Risikomanagement in der Beschaffung: Wer den Erfolg nicht plant, plant den Misserfolg.

Einige mögen Clive Humbys Aussage "Daten sind das neue Öl" aus dem Jahr 2006 angezweifelt haben, aber heute scheint nichts glaubwürdiger zu sein als diese Aussage. Mit der Einführung der Google-Suche, Amazons Alexa oder neueren Innovationen wie dem Bildgenerator DALL-E 2 scheinen Daten die neue Universalwährung geworden zu sein. Aber was hat die Bedeutung von Daten mit der Welt der Beschaffung zu tun?

Die Bedeutung von Lieferantendaten in der Beschaffung

Das zentrale Problem in der Beschaffung liegt darin, den besten Lieferanten für einen bestimmten Bedarf unter bestimmten Kriterien zu finden. Mit Hilfe der von Lhotse entwickelten künstlichen Intelligenz können Unternehmen schneller und gezielter die optimalen Lieferanten finden.

Wie erkennt Lhotse, wenn ein Kunde ein "Macbook Pro 13" benötigt, die zahlreichen Elektronikhändler, die solche Geräte verkaufen? Die Antwort liegt in den Daten. Hierfür hat Lhotse eine erhebliche Menge an Daten gesammelt, die von Katalogen und Stichworten bis hin zu Zertifikaten und Produktkategorien reichen. Aus all diesen Informationen entsteht eine Datenbank mit Hunderttausenden von Anbietern! Darüber hinaus werden diese Daten für jeden Kunden angereichert, indem sie mit Daten aus allen früheren Bestellungen kombiniert werden. Ist beispielsweise bekannt, dass ein Kunde früher iPhones und Windows-Laptops bei einem bestimmten Anbieter gekauft hat, kann davon ausgegangen werden, dass dieser Anbieter auch Macbooks verkauft.

Es kann jedoch zu Problemen kommen, wenn die Einkaufshistorie eines Lieferanten nicht detailliert genug ist, um solche Annahmen zu treffen. Doch wie lässt sich das Problem lösen?

In vielen Fällen werden beispielsweise mehrere Niederlassungen eines Lieferanten als getrennt betrachtet. Da jedoch davon ausgegangen werden kann, dass alle Niederlassungen in etwa die gleichen Produkte anbieten, kann Lhotse die Niederlassungen eines Lieferanten gruppieren, Informationen zwischen verschiedenen Niederlassungen austauschen und so die Einkaufshistorie erheblich anreichern. Auf der Grundlage dieser detaillierten Einkaufshistorie kann die Lhotse-KI dann sicherere Entscheidungen treffen.

Abbildung 1: Vergleich der verfügbaren Informationen mit vs. ohne Gruppierung der Niederlassungen eines Lieferanten.

Herausforderungen

Die Gruppierung von Lieferanten ist schwieriger als es aussieht

Die Vorteile der Gruppierung von Lieferanten liegen zwar auf der Hand, aber der Prozess der Gruppierung ist alles andere als einfach. Der Unterschied zwischen zwei Lieferanten kann in einfachen Fällen lediglich der Name der Stadt sein - in anderen Fällen können die Unterschiede weitaus komplexer sein.

Wie die folgenden Fallbeispiele zeigen, können Lieferanten zusammengehören, auch wenn sie sich im Hinblick auf den jeweiligen Namen unterscheiden:

1. ABC GmbH vs. Anna Bauer Computers GmbH. Hier handelt es sich um ein Akronym, welches für Verwirrung sorgen kann.
2. ABC Technology GmbH vs. ABC Tech GmbH. Hier ist eine Abkürzung genutzt worden, welche dennoch das gleiche ausdrücken.
3. ABC Technology GmbH vs. ABC GmbH. Der Unterschied bei diesen beiden liegt in der Geschäftsbezeichnung.

Es kann auch vorkommen, dass zwei Anbieter sehr ähnlich klingen, aber nicht zu einer Gruppe zusammengefasst werden sollten, da ihre Angebotspalette möglicherweise grundlegend unterschiedlich ist. Diese unterscheiden sich primär in der Beschreibung der:

4. Geschäftseinheit : ABC GmbH Human Resources vs. ABC GmbH Logistik

Folglich wird deutlich, dass einfache Heuristiken nicht dazu ausreichen, um festzustellen, ob zwei Anbieter zusammengehören.

Vielmehr könnten detailliertere Vergleiche angestellt werden, bei denen die Online-Daten der beiden Anbieter ausgewertet werden, um dann eine fundierte Kaufentscheidung zu treffen. Das klingt ziemlich schnell und unkompliziert, oder?

Es gibt jedoch einen Haken:

Wie bereits erwähnt, besteht die Lieferantenbasis von Lhotse aus Hunderttausenden von Lieferanten. Theoretisch könnte jeder Lieferant mit allen anderen Lieferanten in einer Gruppe zusammengefasst werden. Technisch gesehen nimmt die Zahl der möglichen Übereinstimmungen quadratisch mit der Zahl der Lieferanten zu. Doch wie schnell käme es zu einem Ergebnis, wenn ein Abgleich nur eine Sekunde dauern würde? In der Tat würden die Ergebnisse eine Weile auf sich warten lassen, denn die Antwort lautet: mehr als 10.000 Jahre! Es ist offensichtlich, dass dies nicht praktikabel ist.

Daraus ergeben sich zwei Konsequenzen: Erstens ist zu beachten, dass die Vergleiche sowohl schnell als auch genau sind, und zweitens muss die Anzahl der auftretenden Vergleiche so gering wie möglich gehalten werden.

Abbildung 2: Zunahme der Berechnungskomplexität mit einer größeren Lieferantenbasis.

Die Lösung von Lhotse

“Blockieren" und Relevanz-Werte

Der erste Schritt bei der Gruppierung ist es, so viele irrelevante Lieferanten-Vergleiche wie möglich zu vermeiden! Dieser Prozess wird in der Folge "Blockierung Prozess" genannt. Zur Umsetzung dieses Prozesses hat Lhotse einen schnellen und präzisen Algorithmus entwickelt, der alle Paare eliminieren kann, die eindeutig nicht übereinstimmen.

Das folgende Beispiel bezieht sich auf die folgenden drei Anbieter:

1. 'Jupiter Berlin GmbH',
2. 'Jupiter GmbH Niederlassung Köln',
3. ‘Hürth Autoreparatur KG’,

In diesem Fall würden nur die ‘Jupiter Berlin GmbH’ und die ‘Jupiter GmbH Niederlassung Köln’ den Blockierung Prozess durchlaufen, da es sich hier am ehesten um denselben Anbieter handelt. Parallel dazu kann der Algorithmus entschlüsseln, dass sich die "Hürth Autoreparatur KG" so sehr von den anderen beiden Anbietern unterscheidet, dass keine weiteren detaillierten Berechnungen erforderlich sind, um festzustellen, dass diese nicht in einer Gruppe zusammengefasst werden sollten.

So lassen sich innerhalb weniger Sekunden 99,93 % der Milliarden potenzieller Paare herausfiltern.

Abbildung 3: Blockieren irrelevanter Kombinationen.

Wie geht es weiter?

Derweil bleiben nur die relevanten potenziellen Paare übrig, und es muss eine endgültige Entscheidung darüber getroffen werden, ob die beiden Lieferanten zusammengehören. Da viele potenzielle Paare während des Blockierung Prozesses eliminiert wurden, können glücklicherweise komplexere Methoden verwendet werden. Diese sind zwar zeitaufwändiger in der Berechnung, berücksichtigen aber erfolgreicher all die kleinen, aber hoch relevanten Details der einzelnen Lieferanten.

Aus diesem Grund hat Lhotse ein Machine-Learning-Modell auf der Grundlage von Tausenden von Stichproben trainiert. Indem verschiedene Werte für die Ähnlichkeit von zwei Lieferanten ermittelt werden, kann das Modell lernen, was die Wahrscheinlichkeit einer Übereinstimmung zwischen zwei Lieferanten erhöht oder vermindert. Auf diese Weise kann das Modell die Zusammengehörigkeit eines bisher unbekannten Lieferanten-Paares prognostizieren.

Abbildung 4: Schätzung der Wahrscheinlichkeit, dass zwei Lieferanten gruppiert werden sollten.

Lhotse kann so für jede mögliche Kombination von Anbietern bestimmen, ob sie gruppiert werden sollten. Aus diesem Prozess resultieren jedoch nur Paare aus zwei Lieferanten, die zusammen gruppiert werden sollten, nicht aber die kompletten Gruppen. Um die Daten bestmöglich nutzen zu können, müssen also abschließend aus Paaren von Lieferanten Gruppen gebildet werden.

Hierfür wird ein Graph gebildet, in dem zwei Lieferanten miteinander verbunden sind, wenn die Übereinstimmungswahrscheinlichkeit über einem bestimmten Schwellenwert liegt. Alle Lieferanten, welche über eine Komponente des Graphen verbunden sind, werden zu einer Gruppe zusammengefasst.

Abbildung 5: Verwendung von Diagrammen zur Gruppierung von Lieferanten

Mit diesem Verfahren ist die Zuordnung einer Lieferanten Niederlassung zu einer bestimmten Gruppe in 98 % aller Fälle korrekt!

Zusammenfassung

Je mehr Daten Lhotse zur Verfügung stehen, desto besser können relevante Lieferanten für eine Bestellanforderung ermittelt werden. Ein wichtiger Teil dessen ist es, Lieferantendaten über mehrere Niederlassungen hinweg zu aggregieren und so Informationssilos aufzulösen. Für die Aggregation von Daten müssen Gruppen aus Lieferanten Niederlassungen gebildet werden. Um diesen Prozess zu automatisieren, nutzt Lhotse einfache Heuristiken gepaart mit modernsten KI-Lösungen, und schafft es so, schnell genaue Ergebnisse zu erhalten. Dies erfolgt mit sehr hoher Genauigkeit und geringem bis gar keinem Rechenaufwand.

Die umfassende Nutzung von Lieferantendaten ist für den Erfolg eines jeden Beschaffungsteams entscheidend. Der Grund dafür ist, dass die optimale Nutzung von Daten dazu beiträgt, den Leistungsumfang von Lieferanten zu verstehen, so dass Unternehmen bessere Entscheidungen hinsichtlich ihrer Lieferantenauswahl treffen können. Kurz gesagt, es senkt die Kosten und erhöht die Transparenz!

Wenn Sie mehr darüber erfahren möchten, wie Lhotse Ihnen helfen kann, Ihre Beschaffungsprozesse zu verbessern, buchen Sie noch heute eine Demo mit uns!

DEMO BUCHEN