41
Einkaufscontroller, zukünftig weiter verändern.
Es werden vermehrt Data Analysts benötigt, die
aus unterschiedlichsten Quellen Daten mit Hilfe
statistischer Verfahren analysieren und darauf
basierend Entwicklungstendenzen ableiten
können. Diese Entwicklungen werden anschlie-
ßend mit den strategischen Vorgaben des Kon-
zerns abgeglichen, um frühzeitig Handlungs-
maßnahmen abzuleiten. Das Anforderungspro-
fil eines Einkaufscontrollers erfährt somit einen
Wandel vom reinen Aufbau von Reporting- und
Diskussionsgrundlagen hin zu einem strategi-
schen Business Partner. Darüber hinaus sind
neue Kompetenzen erforderlich, da sehr viele
unterschiedliche Daten (z. B. Marktentwicklun-
gen, Lieferantendaten, interne Daten, etc.) mit-
einander verknüpft werden müssen, um daraus
wichtige Erkenntnisse ableiten zu können, die
den Einkauf in seiner strategischen Wirkung
unterstützen.
Literatur
Bennett, N./Lemoine, J., What VUCA Really
Means for You, in: Harvard Business Review,
92. Jg. (2014), H. 1/2, S.27.
Deep, K./Jain, M./Salhi, S., Logistics, Supply
Chain and Financial Predictive Analytics: Theo-
ry and Practices (Asset Analytics), Berlin, 2018.
Kelleher, J. D./Namee, B. M./D’Arcy, A., Fun-
damentals Of Machine Learning For Predictive
Data Analytics: Algorithms, Worked Examples,
And Case Studies, Cambridge, 2015.
Klein, V./Gavrina, E., BME-Umfrage TOP-
Kennzahlen im Einkauf, Frankfurt a.M., 2016.
Körber AG, 2018, Körber AG Jahresbericht
2017,
abgerufen am 15.08.2018.
Locker, A./Grosse-Ruyken, P. T., Chefsache Fi-
nanzen in Einkauf und Supply Chain – Mit Stra-
tegie-, Performance- und Risikokonzepten Milli-
onenwerte schaffen, 2. Aufl. , Wiesbaden, 2015.
Piontek, J., Beschaffungscontrolling, 4. Aufl.,
München, 2012.
Schmaus, P./Wiesing, B./Baghi, E./Schmidt,
H., Monetäre Bewertung von Stammdaten, in:
Controller Magazin, 41. Jg. (2016), S. 10-18.
Zechmann, A., Nutzungsbasierte Datenbe-
wertung – Entwicklung und Anwendung eines
Konzepts zur finanziellen Bewertung von Daten-
vermögenswerten auf Basis des AHP, Berlin,
2018.
sierung kann helfen, wenn der monetäre Wert
der Daten für das Unternehmen berechnet wird
(siehe dazu Schmaus et al., 2016; Zechmann,
2018). Generell lässt sich festhalten, dass gute
Datenqualität für ein Unternehmen wichtig ist
und der Unternehmenswert durch eine hohe
(Stamm-)Datenqualität gesteigert werden kann
(vgl. Schmaus et al., 2016).
Fazit und Ausblick
Durch das Herunterbrechen der Einkaufsstrate-
gie des Körber-Konzerns in einzelne Bausteine,
werden gleichermaßen die strategische Trans-
formation der Einkaufsfachfunktion und die
Umsetzung der Einkaufsstrategie in den Ge-
schäftsfeldern unterstützt. Dabei spielt das
Purchasing Performance Management eine
wichtige Rolle. Dessen einzelne Schritte sind
als Teile eines Gesamtprozesses zu verstehen,
der kontinuierlich optimiert wird.
Das Purchasing Performance Management lebt
davon, dass einheitliche und konzernweit defi-
nierte Kennzahlen für Vergleichsanalysen exis-
tieren. Sind diese abgestimmt, ist es sinnvoll
ein systematisches Reporting aufzubauen, um
kontinuierlich Maßnahmen zu initiieren oder
(falls notwendig) anzupassen. Eine stetige Eva-
luation dieser Maßnahmen zur Umsetzung der
unternehmerischen Konzernsstrategie ist ohne
ein solches Einkaufsreporting nicht möglich.
Jedoch ist ein Purchasing Performance Ma-
nagement ohne Business Intelligence System
heutzutage nicht mehr vorstellbar. Hierbei ist es
wichtig, dass Daten harmonisiert und ver-
gleichbar sind. Das führt zu Fragen wie: Wie
werden Daten erhoben? Welche Datenqualität
ist vorhanden und welche notwendig? Dieser
Aspekt wird zukünftig einen noch höheren Stel-
lenwert erhalten. Ohne entsprechende Daten
und Datenqualität sind Themen wie „Predictive
Analytics“ oder „Machine Learning“ möglich,
verlieren jedoch stark an Aussagekraft.
Neue Rolle für Einkaufscontroller
Gerade der letzte Punkt verdeutlicht, dass sich
die Rolle und das Anforderungsprofil für Mitar-
beiter im Purchasing Performance Manage-
ment, aber auch die Anforderungen an einen
besteht darin, diese auf eine „smarte“ Art und
Weise zu verwenden. Dies ist nicht immer ein-
fach, da viele Unternehmen auf der einen Seite
eine sehr heterogene Datenlandschaft haben
und auf der anderen Seite die Datenqualität
schwankend ist. Der Körber-Konzern hat in den
vergangenen Jahren eine Vielzahl strategischer
Akquisitionen vollzogen und integriert die ent-
sprechenden Unternehmen sukzessive. Viele
dieser neuen Konzernunternehmen bringen zu-
nächst eigene ERP-Systeme mit unterschied-
lich gepflegten Daten mit. Um diese für den Ein-
kauf schnellstmöglich und bestmöglich nutzbar
zu machen, wurde beim Aufbau des Business
Intelligence Systems des Einkaufs eine „Har-
monisierungsebene“ eingebaut. Hier werden
Daten für die zukünftige Verwendung aufberei-
tet. So wird sichergestellt, dass die richtigen
Datenformate an den richtigen Stellen vorhan-
den sind, damit die erfolgreiche Weiterverarbei-
tung möglich ist.
Beim Durchlaufen der „Harmonisierungsebene“
werden die Daten in einem automatischen Pro-
zess mit überschaubarem Aufwand bereits so
angereichert und analysiert, dass sie im An-
schluss eine deutlich bessere Qualität haben.
Genutzt werden hierfür verschiedene Ansätze –
unter anderem Datenanreichern (Data Enrich-
ment) und Machine Learning. Kurz gesagt wer-
den hier neu einfließende Daten auf Basis der
zugrunde liegenden Daten aus den bereits vor-
handenen ERP-Systemen ergänzt oder über-
schrieben, wenn das System lange genug ge-
schult wurde und dadurch Fehler entdeckt und
behoben werden konnten.
Priorisierung der Daten
Ein einfacher Grundsatz ist: Je mehr Zeit und
Geld ein Unternehmen in die Datenqualität in-
vestiert, desto besser sind die Daten. Zeit und
Geld gehören allerdings nicht zu den Ressour-
cen, die in einem Unternehmen frei verfügbar
sind. Der Aufwand für die Sicherstellung der
notwendigen Datenqualität kann jedoch nur re-
duziert werden, wenn vorab feststeht, welche
Daten vollständig und welche Daten konsistent
mit anderen Daten sein sollen. Dies bedingt
eine Priorisierung der Daten, durch die der Auf-
wand für die Datengewinnung und Datenquali-
tät sinkt. Für diese Unterstützung dieser Priori-
CM März / April 2019
