Daten als auch externe Daten, wie zum Beispiel Markt(preis)entwicklungen, Lieferantendatenbanken, Firmen-­Scorings, Risikoinformationen, Messdaten, Kostenstrukturinformationen oder Konjunktur­ und Preisniveau­-Fakten.

Erst hohe Datenqualität ermöglicht intelligente Analysen

Die besondere Herausforderung liegt darin, die zahlreichen Daten automatisiert zu konsolidieren, zu kategorisieren, Datenfehler zu erkennen und zu bereinigen sowie Lieferanten zu gruppieren beziehungsweise gleiche und ähnliche Teile sinnvoll zu „clustern“. Erst durch diese Schritte verbessert sich die Qualität der Daten entscheidend, so dass sie für intelligente Analysen nutzbar werden.

Sie lassen sich nun vergleichen und zum Beispiel für Benchmarks oder Korrelationsanalysen nutzen. Zudem werden durch die Klassifizierungen und Clusterungen ganz neue, virtuelle Einkaufsobjekte eingeführt. Diese erlauben sehr viel intelligentere Analysen, Simulationen, Prognosen und Savings-­Potenzialberechnungen. Big Data Analytics ersetzt damit perspektivisch Arbeiten, die bisher teuren Beratern vorbehalten waren.

Jetzt auch im Einkauf: Automation of Consulting

In Fachkreisen wird dieser Effekt als „Automation of Consulting“ bezeichnet. Gute Beispiele für die durch Big Data erreichbare neue Ebene der Analyse­Intelligenz sind Wirkungsanalysen und Prognosen, die auf fortgeschrittenen mathematischen Verfahren basieren wie:

• Prognose von Marktpreisen und den selbst erzielbaren Einkaufspreisen
• Simulation der Auswirkung von Währungskurs­ oder Rohstoffpreisänderungen mit Ableitung von Hedging-Vorschlägen
• Berechnung der Abhängigkeiten einzelner Warengruppen von Änderungen des Lohnniveaus
• Wirkanalysen einzelner Einsparhebel (wie Volumenbündelung, LCC­ oder Collaborative-­Sourcing): Welchen Savings­Effekt bringen die einzelnen Hebel? Unter welchen Bedingungen funktionieren sie nicht?
• Automatisierte Erkennung und monetäre Berechnung von Potenzialen und Risiken in den einzelnen Einkaufswarengruppen.

Bisher waren diese Erkenntnisse – wenn überhaupt – nur unter großem zeitlichen Aufwand und mit manuellen Arbeitsschritten teurer Experten zu erlangen. Big Data Analytics automatisiert die Analyse und berechnet Ergebnisse automatisiert in Sekunden oder Minuten statt in Tagen oder Wochen.