So sehr Large Language Models (LLM) den strategischen Einkauf bei Texterstellung, Webrecherchen oder Softwarebedienung helfen, die Fragen der Geschäftsleitung an den Einkauf sind zahlengetrieben. Die mathematisch- statistischen Modelle hierfür sind in der Umsetzung anspruchsvoll.

KI-Macher oder Bedenkenträger

Zwei Lager tun sich auf, wenn mathematische KI-Modelle als Ergänzung zu belastbaren KPIs oder als Ideengeber im strategischen Einkauf betrachtet werden: Hier die Befürworter und Macher, die KI-Modelle in Ihrem Arbeitsumfeld sofort als weiteren Fortschritt wahrnehmen. Dort die Bedenkenträger, die die unzureichende Perfektion der KI-Vorschläge bemängeln und KI-Ergebnissen im Vergleich zur eigenen Zahlenwelt ablehnen. Fakt ist – ohne die Fehler der KI-Modelle zu negieren – nie zuvor konnte man mit einer derartigen Geschwindigkeit Vorschläge, Ideen, Potentiale aufgezeigt bekommen, die eine Erweiterung bekannter Denkmuster ermöglichen, faktenbasiert und nicht als Bauchgefühl.

Ein Informationssystem wie WebCIS 4.0, das Berichtswesen, interaktive Dashboards und Entscheidungsunterstützung im Einkauf auf Knopfdruck bereithält, ist eine exzellente Basis für Analysen mittels integrierbarer KI-Modelle.

Marktbenchmarks von Preisindizes, das Aufspüren unplausibler Preis- und Mengenstrukturen, Kostentreiberanalysen, Predictive Analytics kommen aus Mustern, die ohne KI gar nicht denkbar wären.

Indexvergleich von Preisverläufen

Orientiert man sich an der Materialkostenveränderung als der Messgröße für die Wirkung einkäuferischen Handelns auf das Unternehmensergebnis kommt naturgemäß die Frage: Wie ist die Entwicklungen der Materialkosten im Vergleich zu Marktindices? Durch die KI-unterstützte Zuordnung von Indizes – NACE, Eurostat, stat. Bundesamt – zu Warengruppen können nicht nur fallweise Überprüfungen durchgeführt, sondern sämtliche Warengruppen auf Knopfdruck verglichen werden inkl. Aufriss auf Lieferanten und Materialien. Unerlässlich für tiefere Analysen.

Homogenitätsindex und Warengruppenstruktur

Indexvergleiche provozieren oft Zweifel an ihrer Aussagekraft als Folge möglicher unzureichender Warengruppenzuordnungen. KI-basierte Homogenitätsindizes helfen hier weiter, um ein objektiveres Bild der Übereinstimmung zugeordneter Materialien zu erhalten. Als Ideenerweiterung kann man sich auch ein zusätzliches alternatives Warengruppensystem vorstellen, einzig mit dem Ziel innerhalb der Warengruppen einen möglichst hohen Homogenitätsindex zu erreichen. In WebCIS eingebettete KI-Modelle ermöglichen hierzu wertvolle Vorschläge und Vergleiche.

KI-basierte Nutzung von Staffelpreisen

Losgrößenabhängige Konditionen gelten nach wie vor als gängiger Weg, mit dispositiven Schwankungen umzugehen. Doch nach welchen Regeln werden Staffelmengen und Staffelpreise definiert? Auf diese einfache Frage kommt selten eine plausible Erklärung Zwei wichtige Fragen stellen sich bei der Staffelpreisdefinition: Welche Materialien eignen sich überhaupt für Staffelpreise und sind die Staffeln so aufgebaut, dass Fixkosten und variable Kosten in jeder Staffel eine logische Preiskalkulation darstellen? KI-Modelle zeigen Ungereimtheiten und Lösungen auf Knopfdruck.

Im nächsten Schritt sollte man die genutzten Staffeln mit besseren preislichen Alternativen vergleichen. Unter Abwägung der Preisvorteile, Lagerkosten und Kapitalbindung sind Einsparungen von 5%-10% realistisch.

Was ist steigendes Einkaufsvolumen wert?

Was landläufig Mengen- bzw. Volumenrabatt genannt wird, bietet auch im industriellen Einkauf messbare Einsparmöglichkeiten. Fixkostendegression, verbesserte Planungssicherheit und Frachtoptimierungen gehen häufig mit steigenden Mengen und Einkaufsvolumen einher. In der harten Realität aus Zahlen und Fakten zeigen nennenswerte Mengensteigerungen kaum messbare Kostenreduktionen, oft mit der Begründung, dass belastbare Zahlenzusammenhänge fehlen. Ein Knopfdruck in WebCIS genügt, um potenzielle Materialnummern und Lieferanten zu identifizieren, mit denen u.U. Bonusvereinbarungen bzw. -staffeln verhandelbar wären. Ergänzt um die KI-basierte Zuordnung von Preisindizes lassen sich die Volumensteigerungen im Lichte der Indexveränderungen der Märkte betrachten. Sowohl im direkten Einkauf als auch im indirekten Einkauf ergeben sich damit ertragreiche Argumentations- und Handlungsspielräume.

Diese wenigen Beispiele zeigen, wie mathematische und statistische Modelle der künstlichen Intelligenz ein eigener Rohstofffaktor im strategischen Einkauf schon heute sind und zukünftig ausgefeilter werden.