Lösung der Datenqualitätsherausforderung im Einkauf mit KI und fortschrittlicher Analytik

Genaue und zuverlässige Daten sind für Beschaffungsteams von entscheidender Bedeutung, um Risiken zu managen, Lieferantenbeziehungen zu optimieren, Kosteneinsparungsmöglichkeiten zu identifizieren und Prozesse zu rationalisieren. Dies ist auch für die Nutzung von KI von entscheidender Bedeutung. Qualitativ hochwertige Daten zu haben ist jedoch leichter gesagt als getan. Beschaffungsteams müssen sich oft auf unvollständige Transaktionsdaten oder manuell erfasste Datenpunkte verlassen, die über mehrere Systeme verstreut sind. Hinzu kommt ein begrenztes Verständnis dafür, wie Datenpunkte im gesamten Beschaffungsprozess zusammenhängen oder warum sie wichtig sind (denkt noch jemand über Kategoriencodes in Bestellanforderungen nach?) macht es noch schwieriger, datenbasierte Erkenntnisse und Maßnahmen zu gewinnen, wenn Entscheidungen getroffen werden.

In diesem Artikel wird die Bedeutung der Datenqualität in der Beschaffung untersucht, wichtige Konzepte zur Sicherstellung der Datenintegrität skizziert, die Grenzen traditioneller Methoden erörtert und aufgezeigt, wie künstliche Intelligenz (KI) das Beschaffungsdatenmanagement verbessern kann.

Was sind Beschaffungsdaten?

„Daten“ ist ein weit verbreiteter Begriff, dessen Bedeutung jedoch stark vom Kontext abhängt, in dem sie verwendet werden. Das Wörterbuchdefinition des Begriffs gibt an, dass es „sachliche Informationen beschreibt, die als Grundlage für Überlegungen, Diskussionen oder Berechnungen dienen“, oder „Informationen in digitaler Form, die übertragen oder verarbeitet werden können“. Diese Definition ist sehr weit gefasst und umfasst alles, von Wirtschaftsindikatoren bis hin zu persönlichen Kontaktdaten und allem dazwischen.

Im Zusammenhang mit der Beschaffung ist die Bedeutung von Daten seit langem bekannt und hat in den letzten zehn Jahren an Bedeutung gewonnen. Beschaffungsdaten lassen sich in einige wichtige Kategorien einteilen, darunter Transaktions-, Lieferanten-, Kategorie-, Markt-, Risiko-, ESG-, Preis-, Vertrags-, Leistungs- und Prozessdaten. Beschaffungsteams haben während des gesamten Prozesses von der Quelle bis zur Abrechnung Zugriff auf Hunderte einzigartiger Dateneigenschaften, was weit über die rund 15 Datenpunkte hinausgeht, die in einem ERP-System für Transaktionen mit Lieferanten erforderlich sind. Diese Datenpunkte sind zwar nicht alle für sich genommen sofort wertvoll, aber die Verbindungen, Interdependenzen und nachfolgenden Muster ermöglichen automatisierte Einblicke, Prozesse und Entscheidungen.

Was sind schlechte Daten?

Schlechte Daten gibt es in verschiedenen Formen. Zur Veranschaulichung und um ein Beispiel zu nennen: Ein Unternehmen könnte denselben Lieferanten in mehreren ERPs haben. Mehrere Lieferantennummern, Tippfehler oder Abkürzungen im Namen und andere Abweichungen erschweren es einem System, zu erkennen, dass es sich immer um denselben Lieferanten handelt. LIEFERANT 1, LIEFERANT 1, LIEFERANT 1 Inc., LIEFERANT 1 Incorporated. Ein Kategoriemanager wird erkennen, dass es sich um denselben Lieferanten handelt. Derselbe Lieferant, ein System möglicherweise nicht.

Ein weiteres Beispiel für schlechte Daten könnte der Zusammenhang zwischen Lieferanten und Kategorien sein, der die Ausgabenanalyse und die Entwicklung einer Kategoriestrategie erschwert.

Die Bedeutung qualitativ hochwertiger Daten

Die Datenqualität ist in der Beschaffung von größter Bedeutung, da sie sich direkt auf die betriebliche Effizienz, die Identifizierung von Chancen und die Entscheidungsfindung auswirkt. Die Folgen einer schlechten Datenqualität sind weitreichend und umfassen:

• Betriebliche Ineffizienzen: Ungenaue Daten können zu Verzögerungen bei den Beschaffungsprozessen führen, was manuelle Eingriffe erfordert und zu erhöhten Prozesskosten führt. Denken Sie noch einmal über diese Bestellanforderungen nach.

• Kostspielige Entscheidungen: Entscheidungen, die auf falschen Daten basieren, können zu einer schlechten Lieferantenauswahl, verpassten Gelegenheiten und einem erhöhten Risiko führen, was zu zusätzlichen Kosten für das Unternehmen führt. Haben Sie jemals eine verdrehte Zahl in einem Angebot gesehen, die sich auf Ihre Entscheidung ausgewirkt hat?

• Probleme mit der Einhaltung der Vorschriften: Ungenaue Aufzeichnungen können zu Compliance-Problemen führen, die sich auf behördliche Prüfungen und gesetzliche Verpflichtungen im Zusammenhang mit ESG- oder Sanktionsprüfungen auswirken.

• Beschädigte Lieferantenbeziehungen: Schlechte Daten können die Lieferantenbeziehungen aufgrund von Kommunikationsfehlern, langwierigen und doppelten Onboarding- und Qualifizierungsanfragen oder verspäteten Zahlungen belasten.

Hochwertige Daten sind auch für die digitale Transformation und die Einführung von KI von entscheidender Bedeutung. Laut der CPO-Umfrage von Deloitte 2023 gelten Probleme mit der Datenqualität als das größte Hindernis für die Digitalisierung im Einkauf (und die damit verbundenen Vorteile). Unterdessen werden in der Hackett 2025 CPO-Agenda Bedenken hinsichtlich der Datenqualität als das größte Hindernis für die Einführung von KI im Beschaffungswesen zur Unterstützung der Geschäftsziele genannt. Dem Bericht zufolge betrachten mehr als 70% der Unternehmen Probleme mit der Datenqualität als mittelschweres oder größeres Problem.

Herausforderungen in Bezug auf Beschaffungsdatenqualität und Analytik

Eine effektive Verarbeitung und Analyse von Beschaffungsdaten steht einer Reihe von Herausforderungen im Weg:

• Manuelle Prozesse: Manuelles Datenmanagement ist langweilig und zeitaufwändig und daher fehleranfällig. Insbesondere wenn Interessenvertreter an der Erstellung oder Auswahl von Daten beteiligt sind, die für Beschaffungsprozesse relevant sind, führt ein mangelndes Verständnis der Art und Relevanz der Daten zu unvorsichtigen Dateneingaben. Die Gründe für das Hinzufügen einer Kostenstelle zu einer PR sind beispielsweise allgemein bekannt, aber die Auswahl der richtigen Warennummer ist für Einkaufsteams weltweit ein ständiger Kampf. Dies ist einer der Gründe, warum Intake Management heutzutage so beliebt ist.

• Fehlende strategische Ausrichtung: Oft Beschaffung Datenanalyse-Strategien sind nicht auf die funktionale Strategie der Abteilung abgestimmt, was zu einer Diskrepanz zwischen Dateneinblicken und Geschäftszielen führt. Laut der Gartner Data and Analytics in Procurement Survey von 2023 geben 67% der Einkaufsleiter an, dass ihre größte Herausforderung, das Beste aus Daten und Analysen (D&A) herauszuholen, darin besteht, keine richtige D&A-Strategie zu haben, die auf ihre funktionale Strategie abgestimmt ist.

• Datenfragmentierung: Beschaffungsdaten sind oft über mehrere Systeme verstreut, was die Konsolidierung und Analyse erschwert.

• Unzureichende Fähigkeiten und Ressourcen: Beschaffungsteams verfügen oft nicht über die notwendigen Fähigkeiten und Ressourcen, um große Datensätze effektiv zu verwalten und zu analysieren. Vielen Fachleuten fehlt ein grundlegendes Verständnis strukturierter Daten, wie beispielsweise RFI-Fragebögen, RFP-Preisstrukturen oder Ausgabenanalysen zeigen. Fragen Sie sich, wer weiß, wie man eine Tabelle erstellt, die in eine Pivot-Tabelle oder eine Regressionsanalyse umgewandelt werden kann.

• Unzureichende Technologieinfrastruktur: Veraltete, unzureichende und unvernetzte Technologien schränken die Fähigkeit ein, Daten effizient zu erfassen, zu verarbeiten und zu analysieren.

Diese Herausforderungen, gepaart mit den Auswirkungen schlechter Datenqualität, unterstreichen die Notwendigkeit effektiver Datenmanagementstrategien in der Beschaffung.

Schlüsselkonzepte zur Sicherung der Datenqualität

Um sicherzustellen, dass qualitativ hochwertige Daten effektive Analysen ermöglichen, müssen sich die Beschaffungsteams auf drei wichtige Prozesse konzentrieren:

Datenbereinigung

Bei der Datenbereinigung werden Fehler, Inkonsistenzen und Ungenauigkeiten in den Beschaffungsdaten identifiziert und korrigiert, um deren Zuverlässigkeit und Genauigkeit sicherzustellen. Dieser Prozess behebt häufig auftretende Probleme wie doppelte Datensätze, veraltete Informationen und inkonsistente Formatierungen und verbessert letztendlich die Datenqualität.

Harmonisierung der Daten

Die Datenharmonisierung beinhaltet die Integration und Standardisierung von Daten aus mehreren Quellen, um einen einheitlichen, konsistenten Datensatz zu erstellen. Durch die Zentralisierung von Informationen wie Lieferantendetails, Produktspezifikationen und Preisen werden Datensilos und Inkonsistenzen beseitigt. Dies ist besonders wichtig in Umgebungen mit mehreren ERP- oder Beschaffungssystemen, in denen beispielsweise ein einzelner Lieferant systemübergreifend durch unterschiedliche Zahlen repräsentiert werden kann. Harmonisierte Daten ermöglichen eine effektivere Ausgabenanalyse und ein effektiveres Lieferantenmanagement.

Datenanreicherung

Bei der Datenanreicherung werden vorhandene Daten um zusätzliche Informationen oder wertvolle Erkenntnisse erweitert. Dies kann die Aktualisierung der Lieferantenprofile mit Zertifizierungen, Fähigkeiten, Bonitätseinstufungen, Risikobewertungen oder ESG-Compliance-Kennzahlen beinhalten. Bei Kategorien kann dies die Berücksichtigung von Markttrends, relevanten Indizes oder Währungskursen beinhalten. Angereicherte Daten bieten ein tieferes Verständnis des Lieferantenzustands, der Risikoexposition und der strategischen Ausrichtung. So erhalten die Kategoriemanager einen umfassenden 360-Grad-Überblick, um fundiertere Entscheidungen treffen zu können.

Wie KI Ihnen helfen kann, Ihre Datenqualität zu verbessern

Künstliche Intelligenz (KI) bietet eine transformative Lösung für die Bereinigung, Harmonisierung und Anreicherung von Beschaffungsdaten. Sie kann Einkaufsteams bei den folgenden Aufgaben unterstützen:

• Datenbereinigung: KI-Algorithmen können Fehler automatisch in Echtzeit erkennen und korrigieren, wodurch Genauigkeit und Effizienz verbessert werden.

• Klassifizierung der Ausgaben: KI kann Transaktionsinformationen automatisch entsprechend der Kategorietaxonomie zuweisen oder neu klassifizieren, wodurch ein besseres Verständnis der tatsächlichen Angebotsbasis und der Ausgaben innerhalb einer Kategorie entsteht.

• Datenharmonisierung: KI-Tools können unterschiedliche Datensätze nahtlos integrieren. Von der Übersetzung von Transaktionsdaten bis hin zur Abstimmung von Lieferantendatensätzen können harmonisierte Daten die systemübergreifende Konsistenz erhöhen.

• Datenanreicherung: KI kann Daten mit externen Erkenntnissen wie Markttrends, Finanzlage, ESG oder Risikobewertungen anreichern, um eine ganzheitliche Sicht auf Lieferanten zu erhalten und die Entscheidungsfindung zu unterstützen.

• Sichtbarkeit und Transparenz: KI kann eine einheitliche Ansicht der Beschaffungsdaten bieten und so eine schnellere Analyse und fundiertere strategische Entscheidungen ermöglichen.

• Prädiktive Analytik: KI kann Muster erkennen und Wahrscheinlichkeiten berücksichtigen, um Szenarioanalysen, Vertriebs- und Betriebsplanung (S&OP) und Verhandlungsverhalten zu unterstützen.

• Identifizierung von Chancen: KI kann Inkonsistenzen und Muster aufzeigen und Verbesserungsinitiativen empfehlen, wie z. B. die Harmonisierung der Zahlungsbedingungen, die Konsolidierung von Lieferanten oder die Preisgestaltung für Produkte und Lieferanten.

Durch den Einsatz von KI können Einkaufsteams Überwindung traditioneller Datenmanagement-Herausforderungen, automatisieren betriebliche Prozesse und treffen fundierte Entscheidungen auf der Grundlage hochwertiger Daten. Dies unterstützt strategische Ziele wie Kosteneinsparungen und Risikomanagement und verbessert die Lieferantenbeziehungen.

Schlechte Daten sind eine schlechte Ausrede

Viele Beschaffungsteams geben an, dass eine schlechte Datenqualität sie davon abhält, effizientere Prozesse durchzuführen oder bessere Entscheidungen zu treffen. Gleichzeitig gibt es nur sehr wenige Organisationen, die eine klare Datenstrategie und investieren in die Verbesserung ihrer Datenqualität. Schlechte Daten sind zu einem Alleskönner und einer Entschuldigung für Untätigkeit geworden.

Angesichts der raschen Weiterentwicklung der KI und der skizzierten bewährte Anwendungsfälle, schlechte Daten sollten 2025 keine akzeptable Entschuldigung mehr sein. Niemand benötigt perfekte Daten, um seine KI-Reise mit dem Anwendungsfall Datenbereinigung, Harmonisierung, Klassifizierung oder Anreicherung zu beginnen. Niemand benötigt perfekte Daten, um mit der autonomen Beschaffung und Verhandlung oder dem Eingangsmanagement zu beginnen. Eine klare Datenstrategie und die Bereitschaft und Akzeptanz, dass sich die Daten und damit die Ergebnisse im Laufe der Zeit verbessern werden, sind alles, was Sie brauchen, um sich auf KI im Einkauf vorzubereiten.

Einheitliche Analytik mit Procure Ai

Procure Ai unterstützt verschiedene Anwendungsfälle in den Bereichen Datenanalyse und Management und hilft Teams dabei, ihre Datenkompetenz auszubauen. Wir können Ihnen helfen, einen zentralisierten Data Lake für die Beschaffung einzurichten und optimale Strategien für die Bereinigung, Harmonisierung und Anreicherung Ihrer Daten zu empfehlen. Mit Unified Analytics unterstützen wir Ausgabenanalysen, Transaktionsklassifizierung, Datenbereinigung, Harmonisierung, Anreicherung und Erkennung von Geschäftschancen.

Die Procure Ai-Plattformarchitektur ermöglicht es Ihnen, mehrere verwandte KI-Anwendungsfälle miteinander zu verknüpfen, um eine tiefere Automatisierung des gesamten Beschaffungsprozesses voranzutreiben, vom Eingangsmanagement über die autonome Beschaffung, Verhandlungen bis hin zu reibungslosen Abläufen — auf der Grundlage sauberer Daten.

Schaffung der Grundlage für bessere Beschaffungsentscheidungen

Hochwertige Daten sind entscheidend für effiziente Beschaffungsabläufe und strategische Entscheidungen. Zwar stehen einer effektiven Verarbeitung und Analyse von Beschaffungsdaten mehrere Hindernisse im Weg, darunter Datenfragmentierung und die Abhängigkeit von manuellen Prozessen, doch KI kann viele dieser Herausforderungen bewältigen und bewältigen. Durch die Automatisierung von Datenmanagementaufgaben und die Abstimmung von Datenanalysen mit Beschaffungsstrategien kann KI die Prozesseffizienz durch Automatisierung steigern und verwertbare Erkenntnisse zu Einsparungen, zum Management von Lieferantenbeziehungen und zu Möglichkeiten zur Risikominderung liefern.

Bist du bereit um Ihr Unternehmen mit zuverlässiger Datenintelligenz für fundierte Entscheidungen auszustatten? Procure Ai kann Ihnen helfen, einen Data Lake für die Beschaffung aufzubauen und Unified Analytics zu nutzen, um Ihre Datenqualitätsprobleme zu bewältigen, Prozessautomatisierung zu ermöglichen und datengestützte Entscheidungen zu treffen. Kontaktiere uns um mehr zu erfahren.