Aufbau einer Einkaufsdatenstrategie
Yves Bauer
Co-Founder Procure Ai, AI evangelist.
Welche der folgenden Aussagen beschreibt am besten Ihr aktuelles Wissen über Beschaffungsdatenmanagement?
Spaß beiseite, viele Einkaufsteams haben Schwierigkeiten, das Beste aus ihren Daten herauszuholen, und verweisen auf Hindernisse wie schlechte Datenqualität oder fragmentierte Systeme. Das eigentliche Problem ist jedoch, dass den meisten Unternehmen eine formelle Datenstrategie für die Beschaffung fehlt.
Die Erstellung einer Datenstrategie klingt kompliziert und umständlich, ist es aber nicht. Es bedeutet einfach, dass Sie sich darüber im Klaren sind, welche Daten Sie haben, welche Daten Sie haben möchten, was Sie damit machen möchten und wie sie Ihr Handeln beeinflussen sollen. In diesem Blog werden die wichtigsten Komponenten erklärt, die Sie für die Entwicklung Ihrer eigenen Einkaufsdatenstrategie benötigen.
Wenn Sie beginnen, an einer Datenstrategie für die Beschaffung zu arbeiten, werden Sie auf die Begriffe Data Lake und Data Ontology stoßen. Bevor wir besprechen, wie eine Datenstrategie entwickelt werden kann, sollten wir sicherstellen, dass wir ein klares Verständnis dieser Konzepte haben.
Ein Data Lake ist ein zentralisiertes Repository, das strukturierte, halbstrukturierte und unstrukturierte Daten speichern kann — alles an einem Ort. Dazu könnten ERP-Daten, Lieferantenportaldatensätze, E-Mails, Rechnungen, Verträge und sogar externe Marktfeeds gehören. Der Begriff „Datenozean“ könnte heutzutage passender sein.
Im Gegensatz zu herkömmlichen Datenbanken oder Data Warehouses, bei denen Daten vor der Speicherung nach einem vordefinierten Schema organisiert und formatiert werden müssen, ermöglicht Ihnen ein Data Lake, alles in seiner Rohform zu speichern und nur bei Bedarf zu verarbeiten, was Ihnen maximale Flexibilität bietet.
Um einen Data Lake zu erstellen, müssen Sie eine skalierbare Datenspeicherlösung und Verarbeitungstools auswählen, die der Größe und den Anforderungen Ihres Unternehmens entsprechen. Cloud-Plattformen wie AWS, Azure oder Google Cloud sind gängige Optionen und bieten eine gute Flexibilität. Ihr IT-Team verfügt über die grundlegenden Tools, die für den Aufbau Ihres Data Lake erforderlich sind, verfügt aber wahrscheinlich nicht über domänenspezifische Beschaffungskenntnisse.
Wussten Sie, dass Ornithologie ist der Begriff für das Studium der Vögel? Was hat das mit Daten zu tun? Nichts, aber die Begriffe sind sehr ähnlich, und wir möchten sicherstellen, dass Sie Ihren Kollegen korrigieren können, wenn er das nächste Mal Datenornithologie sagt. *kichert*
Wenn es um Daten geht, lautet der richtige Begriff Ontologie. Eine Datenontologie ist ein strukturiertes Framework, das die Konzepte, Kategorien und Beziehungen zwischen verschiedenen Datentypen innerhalb einer bestimmten Domäne definiert. Stellen Sie sich das als ein gemeinsames Vokabular vor, das Menschen und Maschinen hilft, Daten auf konsistente und sinnvolle Weise zu verstehen und zu verwenden.
Im Gegensatz zu einfachen Datenschemas oder Taxonomien organisiert eine Datenontologie nicht nur Daten hierarchisch, sondern erfasst auch komplexe Zusammenhänge und Regeln zwischen Konzepten und unterstützt so eine umfassendere und flexiblere Repräsentation von Wissen.
Diese Struktur wird besonders wichtig, wenn Sie mit einem Data Lake arbeiten. Ein Data Lake kann große Mengen an Rohdaten aus der Beschaffung speichern, bietet aber für sich genommen keine Struktur oder Bedeutung. Ohne eine Datenontologie zur Definition wichtiger Konzepte — wie Lieferanten, Verträge und Risikobewertungen — kann der Datensee schnell zu einem unorganisierten „Datensumpf“ werden.
Ontologien sorgen für Konsistenz, indem sie Daten system- und formatübergreifend verbinden und so die Abfrage, Analyse und Anwendung von KI erleichtern. Dies erfolgt häufig durch Metadaten-Tagging, das Rohdaten mit ontologiedefinierten Entitäten und Beziehungen verknüpft, sowie durch Vektor-Engines, die es Systemen ermöglichen, nicht nur zu interpretieren, was die Daten sind, sondern auch, was sie bedeuten.
Beispielsweise könnte eine beschaffungsspezifische Ontologie Entitäten wie „Lieferant“, „Bestellung“ und „Vertrag“ definieren und ihre Beziehungen abbilden, z. B. ein Lieferant erfüllend eine Bestellung. Sie kann auch Attribute wie Region, Kategorie oder Risikobewertung enthalten. Die Kennzeichnung Ihrer Daten mit dieser Struktur gewährleistet die Konsistenz aller Quellen — wie ERP, Lieferantenportale und Vertragssysteme — und ermöglicht so tiefere Einblicke und eine intelligentere Automatisierung.
Einen detaillierteren Einblick in alle wichtigen Begriffe (und mehr) finden Sie in unserer Videoserie Procurement Academy — Selbststudium, die Ihnen hilft, KI-Fähigkeiten im Einkauf zu entwickeln.
Der Aufbau einer soliden Einkaufsdatenstrategie erfordert einen strukturierten, schrittweisen Ansatz. Wir arbeiten oft mit unseren Kunden zusammen und nutzen unseren bewährten Ansatz, um ihnen beim Aufbau eines Data Lake und einer Strategie zu helfen, die ihre Daten am effektivsten nutzt. So machen wir das.
Jede erfolgreiche Datenstrategie beginnt mit einem klaren Verständnis der Ergebnisse, die sie erzielen soll. Das bedeutet, dass Sie Ihre Datenaktivitäten an bestimmten Geschäftszielen ausrichten müssen, z. B. an der Steigerung der Kosteneinsparungen, der Verbesserung der Lieferantenleistung, der Reduzierung von Risiken oder der Erfüllung der ESG-Compliance-Ziele. Diese Ziele sollten mit messbaren KPIs verknüpft werden, um sicherzustellen, dass sich die Strategie darauf konzentriert, greifbaren Wert und Wirkung im gesamten Unternehmen zu erzielen.
Sobald Sie wissen, was Sie erreichen möchten, evaluieren Sie Ihre bestehende Datenumgebung um deine Ausgangswerte zu verstehen. Identifizieren Sie die Systeme, in denen Einkaufsdaten generiert und gespeichert werden, z. B. Ihr ERP, Ihre Beschaffungssuite, Ihr Vertragsmanagementsystem oder Ihre Lieferantenplattformen. Katalogisieren Sie dann die verfügbaren Datentypen, einschließlich Lieferanten-, Ausgaben- und Vertragsdaten, und bewerten Sie typische Qualitätsprobleme wie Duplikate, fehlende Felder oder inkonsistente Formate. Es ist auch wichtig, den Besitz und die Nutzung von Daten in allen Abteilungen zu verstehen. Diese Bewertung sollte eine Lückenanalyse beinhalten, um herauszufinden, welche Daten Sie haben und welche Sie benötigen, um Ihre Ziele zu erreichen.
Mit einem klaren Verständnis Ihrer Ziele und Ihres aktuellen Stands können Sie beginnen, Ihr ideales Datenmodell zu entwerfen. Dazu gehört die Definition wichtiger Beschaffungseinheiten wie Lieferanten, Bestellungen, Verträge und Kategorien sowie die Abbildung der Beziehungen zwischen ihnen. Wie oben erläutert, geht eine Datenontologie noch einen Schritt weiter, indem sie ein strukturiertes, gemeinsames Vokabular schafft, das sowohl Menschen als auch Maschinen verstehen können. Dieses Modell wird zur Blaupause dafür, wie gut strukturierte, aussagekräftige Beschaffungsdaten in Ihrem Unternehmen aussehen sollten.
Ihre Datenarchitektur ist das technische Rückgrat Ihrer Strategie und definiert, wie Daten von den Quellsystemen in zentrale Repositorys (wie Ihren Data Lake) und Analyseplattformen fließen. Der Schlüssel liegt darin, sicherzustellen, dass Einkaufsdaten aus mehreren Systemen integriert, angereichert und für Analysen sofort verfügbar sind. Tools, die die Datenkartierung, Transformation und Visualisierung unterstützen, werden unerlässlich sein, um diese Architektur wirklich funktionsfähig zu machen.
Datenqualität ist oft das größte Hindernis um Fortschritte zu machen, und es wird sich nicht verbessern, wenn nicht bewusst gehandelt wird. Es gibt zwei Ansätze: Implementieren Sie eine Strategie, bei der künftig nur neue Daten verwaltet werden, oder Verwenden Sie KI, um historische Daten zu bereinigen und anzureichern ebenso. Letzteres ist weitaus wertvoller. Historische Einkaufsdaten bieten Einblicke in das Verhalten von Lieferanten, Preistrends und Risikosignale. Mithilfe von KI oder regelbasierten Engines können Sie Lieferantennamen standardisieren, Ausgaben genauer kategorisieren, fehlende Felder ausfüllen und zugehörige Datensätze verknüpfen. Dieser Schritt legt die Grundlage für fortschrittliche Analysen und Automatisierung.
Für die Aufrechterhaltung der Datenqualität ist ein starker Rahmen für die Datenverwaltung erforderlich. Dazu gehört die klare Zuweisung der Eigentumsrechte an Datensätzen, die Definition von Standards und die Festlegung von Richtlinien zur Zugriffskontrolle und Einhaltung der Vorschriften. Zur Unternehmensführung gehört auch die fortlaufende Verwaltung — durch kontinuierliche Überwachung und Rechenschaftspflicht wird sichergestellt, dass Ihre Daten stets korrekt, relevant und im Laufe der Zeit gut verwaltet werden.
Selbst die beste Datenstrategie scheitert, wenn die Menschen nicht auf die Daten zugreifen und sie nicht interpretieren können. Stellen Sie sicher, dass Käufer, Kategoriemanager, Finanzteams und andere Beteiligte über intuitive Dashboards, Berichte oder Self-Service-Suchtools auf Einblicke zugreifen können. Fortschrittliche Modelle können tiefe Einblicke liefern — vom Lieferantenrisiko bis hin zu Nachfragetrends —, aber nur, wenn die Daten in einem Format verfügbar sind, das leicht zugänglich und verständlich ist. Benutzerfreundlichkeit ist der Schlüssel zur Steigerung der Akzeptanz und des Nutzens.
Die Erstellung einer Datenstrategie ist kein einmaliger Aufwand. Es ist ein fortlaufender Prozess. Feedback-Schleifen, regelmäßige Audits und Leistungskennzahlen tragen dazu bei, dass die Strategie an Ihren sich entwickelnden Zielen ausgerichtet ist. Wenn sich Ihr Unternehmen verändert, sollte sich Ihre Datenstrategie anpassen und mit neuen Technologien, Herausforderungen und Prioritäten Schritt halten.
Viele Beschaffungsteams arbeiten immer noch ohne eine formelle Datenstrategie oder einen zentralen Data Lake. Bei Procure Ai arbeiten wir mit unseren Kunden zusammen, um ihre aktuelle Situation, ihre strategischen Ziele und spezifischen Bedürfnisse zu verstehen und ihnen dabei zu helfen, eine maßgeschneiderte Datenstrategie zu definieren, die messbare Ergebnisse liefert. Basierend auf unserer Erfahrung bieten wir eine beschaffungsspezifische Datenontologie als Ausgangspunkt an, um den Strategieentwicklungsprozess zu rationalisieren und die Komplexität zu reduzieren.
Sobald Ihre Strategie festgelegt ist, unterstützen wir die Implementierung von KI, um die Datenbereinigung, Harmonisierung, Anreicherung und Analyse zu verbessern. Unsere KI-gestützte Beschaffungsautomatisierungsplattform hilft Unternehmen dabei, fragmentierte Datenstrukturen und unzusammenhängende Toolsets zu überwinden, sodass sie ihre Daten nutzen können, um ihr volles Potenzial auszuschöpfen. Wir erwecken Ihre Datenstrategie mit leistungsstarken Funktionen wie automatischen Bereinigungs- und Anreicherungsagenten, einer fortschrittlichen Engine für Ausgaben- und Datenvisualisierung und unserer „Universal Search“ — einem Self-Service-Tool, das Erkenntnisse aus jahrelangen internen Daten liefert und alle Beschaffungsinformationen sofort zugänglich macht.
Eine klar definierte Datenstrategie ist für jedes Beschaffungsteam unerlässlich, das versucht, schlechte Datenqualität und fragmentierte Systeme zu überwinden. Sie verschafft Ihnen Klarheit darüber, welche Daten Sie haben, welche Daten Sie benötigen und wie Sie diese nutzen können, um Geschäftsergebnisse zu erzielen. Mit der richtigen Struktur können Sie die Datenqualität erheblich verbessern, den Wert historischer Aufzeichnungen nutzen und intelligentere, schnellere Entscheidungen ermöglichen.
Sind Sie bereit, Ihre Einkaufsdaten zu nutzen, um Erkenntnisse zu gewinnen und Einsparungen zu erzielen? Nehmen Sie Kontakt mit Procure Ai auf heute, um eine robuste Datenstrategie zu entwickeln und damit zu beginnen, Ihre Daten in greifbaren Geschäftswert umzuwandeln.
Eine Diskussion über die praktischen Schritte, die jeder Beschaffungsexperte unternehmen kann, um KI-Kompetenz aufzubauen
Webinar
024
Die Integration von Procure Ai Ivalua sorgt für einen reibungslosen Datenfluss, Aktualisierungen von Anforderungen in Echtzeit und KI-gestützte Automatisierung für eine schnellere Beschaffung.
News
023
Procure Ai und Unite arbeiten zusammen, um den B2B-Kauf zu vereinfachen. Greifen Sie direkt in Procure Ai auf den Marktplatz von Unite zu, um schneller, gesetzeskonformer und vernetzter einzukaufen.
News
022
Vereinfachen Sie den Einkauf mit der Microsoft Teams-Integration von Procure Ai. Erstellen, verfolgen und genehmigen Sie Kaufanfragen direkt im Chat für eine schnellere, gesetzeskonforme Beschaffung.
News
021