40
Use Case #2
– Optimierung von Zahlungs-
dauer im Verhältnis zum Skonto
Optimale Zahlungsfristigkeiten sind im Ein-
kauf insbesondere mit Blick auf das Wor-
king Capital Management ein wesentlicher
Stellhebel und Erfolgsfaktor. Im Projekt wur-
den Zahlungskonditionen und Zahlungsver-
halten über Data Analytics genauer analy-
siert. Dabei wurde zwischen Netto-Zah-
lungszielen und Skonto unterschieden. In
den detaillierten Analysen wurden zusätz-
lich geographische Besonderheiten berück-
sichtigt. Die Ergebnisse zeigen ein breites
Spektrum an möglichen Ansatzpunkten für
Verbesserungen. Zum Bespiel wurden zu-
sätzliche Zahlungsläufe im System hinter-
legt. Dadurch gibt es nun die Möglichkeit,
sowohl Kennzahlen wie Days-To-Pay oder
die Anteile an Einkaufsvolumen mit Skonto
zu optimieren, als auch die vereinbarten
Skontosätze zu erhöhen. In diesem Zusam-
menhang wurden gleichzeitig Maßnahmen
abgeleitet, um die Pflege von Zahlungskon-
ditionen in den bestehenden ERP-Systemen
deutlich zu verbessern.
6. Modelle & Szenarien
Mit Hilfe von „Predictive Analytics“ können Mo-
delle und Szenarien entwickelt werden, die die
Risiken der Beschaffung reduzieren bzw. Maß-
nahmen definieren, um die Versorgungssicher-
heit zu gewährleisten und das Einkaufsverhal-
ten so zu optimieren, dass die Preise ein mögli-
ches Optimum widerspiegeln. Hierbei lassen
sich auch die Ziele und die daraus abgeleiteten
Maßnahmen verifizieren und auf Basis zukünf-
tiger Entwicklungstendenzen neue Handlungs-
felder für das Purchasing Performance Ma-
nagement definieren.
Datenqualität als Herausforderung
im Purchasing Performance
Management
Für die Objektivierung der Entscheidungsfin-
dung ist die Datengewinnung bzw. die Daten-
qualität von großer Bedeutung. Jedes Unter-
nehmen hat eine Vielzahl von strukturierten und
unstrukturierten Daten. Die Herausforderung
nächsten Schritt die bisher manuelle Zuord-
nung, die zum Teil sehr aufwendig und fehler-
haft war. Im Purchasing bei Körber wurden
bis Mitte 2018 bereits zwei Anwendungsfälle
(Use Cases) erfolgreich umgesetzt.
Use Case #1
– Automatisierte Zuordnung
von Materialien und Lieferanten zu Waren-
gruppen
Die korrekte Zuordnung von Materialien
und Lieferanten zu Warengruppen ist für
den Einkauf elementar. Auf dieser Datenba-
sis werden Entscheidungen über Aktivitäten
im Einkauf getroffen. Im Purchasing Re-
porting System werden die notwendigen
Daten aus den verschiedenen ERP-Syste-
men konsolidiert. Nicht nur die Systemland-
schaft, sondern auch die Datenqualität ist
aufgrund der über Jahrzehnte gewachse-
nen Organisationsstruktur des Konzerns
(über 140 Produktions-, Service- und Ver-
triebsgesellschaften) derzeit noch ausge-
sprochen heterogen. Der Einsatz von Ma-
chine Learning kann diese Herausforderun-
gen ausgleichen, da Warengruppen auto-
matisiert anhand von Kriterien und Regeln
zugeordnet werden. Zentral und erfolgskri-
tisch ist, dass in der Trainingsphase für das
ML-System technische Experten für ML
und inhaltliche Experten (Warengruppen-
manager oder Lead Buyer) Hand in Hand
arbeiten. Bei Körber konnte das Team be-
reits im ersten Test-Projekt die Datenquali-
tät der Zuordnung einiger wesentlicher Lie-
feranten nachhaltig auf über 90% steigern.
Kennzahlen miteinander vergleichbar sind. Für
eine detaillierte Analyse werden im Konzernein-
kauf zusätzlich Methoden aus dem Bereich
„Data Analytics“ angewendet. Beispielhaft da-
für steht die Analyse der Kreditorenzahlungen
und der Identifizierung von Potentialen und Risi-
ken mit dem Ziel, die Zahlungskonditionen mit
den Lieferanten zu optimieren und Mitarbeiter
in Bezug auf ein optimales Zahlungsverhalten
zu sensibilisieren.
5. Predictive Analytics & Machine Learning
In vielen Studien und Magazinen wird über die
Nutzung bzw. Einbindung von „Predictive
Analytics“ (PA) und „Machine Learning“ (ML)
berichtet (bspw. Kelleher et al., 2015; Deep et
al., 2018). Auch für den Prozess des
Purchasing Performance Managements ist
dies bedeutsam. Im Konzerneinkauf des Kör-
ber-Konzerns geht es hierbei in erster Linie
um die Verwendung der zur Verfügung ste-
henden Daten, die mit externen Informationen
wie z. B. Auftragseingänge der Industrie, Roh-
materialpreise, Währungsdaten, etc., ange-
reichert werden. Aus diesem Datenset kann
beispielsweise ermittelt werden, ob Material-
preise sich ändern und es somit einen Bedarf
zur Preissicherung gibt. Des Weiteren kann
durch „Machine Learning“ ein Mehrwert für
die Einkaufsorganisation erzeugt werden,
wenn zum Beispiel die Zuordnung einzelner
Materialien zu Warengruppen anhand von
Kriterien automatisiert erfolgt. Hierfür wird
das System trainiert und automatisiert im
Autoren
Tobias von Normann
verantwortet im Körber-Konzern das Purchasing Performance
Management und die Working-Capital-Aktivitäten im Einkauf.
Er verfügt über langjährige Erfahrung im Controlling und war
als Unternehmensberater im Bereich „Office of the CFO“ tätig.
E-Mail:
Dr. Patric Schmaus
verfügt über langjährige Projekterfahrung im Corporate Per-
formance Management. Als Controller im Körber-Geschäfts-
feld Pharma-Systeme verantwortet er das Purchasing Perfor-
mance- und Working Capital Management. In seiner Disser
tation beschäftigte er sich mit den Herausforderungen finanzi-
eller Evaluationsanalysen.
E-Mail:
Purchasing Performance Management
