Orpheus Methoden der Künstlichen Intelligenz und BigData-Analytik für Ihren Strategischen Einkauf

Im Einkauf fallen aus der Vielzahl der genutzten Systeme (ERP-Systeme, elektronische Kataloge, eProcurement, Contract Management, SRM-Systeme etc.) immer mehr Daten an, die jedoch in vielen Unternehmen bisher nur unzureichend oder gar nicht genutzt werden. Dabei stehen inzwischen sehr leistungsfähige Methoden der Künstlichen Intelligenz bereit, um den strategischen Einkäufer

  • bei vielen Problemstellungen intelligent zu unterstützen,
  • Maßnahmenvorschläge zu unterbreiten
  • Potenziale aufzuzeigen
  • und Routine-Tätigkeiten zu automatisieren.
DataCategorizer - Automatisiert konsolidieren, Bündelungspotenziale transparent aufdecken

1. Einsatzbereiche & Nutzen von BigData und Künstlicher Intelligenz im Einkauf

Die Abbildung zeigt die wesentlichen Einsatzbereiche von BigData Algorithmen aus dem Bereich der Künstlichen Intelligenz (abgekürzt KI; im englischen wird die Abkürzung AI verwendet, was für Artificial Intelligence steht), die sich für Fragestellungen des strategischen Einkaufs eignen. Im Kern geht es meist darum, die anfallenden Einkaufsdaten durch Methoden der Künstlichen Intelligenz so aufzubereiten, dass sie für intelligente Analysen und Maßnahmen nutzbar werden (BigData Analytics for Procurement). Wir von Orpheus bezeichnen diesen Themenbereich zusammenfassend als „Semantic Data Management“.

Künstliche Intelligenz setzt Orpheus darüber hinaus ein, um über automatisierte Programme Hinweise auf Effizienzpotentiale zu finden. Diese KI-basierten Programme nennen wir Bots (Abkürzung von Ro-BOTs).

DataCategorizer - Semantic Data Management

Ziel des Semantischen Daten-Managements ist es, den Einkaufsleiter/CPO sowie die Finanzbereiche und Controller mit sauberen / fehlerfreien, harmonisierten und klassifizierten Daten und Fakten zu versorgen, damit ihre

  • Einkaufskennzahlen und BigData Analysen fehlerfrei und belastbar werden,
  • sich aus ihnen über intelligente Analysen (Savings- und Effizienz-)Potentiale ableiten lassen,
  • aus den Potentialen Maßnahmen und Aktivitäten definiert werden,
  • die eine integrierte Planung, Steuerung und Messung von Einkaufserfolgen unterstützen.

Fehlerfreie, klassifizierte und gruppierte (ge-clusterte) Einkaufsdaten sind auch das Fundament für erfolgreiche Beschaffungsstrategien. Ohne valide Spend-Baselines und Benchmark-Informationen fehlt die Faktenbasis, um intelligente Einkaufsstrategien bzw. Warengruppen-Strategien (faktenbasiert) aufzusetzen und aus den Daten abzuleiten sowie die Möglichkeit, den Erfolg der Einkaufsstrategien später auch messen zu können.

FAZIT:

Mit KI-gestützen BOTs lassen sich Routine-Aufgaben der Strategischen Einkäufer automatisieren und Potentiale bzw. Daten-Auffälligkeiten von der Software automatisiert vorschlagen. So setzen KI-BOTs Kapazitäten bei den Strategischen Einkäufern frei, um sich auf Ihre Kernaufgaben zu fokussieren und zusätzliche Potentiale adressieren zu können.

Ohne Semantisches Daten Management fehlt dem strategischen Einkauf die Vergleichbarkeit seiner Einkaufsdaten und eine transparente, valide Faktenbasis für Waregruppenstrategien und Einkaufsstrategien!

2. Welche Methoden der Künstlichen Intelligenz bringen welchen Nutzen für den Strategischen Einkauf?

Die Abbildung zeigt die einzelnen Methoden der Künstlichen Intelligenz, die in der Orpheus Software DataCategorizer zum Einsatz kommen:

  • Data Classification: Die Klassifizierungs-Algorithmen für Einkaufsbelege (Rechnungen, Bestellungen/PO) und Stammdaten (Lieferanten, Materialien etc.) ermöglichen es, semi-automatisch Spend-Transparenz und valide Baselines zu berechnen. Ohne Ihren Einsatz sind Preis- sowie Spend-Vergleiche und damit effiziente Bündelungen und Spend-Benchmarkings unmöglich.
  • Data Clustering: Ähnliche oder gleiche Teile/Materialien (konzernweit) zu gruppieren (zu clustern) ermöglicht es u.a., Ansatzpunkte für Standardisierungen und Spezifikationsänderungen zu finden, Preise ähnlicher Teile im Sinne eines Preis-Benchmarking zu vergleichen, Preis- und Kostentreiber zu analysieren und die Datengrundlage für fortgeschrittene Methoden des (Linear) Performance Pricing (LPP) zu legen.
  • Cleansing & Outlier: der Orpheus DataCategorizer verfügt über KI-Methoden, um automatisiert Datenfehler und (Kennzahlen) Ausreißer zu erkennen. Nur mit den bereinigten Daten lassen sich wiederum valide, fehlerfreie Einkaufskennzahlen berechnen, die man für Savings- und Effizienzanalysen sowie Erfolgsmessungen oder für Benchmarks verwenden kann. Die Methoden helfen zudem auch Preishistorien, z.B. bei Vorgänger-Nachfolger-Materialien, zu etablieren.

Optionale KI-Methoden, die von Orpheus als Managed Service – als Analyse-Dienstleistung unseres Professional Service Bereiches – angeboten werden, umfassen:

  • Predict & Simulate: Diese Algorithmen basieren u.a. auf Künstlichen Neuronalen Netzen (KNN), die es z.B. für Planungs- und Simulationszwecke ermöglichen, das Beschaffungsvolumen zu prognostizieren oder auch die Effekte von Rohstoffpreisänderungen oder Wechselkursfluktuationen zu simulieren. Weitere Einsatzbereiche sind Analysen von Wirkzusammenhängen, um beispielsweise Kostentreibern analytisch „auf die Spur“ zu kommen.
  • Consistency & Compliance: hierfür analysieren wir z.B. retrograd alle (unterschiedlichen) Preisausprägungen in den Belegen eines Prozesses. Im Idealfall sollten die Preise aus den Belegen Rechnung, Bestellung, Einkaufsinfosatz bzw. Vertrag und Stammsatz gleich sein. Eventuelle Preisabweichungen und damit entgangene Savings oder unberechtigte „Mehrzahlungen“ sind aufzudecken. Auch Abweichungen im Zahlungsprozess und bei den Zahlungskonditionen lassen sich retrograd analysieren, um Compliance-Verletzungen und damit z.B. einhergehende negative Liquiditäts- und Working Capital Effekte zu erkennen.
  • Process Mining: Mit der Methode des Process Mining werden die Ist-Prozesse des Einkaufs analysiert, um Schwachstellen aufzudecken sowie Ansatzpunkte für Prozessverbesserungen und Prozessautomatisierungen aufzufinden. Beispielhafte Prozesse sind: Procure-to-Pay, Buying-Channel, Procure-to-Stock etc. Ziel ist es u.a. suboptimale Prozessvarianten zu erkennen, vertraglich vereinbarte Service-Level zu monitoren oder Prozess-Kennzahlen bzw. Prozess-KPI zu berechnen und zu berichten.

3. Praktische Anwendungsbeispiele aus dem Einkauf für Methoden aus dem Bereich der Künstlichen Intelligenz:

  • Text Mining & Regel-basierte Systeme
    für Spend-Transparenz und Vergleichbarkeit von Einkaufsdaten bzw. Einkaufsbelegen

    Anwendungsbeispiele:

    • Berechnung von detaillierten Spend-Baselines
    • Bündelungen von Spend innerhalb von Einkaufswarengruppen
    • Internes Benchmarking zwischen Gesellschaften in einem Konzern
  • Cluster Analysen
    für intelligente Vergleiche von „ähnlichen“ Teilen / Materialien

    Anwendungsbeispiele:

    • Vorbereitung der Datenbasis für LPP-Analysen
    • Standardisierung von Materialien
    • Spezifikations-Änderungen von Materialien
    • Preisvergleiche/Benchmarking ähnlicher Teile aus unterschiedlichen Gesellschaften und von unterschiedlichen Lieferanten
  • Künstliche Neuronale Netze (KNN)
    für Prognosen / Prediction von Ausgaben, Preisen und Mengen sowie für Simulationen

    Anwendungsbeispiele:

    • Prognose des Rechnungsspend der Indirekten Kategorien aus den Bestellungen der direkten Kategorien, der Wechselkursentwicklung sowie relevanter Rohstoffpreisentwicklungen;
    • Progose des Zeitverzuges zwischen Bestellungen und Rechnungen je Warengruppe; Simulation von Wechselkurs- und Rohstoffpreisänderungen
  • Machine Learning & KNN
    für das Erkennen und Lernen von Ursache-Wirkungs-Zusammenhängen sowie Erklärung von Abweichungsursachen

    Anwendungsbeispiele:

    • Erklärung der Ursachen für eine Verbesserung / Verschlechterung des KPI ”Materialpreisabweichung (MPV)“ → welche Objekte sind für die Veränderung der KPI ursächlich?
  • Semi-automatisiertes DataCleasing
    Ausreißererkennung und (automatisierte Vorschläge für die) Behebung von Datenfehlern

    Anwendungsbeispiele:

    • Viele Kennzahlen / KPIs im Einkauf sind nicht aussagefähig, da sie auf Basis fehlerhafter Daten berechnet wurden. Um viele Millionen Belege und Stammdaten zu prüfen und Fehler automatisiert zu erkennen sind moderne Algorithmen das Mittel der Wahl. Die Bereinigung selbst erfolgt semi-automatisch.
  • Datenfehler
    erkennen

    Perfekte Datenqualität ist das Fundament für erfolgreiches Einkaufscontrolling.

    Mehr erfahren ›

  • Daten Klassifizierung

    Einkaufsbelege, Lieferanten und Materialien automatisiert klassifizieren.

    Mehr erfahren ›

  • Download Broschüre

    Laden Sie sich hier die Broschüre zum DataCategorizer herunter.

    Download Broschüre ›

  • Sprechen Sie
    uns an!

    Unseren Experten
    informieren Sie gerne,
    rufen Sie uns an.

    +49 911 / 149 913 41

Fragen Sie eine kostenlose Online-Präsentation zum DataCategorizer an.

Gerne beantworten wir Ihre Fragen und stellen Ihnen unsere Lösung in einer 30minütigen Präsentation vor. Nennen Sie uns zwei Wunschtermine und teilen Sie uns mit, wie Sie kontaktiert werden möchten. Wir setzen uns mit Ihnen in Verbindung!